Was sind KI Agenten? Beispiele, Arten & Vorteile
Künstliche Intelligenz macht sich immer mehr in unserem Alltag bemerkbar. Nach den simplen Chatbots heben KI-Agenten die Kapazitäten der künstlichen Intelligenz auf ein neues Level.
Denn KI-Agenten können autonom und in Echtzeit eigene Entscheidungen treffen und proaktiv mit anderen Systemen in ihrer Umgebung interagieren.
In diesem Artikel stellen wir dir die grundlegenden Konzepte von KI-Agenten vor. Außerdem schauen wir uns konkrete Anwendungsbeispiele an und erläutern mögliche gesellschaftliche Konsequenzen von produktionsreifen AI Agents.
1. Was sind KI-Agenten?
Definition und Grundlagen von KI Agenten
KI-Agenten sind große Sprachmodelle (LLMs), die eigenständig externe Tools in einem Loop verwenden, um bestimmte Ziele zu erreichen.
Dabei zeichnen sich KI-Agenten durch folgende Merkmale aus:
- Autonomie: Sie operieren eigenständig und minimieren die Notwendigkeit von menschlichem Eingreifen.
- Reaktivität: Sie reagieren auf Veränderungen in ihrer Umgebung.
- Proaktivität: Sie verfolgen eigenständig Ziele oder Aufgaben.
- Soziale Fähigkeiten: KI-Agenten können mit anderen Agenten oder Nutzern interagieren.
- Werkzeuganwendung: KI-Agenten können auf verschiedene Ressourcen und Tools zugreifen und diese anwenden.
Historisch gesehen gab es die ersten "KI-Agenten" bereits in den 70er Jahren, in denen der Fokus noch auf regelbasierten Systemen ("WENN, DANN, SONST") lag.
Heutzutage basieren AI-Agenten auf Machine-Learning-Algorithmen und decken damit ein breites Spektrum an Fähigkeiten ab, von Bilderkennung bis hin zu komplexer Code-Programmierung.
KI-Agent vs. Chatbot
KI-Agenten können als nächste Stufe von Chatbots wie ChatGPT oder Gemini aufgefasst werden.
Chatbots wurden konkret auf einen stichwortorientierten Dialog mit dem Benutzer optimiert. Sie reagieren auf Nutzer-Input und führen hauptsächlich die Aufgabe der Text-Generierung aus. Erste Ansätze von Agenten-Systemen lassen sich mit der "Tasks" Funktionalität in ChatGPT erkennen, in denen ChatGPT Prompts automatisch ausführt und anhand eines Zeitplans Output generiert.
Inzwischen enthalten einige Chatbots bereits eigene KI-Agenten, wie z.B. Deep Research in ChatGPT oder Computer-Use in Claude AI.
KI-Agenten verfügen gegenüber einfachen LLMs über komplexere Entscheidungs- und Handlungsmuster. So können KI-Agenten zum Beispiel auf Änderungen in ihrem Umfeld reagieren (z.B. neue Daten in einer Datenbank, Lichtverhältnisse in der Robotik, Lagerbestände beim E-Commerce oder einfache Webhook-Trigger).
Der Fortschritt bei der Entwicklung von AI-Agenten liegt also darin, dass diese sich an veränderte Bedingungen anpassen und autonome Interaktionen ausführen können, ohne dass dies explizit durch menschliche Steuerung vorgegeben wird.
Technische Architektur: So funktionieren AI-Agenten
Agentenbasierte KI-Systeme bestehen aus mehreren miteinander verbundenen Komponenten. Diese Kernkomponenten arbeiten zusammen, um intelligentes und autonomes Verhalten zu ermöglichen.
Perzeptive Komponente (Perception Module)
Die perzeptive Komponente verarbeitet Signale und Eingaben aus der Umgebung des KI-Systems und wandelt diese in ein verarbeitbares Format um.
Die Inputs können von Sensoren, Datenbanken, APIs oder Benutzerinteraktionen stammen.
