Was ist Agentic AI? Ein klarer Leitfaden für Ops-Teams

Was ist Agentic AI? Es ist KI, die auf ein Ziel hinarbeitet. Du gibst ein Ergebnis vor, und das System plant die Schritte, ruft Tools wie ein CRM (Customer-Relationship-Management-System) oder einen Kalender auf, prüft die Ergebnisse und passt sich an, bis die Aufgabe erledigt ist oder eine Grenze den Lauf stoppt. Ein Chatbot antwortet. Ein agentisches System handelt. Hier erfährst du, woran du das echte Konzept erkennst, wo es im Ops-Stack seinen Platz hat und wo nicht.

Was ist Agentic AI, in einem Satz, den du im Meeting wiederholen kannst?

Briefing, 30 Sekunden. Agentic AI beschreibt, wie sich ein System verhält, nicht ein Produkt, das du kaufst. Das Verhalten ist einfach: Ziel rein, Plan, Aktion, Prüfung, Wiederholung.

IBMs Erklärung zu Agentic AI im Vergleich zu generativer KI beschreibt es genauso. Generative KI erzeugt Inhalte aus einem Prompt. Agentic AI verfolgt ein Ziel, plant, nutzt Tools und arbeitet mehrstufige Aufgaben mit unterschiedlich viel Autonomie ab. Das Sprachmodell ist weiterhin drin. Es sitzt nur in einer Schleife, die Aktionen auslösen kann.

Drei Teile machen die Schleife real:

• Ein Ziel statt eines Prompts. "Bereite das Verlängerungs-Briefing für diesen Kunden vor" statt "Fasse diese E-Mail zusammen".

• Tools mit klar umrissenen Aufgaben. Im CRM suchen, einen Vertrag lesen, ein Linear-Issue anlegen, in Slack posten.

• Eine Stoppregel. Eine Begrenzung der Iterationen, ein Ausgabenlimit oder ein menschlicher Freigabeschritt.

Ohne Stoppregel hast du kein Ops-Werkzeug. Du hast einen Vorfall, der auf den Montagmorgen wartet.

Ist Agentic AI dasselbe wie ein KI-Agent? Nein, und der Unterschied ist wichtig, wenn du Anbieterseiten liest. Ein KI-Agent ist ein einzelner Arbeiter: ein Modell mit Tools und einer Schleife. Agentic AI ist das breitere Muster. Ein System kann einen Agenten nutzen oder mehrere, denen unterschiedliche Aufgaben zugewiesen sind, wobei eine Orchestrierungsschicht die Arbeit zwischen ihnen verteilt.

Stell dir ein Vertriebsteam vor. Der Agent ist der SDR (Sales Development Representative). Agentic AI ist die Art, wie das ganze Team arbeitet: gemeinsames Ziel, aufgeteilte Aufgaben, Übergaben und ein Manager, der Stopp sagen kann.

Wenn du die Definition für einen einzelnen Arbeiter willst, lies unseren verständlichen Leitfaden zu was ein KI-Agent ist. Für die Mehragenten-Variante siehe den Feldleitfaden zu Multi-Agent-Systemen. Diese Seite bleibt beim Muster: woran du es erkennst und wann es sich lohnt.

Wie unterscheidet sich Agentic AI von generativer KI und Automatisierung?

Drei Werkzeuge, drei unterschiedliche Aufgaben. Die meiste Verwirrung im Ops-Bereich entsteht, weil man sie durcheinanderbringt.

• Generative KI (ein Chat-Prompt). Du wählst den nächsten Schritt. Das Ergebnis ist ein Entwurf oder eine Zusammenfassung. Das Hauptrisiko ist eine falsche Antwort.

• Workflow-Automatisierung (Zapier, Make). Der Bauer legt die Schritte im Voraus fest. Eine feste Abfolge läuft ab. Das Hauptrisiko ist ein kaputter Schritt.

• Agentic AI. Das Modell wählt den nächsten Schritt zur Laufzeit. Es handelt über mehrere Systeme hinweg. Das Hauptrisiko ist eine falsche Aktion.

Die letzte Zeile solltest du dir merken. Agentic AI verschiebt den Fehler von "die Antwort war falsch" zu "das System hat das Falsche getan". Deshalb sind Freigaben und Logs hier wichtiger als die Qualität des Modells.

Anthropic zieht in Building effective agents eine ähnliche Linie. Workflows folgen vordefinierten Codepfaden. Agenten steuern ihren Ablauf und ihre Tool-Nutzung selbst. Der Rat dort ist deutlich: Zuerst die einfachste Lösung suchen und Komplexität nur hinzufügen, wenn sie sich auszahlt.

Verzichte auf einen Agenten, wenn du die Schritte als nummerierte Liste schreiben kannst. Ein gespeicherter Prompt oder ein Workflow ist günstiger, schneller und leichter zu debuggen.

