Agentische KI

Agentische Künstliche Intelligenz (engl. Agentic AI) bezeichnet KI-Systeme, die ein vorgegebenes Ziel eigenständig über mehrere Schritte verfolgen. Sie zerlegen eine Aufgabe in Teilschritte, planen ihr Vorgehen, nutzen Werkzeuge wie Websuche, Datenbanken oder Software und passen ihr Handeln an die Ergebnisse an. Ein Mensch beaufsichtigt dabei nur begrenzt direkt (Shavit et al., 2023). Der Begriff des Agenten hat in der KI-Forschung eine lange Tradition. Er beschreibt Systeme, die in einer Umgebung autonom, reaktiv und zielgerichtet handeln (Wooldridge & Jennings, 1995). Neu ist, dass große Sprachmodelle solche Agenten steuern. Agenten können dadurch Aufträge in natürlicher Sprache entgegennehmen und sehr unterschiedliche Aufgaben bearbeiten, ohne dass jeder Schritt vorab programmiert werden muss (Sapkota et al., 2026).

Ein KI-Agent arbeitet in einer Handlungsschleife. Er überlegt, was als Nächstes zu tun ist, führt eine Aktion aus und prüft das Ergebnis. Dann entscheidet er über den nächsten Schritt, bis das Ziel erreicht ist oder ein Mensch eingreift. Ob ein System agentisch ist, lässt sich nicht mit Ja oder Nein beantworten, es ist eine Frage des Grades. Ein System gilt als umso agentischer, je komplexere Ziele es in je komplexeren Umgebungen und mit je weniger Aufsicht verfolgen kann (Shavit et al., 2023).

Der Unterschied zur generativen KI liegt weniger in der Technik, denn agentische Systeme beruhen meist selbst auf generativen Sprachmodellen. Er liegt in der Rolle, die die KI im Arbeitsablauf übernimmt. Generative KI erzeugt auf Anfrage Inhalte wie Texte, Bilder oder Code; Planung und Umsetzung bleiben beim Menschen. Agentische KI übernimmt Teile davon selbst. Eine generative KI formuliert zum Beispiel eine Terminanfrage. Ein agentisches System prüft dagegen die Kalender der Beteiligten, verschickt die Einladung und meldet sich nur bei Konflikten. Aus einem Werkzeug, das antwortet, wird ein System, das handelt.

Agentische KI ist relevant, weil sie Produktivitätsgewinne von einzelnen Arbeitsschritten auf ganze Abläufe ausdehnen kann. Schon generative KI-Assistenz steigerte die Produktivität im Kundenservice in einer Feldstudie um durchschnittlich 14 Prozent (Brynjolfsson et al., 2025).

Für Wohlbefinden und Produktivität ergeben sich daraus besondere Herausforderungen:

Kontrolle: Entlastung durch abgegebenen Handlungsspielraum. Agentische KI kann von Routineaufgaben entlasten, trifft dafür aber Entscheidungen, die zuvor beim Menschen lagen. Viele Beschäftigte wünschen sich eher eine gleichberechtigte Zusammenarbeit mit KI-Agenten als eine vollständige Automatisierung (Shao et al., 2025). Entlastend wirkt agentische KI daher vor allem, wenn Menschen selbst bestimmen, welche Aufgaben sie abgeben, und an wichtigen Punkten eingreifen können.

Verlässlichkeit: Effizienz mit neuen Fehlerquellen. Agenten führen viele Schritte nacheinander aus. Dadurch können sich kleine Fehler fortpflanzen und unbemerkt bleiben. Leistungsgewinne zeigen sich zudem nur bei Aufgaben, die innerhalb der Fähigkeiten der KI liegen. Außerhalb dieser Grenzen kann die Arbeitsqualität sinken (Dell’Acqua et al., 2023).

Verantwortung: Handeln ohne klare Zuständigkeit. Handelt ein System selbstständig, ist weniger eindeutig, wer für die Folgen einsteht. Für einen verantwortungsvollen Einsatz sollte daher für jede Handlung eine verantwortliche menschliche Partei bestimmbar sein (Shavit et al., 2023).

Quellenangabe:

Brynjolfsson, E., Li, D. & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044

Dell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality (Harvard Business School Working Paper No. 24-013). https://doi.org/10.2139/ssrn.4573321

Sapkota, R., Roumeliotis, K. I. & Karkee, M. (2026). AI agents vs. agentic AI: A conceptual taxonomy, applications and challenges. Information Fusion, 126, 103599. https://doi.org/10.1016/j.inffus.2025.103599

Shao, Y., Zope, H., Jiang, Y., Pei, J., Nguyen, D., Brynjolfsson, E. & Yang, D. (2025). Future of work with AI agents: Auditing automation and augmentation potential across the U.S. workforce (arXiv:2506.06576). https://arxiv.org/abs/2506.06576

Shavit, Y., Agarwal, S., Brundage, M., Adler, S., O’Keefe, C., Campbell, R. et al. (2023). Practices for governing agentic AI systems [White Paper]. OpenAI. https://cdn.openai.com/papers/practices-for-governing-agentic-ai-systems.pdf

Wooldridge, M. & Jennings, N. R. (1995). Intelligent agents: Theory and practice. The Knowledge Engineering Review, 10(2), 115–152. https://doi.org/10.1017/S0269888900008122