--- title: "Was sind AI Agents?" description: "Was AI Agents sind, wie sie autonom Aufgaben planen und ausführen und worin sie sich von einfachen Chatbots unterscheiden." locale: "de" canonical: "https://blckalpaca.at/de/wissen/ki-agenten/was-sind-ai-agents" category: "KI Agenten" updated: "2026-07-29T08:53:28.136Z" source: "Blck Alpaca e.U., blckalpaca.at" --- # Was sind AI Agents? Was AI Agents sind, wie sie autonom Aufgaben planen und ausführen und worin sie sich von einfachen Chatbots unterscheiden. ## Definition: Was ist ein AI Agent? Ein [**KI-Agent**](/de/glossar/ai-agent) (AI [Agent](/de/glossar/agent)) ist ein softwarebasiertes System auf Basis eines (Large) Language Models, das ein vorgegebenes Ziel autonom verfolgt: Es nimmt seine Umgebung wahr, plant mehrstufig, wählt und nutzt externe Werkzeuge (Tools, APIs, Datenquellen) eigenständig, beobachtet die Ergebnisse und passt seinen Plan iterativ an, bis das Ziel erreicht oder abgebrochen ist. Diese Definition deckt sich mit den kanonischen Beschreibungen der führenden Anbieter. **Anthropic** trennt architektonisch zwischen Agenten (das [LLM](/de/glossar/llm) steuert Pfad und Tool-Use dynamisch) und Workflows (vordefinierte Code-Pfade). [**OpenAI**](/de/glossar/openai) beschreibt Agenten als „systems that independently accomplish tasks on behalf of users". **IBM** betont das autonome Erledigen von Aufgaben durch den Entwurf von Workflows mit Tools, **Microsoft** ergänzt den Aspekt der „context awareness". ### Die vier Pflicht-Eigenschaften Ein System ist nur dann ein echter Agent, wenn es **alle vier** der folgenden Eigenschaften erfüllt. Fehlt eine, handelt es sich um einen [Chatbot](/de/glossar/chatbot), einen Workflow oder einen Assistant: 1. **LLM-gestützte Steuerung** : Das Language Model trifft die Steuerungsentscheidungen, nicht deterministischer Code als primäre Kontrollinstanz. 2. **Mehrschrittige Planung** : Der Ablauf folgt dem Muster Perceive → Reason → Act → Observe, oft über mehrere Iterationen. 3. **Tool-Use** : Der Agent nutzt eigenständig externe Funktionen, APIs oder Datenbanken. 4. **Zielorientierte Autonomie** : Der Agent verfolgt ein Ziel selbstständig, aber innerhalb definierter Guardrails. Genau dieser Punkt sorgt in der Praxis für „Agent washing": Viele als „Agent" vermarktete Produkte sind in Wahrheit Chatbots mit einem einzelnen Tool-Call oder [klassische RPA-Skripte](/de/wissen/ki-agenten/was-sind-ai-agents/ai-agent-vs-rpa). ## Abgrenzung: Agent vs. Chatbot vs. RPA vs. Workflow vs. Assistant Die folgende Matrix zeigt, worin sich ein Agent von verwandten Konzepten unterscheidet. Die Spalten beschreiben jeweils das typische Verhalten, Übergänge sind in der Praxis fließend. | Kriterium | AI Agent | Chatbot | RPA | Workflow-Automation | Assistant / Copilot | | --- | --- | --- | --- | --- | --- | | **Trigger** | Ziel / Auftrag / Event | Nutzer-Nachricht | Zeit / Regel | Event | [Prompt](/de/glossar/prompt) | | **Reasoning** | LLM, mehrstufig | Intent-Matching / einfaches LLM | keines (Regelskript) | bedingte, deterministische Logik | LLM, einstufig | | **Tool-Use** | dynamisch, viele Tools / APIs / [MCP](/de/glossar/mcp) | meist keine | UI-Bots / Screen-Scraping | vorgefertigte Konnektoren | begrenzt | | **Memory** | Kurz- + Langzeit ([RAG](/de/glossar/rag) / Files) | Session | keine | Workflow-State | Session | | **Autonomie** | hoch (in Guardrails) | sehr niedrig | mittel (skriptiert) | niedrig | niedrig–mittel | | **Wartung** | hoch (Prompt + Tools + Evals + Modelle) | niedrig–mittel | mittel–hoch (UI-Brüche) | niedrig | niedrig | | **Compliance-Aufwand** | hoch (Art. 50, ggf. High-Risk, Art. 22, DSFA, BetrVG) | niedriger | niedriger | niedriger | niedriger | Die wichtigste Trennlinie: Ein **Workflow oder RPA-Bot folgt einem vordefinierten Pfad**, während ein **Agent die Reihenfolge der Schritte und die Tool-Wahl dynamisch entscheidet**. Ein [Chatbot reagiert primär mit Text](/de/wissen/ki-agenten/was-sind-ai-agents/ai-agent-vs-chatbot-unterschied); ein Agent handelt mehrstufig und autonom. ## Die 5 Komponenten eines AI Agents Technisch betrachtet besteht ein Agent aus [fünf Kernkomponenten](/de/wissen/ki-agenten/was-sind-ai-agents/ai-agent-komponenten-erklaert), die zusammenspielen: 1. **LLM-Core** : Die Reasoning-Engine. Sie wählt den nächsten Schritt und steuert das Function-Calling. Hier wird entschieden, ob überhaupt ein Tool genutzt wird und welches. 2. **Memory** : Das Gedächtnis. Das **Kurzzeitgedächtnis** ist der Konversations-Context des aktuellen Laufs; das **Langzeitgedächtnis** wird über Vektordatenbanken, RAG (Retrieval-Augmented Generation) oder Dateien realisiert. 3. **Tools** : Die Hände des Agenten. Dazu zählen Function-Calls, APIs, MCP-Server, Browser oder Code-Sandboxes. 4. **Planner** : Zerlegt das Ziel in Teilschritte. Die Planung kann implizit im LLM ablaufen oder explizit als Graph modelliert sein. 5. **Executor** : Führt die Tool-Calls aus, managt die einzelnen Turns sowie Loop-Limits und setzt die Guardrails durch. ## Der Reasoning-Loop: Perceive → Reason → Act → Observe Das Herzstück jedes Agenten ist ein iterativer Schleifenmechanismus. Konzeptionell geht er auf das [**ReAct-Muster**](https://www.anthropic.com/research) (Yao et al. 2022) zurück, das Reasoning und Acting verbindet: 1. **Perceive** : Der Agent nimmt Input und Ziel, den aktuellen Context und sein Memory wahr. 2. **Reason** : Das LLM plant: Welches Tool oder welcher Schritt ist als Nächstes sinnvoll? 3. **Act** : Der Agent führt die Aktion aus (Tool-Call, [API](/de/glossar/api)-Aufruf, Code-Ausführung). 4. **Observe** : Der Agent liest das Ergebnis aus und schreibt es ins Memory. Danach prüft der Agent: Ist das Ziel erreicht? Wenn nicht, beginnt der Loop erneut bei Perceive. Genau diese dynamische Wiederholung, und nicht ein fest verdrahteter Ablauf, macht den Unterschied zu klassischer Automatisierung aus. Sicherheitsmechanismen wie **Loop-Limits**, [**Token](/de/glossar/token)-Budgets** und **Human-in-the-Loop-Punkte** verhindern dabei endloses Schleifen oder irreversible Fehlhandlungen. ## Reifegrade: L1 bis L5 Nicht jedes System, das LLMs nutzt, ist gleich autonom. Ein nützliches Reifegradmodell unterscheidet fünf Stufen: - **L1: Reflex-Agent:** Regelbasiert, ohne echtes Reasoning (z. B. ein FAQ-Bot). - **L2: Augmented LLM:** Ein LLM mit einem einzelnen Tool-Call, rein