Zum Inhalt springen

Glossar

KI & Machine Learning

KI-Agent

Ein KI-Agent ist Software, die mithilfe eines Large Language Models ein Ziel verfolgt: Sie plant Schritte, ruft Tools wie APIs oder Datenbanken auf, prüft die Ergebnisse und wählt die nächste Aktion, bis die Aufgabe erledigt ist oder an einen Menschen übergeben wird.

Aktualisiert am · Vom VIZIO AI Team

Was ist ein KI-Agent?

Ein Agent ist eine Schleife, kein einzelner Prompt: schlussfolgern, handeln, das Ergebnis beobachten, wiederholen. Dieses Muster wurde in Forschungsarbeiten wie ReAct (2022) formalisiert, das die Schlussfolgerungen eines Modells mit Tool-Aufrufen verschränkt. Das Modell entscheidet, welcher Schritt als Nächstes kommt, statt einem festen Skript zu folgen.

Fünf Komponenten machen einen Agenten aus:

  • Ein Large Language Model, das plant und entscheidet.

  • Anweisungen, die Ziel, Grenzen und Tonalität beschreiben.

  • Tools: Funktionen, die er aufrufen darf, etwa „Bestellungen suchen“ oder „E-Mail senden“.

  • Gedächtnis: die Konversation in seinem Kontextfenster plus externe Speicher.

  • Abbruchregeln und Guardrails: Schrittlimits, Budgets, Freigabeschritte.

Ein Chatbot antwortet; ein agentischer Workflow bettet eine oder mehrere solcher Schleifen in einen größeren Geschäftsprozess ein.

Wie nutzen KI-Agenten Tools?

Tool-Nutzung funktioniert über strukturierte Funktionsaufrufe, die Ihr Code ausführt – nicht das Modell.

  1. Der Entwickler beschreibt jedes Tool mit einem Namen, einem Zweck und einem JSON-Schema für die Eingaben.

  2. Das Modell antwortet mit einer strukturierten Anfrage, etwa get_invoice mit einer Kunden-ID.

  3. Der Anwendungscode validiert die Anfrage, prüft Berechtigungen und führt sie aus.

  4. Das Ergebnis geht an das Modell zurück, das den nächsten Schritt festlegt oder antwortet.

Das Model Context Protocol, im November 2024 von Anthropic veröffentlicht, standardisiert, wie sich Agenten mit Tools und Datenquellen verbinden, sodass eine Integration vielen Agenten-Frameworks dienen kann. Klare Tool-Beschreibungen sind ebenso wichtig wie das Modell: Vage Namen und sich überschneidende Tools gehören zu den Hauptursachen falscher Aufrufe.

Wie sieht ein KI-Agent in der Praxis aus?

Die besten ersten Agenten übernehmen eine eng umrissene Aufgabe mit hohem Volumen und einem klaren menschlichen Kontrollpunkt. Nehmen Sie ein B2B-SaaS-Supportteam mit 25 Personen, das in Zendesk-Tickets versinkt. Ein Agent liest jedes neue Ticket, durchsucht das Help Center, ruft über die Stripe API den Tarif und die Rechnungen des Kunden ab, entwirft eine Antwort und setzt die Priorität.

Regeln halten ihn in Grenzen: Rückerstattungen über beispielsweise $200, verärgerte Kunden und alles, worin er unsicher ist, gehen an einen Menschen. Das Team baut ihn mit LangGraph, testet ihn an 300 früheren Tickets mit bekannten korrekten Antworten und setzt ihn dann bei 10 % der Live-Tickets ein, wobei jede Antwort vor dem Versand von einem Mitarbeiter freigegeben wird.

Erst wenn die Freigabequote über mehrere Wochen hoch bleibt, darf er einfache Antworten direkt versenden. Jeder Schritt, jeder Tool-Aufruf und jede menschliche Änderung wird protokolliert, sodass Fehler zu neuen Testfällen werden.

Welche Risiken bergen KI-Agenten, und wann sollten Sie auf einen verzichten?

