1.10Einsteiger7 min

AI Agents: FAQ für Entscheider

Blck Alpaca·8. Juni 2026

Definition

Ein KI-Agent (AI 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 eigenständig externe Werkzeuge (Tools, APIs, Datenquellen), beobachtet die Ergebnisse und passt seinen Plan iterativ an, bis das Ziel erreicht oder abgebrochen ist. Für Entscheider zentral: Ein Agent lohnt sich erst, wenn der Lösungsweg nicht vorab planbar ist.

Auf einen Blick

✓Ein AI Agent unterscheidet sich von Chatbots, RPA und Workflow-Automation durch vier Pflicht-Eigenschaften: LLM-gestützte Steuerung, mehrschrittige Planung (Perceive→Reason→Act→Observe), dynamischen Tool-Use und zielorientierte Autonomie in Guardrails.
✓Agenten lohnen sich nur, wenn der Lösungsweg nicht vorab planbar ist. Bei festen Pfaden sind Workflow-Automation oder RPA günstiger, robuster und compliance-ärmer.
✓Marktreife ist verhalten: Laut McKinsey State of AI 2025 skalieren nur 23 Prozent mindestens einen agentischen Use Case; Gartner (Juni 2025) erwartet, dass über 40 Prozent agentischer KI-Projekte bis Ende 2027 abgebrochen werden.
✓Compliance gehört ab Tag 1 dazu: EU AI Act (Art. 50 Transparenz ab 02.08.2026), DSGVO-DSFA (Art. 35), sowie Betriebsrat nach BetrVG §87 (DE) bzw. ArbVG §96 (AT). Hinweis: informational, keine Rechtsberatung.
✓Pragmatischer Start: 1 bis 3 Use Cases mit klarem ROI, Low-Risk-Pilot mit Human-in-the-Loop, Outcome-KPIs statt Aktivitätsmetriken, vendor-agnostische Framework-Wahl nach Use-Case.
✓Kosten werden oft unterschätzt: Token- und Reasoning-Kosten treiben den Aufwand; laut Bitkom 2026 berichten 33 Prozent der Unternehmen über höhere KI-Kosten als erwartet. Routing und Caching dämpfen.

Für Entscheider lassen sich die wichtigsten Fragen auf drei Kernantworten verdichten:

Was ist anders? Ein Agent plant dynamisch und wählt Tools selbst, statt einem vordefinierten Pfad zu folgen. Genau das unterscheidet ihn von Chatbot, RPA und Workflow-Automation.
Wann lohnt er sich? Erst wenn der Lösungsweg nicht vorab planbar ist. Ist der Ablauf bekannt, sind klassische Automation oder RPA günstiger und stabiler.
Worauf kommt es bei der Einführung an? Klarer Use-Case mit ROI, Human-in-the-Loop bei irreversiblen Aktionen, DSFA und Betriebsrat von Beginn an, vendor-agnostisch denken.

Ein konkretes Beispiel

Ein typischer L4-Agent (autonomer Agent) ist ein Recherche-Assistent, der eine offene Frage beantworten soll. Er zerlegt das Ziel in Teilschritte, ruft eigenständig eine Web-Suche auf, liest Ergebnisse, formuliert Folgefragen, prüft Widersprüche und fasst am Ende eine belegte Antwort zusammen. Niemand hat ihm die exakte Reihenfolge der Suchanfragen vorgegeben. Genau diese dynamische Steuerung im Reasoning-Loop (Perceive→Reason→Act→Observe) macht den Unterschied zu einer fest verdrahteten Pipeline.

Wo liegt der Markt aktuell?

Die Erwartung ist hoch, die Skalierung verhalten. Laut McKinsey State of AI 2025 skalieren erst 23 Prozent der Unternehmen mindestens einen agentischen Use Case, weitere 39 Prozent experimentieren; in keiner Funktion liegt der Anteil skalierter Use Cases über 10 Prozent. Gartner (Juni 2025) erwartet, dass über 40 Prozent agentischer KI-Projekte bis Ende 2027 abgebrochen werden, oft wegen unklarem Business Case und unterschätztem Aufwand. Für Entscheider heißt das: nüchtern priorisieren statt flächig ausrollen.

Agent, Chatbot, RPA, Workflow oder Assistant?

