Agentic AI
Wenn KI nicht mehr antwortet,
sondern handelt.
Agentic AI bezeichnet autonome KI-Systeme die Ziele verfolgen — nicht Fragen beantworten. Das ist kein Technologie-Update. Es ist eine neue Qualität von Autonomie.
Und ich sag gleich: Ich tu mich auch schwer damit. Nicht weil es kompliziert ist — sondern weil sich das Feld alle paar Wochen verschiebt. Diese Seite ist mein Versuch Ordnung reinzubringen. Mit Quellen aus 200+ Gesprächen und eigener Beratungspraxis. Und der Ehrlichkeit, wenn etwas noch nicht klar ist.
Ob und wie das Ihre Organisation betrifft, hängt nicht davon ab was Ihr IT-Team entscheidet. Es hängt davon ab, welche Fragen Ihre Führungsebene stellen kann — und welche Antworten sie einfordern muss.
Der Kern-Unterschied: reaktiv vs. autonom
Chatbot oder Agent — das ist keine binäre Frage. Es gibt ein Spektrum:
- Copilot: Macht Vorschläge, der Mensch entscheidet bei jedem Schritt. Niedrigste Autonomie, höchste Kontrolle.
- Agent mit Human-in-the-Loop: Arbeitet selbstständig, eskaliert an kritischen Punkten. Der Mensch wird zum Entscheider auf Abruf.
- Vollautonomer Agent: Bekommt ein Ziel, plant und handelt selbstständig. Der Mensch prüft Ergebnisse, nicht Zwischenschritte.
Die meisten Organisationen starten bei Schritt 1 und merken schnell: Der Mehrwert entsteht nicht durch mehr Autonomie, sondern durch die richtige Autonomie für den richtigen Prozess.
- → Reagiert auf Ihre Eingabe
- → Wartet dann auf die nächste
- → Ein Turn, eine Antwort
- → Sie steuern jeden Schritt
- → Bekommt ein Ziel
- → Plant Schritte selbst
- → Nutzt Werkzeuge autonom
- → Kommt zurück wenn fertig
Die Analogie: Ein Chatbot ist ein kluger Kollege den Sie immer wieder anrufen müssen. Sie sagen was, er antwortet, Sie legen auf. Beim nächsten Schritt rufen Sie wieder an.
Ein Agent ist derselbe Kollege — aber Sie geben ihm einen Schlüssel zum Büro, Zugang zu den Systemen, und sagen: "Sorge dafür, dass bis Freitag der Report fertig ist." Er arbeitet selbstständig, trifft Entscheidungen, und kommt erst zu Ihnen wenn er fertig ist — oder wenn er eine Entscheidung braucht die er nicht allein treffen darf.
Heute existieren solche Agents bereits produktiv: Claude Code der selbstständig Code schreibt, Tests ausführt und Fehler korrigiert. GitHub Copilot Workspace der Pull Requests erstellt. Salesforce Agentforce der Kundenservice-Prozesse übernimmt. Microsoft 365 Agents die Routineaufgaben in Office-Systemen automatisieren.
Warum das eine Führungsaufgabe ist — nicht eine IT-Frage
Die meisten Organisationen behandeln Agentic AI als Technologie-Entscheidung: IT evaluiert Tools, Legal prüft Datenschutz, Einkauf verhandelt Lizenzen. Das ist notwendig — aber nicht hinreichend.
Die wirklich entscheidenden Fragen sind keine technischen. Sie sind Führungsfragen:
Welche Entscheidungen darf ein Agent nie autonom treffen?
Das ist eine Wertentscheidung, keine Technikfrage. Was sind Ihre unverhandelbaren Grenzen?
Wer ist verantwortlich wenn ein Agent falsch liegt?
Klassische IT-Governance geht von deterministischen Systemen aus. Agents entscheiden situativ — das erfordert neue Verantwortungsmodelle.
Wie viel Autonomie verträgt unser Blast Radius?
Ein Agent mit Zugang zu Kundendaten und E-Mail-Versand hat einen anderen Risikorahmen als einer der Berichte zusammenfasst.
Wie entsteht Kompetenz bevor wir regulieren?
Governance die aus Unkenntnis entsteht, ist ineffektiv. Erst durch geführtes Ausprobieren entsteht das Verständnis für sinnvolle Regeln.
„Ich erlebe in Organisationen oft dasselbe Muster: AI Governance entsteht aus Angst statt aus Verständnis. Das Ergebnis sind Regeln die entweder zu restriktiv sind — und Shadow AI produzieren — oder zu permissiv, weil niemand die Risiken wirklich einschätzen konnte. Beides ist vermeidbar. Nicht durch mehr Regulierung, sondern durch mehr Kompetenz."
