Vertical AI Agents

Vertical AI Agents sind KI-Assistenten auf Basis großer Sprachmodelle (Large Language Models, LLM), die auf eine bestimmte Branche oder Fachaufgabe zugeschnitten sind, etwa Vertragsprüfung in Kanzleien, Schadenbearbeitung in Versicherungen oder Diagnostik-Unterstützung im Gesundheitswesen. Sie verbinden fünf Bausteine: ein Sprachmodell als Denk-Kern, Fach-Prompts (Anweisungen in der Terminologie der Branche), Werkzeuge (Zugriffe auf Fach-Systeme wie Dokumentenmanagement oder Warenwirtschaft), Regulatorik-Wissen (Kenntnis der geltenden Compliance-Rahmen) und einen Fach-Corpus (durchsuchbare Sammlung branchenspezifischer Dokumente, technisch „Retrieval-Augmented Generation", RAG).

Was sind Vertical AI Agents?

Ein Vertical AI Agent löst Aufgaben innerhalb einer klar umrissenen Fach- oder Branchendomäne. Der Zuschnitt zeigt sich an vier Stellen gleichzeitig: die Anweisungen an das Modell (Prompts) sprechen die Terminologie der Branche, die Werkzeuge greifen auf Fach-Systeme wie ein Vertrags-Archiv oder eine Warenwirtschaft statt auf allgemeine Schnittstellen zu, das eingebettete Regulatorik-Wissen kennt die Compliance-Rahmen der Domäne, und der durchsuchbare Fach-Corpus enthält branchenspezifische Dokumente wie Verträge, Schadenakten, Leitlinien, Produktkataloge oder Studien. Ohne diesen Zuschnitt bleibt ein Agent ein allgemeiner Assistent, der Fachfragen mit Alltagswissen beantwortet.

Fünf funktionale Bausteine tragen den Begriff. Erstens ein [Foundation Model](/insights/glossar/foundation-models/) als Reasoning-Kern, das Kontext interpretiert und Handlungen ableitet. Zweitens eine domänenspezifische Prompt-Bibliothek mit Fachterminologie, Rollenbeschreibung und Playbook-Regeln der Fachabteilung. Drittens eine Werkzeug-Schicht ([Tool Use](/insights/glossar/tool-use/) über Branchen-APIs, Fach-Datenbanken, Regel-Engines und Fachsystem-Konnektoren wie DMS, ERP oder Praxisverwaltung. Viertens ein eingebautes Regulatorik-Wissen, das die Compliance-Rahmen der Branche kennt (GxP und MDR im Gesundheitswesen, VVG und VAG in der Versicherung, GoBD im Rechnungswesen, branchenspezifische DSGVO-Auslegungen). Fünftens ein [RAG](/insights/glossar/rag/)-Corpus aus fachspezifischen Dokumenten mit Retrieval- und Reranking-Schicht.

Der begriffliche Rahmen kommt aus zwei Richtungen. Gartner führt Vertical AI Agents 2024 und 2025 als eigene Kategorie im Beratungs-Vokabular und prognostiziert für 2028 einen deutlichen Adoptions-Anteil in Enterprise-Software. Y Combinator hat die Kategorie 2024 unter der Formel [„Vertical AI Agents Could Be 10X Bigger Than SaaS"](https://www.ycombinator.com/blog/vertical-ai-agents-could-be-10x-bigger-than-saas/) als Startup-Kategorie positioniert und Vertragsprüfung, Schadenbearbeitung, Recruiting und Support als typische Zuschnitte benannt. In Deutschland läuft die Kategorie über Systemhäuser, Fachverlage und Branchen-Softwareanbieter in den Markt.

Der Begriff existiert, weil allgemeine Assistenten im Fachbetrieb an vier Stellen kippen: Halluzinationen bei Fachbegriffen, fehlende Regulatorik-Kenntnis, unpassende Terminologie und lückenhafte Fach-Datenbasis. Ein vertikaler Zuschnitt ist die operative Klammer, die Foundation-Model-Fähigkeiten in einer regulierten Fachumgebung nutzbar macht. Er ist nicht das einzige Werkzeug (Fine-Tuning, RAG, Guardrails greifen einzeln), sondern die Kategorie, unter der diese Elemente in einer Fach-Anwendung zusammenlaufen.

Abgrenzung zu Horizontal Agents, AI Copilot, LLM Application und RPA

Der Begriff wird häufig mit angrenzenden Kategorien vermischt. Die relevanten Trennlinien:

Die begrifflich wichtigste Trennung liegt zwischen vertikalem und horizontalem Zuschnitt. Ein horizontaler Agent wie ein generischer Coding-Assistent oder ein universeller Meeting-Notetaker arbeitet quer über Branchen mit begrenzter Fach-Tiefe. Er kennt die Terminologie einer Fach-Domäne nur so gut, wie sie im Vortraining vorkam, und die branchenspezifische Regulatorik gar nicht. Ein vertikaler Agent kehrt das Verhältnis um: Fach-Tiefe zuerst, allgemeine Fähigkeiten als Basis darunter.

