Agentic AI: Wie KI-Agenten funktionieren – und was sie für Unternehmen bedeuten

Ein Chatbot beantwortet Eingaben in einem Dialog: Auf eine Frage folgt eine Antwort, und damit ist der Vorgang abgeschlossen. Ein KI-Agent verfolgt dagegen ein Ziel über mehrere Schritte hinweg: Er plant Teilschritte, ruft Werkzeuge wie Datenbanken, Suchdienste oder interne APIs auf, prüft seine Zwischenergebnisse und entscheidet selbst, wie es weitergeht. Ein Chatbot kann etwa erklären, wie man einen Termin verschiebt – ein Agent verschiebt ihn, prüft Konflikte im Kalender und informiert die Beteiligten. Mit der größeren Handlungsfähigkeit steigen allerdings auch die Anforderungen: Agenten brauchen technische Leitplanken (Guardrails), definierte Freigabepunkte für Menschen und eine systematische Qualitätsüberwachung, damit ihre Autonomie kontrolliert bleibt. Viele produktive Systeme kombinieren beides: eine Chat-Oberfläche als Zugang, dahinter eine agentische Verarbeitung.

Agentic AI schafft und verändert vor allem vier Rollenbilder. AI Engineers entwerfen und implementieren Agenten-Architekturen aus etablierten Design Patterns wie Routing, Reflection und Tool Use. Data Engineers mit LLM-Ops-Kompetenz bauen die Daten- und Retrieval-Infrastruktur, ohne die kein Agent zuverlässig arbeitet, und verantworten Evaluationsdatensätze. DevOps- und Platform-Engineers stellen die KI-Infrastruktur bereit – Modell-Serving, GPU-Ressourcen, Monitoring und Kostenkontrolle. Tech-Leads und CTOs schließlich brauchen KI-Architektur-Kompetenz, um Autonomie-Grade, Modellauswahl und Governance-Anforderungen gegeneinander abzuwägen. Klassische Softwareentwicklung verschwindet dabei nicht, sondern verschiebt sich: Wer Agenten baut, braucht weiterhin solides Engineering – ergänzt um Evaluationsdenken, Sicherheitsbewusstsein bei Werkzeugzugriffen und ein realistisches Verständnis für die Stärken und Grenzen von Sprachmodellen in produktiven Systemen.

Zuverlässig funktionieren KI-Agenten bei Aufgaben, die drei Bedingungen erfüllen: Sie sind strukturiert, mit Werkzeugen lösbar und haben ein prüfbares Erfolgskriterium. Dazu zählen die Extraktion von Informationen aus Dokumenten, die Vorqualifizierung und Weiterleitung von Anfragen, recherchegestützte Zusammenfassungen aus definierten Quellen und Code-Aufgaben, deren Ergebnis automatisierte Tests verifizieren. Ungeeignet sind offene Aufgaben ohne Prüfkriterien – strategische Entscheidungen, mehrdeutige Aufträge ohne klares Zielbild oder Vorgänge, deren Qualität sich erst langfristig zeigt. Die Faustregel aus der Engineering-Praxis lautet: die einfachste tragfähige Lösung wählen und Autonomie nur dort zulassen, wo sie messbaren Mehrwert bringt. Für folgenreiche Aktionen gehört in jedem Fall ein menschlicher Freigabeschritt in den Prozess.

Agentic Design Patterns sind wiederverwendbare Entwurfsmuster für den Bau von KI-Agenten – erprobte Blaupausen für wiederkehrende Konstruktionsprobleme, vergleichbar mit den klassischen Software-Design-Patterns. Das Standardwerk dazu stammt von Antonio Gulli („Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems“, Springer, 2025) und beschreibt 21 Muster, darunter Prompt Chaining (Aufgaben sequenziell zerlegen), Routing (Anfragen an den passenden Verarbeitungspfad leiten), Tool Use (externe Werkzeuge aufrufen), Reflection (eigene Ausgaben prüfen und verbessern), Multi-Agent-Kollaboration, Memory Management, Guardrails und Human-in-the-Loop. Der praktische Nutzen: Teams müssen Architekturen nicht neu erfinden, sondern können auf Muster zurückgreifen, deren Stärken und Grenzen dokumentiert sind. Für Hiring-Manager liefern die Patterns zudem eine gemeinsame Sprache, um KI-Kompetenz im Interview konkret zu prüfen.

Rechtlich ist hier vor allem die KI-Verordnung der EU (Verordnung (EU) 2024/1689) maßgeblich: Sie stuft KI-Systeme im Beschäftigungskontext – etwa zur Auswahl von Bewerberinnen und Bewerbern oder zur Leistungsbewertung – als Hochrisiko-Systeme ein. Für diese gelten unter anderem Pflichten zu menschlicher Aufsicht, Transparenz, Protokollierung und Risikomanagement. Ein KI-Agent darf Personalprozesse also unterstützen, etwa durch Vorstrukturierung von Unterlagen oder Terminkoordination; die finale Entscheidung über Menschen muss aber bei Menschen liegen und nachvollziehbar bleiben. Technisch entspricht das den Patterns Human-in-the-Loop und Guardrails: Der Agent arbeitet zu, der Mensch entscheidet. NOBA Experts folgt diesem Prinzip auch in der eigenen Praxis – KI-Unterstützung beim Matching, finale Bewertung und Empfehlung immer durch erfahrene Berater.