Die folgende Matrix ordnet die Begriffe ein, die im Markt häufig vermischt werden:

Kriterium	AI Agent	Chatbot	RPA	Workflow-Automation	Assistant
Trigger	Ziel-Event	Nachricht	Zeit-Regel	Event	Prompt
Reasoning	LLM, mehrstufig	Intent-Matching	keines (Regelskript)	bedingte Logik	LLM, einstufig
Tool-Use	dynamisch, viele	meist keine	UI-Bots, Screen-Scraping	vorgefertigte Konnektoren	begrenzt
Memory	Kurz- und Langzeit	Session	keine	Workflow-State	Session
Autonomie	hoch	sehr niedrig	mittel, skriptiert	niedrig	niedrig bis mittel
Wartung	hoch	niedrig bis mittel	mittel bis hoch (UI-Brüche)	niedrig	niedrig

Merksatz: Workflow-Automation und RPA folgen einem vordefinierten Pfad, ein Agent entscheidet den Pfad dynamisch zur Laufzeit. Daraus folgt auch der höhere Wartungs- und Compliance-Aufwand des Agenten.

Wie reif ist „mein" Agent? Die Stufen L1–L5

L1 Reflex: regelbasiert, kein LLM (FAQ-Bot, Thermostat).
L2 Augmented LLM: LLM plus ein Tool-Call, reaktiv (z. B. ChatGPT mit Web-Suche).
L3 Workflow-Agent: LLM in deterministischer Pipeline (Prompt-Chaining, Routing).
L4 Autonomer Agent: LLM steuert Reihenfolge und Tool-Wahl dynamisch, voller Loop (z. B. Claude Code, Deep Research).
L5 Multi-Agent-System: mehrere autonome Agenten koordinieren via A2A (Orchestrator plus Spezialisten).

Diese Skala hilft im Vendor-Gespräch: Wer „autonomer Agent" sagt, aber nur L2/L3 liefert, betreibt „Agent washing". Gartner zufolge verfügen nur etwa 130 von tausenden Anbietern über echte Agent-Fähigkeiten.

Standards: MCP und A2A

Zwei offene Standards strukturieren das Ökosystem. MCP (Model Context Protocol) standardisiert die Anbindung Agent↔Tool; die Spezifikation 2025-11-25 wurde im Dezember 2025 an die Linux Foundation übergeben, es existieren über 10.000 MCP-Server. A2A (Agent-to-Agent) standardisiert die Kommunikation Agent↔Agent und liegt seit Juni 2025 bei der Linux Foundation mit über 150 beteiligten Organisationen. Für Entscheider sind beide ein Argument für vendor-agnostische Architekturen, die Lock-in reduzieren.

Compliance: Was DACH-Entscheider früh klären müssen

Hinweis: informational, keine Rechtsberatung; rechtliche Fristen teils provisorisch.

EU AI Act: Transparenzpflichten nach Art. 50 gelten ab 02.08.2026. Die KI-Kompetenz-Pflicht (Art. 4) gilt bereits seit 02.02.2025. High-Risk-Einstufungen nach Annex III können laut Digital-Omnibus (07.05.2026) auf 02.12.2027 verschoben werden, bis zur formalen Annahme bleibt rechtlich der 02.08.2026 maßgeblich.
DSGVO: Bei agentischen Systemen ist eine Datenschutz-Folgenabschätzung (Art. 35) meist nötig; relevant sind außerdem Art. 22 (automatisierte Entscheidungen) und Art. 28 (Auftragsverarbeitung).
Mitbestimmung: Vor Einführung ist der Betriebsrat einzubinden, in Deutschland nach BetrVG §87, in Österreich nach ArbVG §96.

Häufige Fehler bei der Einführung

Die teuersten Pitfalls sind selten technisch. Häufig wird das Framework vor dem Use-Case gewählt, die Datenaufbereitung unterschätzt, die DSFA übersprungen oder Human-in-the-Loop bei irreversiblen Aktionen weggelassen. Ebenso riskant: Token-Kosten-Explosion ohne Routing und Caching, das Behandeln von Agenten als deterministisch und fehlende Observability. Ein pragmatischer Start adressiert genau diese Punkte: 1 bis 3 Use Cases mit messbarem ROI, ein Low-Risk-Pilot mit menschlicher Freigabe, Outcome-KPIs statt Aktivitätsmetriken sowie DSFA und Betriebsrat ab Tag 1.

Häufig gestellte Fragen

Was ist der Unterschied zwischen einem AI Agent und einem Chatbot?

Ein Chatbot reagiert auf einzelne Nachrichten per Intent-Matching und arbeitet meist ohne Tools und ohne Langzeitgedächtnis. Ein AI Agent verfolgt ein Ziel: Er plant mehrstufig, wählt eigenständig Tools und passt seinen Plan iterativ an. Der Chatbot antwortet, der Agent handelt zielgerichtet.

Was ist der Unterschied zwischen Agentic AI und einem AI Agent?

Agentic AI bezeichnet das übergeordnete Paradigma autonomen, zielgerichteten KI-Handelns. Ein AI Agent ist die konkrete Komponente bzw. das einzelne System, das dieses Paradigma umsetzt. Kurz: Agentic AI ist das Konzept, der AI Agent die Ausprägung.