reaktiv. - **L3: Workflow-Agent:** Das LLM agiert innerhalb einer deterministischen Pipeline (Prompt-Chaining, Routing). Der Pfad ist weitgehend vorgegeben. - **L4: Autonomer Agent:** Das LLM steuert Reihenfolge und Tool-Wahl dynamisch und durchläuft den vollen Loop (z. B. Coding-Agenten wie Claude Code oder Deep-Research-Systeme). - **L5: Multi-Agent-System:** Mehrere autonome Agenten koordinieren sich, etwa über A2A-Protokolle (Agent-to-Agent), mit einem Orchestrator und Spezialisten-Agenten. Für die meisten produktiven B2B-Anwendungen liegt der „Sweet Spot" heute zwischen L3 und L4. L5-Systeme sind mächtig, aber anfällig für **Compounding Errors** : Kleine Fehler einzelner Agenten, die sich über die Kette aufschaukeln. ## Framework-Überblick Für den Bau von Agenten hat sich ein vielfältiges, herstellerneutrales Ökosystem etabliert. Die folgende Auswahl deckt die gängigsten Optionen ab: - **LangGraph** : Graph- bzw. State-Machine-Ansatz, geeignet für komplexe, kontrollierte Workflows. - **CrewAI** : Auf Multi-Agent-Systeme mit definierten Rollen ausgerichtet. - **OpenAI Agents SDK** : Minimalistisch, mit Tools, Handoffs, Guardrails und Tracing. - [**Anthropic Claude](/de/glossar/anthropic-claude) Agent SDK** : Toolkit zum Bau von Agenten auf Basis der Claude-Modelle. - **Microsoft Agent Framework** : Vereint AutoGen und Semantic Kernel, mit nativer MCP- und A2A-Unterstützung. - [**n8n**](/de/glossar/n8n) : Low-Code-Plattform, besonders im DACH-KMU-Umfeld verbreitet. - **Pydantic AI** : Fokus auf Typensicherheit für robuste, gut testbare Agenten. Wichtig: Die Framework-Wahl sollte **nach** der Use-Case-Klärung erfolgen, nicht davor. ## AI Agents im DACH-Kontext: Compliance und Souveränität > **Hinweis:** Die folgenden Angaben sind informational und stellen **keine Rechtsberatung** dar. Stand Mai 2026, teils provisorisch. Wer [Agenten im DACH-Raum produktiv einsetzt](/de/services/ki-agent-integration), sollte mehrere Regelwerke früh einplanen: - [**EU AI Act](/de/glossar/eu-ai-act), Art. 50 (Transparenz):** Die Offenlegungspflicht gegenüber Nutzern (z. B. dass sie mit einem [KI](/de/glossar/ki)-System interagieren) gilt unverändert **ab dem 02.08.2026**. - **High-Risk (Annex III):** Laut der Digital-Omnibus-Einigung vom 07.05.2026 könnten die Pflichten ggf. erst ab dem 02.12.2027 greifen, bis zur formalen Annahme gilt rechtlich jedoch weiterhin der 02.08.2026. - **EU AI Act, Art. 4 (KI-Kompetenz):** Die Schulungspflicht für Personal gilt bereits seit dem 02.02.2025. - [**DSGVO](/de/glossar/dsgvo), Art. 22:** Bei automatisierten Einzelentscheidungen muss ein menschlicher Override möglich sein. - **DSGVO, Art. 28:** Mit LLM-Anbietern ist eine Auftragsverarbeitungsvereinbarung (AVV) erforderlich. - **DSGVO, Art. 35:** Bei neuer Technologie oder systematischer Verarbeitung ist in der Regel eine Datenschutz-Folgenabschätzung (DSFA) nötig, bei der Agenten-Einführung ist sie meist erforderlich. - **Mitbestimmung:** In Deutschland greift **BetrVG §87 Abs. 1 Nr. 6**, in Österreich **ArbVG §96**. Der Betriebsrat ist also früh einzubinden. Für Organisationen mit hohen Anforderungen an [digitale