Wie sieht ein agentischer Lauf Schritt für Schritt aus?

Nehmen wir das Verlängerungs-Briefing. So sieht die Schleife in einfachen Worten aus, ohne etwas zu verstecken.

1. Ziel. "Bereite ein Verlängerungs-Briefing für Acme vor, fällig vor dem Call am Donnerstag."

2. Plan. Das Modell listet auf, was es braucht: Vertragsende, Produktnutzung, offene Tickets, aktuelle E-Mails.

3. Handeln. Es ruft das CRM-Tool auf, dann das Ticket-Tool, dann die E-Mail-Suche. Jeder Aufruf liefert Daten.

4. Prüfen. Es sieht, dass die Nutzungsdaten des letzten Monats fehlen. Es rät nicht. Es markiert die Lücke oder versucht eine zweite Quelle.

5. Wiederholen oder stoppen. Ist das Briefing vollständig, hält es an und übergibt einen Entwurf. Erreicht es die Schrittgrenze, hält es an und sagt das auch.

Achte auf Schritt 4. Ein einfacher Prompt hätte die Lücke mit einer selbstsicheren Vermutung gefüllt. Die Schleife gibt dem System die Chance zu merken, was es nicht weiß. Sie gibt ihm aber auch die Chance, auf neue Weise danebenzuliegen, und deshalb ist das Log wichtig. Lies es in den ersten zehn Läufen. Aus den Umwegen des Agenten lernst du mehr über deine Daten als aus jedem Dashboard.

Im Log siehst du pro Schritt, welches Tool mit welchen Parametern aufgerufen wurde und was zurückkam. Genau dort zeigt sich, ob der Agent eine Quelle zu Unrecht bevorzugt, eine Suche wiederholt oder bei fehlenden Daten still weitermacht. Diese Muster findest du im Dashboard nie, nur im Protokoll.

Eine Grenze solltest du noch benennen. Agentische Systeme sind pro Aufgabe langsamer und teurer als ein einzelner Prompt, weil jede Schleife einen weiteren Modellaufruf plus Tool-Aufrufe bedeutet. Bei einer Aufgabe, die du ein paar Mal im Monat ausführst, lohnt sich dieser Aufwand selten.

Wo funktioniert Agentic AI im Ops-Alltag wirklich?

Es funktioniert bei Aufgaben, bei denen sich die Eingaben unterscheiden und die Schritte nicht im Voraus aufzählbar sind. Schwer tut es sich bei Aufgaben, die jedes Mal gleich ablaufen.

Gute Einsatzfelder:

• Kontorecherche vor einem Call. Der Agent liest den CRM-Datensatz, die letzten drei E-Mails und aktuelle Nachrichten und entwirft ein Briefing. Ein Mensch liest es vor dem Call.

• Eingangs-Triage. Er liest ein Ticket, prüft den Kundenplan, taggt das Thema und leitet es weiter. Alles, was eine Rückerstattung betrifft, geht an eine Person.

• Vorbereitung der Verlängerung. Er zieht Nutzung, offene Tickets und Vertragsbedingungen und markiert Risiken. Er schreibt nichts zurück ins CRM, bevor du es freigegeben hast.

Schlechte Einsatzfelder:

• Alles mit festen Schritten. Dafür nimmst du einen Workflow.

• Alles Unumkehrbare ohne menschliches Tor: Zahlungen, Löschungen, Änderungen von Berechtigungen.

• Alles, dessen Ergebnis du nicht in ein bis zwei Minuten prüfen kannst.

Die Zahl, die du verfolgen solltest, ist die Zeit. Erledige die Aufgabe zehnmal von Hand und miss jeden Durchlauf. Dann zehnmal mit dem Agenten, inklusive der Minuten, die du fürs Prüfen brauchst. Spart der Agent weniger, als seine Überwachung kostet, hast du deine Antwort. Eine allgemeingültige Zahl können wir dir nicht nennen. Sie hängt von deinen Daten ab, also miss sie in deinem Kontext.

Warum stocken so viele Agentic-AI-Projekte?

Weil Teams das Label kaufen, bevor sie die Aufgabe definiert haben. Gartner sagt voraus, dass bis Ende 2027 über 40 % der Agentic-AI-Projekte abgebrochen werden, unter anderem wegen steigender Kosten, unklarem Geschäftswert und unzureichender Risikokontrollen.

Dieselbe Mitteilung nennt eine Unsitte, die du kennen solltest: "Agent Washing". Anbieter etikettieren Chatbots, Assistenten und RPA-Werkzeuge (Robotic Process Automation) als Agenten um, ohne echte agentische Fähigkeiten. Gartner schätzt, dass nur etwa 130 der Tausenden Anbieter von Agentic AI tatsächlich echt sind.

Nutze diesen Filter, wenn eine Demo in dein Postfach kommt:

1. Frag, was den nächsten Schritt entscheidet. Lautet die Antwort "der Flow, den du baust", ist es ein Workflow mit neuem Namen.

