Autonomous Agents: Definition, Autonomie-Grad, Abgrenzung

Autonomous Agents sind KI-Systeme auf Basis großer Sprachmodelle (LLM, Large Language Models, die Technik hinter ChatGPT), die eine Aufgabe eigenständig in Teilschritte zerlegen, dafür externe Werkzeuge (etwa Software, Datenbanken, Programmierschnittstellen) aufrufen und den nächsten Schritt selbst aus dem bisherigen Ergebnis ableiten, ohne dass ein Mensch dazwischen freigibt. Der Begriff bezeichnet den oberen Autonomie-Grad im Agenten-Spektrum und grenzt vollständig eigenständig handelnde Systeme von Agenten mit Mensch-in-der-Schleife (Human-in-the-Loop, also mit Freigabe nach jedem Schritt) und von reinen Chat- und Assistenz-Modellen ab.

Was sind Autonomous Agents?

Ein Autonomous Agent ist ein KI-Agent, der über die gesamte Dauer eines Auftrags ohne menschliche Zwischenschritte arbeitet. Er nimmt ein Ziel entgegen, plant die nötigen Schritte, wählt passende Werkzeuge (Software, Datenbanken, Schnittstellen), wertet Zwischenergebnisse aus und entscheidet selbst, wann der Auftrag erledigt oder abzubrechen ist. Typisch sind lange Laufzeiten (Minuten bis Tage), ein fortlaufender Arbeitszustand (der Agent merkt sich, was er bisher getan hat) und feste Abbruch-Regeln wie eine maximale Schrittzahl oder eine Kosten-Obergrenze, statt einer Freigabe nach jedem einzelnen Schritt.

Vier funktionale Bausteine tragen den Begriff: ein Sprachmodell als Reasoning-Kern mit Planungs- und Reflexions-Fähigkeit, eine Werkzeug-Schicht (Function Calling, [Model Context Protocol](https://modelcontextprotocol.io/), API- und System-Zugriffe), ein Speicher-Modell mit Kurzzeit-Zustand und optionalem Langzeit-Gedächtnis, sowie ein Kontroll-Loop mit Selbst-Evaluation und harten Abbruch-Kriterien (Iterations-Grenze, Kosten-Kappe, Fehler-Schwellwert).

Die heutige LLM-Prägung entsteht 2023 mit den offenen Prototypen [AutoGPT](https://github.com/Significant-Gravitas/AutoGPT) und BabyAGI, die Ziel-Zerlegung und Selbst-Planung im Loop demonstrieren. Anthropic zieht in [„Building Effective Agents"](https://www.anthropic.com/research/building-effective-agents) (Dezember 2024) die Trennlinie zwischen Workflows mit fest verdrahtetem Kontrollfluss und Agenten mit LLM-gesteuertem Kontrollfluss und ordnet vollständig autonome Systeme als oberen Grad ein. Gartner führt „Autonomous Agents" 2024/2025 als eigene Kategorie im Hype Cycle. Der Begriff bezeichnet dabei den Betriebs-Modus statt der Architektur; zwei Systeme können denselben Aufbau haben und trotzdem verschieden betrieben werden. Autonome Agenten brauchen andere Guardrails: Kosten-Kappen, restriktive Werkzeug-Berechtigungen, Abbruch-Regeln, vollständige Auditierbarkeit.

Abgrenzung zu AI Agents, Agentic AI, Workflows und RPA

Der Begriff wird im Markt häufig synonym mit angrenzenden Konzepten verwendet. Die relevanten Trennlinien:

Begriff	Rolle	Verhältnis zum Autonomous Agent
AI Agent	Oberkategorie: LLM-basiertes System mit Werkzeug-Schleife	Autonomous Agent ist ein AI Agent mit oberem Autonomie-Grad; nicht jeder AI Agent ist autonom
Agentic AI	Systemsicht: Kompositionen aus Agenten, Werkzeugen, Zielen	Autonomous Agents sind eine mögliche Ausprägung; viele Agentic-AI-Systeme sind bewusst nicht voll autonom
Agentic Workflow	Fest verdrahteter Kontrollfluss über LLM-Aufrufe	Entwickler legt den Graphen fest; der Autonomous Agent bestimmt den Graphen zur Laufzeit
Multi-Agent-System	Verband aus mehreren Agenten mit Rollen und Handoff	Orthogonal zur Autonomie; ein Verband kann autonome oder assistierende Agenten enthalten
RPA / klassische Software-Agenten	Regel- oder Skript-basierte Automaten	Handeln ohne Mensch, aber ohne probabilistischen Reasoning-Kern; deterministische Regeln statt LLM

Die begrifflich wichtigste Trennung liegt zwischen AI Agent und Autonomous Agent. Beide teilen die Architektur. Der Autonomous Agent hebt zusätzlich den Autonomie-Grad hervor: kein Human-in-the-Loop während des Laufs, längere Laufzeiten, harte Abbruch-Kriterien. Ein Coding-Agent, der jeden Commit zur Freigabe vorlegt, ist ein AI Agent; derselbe Agent, der ohne Freigabe bis zum grünen Test-Lauf durchläuft, ein Autonomous Agent.

Agentic AI beschreibt die Systemsicht, Autonomous Agent den Betriebs-Modus einzelner Agenten darin. Agentic Workflows sind die Gegen-Familie mit fest verdrahtetem Kontrollfluss. RPA-Bots erfüllen zwar das Kriterium „ohne Mensch", verwenden aber keinen LLM als Entscheider im Loop; sie folgen deterministischen Regeln.

Beispiel: Coding-Agent mit vollständigem Selbst-Lauf

Ein Coding-Agent für einen Refactoring-Auftrag zeigt den Betriebs-Modus im schmalen Zuschnitt. Aufgabe: ein Modul auf eine neue Bibliotheks-Version migrieren, ohne dass die Test-Suite bricht.

Der Loop startet mit dem Ziel im Prompt und dem Repository-Zugang. Das Sprachmodell liest die relevanten Dateien, erstellt einen Änderungsplan, editiert die betroffenen Stellen und führt die Tests aus. Aus dem Test-Ergebnis wertet das Modell aus, welche Fehler bleiben, passt den Plan an und iteriert. Der Loop endet, wenn alle Tests grün sind, die Iterations-Grenze erreicht ist, die Kosten-Kappe greift oder das Modell eine unlösbare Blockade meldet. Erst dann erzeugt der Agent einen Merge-Request oder eine strukturierte Fehleranalyse.

Ein Assistenz-Agent würde nach jedem File-Edit eine Freigabe einholen; die Architektur ist identisch, der Betriebs-Modus ist es nicht. Die Guardrails sitzen im Autonomen in den Werkzeug-Berechtigungen und den Abbruch-Regeln.