Ralf Kruse, EnableChange — seit 2009 in der Organisationsentwicklung
Schlüsselkonzepte
Die wichtigsten Begriffe — erklärt ohne Tech-Jargon, mit Relevanz für Führungskräfte.
„Meine Empfehlung: Erst Augmentation, dann Automatisierung. Wer Agents einsetzt bevor er durch Mensch-Agent-Zusammenarbeit verstanden hat wie ein Prozess wirklich läuft, verliert das implizite Wissen das darin steckt. Augmentation ist nicht der kleinere Schritt — sie ist der klügere."
Was das für Ihre Organisation bedeutet
Drei Dimensionen die Führungskräfte jetzt durchdenken müssen.
Agents ersetzen keine Berufe — sie verschieben Tätigkeiten. Menschen bewegen sich weg von Ausführung hin zu Zielsetzung, Bewertung und Entscheidungen unter Unsicherheit. In der IT bedeutet das: Entwicklerarbeit rückt näher an Fachlichkeit, weil Coding Agents die Implementierung unterstützen. Neue Rollen entstehen: Agent Designer, AI Governance Enabler, AI Infrastructure Builder. Ob diese Verschiebung gestaltet oder dem Zufall überlassen wird — das ist eine Führungsentscheidung.
Klassische Governance reguliert deterministische Systeme — sie tun was man ihnen sagt, vorhersehbar. Autonome Agents entscheiden situativ innerhalb ihrer Rahmenbedingungen. Das erfordert andere Governance: nicht Regelwerk für jeden Fall, sondern Prinzipien, Guardrails und Beobachtbarkeit die mit Unvorhersehbarkeit umgehen können. Ein Center of Excellence für AI das als Katalysator arbeitet — nicht als Genehmigungsinstanz — ist der Unterschied zwischen einer Organisation die lernt und einer die bremst.
Compliance-Regeln die aus Unkenntnis entstehen sind ineffektiv. Wer Agentic AI reguliert bevor er sie erlebt hat, reguliert das Falsche. Der produktivere Weg: bewusste Experimentierräume schaffen — mit Beobachtbarkeit, mit Rückkopplung, mit begrenztem Blast Radius. Aus dieser Erfahrung entsteht das Verständnis das sinnvolle Governance braucht. Das gilt für die Datenstrategie genauso: Harmonisieren Sie nicht erst alles bevor Sie anfangen. Starten Sie mit dem was da ist, lernen Sie wo die Brüche wirklich wehtun — und priorisieren Sie daraus.
⚡ Häufiger Fehler: Agents als Automatisierung missverstehen
In der Praxis beobachte ich ein wiederkehrendes Muster: Organisationen setzen Agentic AI als „bessere Automatisierung" ein — sie ersetzen Skripte durch Agents, ohne Rollen, Verantwortung oder Entscheidungswege anzupassen. Die Folge: Shadow AI in Teams die nicht warten wollen, und Governance die aus Angst reguliert statt aus Verständnis. Der produktivere Weg ist Augmentation vor Automatisierung — erst verstehen wie ein Prozess mit Mensch-Agent-Zusammenarbeit wirklich läuft, bevor man ihn autonom fahren lässt.
Austausch gesucht
Darüber sollten wir sprechen
Eine Frage die mich beschäftigt:
„Ersetzt oder erweitert ihr — was machen eure ersten Agenten? Und wer entscheidet, ob das okay ist?
Diese Seite spricht besonders an:
CAIOs und Head of AI — die Organisationsfragen statt Tool-Fragen diskutieren wollen.
VP Engineering — die Autonomie und Kontrolle in Balance bringen müssen.
Agile Coaches und Change Manager — die Teams durch diesen Wandel begleiten.
Ein Impuls zum Weiterdenken:
Die meisten Organisationen scheitern nicht an der Technik, sondern daran, dass sie Agents wie Skripte behandeln. Der Schritt von „KI macht was ich sage" zu „KI macht was Sinn ergibt" ist kein technischer — es ist ein kultureller.
Wie agentic-ready ist Ihre Organisation?
Fünf Fragen — kein Scoring, kein Funnel, kein richtiges oder falsches Ergebnis.
1.Wie beschreiben Sie den aktuellen KI-Einsatz in Ihrer Organisation?
2.Wer entscheidet, was KI-Systeme autonom tun dürfen?
3.Haben Sie Prozesse identifiziert, die sich für einen autonomen Agent eignen?
4.Wie reagiert Ihre Führungsebene auf den Begriff "autonome KI"?
5.Gibt es strukturierte Räume, wo Mitarbeitende KI-Agents ausprobieren können?
Stand: 2026-06
Was sich gerade bewegt — und was bleibt
Agentic AI ist 2025/26 am Wendepunkt: Das Experiment ist vorbei — jetzt geht es um produktionsreife Architektur, Governance und vor allem um die Frage, wie Organisationen ihre Rollen neu denken statt nur Prozesse zu automatisieren.