Verarbeitungskomponente (Reasoning Engine)
Die Verarbeitungskomponente analysiert den Output der Perzeptionskomponente und verarbeitet diese, z.B. über Machine Learning Algorithmen oder über Prompts für Large Language Modelle. Das Ziel dieses Verarbeitungsprozesses ist es, eine konkrete Handlungsanweisung für die Action-Komponente zu treffen.
Ein Wissensspeicher, bestehend aus Datenbanken und Caching-Systemen, unterstützt bei der Entscheidungsfindung der Handlungsanweisung mit historischen Daten und / oder gelernten Mustern.
Aktionskomponente (Action Module)
Die getroffene Entscheidung wird im Anschluss von der Aktionskomponente in eine konkrete Handlung umgesetzt. Diese Handlung kann z.B. die Ausführung einer konkret definierten Programm-Funktion oder auch die Ausführung einer Bewegungsabfolge in Robotics-Systemen sein.
Zusammengefasst: Workflow eines KI-Agenten
Ein KI-Agent folgt typischerweise also folgendem Ablauf:
- Der Benutzer definiert ein Ziel, z.B. "Analysiere den Markttrend aller DAX-Aktien".
- Das KI-System sammelt über das Perception Module relevante Informationen über API-Schnittstellen oder direkten Kontext-Input. In unserem Beispiel sind dies z.B. historische Kursdaten, Finanzkennzahlen und Jahresabschlüsse der DAX-Firmen.
- Über das Reasoning Module werden ML-Algorithmen angewendet, um Muster in den Daten zu finden, aufgrund derer Schlüsse gezogen werden können. In unserem Beispiel könnte z.B. entdeckt werden, dass die kürzlichen Einnahmen mancher DAX-Firmen unter der Erwartung lagen und dies bislang nicht in den Finanzkennzahlen wiedergespiegelt wird. Die Handlungsanweisung könnte sein, dass über die Aktionskomponente von einem Investment in den DAX abgeraten werden soll.
- Das Action Module führt letztendlich die Handlung aus, die über das Reasoning Module entschieden wurde. In unserem Beispiel könnte die Aktion sein, dass über ein LLM ein Text-Output generiert wird, der dem User darlegt, wieso ein Investment in den DAX riskant sein könnte.
2. Verschiedene Arten von KI-Agenten
Vorab: Die Klassifizierung von KI-Agenten lässt sich anhand verschiedener Kriterien vornehmen. Wir gruppieren im folgenden Abschnitt die Agenten nach ihrer Qualifizierung. Klassischerweise lassen sich KI-Agenten aber auch über ihr Verhalten unterscheiden. Auf diese Gruppierung gehen wir am Ende des Abschnittes kurz noch einmal ein.
Leistungsfähigkeit von KI-Agenten
Eine passende Art KI-Agenten zu unterscheiden wurde im Hugging Face Blog vorgestellt. Die Autoren gruppieren Agenten anhand ihrer Leistungsfähigkeit in 5 verschiedene Stufen:
Agentic Levels
| Stufe | Name | Beschreibung | Kontrolle |
|---|---|---|---|
| 0 | Einfacher Verarbeiter | Modell hat keinen Einfluss auf Programmablauf | Entwickler kontrolliert das gesamte System inkl. Ausführung |
| 1 | Lotse | Modell bestimmt grundlegenden Programmablauf | Entwickler kontrolliert Funktionen, System bestimmt zeitliche Ausführung |
| 2 | Werkzeug-Anwender | Modell bestimmt, wie Funktionen ausgeführt werden | Entwickler kontrolliert zeitliche Ausführung und Berechtigungen, aber Modell entscheidet wie Funktionen ausgeführt werden |
| 3 | Multi-Step-Agent | Modell steuert Iteration und Programmfortsetzung | Entwickler gibt Funktionsumfang vor, Agent entscheidet wann, welche Funktion wie verwendet wird |
| 4 | Vollständig autonomer Agent | Modell erstellt neuen Code und führt diesen aus | Entwickler bestimmt grob die Funktionen, das System entscheidet die Ausführung eigenständig |
Klassische Kategorisierung von KI-Agenten
Klassischerweise lassen sich KI-Agenten zudem in reaktiv, beratend, hybrid und lernend einordnen:
Reactive Agents
Reaktive Agenten reagieren unmittelbar auf ihre Umgebung, allerdings ohne eine interne Modellierung der Welt vorzunehmen.