Jeder zusätzliche Schritt eines Agenten ist eine weitere Gelegenheit, dass sich Fehler aufaddieren – Autonomie sollte daher verdient, nicht vorausgesetzt werden. Die Hauptrisiken:

  • Prompt Injection: in einer E-Mail oder Webseite versteckte Anweisungen, denen der Agent folgt.

  • Zu weit gefasste Berechtigungen; beginnen Sie mit Lesezugriff und gewähren Sie Schreibzugriff Tool für Tool.

  • Kosten und Latenz durch lange Schleifen mit vielen Modellaufrufen.

  • Schwer zu evaluierendes Verhalten, da der Pfad bei jedem Durchlauf anders ist.

Wenn die Schritte im Voraus bekannt sind, etwa „neues Formular, CRM-Kontakt anlegen, Willkommens-E-Mail senden“, ist einfache Workflow-Automatisierung günstiger, schneller und vollständig vorhersagbar. Setzen Sie KI-Guardrails und menschliche Prüfung ein, wo Aktionen unumkehrbar sind.

Mit welchen Frameworks werden KI-Agenten gebaut?

Frameworks unterscheiden sich vor allem darin, wie viel Kontrolle sie Ihnen über die Schleife geben. LangGraph modelliert Agenten als explizite Zustandsgraphen; das OpenAI Agents SDK und das Claude Agent SDK bieten schlankere Grundbausteine, die an ihre Modelle gebunden sind; CrewAI und Microsoft AutoGen konzentrieren sich auf die Zusammenarbeit mehrerer Agenten. No-Code-Builder wie n8n enthalten Agenten-Knoten, die Tools innerhalb eines visuellen Workflows aufrufen.

Unabhängig vom Framework ist die Arbeit, die über den Erfolg entscheidet, dieselbe: gut beschriebene Tools, enge Berechtigungen, Protokollierung jedes Schritts und ein Evaluierungsdatensatz, an dem Änderungen getestet werden. Wie Sie einen solchen aufbauen, lesen Sie unter KI-Evaluierung.

KI-Agent vs. KI-Chatbot

KI-Agent

KI-Chatbot

Ziel

Eine mehrstufige Aufgabe erledigen

Eine Frage beantworten oder ein Gespräch führen

Aktionen

Ruft Tools auf und verändert Systeme

Gibt überwiegend Text zurück

Ablaufsteuerung

Modell entscheidet über den nächsten Schritt

Eine Antwort pro Nutzernachricht

Hauptrisiko

Eigenständig ausgeführte falsche Aktion

Falsche oder erfundene Antwort

Erforderliche Aufsicht

Berechtigungen, Logs, Freigabeschritte

Inhaltsprüfung und Quellenbindung

Wie baut VIZIO AI KI-Agenten?

VIZIO AI baut Agenten rund um eine konkrete Geschäftsaufgabe und echte Daten und testet sie anschließend mit echten Nutzern. Für Auli AI, ein SaaS-Produkt für Inhaber kleiner E-Commerce-Shops, entwickelte das Venture Studio ein Multi-Agenten-System, das mithilfe von Large Language Models strukturierte Händlerdaten analysiert und Empfehlungen zu Preisgestaltung, Lagerbestand und Profitabilität liefert. Das MVP wurde bereits von mehr als 1.000 Nutzern verwendet.

Für ein auf Südostasien fokussiertes Technologieberatungsunternehmen half ein Chatbot, der Finanzfragen auf Basis geprüfter Quellen und einer Vektordatenbank beantwortet, den Aufwand für Finanzrecherchen um 65 % zu reduzieren. Wo Sie anfangen sollten: Wählen Sie eine Aufgabe mit messbarem Ergebnis und einem menschlichen Freigabeschritt.

Facebook-Logo
X-Logo
LinkedIn-Logo
Reddit-Logo
Telegram-Logo

AI-first denken.
Zukunftsschnell handeln.

Lassen Sie uns bauen, was als Nächstes kommt! Von Produktideen und intelligenten Workflows bis zu datengetriebenen Systemen und skalierbaren Growth Operations.

Strategiegespräch buchen