Agentic AI bezeichnet KI-Systeme, die ein Ziel mit wenig menschlicher Aufsicht verfolgen und dafür selbst Schritte planen, Werkzeuge nutzen und Ergebnisse prüfen. Der Begriff dient als Sammelname für KI-Agenten und agentische Abläufe. Hier erfährst du, was hinter dem Begriff steckt, worin er sich von generativer KI unterscheidet, welche Beispiele es Stand November 2026 gibt und wo agentische KI an Grenzen stößt.
Was bedeutet Agentic AI?
IBM definiert agentische KI als System, das ein bestimmtes Ziel mit begrenzter Aufsicht erreicht. Das Wort „agentic“ kommt von „agent“, also jemand, der im Auftrag eines anderen handelt. Genau das unterscheidet agentische Systeme von einem klassischen Chat: Sie liefern nicht nur eine Antwort, sie führen eine Aufgabe über mehrere Schritte aus.
Anthropic fasst unter „agentic systems“ zwei Bauformen zusammen. Workflows sind Systeme, in denen Sprachmodelle und Werkzeuge über vorab festgelegte Pfade zusammenarbeiten. Agenten sind Systeme, in denen das Sprachmodell seinen Ablauf und die Wahl der Werkzeuge selbst steuert. Beides zählt zu Agentic AI, der Grad an Eigenständigkeit ist aber verschieden. Was ein einzelner KI-Agent ist und woraus er besteht, erklärt die Seite KI-Agenten.
Agentic AI und generative KI im Vergleich
Generative KI und Agentic AI bauen auf denselben Sprachmodellen auf. IBM beschreibt den Unterschied über den Zweck: Generative Modelle erzeugen Inhalte aus gelernten Mustern, agentische KI setzt diese Ausgaben gezielt ein, um ein Ziel zu erreichen.
| Merkmal | Generative KI | Agentic AI |
|---|---|---|
| Ergebnis | Text, Bild, Code | erledigte Aufgabe |
| Ablauf | eine Anfrage, eine Antwort | mehrere Schritte in Schleife |
| Zugriff auf Systeme | meist keiner | über Werkzeuge und APIs |
| Steuerung | der Mensch fragt nach | das System plant mit |
| Typischer Fehler | falsche Aussage | falsche Aktion |
Der letzte Punkt ist der wichtigste. Eine falsche Antwort im Chat kannst du ignorieren. Eine falsche Aktion, etwa eine versendete Mail oder ein geänderter Datensatz, hat Folgen. Deshalb gehören zu agentischen Systemen Grenzen und Freigaben.
Wie agentische Systeme aufgebaut sind
Der Grundbaustein ist laut Anthropic ein Sprachmodell, das um Wissensabruf, Werkzeuge und Gedächtnis erweitert ist. OpenAI nennt in seinem Leitfaden drei Kernbausteine: das Modell, das entscheidet, die Werkzeuge, mit denen es handelt, und die Anweisungen mit Leitplanken, die sein Verhalten festlegen.
Daraus entstehen verschiedene Muster:
- Ein Workflow mit KI-Schritt lässt das Modell an einer festen Stelle klassifizieren oder schreiben.
- Ein Einzelagent bekommt ein Ziel und wählt seine Werkzeuge in einer Schleife selbst.
- Ein Multi-Agenten-System verteilt Teilaufgaben an spezialisierte Agenten unter einer Steuerung.
Anthropic rät, mit der einfachsten Lösung zu beginnen. Agenten tauschen laut Anthropic oft Geschwindigkeit und Kosten gegen bessere Ergebnisse, das muss sich lohnen. Viele Aufgaben im Unternehmen lassen sich mit KI-Automatisierung über feste Abläufe lösen, ganz ohne eigenständigen Agenten.
