KI, die nicht nur antwortet, sondern handelt.

Ein Chatbot beantwortet eine Eingabe mit einer Ausgabe und vergisst danach meist den Kontext. Agentic AI beschreibt KI-Systeme, die ein Ziel verfolgen: Sie zerlegen eine Aufgabe in Schritte, planen, rufen Werkzeuge und Systeme auf, prüfen die Zwischenergebnisse und korrigieren sich selbst. Aus einem reaktiven Sprachmodell wird so ein handelnder Agent, der mehrere Schritte über einen Wahrnehmen-Planen-Handeln-Prüfen-Kreislauf eigenständig abarbeitet.

Beides ist möglich, der Mittelstand fährt mit einem Mittelweg am besten. Wir setzen Agenten in Autonomiestufen ein: assistiert (der Mensch entscheidet, der Agent schlägt vor), teilautonom (der Agent handelt, kritische Schritte werden freigegeben) und autonom mit Aufsicht (der Agent arbeitet selbständig, riskante Aktionen brauchen eine Freigabe). Dieses Human-in-the-Loop-Prinzip ist fester Bestandteil jeder von uns ausgelieferten Lösung.

Tool Use ist die Fähigkeit eines Agenten, externe Werkzeuge aufzurufen, statt nur Text zu erzeugen. Über Function Calling beschreibt man dem Modell verfügbare Funktionen mit ihren Parametern. Der Agent entscheidet dann selbst, wann er eine Datenbank abfragt, eine Berechnung ausführt, ein Dokument durchsucht oder einen Auftrag in einem ERP-System anlegt. Erst durch Tool Use wird ein Sprachmodell handlungsfähig.

MCP steht für Model Context Protocol, einen offenen Standard, der 2024 vorgestellt wurde und sich seither als gemeinsame Schnittstelle zwischen KI-Agenten und Unternehmenssystemen etabliert hat. Statt für jedes System eine eigene Anbindung zu programmieren, sprechen Agent und Werkzeug ein einheitliches Protokoll. Ein einmal erstellter MCP-Server für Ihr CRM oder Ihre Dokumentenablage steht damit jedem Agenten zur Verfügung. Das senkt den Integrationsaufwand erheblich und macht Anbindungen wartbar. Details zeigt die MCP-Integration.

Ja. Wir betreiben Agenten vollständig On-Premise auf Ihrer eigenen Infrastruktur. Modell, Vektordatenbank, Tool-Anbindungen und Protokolle bleiben in Ihrem Netzwerk. Gerade weil Agenten auf interne Systeme zugreifen und dort Aktionen auslösen, ist Datensouveränität entscheidend. So verlässt kein Datensatz und kein Geschäftsgeheimnis Ihr Haus, und Sie behalten die volle Kontrolle über jede Aktion.

Über mehrere Schichten. Jeder Agent erhält klar abgegrenzte Rechte nach dem Prinzip der minimalen Berechtigung. Kritische Aktionen erfordern eine menschliche Freigabe. Guardrails prüfen Ein- und Ausgaben, Schritte werden gegen Plausibilität geprüft, und jede Aktion landet in einem lückenlosen Audit-Log. Über das KI-Gateway lassen sich Zugriffe zentral steuern und bei Bedarf sofort stoppen — mehr dazu in der Agent-Governance.

Drei Entwicklungen kommen zusammen: Reasoning-Modelle, die vor der Antwort strukturiert nachdenken und damit mehrstufige Planung beherrschen; zuverlässiges Function Calling, mit dem Modelle Werkzeuge präzise und in der richtigen Reihenfolge aufrufen; und mit MCP ein offener Standard für die Anbindung an Unternehmenssysteme. Zusätzlich erreichen offene Modelle ein Niveau, das einen produktiven On-Premise-Betrieb wirtschaftlich macht.

Ein einzelner Agent bearbeitet eine Aufgabe end to end. Ein Multi-Agent-System verteilt die Arbeit auf spezialisierte Agenten, etwa einen Rechercheur, einen Prüfer und einen Verfasser, die über eine Orchestrierung zusammenarbeiten. Das erhöht Qualität und Nachvollziehbarkeit bei komplexen Aufgaben, bringt aber zusätzlichen Steuerungsaufwand mit sich. Welcher Ansatz passt, entscheiden wir anhand des konkreten Anwendungsfalls — vertieft auf der Seite Multi-Agent-Systeme.

Gut geeignet sind wiederkehrende, regelbasierte Abläufe mit klaren Erfolgskriterien: Angebote aus Anfragen vorbereiten, Rechnungen prüfen und verbuchen, Serviceanfragen vorqualifizieren, Stammdaten zwischen Systemen abgleichen oder Rechercheaufgaben über interne Dokumente. Je klarer Ziel, Datenlage und Freigabepunkte definiert sind, desto verlässlicher arbeitet der Agent. Wie das konkret aussieht, zeigen unsere KI-Agenten und die Agentic Workflows.

Mit einem klar abgegrenzten Anwendungsfall statt einem Großprojekt. Wir starten mit einem Prozess, der messbaren Nutzen bringt und überschaubares Risiko hat, setzen den Agenten zunächst assistiert auf und erhöhen die Autonomie erst, wenn er sich bewährt hat. Erste Ergebnisse zeigen sich nach 2 bis 4 Wochen; der produktive Agent folgt, sobald er sich an realen Fällen bewährt hat, und lässt sich anschließend auf weitere Prozesse übertragen. Den laufenden Betrieb übernimmt anschließend unsere KI-Administration.