KI-Agenten – Turbo für den Einsatz von KI

KI-Agenten sind eigenständige KI-Anwendungen, die basierend auf deinen Zielvorgaben selbständig Entscheidungen treffen und Aktionen ausführen. Auf diesem Weg nutzen KI-Agenten ihre ganze Power:

• KI Agenten nutzen Werkzeuge und Tools,
• beziehen Information aus anderen Systemen, 
• können mit unvollständigen Informationen umgehen,
• arbeiten mit anderen KI-Agenten zusammen,
• speichern Informationen im Kurz- und Langzeitgedächtnis,
• überprüfen ihre eigenen Arbeitsergebnisse,
• trainieren und optimieren sich selbst.

Dabei können KI-Agenten aus Erfahrung lernen, wodurch sie im Laufe der Zeit immer bessere Entscheidungen treffen und Ergebnisse erzielen.

AI agents are systems built on large language models that have the capability to use tools, collaborate with other agents, and possess memory, both short-term and long-term.

Jensen Huang, the CEO of NVIDIA

KI-Agenten sind konkrete Werkzeuge und KI-Modelle, Agentic AI dagegen ist ein Oberbegriff für den Einsatz von KI-Agenten. Das heißt, der Begriff Agentic AI verhält sich zu KI-Agenten wie die Elektromobilität zum Elektroauto. Das eine ist ein konkretes Ding, das andere eher eine allgemeiner Trend und Strategie dahinter.

Um neue Konzepte zu verstehen, finde ich eine Referenzierung gegen Bekanntes immer hilfreich. Dabei unterscheiden sich KI-Agenten in mehrfacher Hinsicht von chatbasierten KI-Anwendungen (wie z.B. ChatGPT, Gemini).

• Autonomes Handeln - KI-Agenten führen Aktionen eigenständig aus, dagegen reagieren KI-Chats nur auf deine Prompts.

• Gedächtnis - KI-Agenten haben ein Kurz- und ein Langzeitgedächtnis, dagegen vergessen KI-Chats den Kontext nach einer kritischen Anzahl von Tokens.

• Proaktive Zusammenarbeit - KI-Agenten nutzen weiterführende Werkzeuge und können mit anderen Agenten zusammenarbeiten, so kannst Du weitreichende Automatisierungen ermöglichen.

• Selbstregulierend - KI-Agenten treffen auf Basis des definierten Kontextes und der Ziele eigene Entscheidungen. Du musst nur definieren, statt Ausgaben zu bewerten und mit korrigierenden Prompts einzugreifen.

Eine zweite hilfreiche Referenzierung von KI-Agenten ist der Vergleich mit herkömmlicher normaler Workflow- und Software-Programmierung. Normale Programmierung ist deterministisch und folgt einer klaren “wenn-dann” Logik. Dagegen weisen KI-Agenten die typischen Merkmale künstlicher Intelligenzen auf. Denn KI-Agenten handeln selbständig und passen sich an neue Situationen an. Während also herkömmliche Automatisierungen festen Regeln folgen und genau das tun, was ein Programmierer vorgibt, können KI-Agenten auf Basis von Zielen den besten Weg dorthin selbst finden. Zudem können KI-Agenten auch in unsicheren oder unvollständigen Situationen agieren, indem sie Wahrscheinlichkeiten nutzen, während normale Software klare Eingaben benötigt.

Alles was digitalisiert werden kann, wird digitalisiert. Und alles, was digitalisiert ist, wird mit KI-Agenten extrem smart automatisiert. Das heißt, der primäre Anwendungsfall von KI-Agenten ist sicherlich die Automatisierung von Routineaufgaben, Prozessen und Workflows. Mit Einsparpotentialen in Bezug auf Zeit und Aufwand von über 90%. Den Potentialen stehen natürlich die Aufwände für die Erstellung und das Aufsetzen des KI-Agenten gegenüber. Die Kosten dafür reichen je nach Prozess und technischer Plattform von wenigen hundert Euro bis zu einem (europäischen) Mittelklassewagen. Aber was den Return on Invest (ROI) angeht, wäre ich ganz frech zu behaupten, dass Du die Kosten für die Erstellung des KI-Agenten nach 1-3 Monaten amortisiert und schon wieder eingespart hast.

Wenn KI-Agenten autonom handelnde Systeme sind, stellt sich die spannende Frage, wie KI-Agenten eigentlich ihre Entscheidungen treffen? Diese Entscheidungslogik ist ein zentraler Bestandteil jedes KI-Agenten. Hier findest du eine kurze Übersicht über die wichtigsten Entscheidungslogiken für KI-Agenten:

Lass uns die wichtigsten Entscheidungslogiken BDI, Reinforcement Learning (RL) und Regelbasierte Entscheidungslogik im Detail anschauen.