Was jetzt dominant ist
- Iterative Agentic Workflows (Reflection + Tool Use) sind produktionsreif — sie übertreffen oft neuere Modelle bei gleicher Aufgabe (Andrew Ng: GPT-3.5 mit Agentic Workflow schlägt GPT-4 zero-shot)
- MCP (Model Context Protocol) als emerging Standard für Enterprise-Integration — reduziert M×N auf M+N und ist vendor-agnostisch (Claude, ChatGPT, Gemini)
- Autonomie-Spektrum statt binärer Unterscheidung: Copilot → Agent mit Human-in-the-Loop → Vollautonomer Agent. Der Mehrwert entsteht nicht durch mehr Autonomie, sondern durch die richtige Autonomie für den richtigen Prozess.
- Sechs Architektur-Muster in der Praxis: Single Agent, Reflection, Tool Use, Planning, Multi-Agent, Agent Fleet. Die meisten Organisationen starten mit Reflection + Tool Use — das ist heute produktionsreif.
- Multi-Agenten-Systeme in Produktion: spezialisierte Agenten (z.B. Recherche, Coding, Review) arbeiten arbeitsteilig auf derselben Basis-LLM
Was sich zuletzt verändert hat
- Context Engineering löst Prompt Engineering als kritische Disziplin ab: 'Most agent failures are not model failures — they are context failures.' Der Kontext den ein Agent bekommt, bestimmt mehr über sein Verhalten als das zugrundeliegende Modell.
- Verschiebung von isolierten Chatbots zu kontextuell eingebetteten Plattformen — KI-Agenten arbeiten direkt im Arbeitskontext der Nutzer (E-Mail, Slack, Docs)
- Prompt Injection als ernstgenommenes Sicherheitsrisiko: Unternehmen mit agentic deployments brauchen jetzt Sandboxing, RBAC und Observability — nicht erst bei Skalierung
- Expertise-Multiplikator als neues Muster: Domänenwissen + KI-Integration erzeugt nicht-lineare Produktivitätssprünge — Wochenlange Arbeit in Minuten
- Governance-Lücke wird sichtbar: Bestehende AI-Governance-Frameworks wurden für Chat entwickelt, nicht für agentische Systeme. Wer Agents reguliert wie Chatbots, reguliert am Problem vorbei.
Was bleibt — worauf Sie bauen können
- Mensch bleibt in der Urteilsschicht — KI übernimmt Ausführung, Domänenexpertise und Bewertung bleiben beim Menschen (Kniberg: Arzt, Anwalt, Lehrer entscheiden noch, was valide ist)
- Workflow-Qualität schlägt Modell-Selektion: Iterative Planung (Plan → Draft → Reflect → Revise) ist das robustere Investitionsziel als die neueste Modellversion
- Tool-Zugriff definiert das Risikoprofil: Scope von Lesen → Schreiben → Transagieren bestimmt, wie viel Governance ein Agent braucht
- Plattform vor Skalierung: Erfolgreiche Organisationen bauen zuerst die geteilte Infrastruktur (Prompt-Library, Eval-Pipeline, Agent-Registry), dann skalieren sie Nutzung
Implikationen für Ihre Organisation
- Workflow-Design ist jetzt eine strategische Kompetenz — Organisationen, die in Orchestrierung investieren, erzielen mehr als Organisationen, die nur bessere Modelle kaufen
- Governance vor Deployment: Autonome Agenten brauchen klare Grenzen (Tool-Scope, Human-Checkpoints, Audit-Trail) bevor sie in Produktion gehen — nicht nachher
- Mindset-Shift für Führungskräfte: Von 'ich steuere jeden Schritt' zu 'ich definiere die Mission und prüfe das Ergebnis' — analog zu Delegation, nicht zu Automation
- Häufiger Fehler (FP3): Organisationen behandeln Agentic AI als bessere Automatisierung statt Rollen neu zu denken. Augmentation vor Automatisierung — erst verstehen wie ein Prozess mit Mensch-Agent-Zusammenarbeit wirklich läuft, bevor man ihn autonom fahren lässt.
- Paradigmen-Konflikt: Agentic AI bringt zwei Weltbilder in Konflikt — Organisationen die auf Stabilität und Planbarkeit ausgelegt sind, tun sich schwer mit Emergenz und verteilter Entscheidungsfindung. Das ist kein Implementierungsproblem, sondern ein Kulturproblem.
- Context Engineering wird zur Kernkompetenz: Wer nicht in der Lage ist, Agenten den richtigen Kontext zu geben (semantische Netzwerke, ADRs, Personas, Constraints), wird keine brauchbaren Ergebnisse bekommen — unabhängig vom Modell.
Warum gerade jetzt?
