Agentic AI

Agentic AI (agentische Künstliche Intelligenz) bezeichnet Software-Systeme, in denen ein oder mehrere Agenten ein Ziel eigenständig verfolgen. Ein Agent ist ein Programm auf Basis eines großen Sprachmodells (etwa ChatGPT oder Claude). Er zerlegt die Aufgabe in Schritte, ruft Werkzeuge (Datenbanken, externe Programm-Zugänge, sogenannte APIs) auf und passt die nächsten Entscheidungen an das jeweilige Ergebnis an. Der Begriff grenzt handelnde Systeme von reinen Chatbots ab, die nur antworten.

Was ist Agentic AI?

Agentic AI ist eine Klasse von Software-Systemen, keine einzelne Technologie. Sie beschreibt Anwendungen, in denen ein oder mehrere Agenten eine Aufgabe eigenständig zerlegen, sich das passende Werkzeug (Datenbank, API, Suchindex) auswählen, das Zwischenergebnis auswerten und den nächsten Schritt darauf aufbauen. Die zentrale Eigenschaft ist der Grad an Autonomie: Der Agent entscheidet innerhalb eines vorgegebenen Ziels selbst, was als Nächstes zu tun ist, statt jeden Schritt von außen vorgeschrieben zu bekommen.

Vier funktionale Bausteine tragen den Begriff. Erstens ein Sprachmodell als Reasoning-Kern, das Kontext interpretiert, Optionen bewertet und Aktionen ableitet. Zweitens eine Werkzeug-Schicht (Function Calling, [Model Context Protocol](https://modelcontextprotocol.io/) (MCP), API-Aufrufe, Datenbank-Zugriffe), über die der Agent mit der Welt außerhalb des Prompts interagiert. Drittens ein Speicher- oder State-Modell, das Zwischenergebnisse, Historie und geteilten Zustand hält. Viertens eine Orchestrierungs-Logik, die festlegt, welcher Schritt wann fällt, welcher Agent ihn übernimmt und wie das System auf Fehler reagiert.

Der begriffliche Rahmen hat sich 2023 und 2024 herausgebildet. Konzeptioneller Ausgangspunkt ist die [ReAct-Arbeit](https://arxiv.org/abs/2210.03629) von Yao et al. (2022), die zeigt, dass Sprachmodelle Reasoning und Handlung im selben Prompt-Loop verketten können. Das Berkeley AI Research Lab prägt 2024 den [Compound-AI-Systems-Frame](https://bair.berkeley.edu/blog/2024/02/18/compound-ai-systems/): eine agentische Anwendung ist eine Komposition aus Modellen, Werkzeugen und Programmen. Gartner führt „Agentic AI" 2024 als eigene Kategorie im Hype Cycle. Der Begriff hat sich seither im deutschsprachigen Raum als englisches Lehnwort etabliert; die Fraunhofer IAIS und die Computerwoche verwenden ihn ohne Übersetzung, Trend Micro DE gebraucht parallel „agentenbasierte KI".

Der Begriff existiert, um zwei benachbarte Kategorien abzugrenzen. Nach oben gegen reine Chat- und Assistenz-Modelle, die auf einen Prompt antworten, aber nichts tun. Nach unten gegen klassische Machine-Learning-Pipelines, die deterministisch trainiert und ausgeliefert werden, ohne im Betrieb selbst Entscheidungen über den nächsten Schritt zu fällen. Agentic AI sitzt zwischen beidem: probabilistisch wie ein Sprachmodell, handelnd wie eine Anwendung.

Abgrenzung zu AI Agents, Workflows und Generative AI

Der Begriff wird im Markt oft synonym mit angrenzenden Konzepten verwendet. Die relevanten Unterschiede:

AI Agents und Agentic AI werden häufig austauschbar benutzt. Die Trennlinie liegt in der Perspektive: AI Agents beschreibt die Bausteine (ein Agent, ein Prompt, ein Toolset), Agentic AI die Systemsicht (mehrere Agenten und Werkzeuge koordinieren ein Ziel). Autonomous Agents ist eine Grad-Beschreibung: jede Autonomous-Agent-Anwendung ist Agentic AI, umgekehrt gilt das nicht, weil viele produktive Systeme aus Governance- oder Risiko-Gründen einen menschlichen Zwischenschritt einbauen.

Agentic Workflows sind ein enger gefasster Anthropic-Begriff für vordefinierte Muster mit Agenten-Beteiligung (Prompt-Chaining, Router-Pattern, Parallelisierung, Orchestrator-Worker, Evaluator-Optimizer). Sie bilden eine Muster-Bibliothek, aus der sich Agentic-AI-Systeme zusammensetzen lassen. Compound AI Systems ist der akademische Struktur-Frame und breiter angelegt; er umfasst auch nicht-agentische Kompositionen. Generative AI ist die technologische Basis: ohne Sprachmodell keine Agentic AI, aber ein Chatbot allein bleibt reaktive Content-Erzeugung.

Eine letzte Abgrenzung: Artificial General Intelligence (AGI) ist ein hypothetisches Konzept einer allgemeinen Maschinen-Intelligenz. Agentic AI ist enger und auf umsetzbare, aufgaben-spezifische Autonomie ausgelegt. Wer die beiden Begriffe verwechselt, überschätzt regelmäßig, was heutige Systeme können.

Beispiel: Sales-Enablement-Agent

Ein Sales-Enablement-System zeigt die vier Bausteine im schmalen Zuschnitt. Zu jeder neuen Lead-Anfrage soll das System ein strukturiertes Briefing erzeugen und im CRM ablegen.

Ablauf des Agenten: CRM-Datensatz zum Lead lesen (Werkzeug 1), Unternehmens-Signale aus einer Handelsregister-API abfragen (Werkzeug 2), passende Fallstudien und Referenzen aus einem Vector-Store ziehen (Werkzeug 3, [Retrieval-Augmented Generation](https://arxiv.org/abs/2005.11401)), Briefing-Text formulieren und in Salesforce ablegen (Werkzeug 4). Der Agent entscheidet für jeden Fall neu, welche Werkzeuge in welcher Reihenfolge nötig sind, bricht ab, wenn eine Datenquelle fehlt, und übergibt in Grenzfällen an einen menschlichen Sales-Verantwortlichen.

Die vier Bausteine sind konkret: ein Sprachmodell (Claude oder GPT) als Reasoning-Kern, eine Tool-Registry mit vier Funktionen, ein Kurzzeit-State (Lead-ID, gesammelte Signale, geladene Fallstudien), ein einfacher Router zwischen den Werkzeugen. Multi-Agent-Topologien, umfangreiche Reflexions-Schleifen oder ein Langzeit-Gedächtnis sind für diesen Zuschnitt entbehrlich. Das Beispiel bleibt Agentic AI, weil der Agent selbst entscheidet, welche Schritte nötig sind. Eine klassische Airflow-Pipeline durchläuft dagegen immer denselben Graph.

Typische Erweiterungen zeigen die Skalierungs-Achse des Begriffs: mehrere Agenten mit Supervisor-Struktur, Langzeit-Gedächtnis über Kunden hinweg, geteilte Ontologie mit anderen Agenten der Organisation, formales Tracing und Kostenüberwachung pro Schritt. Der Kern der Definition bleibt gleich; die produktive Reife hängt an Governance, Observability und dem Zuschnitt der Werkzeuge.