2. Frag, worauf das Tool schreiben kann. Nur Lesezugriff ist in Ordnung. Schreibzugriff braucht ein Log und einen Freigabeweg.

3. Frag, wie du es stoppst. Eine Iterationsgrenze, ein Ausgabenlimit und ein Not-Aus sollten Einstellungen sein, keine Versprechen.

4. Frag, wem es gehört. Eine benannte Person liest die Logs wöchentlich.

Die Empfehlung von Gartner in derselben Mitteilung hilft hier: Agenten für Entscheidungen, Automatisierung für Routineabläufe, Assistenten für einfache Recherche. Diese Leiter ist klarer als die meisten Folien von Anbietern.

Welche Tools kannst du zuerst testen?

Wähle das Tool nach der Aufgabe, nicht nach dem Hype. Hier sind vier, die wir einer Ops-Leitung diese Woche empfehlen würden.

Lindy ist ein No-Code-Builder für Aufgaben-Agenten, die an E-Mail, Kalender und CRM angebunden sind. Gut, wenn die Aufgabe klar ist und du an einem Nachmittag einen Pilot laufen lassen willst. Lies das Aktionslog, bevor du etwas nach außen senden lässt.

n8n ist Workflow-Automatisierung mit quelloffener Lizenz und nativen KI-Agenten-Nodes. Es passt zu Teams, die ein festes Grundgerüst mit einem agentischen Schritt darin wollen. Dieser Hybrid ist oft der sicherste erste Aufbau.

Claude ist das Modell, das viele Teams hinter Tool-nutzenden Agenten einsetzen, dank der verlässlichen Befolgung von Anweisungen und des langen Kontextfensters. Es läuft im Chat und über eine API. Teste die Aufgabe zuerst im Chat, bevor du etwas verdrahtest.

ChatGPT ist nach wie vor der Standard, wenn es um Verbreitung geht, und seine eingebauten Werkzeuge decken einfaches Agentenverhalten für Einzelpersonen ab. Wo es dünn wird, ist das Teilen getesteter Playbooks im Team. Genau diese Lücke schließen gespeicherte Slash-Befehle.

Was prüfst du, bevor ein Agent Live-Daten anfasst?

Geh diese Liste durch, bevor ein Agent Schreibzugriff bekommt. Sie dauert dreißig Minuten und verhindert die meisten schlechten Wochen.

1. Mit Lesezugriff starten. Lass ihn zwei Wochen recherchieren und entwerfen, bevor er irgendwo schreibt.

2. Die Schleife begrenzen. Lege eine maximale Schrittzahl und ein maximales Budget pro Lauf fest.

3. Jeden Tool-Aufruf loggen. Speichere Eingabe, Ausgabe und Zeitstempel. Lässt sich ein Tool nicht loggen, gib es keinem Agenten.

4. Das Unumkehrbare absichern. Versand, Löschungen, Zahlungen und Berechtigungsänderungen brauchen einen menschlichen Klick.

5. Auf einer Kopie testen. Nutze ein Sandbox-CRM mit realistischem Durcheinander.

6. Zwei Zahlen verfolgen. Wie oft ein Lauf ohne Hilfe fertig wird und wie oft ein Mensch die Ausgabe korrigiert.

7. Einen Verantwortlichen benennen. Ein Agent ohne Verantwortlichen driftet ab.

Für den deutschsprachigen Markt kommt ein Punkt hinzu: der Datenschutz. Kläre vor dem Lesezugriff, welche personenbezogenen Daten der Agent sieht, bei welchem Anbieter und in welcher Region sie verarbeitet werden und ob dein Auftragsverarbeitungsvertrag das abdeckt. Ein Agent, der Kundendaten aus dem CRM zieht, ist ein Datenschutzthema, nicht nur ein technisches. Hol die Freigabe von Datenschutz und IT ein, bevor der erste Lauf auf echten Kundendaten startet.

Dein nächster Befehl

Wähle eine Aufgabe, die dein Team mindestens zehnmal pro Woche wiederholt und deren Ergebnis du in unter einer Minute prüfen kannst. Kontorecherche ist der übliche Gewinner.

Schreib sie zuerst als gespeicherten Slash-Befehl, etwa /research mit dem Kontonamen, der ein Fünf-Zeilen-Briefing zurückgibt. Lass ihn zwei Wochen laufen und notiere die Minuten. Wenn die Eingaben so stark schwanken, dass der Befehl ständig bricht, ist das dein Signal, dass die Aufgabe agentenartig ist. Läuft er jedes Mal sauber, hast du dir eine Agenten-Rechnung und eine Debugging-Gewohnheit gespart.

Entscheide dann mit deinen eigenen Zahlen. Forke ein Playbook, miss zehn Läufe, lies die Logs. Mission beendet.