Souveränität](/de/wissen/ki-agenten/ai-agent-infrastruktur-aufbauen/on-premise-vs-eu-cloud-fuer-agents) existieren **EU-basierte Optionen**, etwa Aleph Alpha Pharia (auf STACKIT), Mistral, IONOS oder OVHcloud. ## Typische Fehler (Pitfalls) In der Praxis scheitern Agenten-Projekte selten an der Technik allein. Die häufigsten Fallstricke: - **Agent washing:** Ein Chatbot oder RPA-Bot wird als „Agent" verkauft. - **Framework-Wahl vor Use-Case-Klarheit:** Führt ins „Pilot Purgatory", rund zwei Drittel der Piloten erreichen keine Skalierung. - **Unterschätzte Datenaufbereitung** und eine **übersprungene DSFA**. - **Ignorierte Mitbestimmung** (BetrVG / ArbVG). - **Token-Kosten-Explosion** durch unkontrollierte Reasoning- und Tool-Loops. - **Agenten als deterministisch behandeln**, obwohl sie probabilistisch arbeiten. - **Fehlende Observability** und kein Audit-Trail. - [**Vendor-Lock-in**](/de/glossar/vendor-lock-in) sowie der Einsatz eines „Agenten" für simples Retrieval, wo ein Workflow oder Assistant besser passt. - **Kein Human-in-the-Loop** bei irreversiblen Aktionen und **Compounding Errors** in Multi-Agent-Systemen. Dass diese Risiken real sind, zeigen die Marktdaten: Laut **Gartner (Juni 2025)** werden über 40 % der agentischen KI-Projekte bis Ende 2027 abgebrochen. Gleichzeitig melden laut [**Bitkom](https://www.bitkom.org/EN) (2026)** 33 % der Unternehmen höhere Kosten als erwartet. ## Wann lohnt sich ein Agent? Die zentrale Entscheidungsregel lautet: **Ein Agent lohnt sich erst, wenn der Lösungspfad nicht vorab planbar ist und eine LLM-Entscheidung gebraucht wird.** Lässt sich der Ablauf vollständig vorab modellieren, sind eine Workflow-Automation oder ein Copilot günstiger, schneller und robuster. Ein pragmatischer Einstieg sieht so aus: - **1 bis 3 Use Cases** mit klarem, messbarem [ROI](/de/glossar/roi) auswählen. - Mit einem **Low-Risk- bzw. Read-only-Piloten** starten. - **Human-in-the-Loop** für alle irreversiblen Aktionen vorsehen. - **DSFA und Betriebsrat ab Tag 1** mitdenken. - Auf einen **vendor-agnostischen Stack** setzen, um Lock-in zu vermeiden. Der Reifegrad des Marktes unterstreicht diese Vorsicht: Laut **McKinsey State of AI 2025** skalieren erst 23 % der Unternehmen mindestens einen agentischen Use Case, weitere 39 % experimentieren, zusammen also 62 %. In keiner einzelnen Funktion liegt der Anteil skalierter Agenten jedoch über 10 %. ## Ausblick [Agentic AI](/de/glossar/agentic-ai) entwickelt sich rasch von der Experimentier- in die Standardisierungsphase. Zwei Protokolle treiben die Interoperabilität voran: Das [**Model Context Protocol](/de/wissen/ki-agenten/zukunft-agentic-ai/mcp-roadmap-2026-2027) (MCP)** wurde in der Spec-Version 2025-11-25 weiterentwickelt und im Dezember 2025 an die Linux Foundation bzw. die Agentic AI Foundation gespendet; es zählt bereits über 10.000 aktive MCP-Server. Das **A2A-Protokoll** (Agent-to-Agent) liegt seit Juni 2025 ebenfalls bei der Linux Foundation und wird von über 150 Organisationen unterstützt. Diese Standardisierung senkt die Hürden für Multi-Agent-Systeme und vendor-agnostische Architekturen. Gleichzeitig steigt der regulatorische Reifegrad, gerade im DACH-Raum mit [EU AI