Beispiele für Agentic AI
Stand November 2026 gibt es agentische Funktionen in fertigen Produkten und als Baukasten:
| Beispiel | Art | Was es tut |
|---|---|---|
| ChatGPT Agentenmodus | fertiges Produkt | arbeitet auf virtuellem Computer |
| ChatGPT Workspace Agents | für Teams | laufen in Cloud, Slack, Zeitplan |
| Claude Code | Coding-Agent | liest Code, führt Befehle aus |
| n8n AI-Agent-Node | Baukasten | Agent im eigenen Workflow |
| Make AI Agents | Baukasten | Agent in Make-Szenarien |
| Zapier Agents | Baukasten | Agent mit Zapier-Apps |
Der Agentenmodus von ChatGPT kam im Juli 2025 und nutzt laut OpenAI einen eigenen virtuellen Computer mit Browser und Terminal. Vor folgenreichen Aktionen fragt er nach Erlaubnis. Workspace Agents gibt es seit April 2026 für ChatGPT Business, Enterprise, Edu und Teachers. OpenAI beschreibt sie als Weiterentwicklung der GPTs, sie laufen auch nach Zeitplan oder in Slack.
Für eigene Agenten eignen sich Automatisierungswerkzeuge. Make AI Agents stehen laut Make in allen Tarifen mit Makes eigenem KI-Anbieter zur Verfügung und sind in offener Beta. Zapier Agents enthält im kostenlosen Tarif 400 Aktivitäten im Monat (Stand November 2026). Wie du selbst einen Agenten baust, zeigt KI-Agent erstellen, Anwendungsfälle nach Abteilung findest du unter KI-Agenten Beispiele. Coding-Agenten wie Claude Code behandelt claudekurs.de.
Offene Standards: MCP und die Agentic AI Foundation
Damit Agenten mit vielen Systemen arbeiten können, braucht es gemeinsame Schnittstellen. Am 9. Dezember 2025 gründete die Linux Foundation die Agentic AI Foundation. Zum Start brachten Anthropic das Model Context Protocol, Block das Agenten-Framework goose und OpenAI das Format AGENTS.md ein.
Das Model Context Protocol ist für die Praxis am wichtigsten: Es legt fest, wie ein Agent Werkzeuge und Daten aus anderen Programmen nutzt. Claude, ChatGPT, n8n und Make können MCP-Server anbinden. Wie das funktioniert, erklärt die Seite zum MCP-Server.
Grenzen von Agentic AI
Agentische Systeme klingen nach Autopilot, in der Praxis haben sie klare Grenzen:
- Jeder zusätzliche Schritt kostet Zeit und Tokens, die Kosten je Lauf schwanken.
- Ein Fehler in einem frühen Schritt setzt sich fort, weil spätere Schritte darauf aufbauen.
- Agenten mit Zugriff auf Mail, Dateien oder Zahlungen bieten Angriffsfläche für manipulierte Eingaben.
- Ohne Testfälle merkst du nicht, wenn ein neues Modell oder eine geänderte Anweisung schlechter arbeitet.
OpenAI empfiehlt Agenten deshalb vor allem für Abläufe mit Urteilsentscheidungen, unübersichtlichen Regelwerken oder viel unstrukturiertem Text. Wo eine regelbasierte Lösung reicht, ist sie laut OpenAI meist die bessere Wahl. Wie du agentische Systeme gegen Manipulation und Fehlbedienung absicherst, behandelt kiagentensicherheit.de.
So setzt du Agentic AI sinnvoll ein
- Wähle eine eng umrissene Aufgabe mit klarem Ergebnis, etwa das Vorsortieren eingehender Anfragen.
- Prüfe, ob ein fester Workflow mit einem KI-Schritt reicht. Erst wenn nicht, baue einen Agenten.
- Gib dem Agenten nur die Werkzeuge und Rechte, die er für diese Aufgabe braucht.
- Baue vor jede Aktion mit Außenwirkung eine Freigabe durch einen Menschen ein.
- Sammle echte Beispielfälle und teste jede Änderung gegen alle Fälle.
- Setze Kostenlimits beim Modellanbieter und eine Höchstzahl an Durchläufen.
Mit diesem Vorgehen wächst der Grad an Eigenständigkeit schrittweise mit dem Vertrauen, das du in die Ergebnisse gewinnst.