Agentic AI ist kein Hype der vergeht. Drei Entwicklungen machen 2025/26 zum Wendepunkt:
- → VC-Investitionen: über 50% des Y Combinator Spring 2025 Batch waren Agentic-Startups — das Kapital sucht nicht mehr nach „ob", sondern nach „wie".
- → MCP als USB-C für KI: Das Model Context Protocol schafft einen Standard für Tool-Integration — vendor-agnostisch, offen, produktionsreif. Das senkt die Einstiegshürde radikal.
- → Expertise-Multiplikator: Wochenlange Arbeit in Minuten — das ist keine Übertreibung mehr. Domänenwissen + KI-Integration erzeugt nicht-lineare Produktivitätssprünge, die sich in konkreten Projekten zeigen.
Die Frage ist nicht mehr ob Agentic AI kommt — sondern ob Ihre Organisation vorbereitet ist, wenn es da ist.
Was jetzt konkret ansteht
- Starten Sie mit Reflection und Tool Use: Lassen Sie KI eigene Outputs reviewen und externe Tools aufrufen — das ist heute produktionsreif und liefert sofort Ergebnisse
- Kartieren Sie Ihre Tool-Landschaft: Welche APIs, Datenquellen und Systeme könnten von LLM-Orchestrierung profitieren? Diese Karte ist die Grundlage für jede Agenten-Strategie
- Definieren Sie Human-in-the-Loop-Punkte, bevor Sie skalieren: Wann muss ein Mensch freigeben? Welche Entscheidungen bleiben off-limits für Agenten? Das jetzt klären spart spätere Krisen
- Bauen Sie Context Engineering als Disziplin auf: ADRs, Constraints, Persona-Bibliotheken — der Kontext den Agents bekommen, bestimmt mehr über ihr Verhalten als das Modell. Investieren Sie in Kontext-Qualität, nicht in Modell-Upgrades.
- Führen Sie das Autonomie-Spektrum ein: Nicht 'Agent oder nicht', sondern 'welcher Autonomie-Grad für welchen Prozess?' Das verhindert sowohl Over-Governance (Lähmung) als auch Under-Governance (Shadow AI).
Datenstand: 2026-06-18 · Juni 2026: KB-Update mit 27 Quellen und 213 Concepts — sechs Taxonomie-Dimensionen, Context Engineering als neue Disziplin, Expertise-Multiplikator-Muster. Dieses Feld wird monatlich aktualisiert — die Tool-Landschaft ist in Bewegung.
Stimmen aus erster Hand
Videos die in diese Seite eingeflossen sind — direkt ansehen.
What's next for AI agentic workflows
Die vier Grundmuster von Agentic AI — Reflection, Tool Use, Planning, Multi-Agent — zugänglich erklärt mit Analogien zu menschlicher Arbeit.
Direkt springen:
Intro to Large Language Models
Goldstandard-Erklärung mit 5 Mio. Views. Direkt zum Agents-Teil springen: Tool Use, LLM als Betriebssystem, Selbstverbesserung.
Direkt springen:
Generative AI in a Nutshell
Das meistgeteilte KI-Erklärvideo für Führungskräfte — animiert, klar, 18 Minuten. Mit eigenem Kapitel zu autonomen Agents.
Direkt springen:
KI-Agenten: Die wichtigsten Do's und Don'ts
Die einzige hochwertige deutschsprachige Episode speziell zu KI-Agenten im Business-Kontext: AI-First-Strategie, proprietäres Wissen als Differenzierung, Interface-Design.
Direkt springen:
Ressourcen & Quellen
Direkt aus der Praxis — keine KI-generierten Zusammenfassungen.
Praxis & Forschung
- AnthropicBuilding Effective Agents →Meistzitiertes Praxisdokument zur Agent-Architektur — Unterschied Workflows vs. echte Agents, Muster für Orchestrierung und Guardrails
- Andrew Ng (AI Fund)Agentic AI Design Patterns →Vier Grundmuster: Reflection, Tool Use, Planning, Multi-Agent — erklärt für nicht-technische Führungskräfte
- Andrej KarpathyIntro to Large Language Models →Goldstandard-Erklärung — 5 Mio. Views. Zweite Hälfte: Agents, Autonomie, Risiken
Governance & Regulierung
Verwandte Themen
Agentic AI setzt voraus, dass Führungskräfte KI-Systeme einschätzen können — ihre Möglichkeiten, Grenzen und Risiken. Das ist AI Literacy.
Zur AI Literacy Seite →Agentic AI braucht Governance — je autonomer Systeme handeln, desto klarer müssen Verantwortlichkeiten und Grenzen sein.
Zur AI Governance Seite →Tiefer einsteigen
Agentic AI in Ihrer Organisation einordnen
EnableChange begleitet Führungskräfte und Organisationen dabei, KI-Transformation zu verstehen und zu gestalten — nicht nur zu verwalten.