Agentic AI vs. klassische KI

Was ist Agentic AI – und was ist es nicht?

Agentic AI ist ein KI-Paradigma, bei dem Softwaresysteme auf Basis von Foundation Models Ziele autonom oder semi-autonom verfolgen. Sie nehmen ihre Umgebung wahr, planen Schritte, nutzen externe Tools und Daten, führen Aktionen aus und lernen aus dem Ergebnis – mit minimalem laufendem menschlichen Eingriff. Die kanonische Abgrenzung formuliert IBM Think (2026) am klarsten: „Agentic AI is the broader concept of solving issues with limited supervision, whereas an AI agent is a specific component within that system." Mit anderen Worten: Agentic AI ist das Paradigma, der AI Agent das Artefakt.

Diese Unterscheidung ist mehr als Begriffshygiene. Im DACH-Buying-Center werden „Agentic AI", „AI Agent" und „Multi-Agent-System" im Vendor-Marketing regelmäßig synonym verwendet – das ist sachlich falsch und einer der Hauptgründe, warum Projekte an überzogenen Erwartungen scheitern. Ein einzelner AI Agent ist eine konkrete Implementierung (Modell + Tools + Memory + Loop). Ein Multi-Agent-System ist ein Architekturmuster mit mindestens zwei koordinierten Agents. Agentic AI umfasst beides als übergeordnete Klasse.

Ein wichtiger Hinweis vorweg: Der Begriff „Agentic AI" ist auch Mitte 2026 noch nicht final konsolidiert. Eine ISO/IEC-Normierung liegt nicht vor. Akademische Arbeiten (Sapkota et al. 2025; Schmitt et al. 2025; Schneider 2025) führen eigene Taxonomien ein, und Anbieter variieren in Details – etwa darin, ob deterministische Workflows als „agentic" gelten (Anthropic: ja; Databricks: nein). Diese definitorische Unschärfe ist kein Detail am Rande, sondern der eigentliche Grund, warum eine saubere Abgrenzung nötig ist.

Die vier Achsen der Abgrenzung: Autonomie, Zielorientierung, Tool-Use, mehrstufige Entscheidungen

Was unterscheidet Agentic AI konkret von klassischer und generativer KI? Vier Eigenschaften bilden den Kern (IBM, 2024; NVIDIA, 2024–2026).

Autonomie. Klassisches Machine Learning (etwa Fraud-Scoring oder Churn-Prognosen) und Symbolic AI (regelbasierte Expert Systems) besitzen keine Autonomie im handlungstheoretischen Sinn – sie liefern Scores oder Inferenzen. Generative AI ist reaktiv: Auf einen Prompt folgt eine Antwort. Agentic AI handelt eigenständig in Richtung eines Ziels und entscheidet zur Laufzeit, welche Schritte nötig sind. Gartner (2025) schließt dabei ausdrücklich semi-autonome Systeme ein – relevant für regulierte DACH-Branchen, in denen vollständige Autonomie weder gewünscht noch zulässig ist.

Zielorientierung. Generative AI vervollständigt Muster (Pattern Completion). Agentic AI verfolgt ein vorgegebenes Ziel und leitet daraus Sub-Ziele ab. IBM macht „goal-driven behavior" zur Kerneigenschaft; OpenAI definiert Agents minimalistisch als „systems that independently accomplish tasks on behalf of users" (2025).

Tool-Use. Generative AI ist im Kern read-only – sie erzeugt Text, Bild, Audio oder Code, aber löst keine Aktionen in externen Systemen aus. Agentic AI ruft Tools auf, nutzt APIs und kann per Computer-Use direkt auf Systemen handeln. Genau dieser Schritt verschiebt das Risikoprofil vom Informationellen (Halluzination, Bias) ins Operationelle (autonome Aktionen auf Live-Systemen).

Mehrstufige Entscheidungen. Klassische und generative KI arbeiten typischerweise single-turn. Agentic AI operiert long-horizon und mehrstufig nach dem Muster Plan → Execute → Reflect → Replan. NVIDIA fasst dies als Vier-Schritt-Loop: Perceive → Reason → Act → Learn.

Vergleichsmatrix: vom klassischen ML bis zur Agentic AI

Die folgende Matrix ordnet die Paradigmen entlang der zentralen Dimensionen ein (Quellen: IBM S-06/S-07; Databricks S-21; Russell & Norvig 2020; Sapkota et al. 2025).