Ein einfaches Beispiel ist ein Videospiel-Gegner, der sich dynamisch an die Bewegungen des Spielers anpasst.
Deliberative Agents
Beratende Agenten verfügen über ein internes Weltmodell und können darauf basierend Handlungspläne erstellen.
Ein Anwendungsbeispiel wären Systeme, die z.B. in der Logistik anhand verschiedener Szenarien Prognosen treffen können.
Hybrid Agents
Hybride Agenten kombinieren die Eigenschaften von reaktiven und beratenden Agenten. Sie können also auf spontane Ereignisse reagieren und dies in einer langfristigen Planung umsetzen.
Zum Beispiel können Staubsaugroboter hybride Agentensysteme verwenden, um spontan Hindernissen auszuweichen und danach den kürzesten Weg zum ursprünglichen Ziel zu finden.
Learning Agents
Lernende Agenten besitzen die Fähigkeit, durch eigene Erfahrung zu lernen und sich zu verbessern. Dabei kommen Verfahren, wie z.B. das Reinforcement Learning zum Einsatz.
Ein gutes Beispiel für lernende Agenten sind z.B. Autopiloten beim autonomen Fahren oder aber auch Empfehlungssysteme bei Netflix, die aus den Handlungen der Nutzer lernen.
3. Konkrete Anwendungsbeispiele von KI-Agenten
Vielen Menschen ist vermutlich gar nicht bewusst, dass Agentensysteme, die auf Basis künstlicher Intelligenz funktionieren, schon heute verwendet werden.
Im Folgenden schauen wir uns einmal konkrete Anwendungsbeispiele dafür an, wie KI-Agenten bereits heute genutzt werden, und geben einen Einblick auf mögliche zukünftige Entwicklungen.
Anwendung von KI-Agenten in der Vergangenheit
Medizindiagnostik
Unterstützung von Ärzten
Automatisiertes Trading
Erkennung einfacher Kursmuster
Industrieroboter
Regelbasierte Entscheidungsstrukturen
Anwendung von KI-Agenten heute
AutoGPT
Autonome Texterstellung
Intelligente Verkehrssteuerung
Ampelschaltung anhand Echtzeit-Verkehrsaufkommen
Bildungsassistenten
Personalisierte Lernpläne mit individuellem Feedback
Anwendung von KI-Agenten in der Zukunft
Vollautonomes Fahren
Platooning und vollautonome Fahrzeuge
Digitale Assistenten
Individuell angepasste Life-Management-Agenten
Intelligente Energienetze
Optimierte Stromerzeugung und -verteilung in Echtzeit
Anwendungsgebiete von KI-Agenten nach Branchen
Zusammenfassend lässt sich sagen, dass KI-Agenten besonders in Branchen hilfreich sein können, die über eine gute Datengrundlage oder feste Workflows mit sauberer Schnittstellenanbindung verfügen.
| Branche | Anwendung | Nutzen |
|---|---|---|
| Gesundheitswesen | Diagnoseunterstützung, Behandlungsplanung | Schnellere und präzisere Diagnosen, bessere Patientenversorgung in ländlichen Regionen |
| Finanzsektor | Risikomanagement, Portfoliooptimierung | Höhere Profitabilität, Risikoreduktion |
| Produktion | Predictive Maintenance, Qualitätskontrollen | Geringere Ausfallzeiten, höhere Produktqualität |
| Logistik | Lagermanagement, Routenoptimierung | Kostenreduktion, Effizienzgewinne |
| E-Commerce | Personalisierte Shopping-Assistenten | Individuelle Produktempfehlungen, Kundenzufriedenheit |
4. Eigene KI-Agenten erstellen
Bekannte Frameworks zum Erstellen von KI-Agenten
Um deinen eigenen KI-Agenten zu erstellen, kannst du auf verschiedenste Frameworks und No-Code Lösungen zurückgreifen.
Die bekanntesten Tools & Frameworks für AI Agenten haben wir hier für dich aufgelistet.
