Was sind KI-Agenten? Ein Leitfaden für Einsteiger
Ein KI-Agent antwortet nicht nur – er arbeitet Schritt für Schritt darauf hin, etwas zu erledigen. Hier erfährst du, was Agenten sind, wie sie sich von Chatbots unterscheiden und wo sie heute wirklich stehen.
Bitte einen Chatbot, dir einen Flug zu buchen, und er erklärt dir, wie du das anstellen könntest. Bitte einen Agenten darum, und er klickt sich selbst durch die Schritte: Termine prüfen, Tarife vergleichen, Formular ausfüllen, Bescheid geben. Der Unterschied zwischen „erklären“ und „erledigen“ ist im Grunde die ganze Geschichte. Der Begriff KI-Agenten wird gerade ziemlich großzügig verwendet. Deshalb lohnt es sich, den Hype beiseitezuschieben und nüchtern hinzusehen: was diese Systeme wirklich sind, was sie heute können und wo sie noch auf die Nase fallen.
Eine brauchbare Definition
Ein KI-Agent ist ein System rund um ein großes Sprachmodell, das ein Ziel über mehrere Schritte verfolgt, statt einmal zu antworten und dann aufzuhören. Ein einfacher Chatbot nimmt deine Nachricht und gibt Text zurück. Ein Agent nimmt ein Ziel, zerlegt es in kleinere Züge, setzt sie mit Tools um, schaut sich an, was passiert ist, und entscheidet, was als Nächstes kommt. Das Modell ist das Gehirn, die Tools sind die Hände.
Gerade der letzte Punkt ist entscheidend. Ein Modell allein kann nur Wörter produzieren. Gib ihm die Möglichkeit, eine Suche zu starten, eine API aufzurufen, eine Datei zu lesen oder Code auszuführen, und es kann plötzlich Dinge außerhalb des Chatfensters bewirken. Genau diese Kombination ist ein Agent: ein Modell, das mitdenkt, verbunden mit echten Aktionen, das in einer Schleife läuft, bis die Aufgabe erledigt ist. Falls dir noch nicht ganz klar ist, wie Modelle überhaupt Text erzeugen, legt Was ist generative KI? das Fundament.
Was Agenten von Chatbots und Automatisierung unterscheidet
Drei verschiedene Dinge landen schnell im selben Topf. Sie sind aber nicht dasselbe.
- Ein Chatbot antwortet. Eine Nachricht rein, eine raus. Er hat keinen Plan und verfolgt kein größeres Ziel über das Gespräch hinaus.
- Einfache Automatisierung (ein Skript, ein Zapier-Flow) folgt festen Regeln, die ein Mensch vorab geschrieben hat. Sie ist zuverlässig, gerade weil sie nie improvisiert. Sieht der Input anders aus als erwartet, bricht sie – ohne es zu merken.
- Ein Agent improvisiert wie ein Chatbot, verfolgt aber ein Ziel wie eine Automatisierung. Er schreibt seinen Plan erst während der Ausführung, passt sich an, wenn ein Schritt scheitert, und entscheidet selbst, zu welchem Tool er greift.
Und da liegt schon der Zielkonflikt. Automatisierung ist berechenbar, aber starr. Agenten sind flexibel, aber weniger berechenbar – und genau deshalb musst du ihnen auf die Finger schauen.
Die Kernschleife
Unter dem jeweiligen Markennamen läuft fast jeder Agent im selben Zyklus:
- Ziel. Du gibst ihm eine Aufgabe in ganz normaler Sprache.
- Plan. Das Modell zerlegt das Ziel in Schritte oder wählt eine erste Aktion.
- Handeln. Es ruft ein Tool auf, führt Code aus, sucht oder schreibt eine Datei.
- Beobachten. Es liest das Ergebnis, Fehlermeldungen eingeschlossen.
- Wiederholen. Es passt seinen Plan an und dreht weitere Runden, bis das Ziel erreicht ist oder eine Abbruchbedingung greift.
Strukturiertes Denken hilft in der Planungsphase, deshalb steckt Chain-of-Thought auch in vielen Agenten. Ein Chain-of-Thought-Prompt bringt das Modell dazu, die Schritte durchzudenken, bevor es sich auf eine Aktion festlegt, und fortgeschrittenes Prompt Engineering zeigt im Detail, wie dieses Denken in mehrstufige Systeme eingebaut wird.
Hier ein Prompt zur Aufgabenzerlegung, der den Planungsschritt sichtbar macht:
Was Agenten heute realistisch können
Mit ehrlichen Erwartungen sind Agenten wirklich nützlich. Das funktioniert schon jetzt:
- Recherche und Synthese. Mehrere Quellen durchsuchen, das Relevante herausziehen und eine Zusammenfassung schreiben, in der offene Punkte markiert sind.
- Entwürfe in einem klar abgesteckten Rahmen. Aus Notizen ein Dokument machen, einen ersten Code-Entwurf erzeugen, Varianten zur Auswahl liefern.