Brauchen wir ein eigenes LLM, um Agenten einzusetzen?

Nein. Agenten lassen sich über API-LLMs (etwa von Anthropic oder OpenAI) betreiben, ein eigenes trainiertes Modell ist nicht erforderlich. Relevant sind stattdessen Datenanbindung, Tool-Integration, Guardrails und Datenschutz, nicht der Modellbesitz.

Wann lohnt sich ein Agent gegenüber Workflow-Automation oder RPA?

Workflow-Automation und RPA folgen einem vordefinierten Pfad und sind bei bekannten, stabilen Abläufen günstiger und robuster. Ein Agent lohnt sich erst, wenn der Lösungsweg nicht vorab planbar ist und dynamisch entschieden werden muss, also bei offenen, variantenreichen Aufgaben.

Wie wählen wir das richtige Agent-Framework aus?

Die Auswahl erfolgt nach Use-Case, nicht umgekehrt. Verbreitete Optionen sind LangGraph, CrewAI, OpenAI Agents SDK, Anthropic Claude Agent SDK, Microsoft Agent Framework, n8n und Pydantic AI. Entscheidend sind benötigte Autonomiestufe, Tool-Integration, Observability und vendor-agnostische Architektur.

Was sind MCP und A2A und warum sind sie für uns relevant?

MCP (Model Context Protocol) ist der Standard für die Verbindung Agent↔Tool, mit über 10.000 Servern und seit Dezember 2025 bei der Linux Foundation. A2A (Agent-to-Agent) standardisiert die Kommunikation zwischen Agenten und liegt seit Juni 2025 bei der Linux Foundation. Beide reduzieren Lock-in und fördern interoperable Architekturen.

Welche rechtlichen Pflichten gelten in DACH? (informational, keine Rechtsberatung)

Relevant sind der EU AI Act (Transparenz nach Art. 50 ab 02.08.2026, KI-Kompetenz nach Art. 4 seit 02.02.2025), die DSGVO (DSFA nach Art. 35 meist nötig, Art. 22 und 28) sowie die Mitbestimmung über BetrVG §87 in Deutschland bzw. ArbVG §96 in Österreich. Fristen für High-Risk sind teils provisorisch.

Ist für agentische Systeme eine Datenschutz-Folgenabschätzung (DSFA) nötig?

In den meisten Fällen ja. Agenten verarbeiten häufig personenbezogene Daten autonom und über mehrere Tools hinweg, was nach DSGVO Art. 35 eine DSFA auslöst. Sie sollte vor dem Pilotbetrieb erfolgen, nicht nachgelagert. (informational, keine Rechtsberatung)

Muss der Betriebsrat eingebunden werden?

In der Regel ja. Werden Systeme eingesetzt, die das Verhalten oder die Leistung von Beschäftigten erfassen können, greift die Mitbestimmung, in Deutschland nach BetrVG §87, in Österreich nach ArbVG §96. Die Einbindung sollte ab Tag 1 erfolgen. (informational, keine Rechtsberatung)

Warum sind Agenten oft teurer als erwartet und wie dämpft man die Kosten?

Mehrstufiges Reasoning und viele Tool-Calls erzeugen hohen Token-Verbrauch. Laut Bitkom 2026 berichten 33 Prozent der Unternehmen über höhere KI-Kosten als erwartet. Routing (kleinere Modelle für einfache Schritte) und Caching senken die Kosten spürbar, ebenso Loop-Limits und klare Abbruchkriterien.

Warum scheitern so viele Agent-Projekte?

Laut Gartner (Juni 2025) dürften über 40 Prozent agentischer KI-Projekte bis Ende 2027 abgebrochen werden. Hauptgründe sind unklarer Business Case, Framework-Wahl vor Use-Case, unterschätzte Datenaufbereitung, fehlende Observability und fehlendes Human-in-the-Loop. Erfolg entsteht durch fokussierte Use Cases mit messbarem ROI.

Wie messen wir den Erfolg eines Agenten?

Über Outcome-KPIs statt Aktivitätsmetriken: Welches Geschäftsziel wurde erreicht, zu welchen Kosten, mit welcher Fehler- und Eskalationsrate. Aktivitätszahlen wie Anzahl der Tool-Calls sagen wenig über den Wert aus. Ein Low-Risk-Pilot mit klaren Zielwerten ist der pragmatische Einstieg.

Tiefer einsteigen?

Erhalte neue Analysen direkt ins Postfach – oder sieh dir an, wie wir dieses Wissen für Unternehmen umsetzen.

Newsletter abonnieren →Unsere Services

Vorheriger← Die Geschichte der AI Agents