Frameworks
No-Code / Low-Code Lösungen
Workflows für KI-Agenten
Anthropic, der Entwickler von Claude AI, hat mit dem Blog-Artikel Building effective agents einen nützlichen Ratgeber für das Erstellen von AI Agents veröffentlicht.
Darin listen sie eine Vielzahl an Workflows von KI-Agenten, die gemeinhin als "Agentic Recipes", also "Rezepte für Agenten" bekannt sind:
Prompt Chaining
Prompt Chaining beschreibt einen Workflow, bei dem der Output von einem LLM Call der Input für den nächsten Call wird. Besonders nützlich sind diese mehrstufigen Prompt-Abfolgen für Aufgaben, die schrittweise abgearbeitet werden müssen.
Beispiel:
Strukturierte Daten sollen über ein LLM aus einem unstrukturierten Input extrahiert und anschließend weiterverarbeitet werden.
Routing
Routing beschreibt einen Workflow, bei dem ein KI-System durch Klassifikation des Inputs entscheidet, welches Modell zum Abarbeiten einer Aufgabe verwendet wird.
Routing-Systeme helfen dabei, den Workflow effizient und kostengünstig zu halten.
Beispiel:
Das KI-System erkennt die Komplexität einer Frage. Einfache Fragen werden an kleinere, kostengünstige Sprachmodelle geleitet, komplexe Fragen an rechenintensive Reasoning-Modelle.
Parallelization
Parallelisierungs-Workflows eignen sich bei Aufgaben, die in voneinander unabhängige Unteraufgaben aufgeteilt werden können. Die Unteraufgaben werden parallel an mehrere LLMs weitergegeben, die diese parallel bearbeiten und somit schneller und effizienter bei der Output-Erstellung sind.
Beispiel:
Ein Programm-Code soll gleichzeitig mit Kommentaren ergänzt und auf Sicherheitslücken überprüft werden.
Orchestrator-Workflows
Der Orchestrator-Workflow verwendet einen KI-Agenten, der eine große Aufgabe in Unteraufgaben einteilt und diese an weitere KI-Agenten übergibt. Am Ende werden die Teilergebnisse zusammengefasst und ausgegeben.
Beispiel:
Das KI-System soll eine komponentenbasierte Website erstellen. Der Orchestrator erkennt die Komponenten und verteilt die Entwicklung an weitere KI-Agenten. Zum Schluss werden die Komponenten zusammengesetzt und als eine einheitliche Website ausgegeben.
Evaluator-Optimizer
Der Evaluator-Optimizer Workflow beschreibt einen Feedback-basierten Workflow, in dem ein KI-Modell einen Output generiert, welcher über eine Feedback-Schleife mit einem weiteren KI-Modell optimiert wird.
Die Feedback-Schleife läuft so lang, bis der Output alle Kriterien des zweiten KI-Modells erfüllt.
Beispiel:
Ein KI-System, das Zugriff auf vertrauliche Daten hat, kann über einen Evaluator-Optimizer einen zusätzlichen Sicherheitslayer integrieren.
Wenn ein User über Prompt-Injection versucht, an Passwörter oder API-Schlüssel zu gelangen, kann der zweite KI-Agent den Output des ersten KI-Agenten auf mögliche Leaks überprüfen.
Autonomous Agent
Der Autonome-Agent-Workflow stellt die höchste Form der Autonomie bei KI-Systemen dar. Basierend auf seiner Aufgabe setzt sich ein autonomer Agent eigenständig Ziele, bewertet seinen Fortschritt in Echtzeit und ist in der Lage, sich an Ereignisse seiner Umgebung anzupassen.
Beispiel:
Beim autonomen Fahren muss das KI-System in Echtzeit auf äußere Ereignisse reagieren. Rennt zum Beispiel ein kleines Kind vor das Auto, muss das System die Geschwindigkeit anpassen und entscheiden, zu welchem Zeitpunkt eine Vollbremsung ausgeführt werden soll.
Multi-Agent-Systeme
Wie du bei den Agenten-Workflows bereits sehen konntest, müssen Agenten nicht alleine an Aufgaben arbeiten. Neben einfachen "Single-Agent" Systemen gibt es auch "Multi-Agent" Systeme, in denen mehrere KI-Agenten miteinander kommunizieren und interagieren.