- Mehrstufige Abläufe mit klaren Grenzen. Dateien sortieren, Daten bereinigen, Routine-Tickets abarbeiten, Informationen per API zwischen Systemen verschieben.
- Tools innerhalb fester Grenzen bedienen. Eine Datenbank abfragen, einen Wetterdienst aufrufen, ein Skript starten, die Ausgabe lesen und darauf reagieren.
Der rote Faden: ein begrenzter Rahmen und eine Möglichkeit, das Ergebnis zu prüfen. KI-Agenten glänzen, wenn die Aufgabe klare Erfolgskriterien hat und ein Mensch in der Nähe ist, der Fehler abfängt.
Ein Ziel-Prompt für so eine begrenzte, überprüfbare Aufgabe sieht etwa so aus:
Was sie noch nicht zuverlässig können
Hier eilt das Marketing der Realität voraus. KI-Agenten sind nicht verlässlich genug für lange Strecken unbeaufsichtigter Arbeit, und wer so tut, als wären sie es, verbrennt sich die Finger.
- Lange Autonomie ist fragil. Je mehr Schritte ein Agent ohne Zwischenkontrolle macht, desto wahrscheinlicher wächst ein kleiner früher Fehler zu einem falschen Ergebnis an.
- Folgenreiche Aktionen ohne Aufsicht sind eine schlechte Wette. Geld überweisen, Massenmails verschicken oder Daten löschen sollte nie laufen, ohne dass ein Mensch die Aktion freigibt.
- Urteilsvermögen bei Unklarheit ist wackelig. Ist das Ziel vage, verfolgt ein Agent oft die falsche Auslegung, statt anzuhalten und nachzufragen.
- Sie können selbstsicher danebenliegen. Agenten erben die Neigung des Modells, Dinge zu erfinden, und ein Fehler, der als Fakt daherkommt, kann eine ganze Kette falscher Aktionen auslösen.
Sieh die autonomen Agenten von heute als fähige Praktikanten – nicht als Angestellte, die du mit der Firmenkreditkarte allein lässt.
Die Risiken – und wie du sicher bleibst
Die Fehlermuster sind konkret, und wenn du sie kennst, lassen sie sich gut in den Griff bekommen.
- Fehler summieren sich. Eine falsche Annahme in Schritt zwei vergiftet alles, was danach kommt. Kürzere Schleifen mit Kontrollpunkten begrenzen den Schaden.
- Endlosschleifen. Ein Agent kann hängen bleiben und dieselbe gescheiterte Aktion immer wieder versuchen. Setz ein Schrittlimit, damit er nicht ewig weiterläuft.
- Prompt Injection. Liest ein Agent Webseiten oder Dokumente, können darin versteckte Anweisungen ihn kapern. Behandle alles, was er aufnimmt, als nicht vertrauenswürdig.
- Das Falsche im großen Stil. Ein Agent mit Schreibrechten kann denselben Fehler tausendmal pro Minute machen.
- Kosten. Jeder Schritt bedeutet Modell- und Tool-Aufrufe. Schleifen und lange Pläne summieren sich schnell, also deckel die Ausgaben.
Sicherheit in der Praxis besteht aus ein paar Gewohnheiten: klare Grenzen in die Anweisungen schreiben, folgenreiche Schritte von einem Menschen freigeben lassen, sensible Zugangsdaten zurückhalten und das Ergebnis lesen, statt ihm blind zu vertrauen. Liefert ein Agent strukturierte Ausgaben, die in ein anderes System fließen, sorgt ein JSON-Prompt für eine saubere, maschinenlesbare Übergabe – statt Freitext, bei dem du raten musst.
Wie Prompting einen Agenten prägt
Das Verhalten eines Agenten wird größtenteils festgelegt, bevor er auch nur einen Schritt macht: in seinem System-Prompt. Diese dauerhafte Anweisung definiert die Rolle, die erlaubten Tools, die Grenzen und den Umgang mit Unsicherheit. Sitzt sie, bleibt der Agent bei der Sache; ist sie schwammig, schweift er ab. Der Leitfaden zu System-Prompts erklärt den Aufbau im Detail, und ein System-Prompt-Generator liefert dir ein Gerüst, das du von Hand nachschärfst.
Hier ein Briefing im Stil eines System-Prompts für einen Recherche-Agenten, mit eingebauten Leitplanken:
Schau, wie viel Sicherheit in diesem Prompt steckt: begrenzte Tools, ein Schrittlimit, ein Schutz gegen Injection und eine verpflichtende Prüfung am Ende. Solche Briefings kannst du mit einem KI-Prompt-Generator entwerfen, bevor du sie in ein Framework einbaust.
Agenten sind ein echter Schritt über Chatbots hinaus, aber sie sind nur so gut wie die Ziele, Tools und Grenzen, die du ihnen mitgibst. Fang klein an, schau genau hin und lass die Leine erst länger, wenn sie es sich verdient haben.
