Was ist Agentic AI?

Es scheint, als würde plötzlich jeder über Agentic AI sprechen – doch nicht jeder hat eine klare Vorstellung davon, was der Begriff eigentlich bedeutet. In diesem Blogpost definieren wir den Begriff und untersuchen die Auswirkungen der Technologie auf Software-Entwicklungsteams und Unternehmen, die diese sich entwickelnde Technologie nutzen möchten.

Was genau ist also Agentic AI?

Agentic AI bezeichnet autonome Systeme, die darauf ausgelegt sind, Aufgaben im Auftrag eines Benutzers oder eines anderen Systems auszuführen. Diese Agenten sind in der Lage, eigenständig Entscheidungen zu treffen und Aktionen auszuführen, häufig durch die Nutzung von Technologien wie großen Sprachmodellen (Large Language Models, LLMs), natürlicher Sprachverarbeitung (Natural Language Processing, NLP) und maschinellem Lernen (Machine Learning, ML). Ihr „agentischer“ Charakter bedeutet, dass sie bei der Verfolgung von Zielen planen, logische Schlussfolgerungen ziehen und sich anpassen können – oft mit minimaler menschlicher Aufsicht.

Agentic AI ist ein System autonomer künstlicher Intelligenz, das in der Lage ist, logische Schlussfolgerungen zu ziehen, zu planen und mehrstufige Aufgaben auszuführen, um ein bestimmtes Ziel zu erreichen. Im Gegensatz zu generativer KI, die lediglich auf Prompts reagiert, agiert Agentic AI als digitaler „Agent“ – sie nutzt Tools, lernt aus Feedback und trifft eigenständige Entscheidungen, um komplexe Workflows mit minimaler menschlicher Aufsicht zu bewältigen.

Was sind die Kernkomponenten eines Agentic-AI-Systems?

Agentic-AI-Systeme müssen die folgenden Fähigkeiten umfassen:

• Zielmanagement: Das System muss in der Lage sein, ein Ziel zu verstehen und zu verfolgen. Dieses Ziel kann intern generiert oder vom Benutzer vorgegeben sein. Ein Agent weiß, was er erreichen will und kann große Ziele in kleinere, überschaubare Aufgaben unterteilen.
• Entscheidungsfindung und Planung: Das System muss in der Lage sein, eigenständig Entscheidungen zu treffen und zu entscheiden, wie es ein Ziel erreicht – selbst wenn das bedeutet, es in Einzelschritte zu unterteilen oder sich unterwegs anzupassen. Agentic AI ermittelt die besten Schritte mithilfe von Logik, Schlussfolgerungen oder erlernten Strategien.
• Feedback-Schleife (Wahrnehmungs-Aktions-Zyklus): Der Agent muss basierend auf seinen Entscheidungen handeln, die Ergebnisse beobachten und sich entsprechend anpassen – diese Schleife verleiht ihm Handlungsfähigkeit (Agency), anstatt wie ein One-Shot-Tool zu funktionieren. Ein Agentic-AI-System lernt aus den Ergebnissen und passt sein Verhalten daran an, was funktioniert und was nicht. So wird es mit jedem Durchlauf intelligenter und nützlicher.

Einige zusätzliche Komponenten sind in der Regel vorhanden, aber nicht zwingend erforderlich. Dazu gehören:

• Sprachkenntnisse (LLMs und NLP): Agentic AI, unterstützt von LLMs, verwendet natürliche Sprache, um Anweisungen zu verstehen, Fragen zu stellen und Ergebnisse zu kommunizieren.
• Verwendung von Tools: Das System kann mit anderen Tools, Websites, APIs oder Software interagieren, um eine Aufgabe zu erledigen.
• Gedächtnis: Agenten merken sich vergangene Aktionen, Gespräche oder Fakten, um konsistent zu bleiben und sich im Laufe der Zeit zu verbessern. Dieses Gedächtnis kann kurzfristig (für die aktuelle Aufgabe) oder langfristig (für die zukünftige Verwendung) sein.
• Sicherheits- und Alignment-Richtlinien: Agenten verfügen in der Regel über Mittel, um ihre Aktionen innerhalb ethischer, rechtlicher oder betrieblicher Grenzen zu halten. Dazu können Mechanismen zur Werteausrichtung (Value Alignment), Schutzmaßnahmen (Guardrails) oder Human-in-the-Loop-Systeme gehören.

Wie unterscheidet sich Agentic AI von generativer KI (Gen AI) und traditioneller KI?