Wichtig bei der Einrichtung von Multi-Agent-Systemen ist es, dass die Architektur der Prompts und die Schnittstellen-Anbindungen gut durchdacht werden, da sonst Ineffizienzen und teure Endlosschleifen entstehen können.
Richtig konzipiert können Multi-Agent Systeme jedoch enorme Vorteile bieten, wie du z.B. am Parallelization- oder Evaluator-Optimizer-Workflow erkennen kannst.
5. Ethische Aspekte & Gesellschaftliche Auswirkung von KI-Agenten
Autonome KI-Agenten haben das Potential ein riesiges Wirtschaftswachstum herbeizuführen. Gleichzeitig würde eine Einführung autonomer Agenten in unserer Wirtschaft eine nachhaltige Auswirkung auf unsere Gesellschaft haben.
Zwar rechnet das World Economic Forum in seinem Job Report 2025 damit, dass AI-Technologie zu ca. 170 Millionen neuen Arbeitsplätzen führen könnte, allerdings kann man nicht davon ausgehen, dass ein großer Teil der 92 Millionen Arbeitnehmer, die durch KI ihre Jobs verlieren könnte, zu passenden Fachkräften ausgebildet werden könnte.
Entsprechend wichtig ist, dass bereits heute transparent über die Chancen und Risiken von KI-Agenten diskutiert wird.
Gesellschaftliche Auswirkungen von KI-Agenten
- Arbeitsmarktveränderungen: Viele Routinejobs können ersetzt werden. Die Umschulung der Arbeitnehmer stellt eine Herausforderung dar.
- Wirtschaftliche Implikationen: Einzelne Anbieter von KI-Modellen können Monopolstellung erlangen.
- Steuerliche Aspekte: Sollten KI-Agenten Arbeitnehmer vollständig ersetzen, sollt ein Diskurs über eine KI-Steuer ("Robotertax") eröffnet werden.
- Haftungsfragen: Es besteht noch keine Rechtssicherheit bei Haftungsfragen von KI-Agenten. Haftet der Hersteller, Betreiber oder der Nutzer bei KI-verursachten Fehlern?
6. Fazit
Was vor wenigen Jahren noch als Science-Fiction abgetan wurde, gehört heute schon zur Wirklichkeit. KI-Agenten können repetitive und immer komplexer werdende Aufgaben von Menschen übernehmen und dabei teilweise sogar bessere Ergebnisse erzielen.
Technisch versierte Nutzer können sich mit Frameworks wie Langchain oder smolagents und Workflow-Vorlagen wie die Agentic Recipes ihre eigenen Agenten-Systeme entwickeln.
Doch noch ist unklar, ob unsere Gesellschaft bereit ist, für eine Technologie, die das Potential hat, in wenigen Jahren einen Großteil ihrer Arbeitsleistung zu übernehmen. Um so wichtiger ist es, dass bereits heute ein Diskurs geführt wird, wie wir gemeinsam mit dem rasanten Fortschritt umgehen werden.
Was ist ein KI-Agent?
Ein KI-Agent ist ein Software-Programm, das in der Lage ist, eigenständig Handlungen auszuführen und auf Änderungen in seiner Umgebung zu reagieren.
Pragmatisch betrachtet sind KI-Agenten AI-Systeme, die autonom im Loop Funktionen und Tools nutzen können, um eigenständig ein Ziel zu verfolgen.
Autonome Agenten könnten zukünftig viele Aufgaben von Menschen übernehmen und haben das Potential zu einer technischen Revolution zu führen.
Wie funktioniert ein KI-Agent?
KI-Agenten basieren auf 3 Kernkomponenten, die verwendet werden, um benutzerdefinierte Aufgaben zu erfüllen.
Zunächst sammelt das KI-System Daten und bringt diese in ein passendes Format (Perception Module). Anhand dieser Daten wird eine Handlungsanweisung ausgearbeitet (Reasoning Engine), die am Ende von der letzten Komponente des Systems (Action Module) abgearbeitet wird.