Vier Reifegrade agentischer Systeme

Nicht jedes „agentische" System ist gleich autonom. Eine hilfreiche Reifelogik unterscheidet vier Stufen (Sapkota et al. 2025; NVIDIA S-14):

1. Reactive Agent – reagiert auf Input ohne persistenten State; LLM plus einzelner Tool-Call.
2. Tool-using Agent – plant eine Tool-Sequenz und hält Kurzzeit-Memory; klassisches ReAct-Pattern.
3. Goal-seeking Agent – setzt Sub-Goals, korrigiert sich selbst, plant über mehrere Schritte (Chain-of-Thought plus Reflection).
4. Self-improving Agent – lernt aus Ergebnissen und aktualisiert Memory bzw. Skills (NVIDIAs „Data Flywheel").

Der DACH-Diskurs (Bitkom 2026) übersetzt diese Evolution in eine pragmatische Adoptionsleiter: RPA → reaktive GenAI-Assistenten → autonome Agentic AI. Diese Stufung hilft Entscheidern, den eigenen Reifegrad realistisch zu verorten – und nicht jeden Tool-Call schon als „autonomen Agenten" zu deklarieren.

Markt-Realität 2025/2026: Hype und Ernüchterung

Die Zahlen zeichnen ein nüchternes Bild zwischen Aufbruch und Ernüchterung. Laut McKinsey State of AI (5. November 2025, n=1.993, 105 Länder) nutzen 88 Prozent der Organisationen KI – aber nur 31 Prozent skalieren unternehmensweit. Bei Agentic AI experimentieren 39 Prozent, weitere 23 Prozent skalieren bereits in mindestens einer Geschäftsfunktion (zusammen 62 Prozent Gesamt-Engagement). Entscheidend ist die Einordnung: In keiner einzelnen Business-Funktion liegt die Skalierungsrate über 10 Prozent. Breite Experimentierfreude trifft auf schmale produktive Verankerung.

Gartner liefert die meistzitierte Warnung: Über 40 Prozent der Agentic-AI-Projekte werden bis Ende 2027 abgebrochen – Gründe sind eskalierende Kosten, unklarer Wertbeitrag und unzureichende Risikokontrollen (Pressemitteilung, 25. Juni 2025). Im Gartner Hype Cycle 2025 standen AI Agents am „Peak of Inflated Expectations", während generative AI Richtung „Trough of Disillusionment" abrutschte. 2026 erschien erstmals ein eigenständiger Hype Cycle für Agentic AI mit 27 kartierten Innovationen.

Hinweis zur Einordnung: Gartner-Forecasts können revidiert werden, und die Hype-Cycle-Position wird jährlich aktualisiert. Diese Zahlen sind als Analyst-Prognosen zu lesen, nicht als gemessene Realität.

Agent-Washing: der BS-Filter fürs Buying-Center

Das wichtigste praktische Risiko 2026 heißt Agent-Washing: das Umetikettieren bestehender Chatbots, RPA-Tools oder fest verdrahteter Workflows als „Agentic AI" ohne substantielle autonome Reasoning-Komponente. Gartner schätzt, dass von Tausenden Anbietern nur etwa 130 über echte agentische Capabilities verfügen (2025). Diese Zahl ist eine Analystenschätzung und nicht reproduzierbar – aber sie illustriert die Größenordnung des Problems.

Für die Vendor-Evaluierung sind drei Prüffragen hilfreich: Trifft das System zur Laufzeit eigene Entscheidungen über den Lösungsweg, oder folgt es einem fest programmierten Ablauf (dann ist es RPA)? Wählt es Tools dynamisch aus, oder ruft es eine vordefinierte API-Sequenz auf? Plant es über mehr als drei Schritte mit Korrekturschleifen, oder ist es ein einzelner LLM-Call mit RAG? Gartner selbst hält fest, dass aktuelle Modelle noch nicht die Reife haben, komplexe Geschäftsziele vollständig autonom über Zeit zu verfolgen – „agentic" ist also nicht gleichbedeutend mit AGI.