Traditionelle KI ist in der Regel darauf trainiert, eine Sache besonders gut zu machen. Sie reagiert auf Eingaben, plant jedoch nicht und trifft keine Entscheidungen – sie verlässt sich auf menschliche Prompts oder eine fest vorgegebene Logik. Traditionelle KI eignet sich hervorragend für Mustererkennung und Aufgaben wie das Filtern von Spam, das Empfehlen verwandter Produkte oder das Erkennen von Bildern. Sie folgt statischen Regeln und agiert weder autonom noch erschafft sie etwas Neues.

Generative KI erstellt als Reaktion auf eine Benutzeranfrage Inhalte wie Texte, Bilder, Softwarecode, Videos oder Audioaufnahmen. Generative KI geht über die Mustererkennung traditioneller KI hinaus, indem sie auf Deep-Learning-Modelle, umfangreiche Trainingsdaten und natürliches Sprachverständnis zurückgreift, um Benutzer-Prompts zu interpretieren und das gewünschte Ergebnis zu erzeugen. Sobald sie auf den ersten Prompt reagiert hat, führt sie ohne zusätzliche Prompts keine weiteren Aktionen aus. Generative KI, wie beispielsweise ein LLM, kann als Komponente eines Agentic-AI-Systems dienen.

Sowohl traditionelle als auch generative KI sind in der Regel reaktiv und auf menschliche Prompts oder Eingaben angewiesen. Agentic AI ist proaktiver und in der Lage, auf ein Ziel hinzuarbeiten und mehrstufige Prozesse autonom abzuschließen. Sie arbeitet in Schleifen, unternimmt neue Versuche, überarbeitet und passt sich an, bis das Ziel erreicht ist, wobei sie eine Vielzahl von Tools nutzt, um ihre Entscheidungen zu steuern.

Was sind die Unterschiede zwischen den benötigten Daten und Trainingsmethoden für verschiedene Arten von KI?

Die Anforderungen an KI-Trainingsdaten unterscheiden sich je nach beabsichtigtem Anwendungsfall in Bezug auf Struktur, Spezifität und Umfang. Verschiedene Arten von KI profitieren von unterschiedlichen Trainingsmethoden – auch hier hängt die beste Methode oft vom gewünschten Anwendungsfall oder Ergebnis ab.

Traditionelle KI ist auf gekennzeichnete, strukturierte Datensätze angewiesen. Die Daten müssen bereinigt und gut annotiert sein; sie sind in der Regel fachspezifisch und eng gefasst. Die gebräuchlichste Trainingsmethode ist das überwachte Lernen (Supervised Learning): Das Modell lernt aus Input-Output-Paaren. Unüberwachte, regelbasierte Systeme sind ebenfalls verbreitet, da traditionelle KI in der Regel darauf ausgelegt ist, eine spezifische Aufgabe zu erfüllen, die einem wiederholbaren Workflow folgt.

Generative KI erfordert wesentlich größere, breitere und unstrukturierte Datensätze. Denken Sie an Bücher, Websites, Bibliotheken, Bilder oder Code – das Volumen ist entscheidend. Je nach Anwendungsfall kann die Vielfalt auch ein Faktor sein. Für manche interne Anwendungen ist Vielfalt möglicherweise keine Priorität – doch wenn die App für eine breitere Zielgruppe vorgesehen ist, sollten die Trainingsdaten diese Vielfalt widerspiegeln, um das Risiko von Voreingenommenheit zu verringern. Generative KI stützt sich beim initialen Training in der Regel auf selbstüberwachtes Lernen (Self-Supervised Learning). Anschließend leiten menschliche Eingaben das Fine-Tuning und das bestärkende Lernen (Reinforcement Learning). Menschen bewerten dabei die Modellausgaben und bringen dem Modell bei, auf hilfreiche, sichere und qualitativ hochwertige Antworten zu optimieren.

Agentic AI lernt aus strukturierten, zielorientierten Daten wie Aufgabenprotokollen, Workflows und Aufzeichnungen vergangener Aktionen. Agentic AI kann auch mit synthetischen oder interaktiven Daten aus simulierten Umgebungen sowie mit Feedbacksignalen trainiert werden. Das Training kombiniert das Fine-Tuning generativer Modelle mit Reinforcement Learning, Behavioral Cloning und dem Training zur Nutzung von Tools. Beim Behavioral Cloning lernt die KI durch Nachahmung – sie kopiert das Verhalten von Experten, anstatt es selbst durch Versuch und Irrtum herauszufinden. Dies ist oft der erste Schritt beim Aufbau agentischer Systeme, die sich später durch fortgeschrittenere Techniken wie Reinforcement Learning oder Echtzeit-Feedback selbst verbessern können. Iteratives Feedback und zielorientierte Bewertung sind ebenfalls essenziell für das Training von Agentic AI.