Ein AI Copilot ist ein Assistenz-Modus im Fachtool. Der Copilot schlägt Formulierungen im Vertragseditor vor, vervollständigt Buchungssätze im ERP oder markiert auffällige Werte im Laborsystem. Er bleibt reaktiv und im Nutzerkontext. Ein vertikaler Agent verfolgt dagegen ein Ziel, wählt Werkzeuge selbst und läuft in einer Schleife. Beide können nebeneinander stehen, wenn der Copilot die Interaktionsschicht am Fachtool und der Agent die autonome Verarbeitung übernimmt.

Eine LLM Application ist die breitere Kategorie aller Anwendungen über einem Sprachmodell. Chatbots ohne Werkzeuge, RAG-Suchen ohne Kontrollfluss-Loop und Content-Generatoren fallen darunter, ohne Agenten zu sein. Ein Vertical AI Agent ist eine LLM Application mit agentischem Kern plus branchenspezifischem Zuschnitt.

Die Trennung zu [RPA](https://uipath.com/rpa/robotic-process-automation) liegt am Reasoning. RPA-Bots automatisieren regelbasierte Prozesse über UI-Klicks oder feste API-Sequenzen; sie führen aus, was vorher als Ablauf definiert wurde. Ein vertikaler Agent trifft Entscheidungen im Ablauf, weil das Sprachmodell den nächsten Schritt aus Zwischenergebnissen ableitet. In der Praxis wachsen die Kategorien zusammen, wenn RPA-Läufe Agent-Schritte einbetten (LLM entscheidet über Klassifikation, RPA führt strukturierte Folge-Schritte aus).

Das Verhältnis zu benachbarten Agent-Begriffen ist orthogonal: [AI Agents](/insights/glossar/ai-agents/) ist der Baustein, [Agentic AI](/insights/glossar/agentic-ai/) die Systemsicht, [Autonomous Agents](/insights/glossar/autonomous-agents/) eine Autonomie-Grad-Beschreibung und [Role-Based Agents](/insights/glossar/role-based-agents/) ein Team-Muster. Ein vertikaler Agent kann als Single-Agent oder als rollen-basiertes Team gebaut sein, mit Human-in-the-Loop oder als autonomer Lauf. Die Zuschnitts-Achse (vertikal versus horizontal) liegt quer zu diesen Achsen.

Beispiel: Legal Contract Review Agent

Ein Kanzlei-interner Vertragsprüfungs-Agent zeigt die fünf Bausteine in einem schmalen Zuschnitt. Aufgabe: eingehende NDAs und Rahmenverträge gegen ein Kanzlei-Playbook prüfen und Redlines vorschlagen.

Ablauf des Agenten: Der Vertrag kommt als PDF ins Dokumentenmanagement-System. Ein OCR-Werkzeug erzeugt den Text. Das Foundation Model klassifiziert das Dokument (NDA, Werkvertrag, SaaS-Rahmenvertrag) und wählt das passende Playbook. Ein Retrieval-Schritt zieht relevante Musterklauseln aus der Kanzlei-Klauselbibliothek. Das Modell extrahiert die kritischen Klauseln (Laufzeit, Haftungsbegrenzung, Change-of-Control, IP-Regelung, Gerichtsstand), gleicht sie gegen Playbook-Regeln ab und erzeugt strukturierte Redlines. Ein Redlining-Werkzeug schreibt die Änderungen in die Word-Datei zurück, ein DMS-Werkzeug legt die Version ab. Ab einer definierten Risiko-Schwelle geht das Dokument in die menschliche Prüfung, bei Standard-NDAs läuft die Freigabe automatisiert.

Die fünf Bausteine sind konkret: ein Foundation Model als Reasoning-Kern; eine Prompt-Bibliothek mit Klausel-Extraktions-Prompts, Playbook-Regeln und Redline-Formulierungsvorlagen; Werkzeuge (OCR, DMS-Zugriff, Klauselbibliothek-Retrieval, Redlining-API, Freigabe-Workflow); Regulatorik-Wissen zu BGB, HGB und sektor-spezifischen Compliance-Anforderungen (Datenschutz-Klauseln nach DSGVO-Auslegung, Exportkontrolle); ein RAG-Corpus aus Musterverträgen, Kommentarliteratur und der historisierten Klauselbibliothek der Kanzlei.

Ein horizontaler Coding- oder Text-Assistent könnte das Grundgerüst der Extraktion leisten. Der vertikale Zuschnitt trägt die Verwertbarkeit: das Modell arbeitet mit der Klauselbibliothek der Kanzlei statt mit allgemeinen Musterformulierungen, kennt die Terminologie der jeweiligen Rechtsordnung, und die Freigabe-Schwelle koppelt an ein juristisches Risiko-Modell statt an eine generische Konfidenz-Zahl. Typische Erweiterungen zeigen die Skalierungs-Achse: Multi-Agent-Setup mit spezialisierten Rollen (Extraktions-Agent, Playbook-Agent, Redline-Agent, Kritik-Agent), Langzeit-Gedächtnis über Mandanten-Verträge hinweg, Kostenüberwachung pro Prüfung und Auditability-Log für die Anwaltshaftpflicht.