Das BDI-Modell orientiert sich an menschlichem Denken:

• Beliefs (Glauben): Was weiß der Agent über sich und die Umwelt?
• Desires (Wünsche): Welche Ziele möchte der KI-Agent erreichen?
• Intentionen (Absichten): Welche konkreten Pläne verfolgt er gerade?

👉 Der KI-Agent bewertet also laufend, was er will, was er kann und was gerade sinnvoll ist.

Beim Reinforcement Learning (RL) lernt der KI-Agent durch Erfahrung: Für jede Aktion in einer bestimmten Situation bekommt er eine Belohnung (Reward).

• Positive Aktionen → mehr Punkte
• Negative Aktionen → weniger Punkte

👉 Der KI-Agent lernt also mit der Zeit, welche Aktionen sich lohnen, um seine Ziele zu erreichen. Mit dieser Strategie (Belohnung, Strafe) sind wir bestens sozialisiert, dabei ist sie bei Menschen weitgehend wirkungslos und sogar kontraproduktiv.

Die regelbasierte Entscheidungslogik folgt einem einfachen Prinzip:
„Wenn X eintritt, dann mache Y.“ Der Agent trifft Entscheidungen auf Basis vordefinierter Regeln, die festlegen, wie er in bestimmten Situationen reagieren soll.

• Bedingung (Wenn): Welche Situation liegt gerade vor?
• Aktion (Dann): Welche Handlung soll bei dieser Bedingung ausgeführt werden?
• Priorität: Manche Regeln können Vorrang haben – z. B. bei Notfällen oder Fehlern.

👉 Der KI-Agent prüft also laufend, welche Regel auf die aktuelle Situation passt, und führt die zugehörige Aktion aus.

Bei der Utility-Based Logik bewertet der KI-Agent jede Handlung danach, wie viel Nutzen sie bringt – zum Beispiel Schnelligkeit, Kostenersparnis oder Sicherheit. Dabei entscheidet sich der KI-Agent für die Option mit dem höchsten erwarteten Gesamtwert.

1. Nutzenschätzung: Welche Option bringt mir am meisten?
2. Abwägung: Vergleich mehrerer Alternativen
3. Auswahl: Entscheidung für die mit dem größten Vorteil

👉 Der KI-Agent handelt strategisch und zielgerichtet – wie ein rationaler Entscheider. Diese Entscheidungslogik ist flexibel und systematisch geeignet auch für komplexe Entscheidungen. Allerdings ist die Umsetzung schwierig, weil Nutzen oft nicht eindeutig messbar ist und viele Daten und Abwägungen nötig sind

Lass uns die Fähigkeiten und Potentiale von KI-Agenten kurz an zwei fiktiven und einem realen Beispiel durchgehen. Dem “Operator” von OpenAI, einem fiktiven KI-Agenten, der dich dabei unterstützt, alle E-Mails täglich zu bearbeiten (Inbox Zero) und einem KI-Agenten für Markt- und Wettbewerbsanalysen.

Anfang 2025 erblickt der erste Mainstream AI Agent das Licht der Welt, der “Smooth Operator” von Open AI. Der wesentliche Unterschied zu ChatGPT ist, dass der Operator als KI-Agent Aufgaben erledigt, wie z.B. eine Flug- oder Hotelbuchung. Dazu agiert der Operator in deinem Namen, kann Webseiten aufrufen, sich einloggen und Aktionen in deinem Namen ausführen. Zum Start (Jan. 2025) ist der Operator nur Pro-Usern in den USA zugänglich.

Ein KI-Agent könnte dafür sorgen, dass Du jeden Arbeitstag mit null ungelesenen E-Mails beschließt. Der KI-Agent würde dabei folgende Aufgaben übernehmen:

1. E- Mails beantworten
2. Termine vereinbaren / bestätigen und in deinen Kalender eintragen
3. Aufgaben in deiner ToDo Liste erstellen 
4. Irrelevante Nachrichten archivieren oder dir zur Prüfung vorlegen
5. Eine kurze Zusammenfassung der wichtigsten E-Mails vorlegen

Dazu braucht der KI-Agent ein klar definiertes Ziel (-> Inbox Zero) und Instruktionen, wie er für dich arbeiten soll. Zudem musst Du dem KI-Agenten Zugang zu deiner Inbox, deinem Kalender und deiner ToDo Liste geben.