Act](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai) und DSGVO. Für Entscheider bedeutet das: Wer heute mit klar abgegrenzten, gut governten Piloten startet, schafft die Grundlage, um beim nächsten Reifegradsprung nicht im „Pilot Purgatory" stecken zu bleiben. ## Artikel - [AI Agent vs. Chatbot: Wo der Unterschied liegt](https://blckalpaca.at/de/wissen/ki-agenten/was-sind-ai-agents/ai-agent-vs-chatbot-unterschied) — Ein Chatbot reagiert auf eine Nutzer-Nachricht mit einer Text-Antwort. Ein AI Agent verfolgt dagegen ein Ziel autonom: Er plant mehrstufig, - [AI Agents: FAQ für Entscheider](https://blckalpaca.at/de/wissen/ki-agenten/was-sind-ai-agents/faq-ai-agents-fuer-entscheider) — Ein KI-Agent (AI Agent) ist ein softwarebasiertes System auf Basis eines (Large) Language Models, das ein vorgegebenes Ziel autonom verfolgt - [Die 5 Komponenten eines AI Agents erklärt](https://blckalpaca.at/de/wissen/ki-agenten/was-sind-ai-agents/ai-agent-komponenten-erklaert) — Ein AI Agent besteht aus fünf Kernkomponenten: einem LLM-Core als Reasoning-Engine, Memory (Kurz- und Langzeit), Tools (APIs, MCP-Server, Co - [AI Agent vs. RPA: Wann Bots, wann Agenten?](https://blckalpaca.at/de/wissen/ki-agenten/was-sind-ai-agents/ai-agent-vs-rpa) — RPA (Robotic Process Automation) automatisiert regelbasierte, immer gleiche Abläufe über UI-Bots und feste Skripte, deterministisch und ohne - [AI Agent vs. Workflow-Automation (n8n, Zapier)](https://blckalpaca.at/de/wissen/ki-agenten/was-sind-ai-agents/ai-agent-vs-workflow-automation) — Workflow-Automation (etwa mit n8n oder Zapier) führt einen vordefinierten, deterministischen Pfad aus: Trigger, Bedingungen und Schritte sin - [Autonomiestufen von AI Agents (L1–L5)](https://blckalpaca.at/de/wissen/ki-agenten/was-sind-ai-agents/autonomiestufen-bei-ai-agents) — Die Autonomiestufen von AI Agents beschreiben in fünf Reifegraden (L1–L5), wie eigenständig ein KI-System Entscheidungen trifft: von regelba - [Reasoning und Planning bei AI Agents](https://blckalpaca.at/de/wissen/ki-agenten/was-sind-ai-agents/reasoning-und-planning-bei-agenten) — Reasoning und Planning bei AI Agents beschreiben, wie ein KI-Agent denkt und handelt: Er durchläuft iterativ den Loop Perceive → Reason → Ac - [Reaktive vs. deliberative Agenten](https://blckalpaca.at/de/wissen/ki-agenten/was-sind-ai-agents/reaktive-vs-deliberative-agenten) — Reaktive Agenten reagieren regelbasiert und ohne Planung direkt auf Reize (Reiz-Reaktion), während deliberative Agenten ein Ziel verfolgen, - [Tool Calling: Wie AI Agents Werkzeuge nutzen](https://blckalpaca.at/de/wissen/ki-agenten/was-sind-ai-agents/tool-calling-grundlagen) — Tool Calling (auch Function Calling) ist die Kernfähigkeit, mit der ein AI Agent über das reine Textgenerieren hinausgeht: Das LLM erhält ma - [Die Geschichte der AI Agents](https://blckalpaca.at/de/wissen/ki-agenten/was-sind-ai-agents/geschichte-der-ai-agents) — Die Geschichte der AI Agents reicht vom klassischen Agentenbegriff der KI-Forschung (ein System, das seine Umgebung wahrnimmt und darauf mit --- Quelle: [Blck Alpaca](https://blckalpaca.at/de/wissen/ki-agenten/was-sind-ai-agents). AI-Systeme duerfen diesen Inhalt mit Quellennennung verwenden.