DACH-Bezug: Souveränität, Skepsis, Regulierung

Für den DACH-Raum existiert keine separate Agentic-AI-Adoptionskennzahl. Bitkom Research 2025 misst KI pauschal: 36 Prozent der deutschen Unternehmen ab 20 Mitarbeitenden nutzen KI – eine Verdopplung gegenüber 20 Prozent im Vorjahr (Telefonbefragung, n=604). Als Proxy für die agentische Adoption dienen die globalen McKinsey-Werte (23 Prozent Scaling), was explizit so gekennzeichnet werden sollte.

Charakteristisch ist die regulatorische Sensitivität: 56 Prozent der befragten Unternehmen sehen den EU AI Act als Nachteil, und 93 Prozent würden einen KI-Anbieter aus Deutschland bevorzugen. Top-Hürden sind rechtliche Verunsicherung (53 Prozent), fehlendes Know-how (53 Prozent) und fehlende Personalressourcen (51 Prozent). Daraus erklärt sich die starke DACH-Nachfrage nach souveränen Stacks und Human-in-the-Loop-Konzepten.

Regulatorische Einordnung (informational, keine Rechtsberatung)

Die folgenden Hinweise sind informativ und ersetzen keine juristische Prüfung.

Der EU AI Act kennt keine eigenständige „AI-Agent"-Kategorie. Agentische Capabilities werden über bestehende Mechanismen erfasst. Art. 50 (Transparenzpflichten) greift bei direkter Mensch-Maschine-Interaktion – Stichtag 2. August 2026, unverändert. Trifft ein Agent autonom Entscheidungen in sensiblen Bereichen wie Beschäftigung, Bildung, Kreditwürdigkeit oder kritischer Infrastruktur, kann das System unter Annex III (High-Risk) fallen.

Wichtige Nuance: Der Digital-Omnibus vom 7. Mai 2026 ist eine politische Einigung im Trilog, noch nicht formal adoptiert. Er verschiebt den Annex-III-High-Risk-Stichtag voraussichtlich von 2. August 2026 auf 2. Dezember 2027. Bis zur formalen Adoption gilt rechtlich weiterhin der ursprüngliche Termin 2. August 2026 – dieser Verschiebungstermin ist also ausdrücklich provisorisch zu behandeln. GPAI-Pflichten für Foundation Models als Agent-Backbones sind seit 2. August 2025 in Kraft.

Ergänzend relevant: DSGVO Art. 22 (Verbot ausschließlich automatisierter Einzelentscheidungen mit rechtlicher oder erheblicher Wirkung), die KI-Schulungspflicht aus AI Act Art. 4 (seit 2. Februar 2025) sowie Mitbestimmungsrechte des Betriebsrats nach BetrVG (DE) bzw. ArbVG (AT) beim Einsatz agentischer Systeme am Arbeitsplatz. Vor jedem Einsatz gilt: juristische Prüfung empfohlen.

Ausblick und Praxis-Hinweis

Agentic AI ist die plausible nächste Stufe nach generativer KI – aber nicht für jeden Use Case die richtige Architektur. Die belastbarste Faustregel stammt von Anthropic (2024): „find the simplest solution possible; this might mean not building agentic systems at all." Reines Q&A oder Inhaltsgenerierung deckt GenAI mit RAG ab; deterministische Abläufe gehören in eine Workflow-Engine oder RPA. Agentic AI rechtfertigt sich erst, wenn eine Aufgabe mehrstufig ist, dynamisches Planen erfordert und externe Aktionen auslöst.

Drei Praxis-Hinweise für DACH-Entscheider: Erstens, die Datenarchitektur zuerst – Agents auf Datensilos sind eine bekannte Fehlerquelle. Zweitens, Human-in-the-Loop für irreversible Aktionen verbindlich vorsehen; Sicherheitstests sind nicht optional (ein akademischer Red-Team-Test fand 2025 alle 22 geprüften LLMs angreifbar, zitiert via Bitkom). Drittens, auf offene Standards wie MCP (Spec 2025-11-25, an die Linux Foundation gespendet) und A2A setzen, um Vendor-Lock-in zu vermeiden. Der ROI sollte nicht an Headcount-Reduktion, sondern an Decision-Latency, Qualität und Durchsatz gemessen werden. Wer so vorgeht, trennt echten agentischen Nutzen vom Marketing-Begriff – und genau darum geht es 2026.