Lass uns die Fähigkeiten eines KI-Agenten an dieser Frage anschauen. Wann ist eine E-Mail wichtig? Das heißt, wann muss und soll der KI-Agent diese dir vorlegen und nicht als irrelevant einstufen? In der klassischen Programmierung würdest Du nun anfangen viele Regeln zu definieren, unter welchen Voraussetzungen eine E-Mail “wichtig” und nicht irrelevant ist. Ein KI Agent muss das lernen, dabei könnte eine schrittweise Implementierung z.B. so aussehen:

• Der KI-Agent markiert E-Mails mit “wichtig” und “irrelevant”, die Mails bleiben aber in deinem Postfach.
• Du ordnest die vorsortierten E-Mails um und gibst dem KI-Agenten damit ein Feedback, wie gut / schlecht seine Einschätzung ist.
• Der KI-Agent lernt auf Basis deiner Reaktionen und deines Feedbacks, ab 100 E-Mails solltest Du bereits eine deutliche Verbesserung in der Qualität des KI-Agenten feststellen.

Nehmen wir an, Du möchtest Markt und Wettbewerber besser im Blick haben. Vielleicht musst Du ja auch Regulierungsbehörden im Blick behalten, um mit deinem Produkt auch lokale Anforderungen zu erfüllen. Ein KI-Agent könnte dir dabei wie folgt helfen:

1. Regelmäßiges Screening der relevanten Webseiten
2. Erstellen von Reports mit Neuigkeiten und Änderungen
3. Direkte Benachrichtigung bei wesentlichen Änderungen
4. Erstellen von Aufgaben bei klaren resultierenden Handlungsempfehlungen

KI-Agenten kannst Du als Einsteiger relativ einfach auf No / Low Code Plattformen an den Start kriegen. Profis und Entwickler nutzen dagegen Open-Source Frameworks wie z.B. crewai oder AutoGen. Die folgenden Schritte geben dir einen groben Ablauf.

1. Ziele und Kontext definieren - Wenn Du jemanden einstellen willst, reicht es auch nicht zu sagen “ich brauche einen Mitarbeiter”. Genauso ist es bei der Initialisierung eines KI-Agenten. Du definierst zuerst die Rolle, damit einhergehende Outcomes, daraus resultierende Aufgaben und Verantwortungen für deinen KI-Agenten.

2. Tools und Informationen - KI-Agenten brauchen Daten und Zugänge zu Tools und deinen Daten. Das erfolgt typischerweise über APIs. Auf einer konzeptionellen Ebene musst Du also verstehen, welche Informationen und Zugänge der KI-Agent braucht, um überhaupt deine Ziele erreichen zu können.

3. Technische Umsetzung - Für die Umsetzung deines KI-Agenten nutzt Du No-Code Plattformen, wie Outsystems, Zapier oder n8n. Fortgeschrittene Anwender und Unternehmen mit eigener IT-Infrastruktur nutzen z.B. folgende Lösungen wie crewai oder AutoGen.

4. Training - Wie einen neuen Mitarbeiter begleitest Du KI-Agenten bei den ersten Schritten, überwachst seine Ausgaben während der Trainingsphase engmaschig und gibst Feedback, damit der KI-Agent sich justieren und optimieren kann. So könntest Du dir bei dem beispielhaften KI-Agenten "Inbox Zero” Antworten erst einmal vorlegen lassen, dem KI-Agenten Feedback geben, bevor Du ihn autonom versenden lässt.

5. Autopilot - Nach den ersten Testrunden und Trainings, lässt Du deinen KI-Agenten im Autopilot seine Arbeit verrichten, lässt Tools den Erfolg der Agenten monitoren (AgentOps), schaust dir regelmäßig Ergebnisse an, passt den KI-Agenten an und änderst bei Bedarf die Prompts, um immer bessere Ergebnisse zu erzielen.

Ich bin ja eher sparsam mit Verwendung großer Worte wie “Disruption”. Bei KI-Agenten mache ich aber gerne eine Ausnahme. Denn KI-Agenten sind extrem mächtig und bringen die Digitalisierung von Prozessen auf ein völlig neues Level. Ich bin gespannt, wie schnell sich das auf digitale Infrastrukturen wie ERP-Systeme auswirkt. Und erst recht, wie Zusammenarbeit sich gestaltet, wenn KI-Agenten erstmal unternehmerischer Alltag sind. Dabei sind die Kostenvorteile von KI-Agenten enorm. Entsprechend werden Unternehmen, die konsequent und frühzeitig auf KI-Agenten setzen, einen enormen Vorsprung und Wettbewerbsvorteil genießen.  Und in Anbetracht der geringen Eintrittsbarrieren, gibt es eigentlich keine gute Ausrede, nicht auch bei euch den ersten KI-Agenten auf den Weg zu bringen.

Viel Erfolg dabei.