Agentic AI markiert den nächsten Entwicklungsschritt der Unternehmens-KI: weg vom Chatbot, der auf einzelne Prompts antwortet, hin zu Systemen, die Ziele verfolgen, Werkzeuge nutzen, Zwischenergebnisse bewerten und Aufgaben über mehrere Schritte hinweg ausführen. Gemeint sind autonome oder teilautonome KI-Agenten, die nicht nur Text generieren, sondern mit Anwendungen, Datenbanken, Browsern, APIs und internen Workflows interagieren.
Für Unternehmen ist das mehr als ein neues Schlagwort. Agenten versprechen, jene Lücke zu schließen, die viele generative KI-Projekte bisher ausbremst: Ein Modell kann zwar überzeugend formulieren, bleibt aber ohne Kontext, Berechtigungen und verlässliche Schnittstellen von den operativen Systemen getrennt. Genau hier setzen Agentic-AI-Architekturen an. Sie kombinieren Sprachmodelle mit Tools, Regeln, Speicher, Monitoring und menschlicher Kontrolle. Die entscheidende Frage lautet daher nicht, ob Agenten „intelligent“ wirken, sondern ob sie kontrollierbar, auditierbar und wirtschaftlich sinnvoll in Unternehmensprozesse eingebettet werden können.
Vom Assistenten zum ausführenden System
Klassische KI-Assistenten reagieren überwiegend auf Eingaben: Sie fassen Dokumente zusammen, erstellen Entwürfe oder beantworten Fragen. Agentic AI erweitert dieses Muster um Handlungsfähigkeit. Ein Agent kann ein Ziel erhalten – etwa „prüfe diese Lieferantenanfrage und bereite eine Antwort vor“ – und daraus Teilaufgaben ableiten: relevante Dokumente suchen, Preise vergleichen, Compliance-Regeln prüfen, eine E-Mail formulieren und sie zur Freigabe vorlegen.
IBM beschreibt Agentic AI als KI-Systeme, die mit begrenzter Aufsicht ein bestimmtes Ziel erreichen können; Agenten können demnach Websuche, APIs oder Datenbanken nutzen und die gewonnenen Informationen in Entscheidungen und Aktionen überführen.[7] Der Unterschied liegt also nicht nur im Modell, sondern in der Architektur: Planung, Tool-Nutzung, Gedächtnis, Zustandsverwaltung und Ergebnisprüfung werden zu Kernkomponenten.
In der Praxis entstehen dadurch neue Rollen für KI in Unternehmen. Agenten können Tickets vorqualifizieren, CRM-Daten aktualisieren, Codeänderungen vorbereiten, Finanzdaten plausibilisieren oder interne Wissensdatenbanken pflegen. Besonders attraktiv sind Prozesse, die häufig auftreten, klaren Regeln folgen und dennoch Kontext aus mehreren Systemen benötigen. Dort kann Agentic AI repetitive Arbeit reduzieren, ohne zwangsläufig Entscheidungen vollständig zu automatisieren.
MCP: Warum Kontext zur Infrastrukturfrage wird
Eine der wichtigsten Entwicklungen rund um Agentic AI ist das Model Context Protocol (MCP). Anthropic stellte MCP im November 2024 als offenen Standard vor, um KI-Assistenten mit den Systemen zu verbinden, in denen Unternehmensdaten liegen – darunter Content-Repositories, Business-Tools und Entwicklungsumgebungen.[5] Die Idee ist technisch unspektakulär, aber strategisch relevant: Agenten brauchen standardisierte Wege, um Kontext abzurufen und Werkzeuge sicher zu nutzen.
Ohne solche Schnittstellen entstehen schnell fragile Punkt-zu-Punkt-Integrationen. Jedes Tool, jede Datenquelle und jede Berechtigungslogik müsste individuell angebunden werden. MCP adressiert genau dieses Problem, indem es eine einheitlichere Verbindungsschicht zwischen Modell und Umgebung anbietet. Für Unternehmen kann das die Integrationskosten senken und zugleich Governance erleichtern, weil Zugriffe definierter, protokolliert und wiederverwendbarer werden.
Wichtig ist dabei: Kontext ist nicht nur „mehr Daten“. Ein Agent muss wissen, welche Daten aktuell, relevant und erlaubt sind. In regulierten Branchen entscheidet diese Trennlinie über den produktiven Einsatz. Ein Agent, der auf veraltete Vertragsversionen zugreift oder personenbezogene Daten ohne Zweckbindung verarbeitet, schafft neue Risiken. Deshalb wird Kontextmanagement zur Infrastrukturfrage – vergleichbar mit Identity-Management oder API-Governance.
Frameworks machen Agenten produktionsreif
Parallel zu Protokollen wie MCP entwickeln sich Frameworks, die Agenten aus dem Experimentierstadium in den Unternehmensbetrieb bringen sollen. Das OpenAI Agents SDK beschreibt sich als leichtgewichtiges Paket zum Bau agentischer KI-Anwendungen. Zu den zentralen Bausteinen zählen Agenten mit Instruktionen und Tools, Handoffs zur Delegation an andere Agenten, Guardrails zur Validierung von Ein- und Ausgaben sowie Tracing zur Beobachtung und Fehlersuche.[8]
Diese Bausteine zeigen, worauf es im Enterprise-Kontext ankommt. Handoffs ermöglichen Spezialisierung: Ein Recherche-Agent sammelt Informationen, ein Compliance-Agent prüft Richtlinien, ein Schreib-Agent erstellt den finalen Entwurf. Guardrails begrenzen, was ein Agent annehmen, ausgeben oder ausführen darf. Tracing macht nachvollziehbar, welche Tools genutzt wurden, welche Zwischenschritte entstanden sind und wo ein Fehler auftrat.
Damit verschiebt sich die Diskussion von „Welches Modell ist am besten?“ zu „Welche Betriebsschicht macht Agenten zuverlässig?“. Unternehmen benötigen Versionskontrolle für Prompts und Tools, Testumgebungen, Evaluationsdaten, Rollen- und Rechtekonzepte, Kostenlimits und Eskalationspfade. Agentic AI ist deshalb weniger ein einzelnes Produkt als eine neue Anwendungsarchitektur.
Computer Use: Wenn KI Oberflächen bedient
Ein besonders anschaulicher Schritt in Richtung autonomer Agenten ist „Computer Use“. Anthropic stellte die Fähigkeit 2024 als experimentelle Funktion vor, mit der Claude einen Computer über eine Benutzeroberfläche bedienen kann – also etwa Bildschirminhalte interpretieren, den Cursor bewegen, Buttons klicken oder Text eingeben.[3] Das ist relevant, weil viele Unternehmensprozesse nicht sauber über APIs abgebildet sind. Legacy-Systeme, interne Portale und branchenspezifische Anwendungen besitzen oft nur grafische Oberflächen.
Computer-Use-Agenten können hier theoretisch Aufgaben übernehmen, für die klassische Automatisierung zu teuer oder zu starr wäre. Sie könnten Informationen aus einem Altsystem übertragen, Prüfmasken ausfüllen oder Daten zwischen Anwendungen abgleichen. Gleichzeitig ist dieser Ansatz besonders risikobehaftet: Eine Benutzeroberfläche ist weniger deterministisch als eine API, kann sich ändern und erlaubt unter Umständen folgenschwere Aktionen.
Deshalb dürfte Computer Use in Unternehmen vor allem dort sinnvoll sein, wo Agenten in geschützten Umgebungen arbeiten, Schreibrechte begrenzt sind und kritische Aktionen eine menschliche Freigabe erfordern. Der technische Fortschritt ist beeindruckend, ersetzt aber keine Prozessanalyse. Wer nur menschliche Klickarbeit nachbildet, automatisiert womöglich schlechte Abläufe. Besser ist es, Agenten als Übergangstechnologie zu nutzen und parallel saubere APIs sowie Prozessstandards aufzubauen.
Governance entscheidet über den Nutzen
Die größten Chancen von Agentic AI liegen nicht in spektakulären Demos, sondern in belastbaren Workflows. Ein guter Unternehmensagent muss wissen, wann er handeln darf, wann er nachfragen muss und wann er stoppen sollte. Dafür braucht es klare Richtlinien: Welche Tools darf der Agent nutzen? Welche Daten darf er sehen? Welche Aktionen müssen protokolliert werden? Ab welchem Risiko ist menschliche Freigabe Pflicht?
Auch die Messung verändert sich. Bei Chatbots genügt oft eine Qualitätsbewertung der Antwort. Bei Agenten müssen Unternehmen zusätzlich Prozesskennzahlen betrachten: Erfolgsquote, Fehlerrate, Zeitersparnis, Kosten pro Task, Anzahl menschlicher Eingriffe und Auswirkungen auf nachgelagerte Systeme. Nur so lässt sich unterscheiden, ob ein Agent tatsächlich Produktivität schafft oder lediglich Arbeit verlagert.
Ein weiterer Punkt ist Verantwortung. Agenten können Entscheidungen vorbereiten, aber Unternehmen bleiben verantwortlich für deren Folgen. Das gilt besonders in Bereichen wie HR, Finanzen, Recht, Medizin oder kritischer Infrastruktur. Agentic AI sollte daher nicht als Autopilot verstanden werden, sondern als kontrollierter Ausführungsmechanismus mit definierter Rechenschaftskette.
Fazit: Agentic AI wird zur Organisationsfrage
Agentic AI verändert die Unternehmenswelt, weil sie KI von der Textproduktion in operative Prozesse bringt. MCP, OpenAI Agents, Anthropic Computer Use und vergleichbare Enterprise-Frameworks zeigen, dass die Branche an den notwendigen Verbindungsschichten arbeitet: Kontext, Tool-Nutzung, Delegation, Guardrails und Beobachtbarkeit. Damit rückt KI näher an reale Arbeit heran – aber auch näher an reale Risiken.
Für Unternehmen lautet die pragmatische Strategie: klein beginnen, stark begrenzen, gründlich messen. Geeignete Startpunkte sind klar umrissene Workflows mit hohem Wiederholungsgrad, guter Datenlage und niedrigerem Schadenspotenzial. Wer Agentic AI nur als Effizienzhebel betrachtet, unterschätzt die organisatorische Dimension. Wer sie dagegen als neue Prozess- und Governance-Architektur versteht, kann aus autonomen Agenten ein belastbares Werkzeug für die digitale Unternehmensarbeit machen.
Quellen
[3] Anthropic: Introducing computer use, a new Claude 3.5 Sonnet, and Claude 3.5 Haiku