Was Agentic AI wirklich bedeutet

Der Begriff wird überstrapaziert. Hier ist die präzise Bedeutung.

"Agentic AI" ist einer dieser Begriffe geworden, der alles und nichts bedeutet. Anbieter verwenden ihn für Chatbots, die einem Skript folgen. Berater rechtfertigen damit höhere Tagessätze für Standard-Automatisierung. Und irgendwo im Rauschen geht das eigentlich nützliche Konzept verloren.

Also: präzise formuliert.

Ein KI-Agent ist ein System, das seine Umgebung wahrnimmt, auf Basis dieser Wahrnehmung entscheidet, welche Aktion als nächstes sinnvoll ist, diese Aktion ausführt und dann neu bewertet. Das entscheidende Wort ist entscheidet. Nicht "folgt einem vordefinierten Pfad". Nicht "ordnet Input einem Output zu". Entscheidet — aus dem aktuellen Zustand heraus, mit einem Ziel vor Augen, aus einer Menge möglicher nächster Schritte.

Das ist ein inhaltlicher Unterschied. Und er hat konkrete Konsequenzen dafür, wie Sie Automatisierung in Ihrem Unternehmen einsetzen sollten.

Was regelbasierte Automatisierung tatsächlich tut

Klassische Automatisierung — ob Zapier-Workflow, RPA-Skript oder Webhook-Pipeline — führt eine feste Abfolge aus. Im Kern ist es ein Entscheidungsbaum aus Wenn-Dann-Regeln.

Wenn Rechnung per E-Mail eingeht, extrahiere das PDF, parse die Felder, poste ins Buchhaltungssystem, sende Bestätigung. Jede Verzweigung in diesem Baum wurde vorab von einem Menschen definiert. Das System hat keine eigene Einschätzung darüber, was als Nächstes zu tun ist. Es folgt dem Pfad, oder es bricht ab.

Das funktioniert gut für Prozesse, die:

• Hohes Volumen haben
• Hochgradig vorhersagbar sind
• Wenig Variation aufweisen
• Fehlertolerant sind

Ein sauber gebauter Zapier-Workflow, der monatlich 500 identische Rechnungen eines einzelnen Lieferanten verarbeitet, ist gutes Engineering. Daran ist nichts auszusetzen. Nehmen Sie das einfachste Werkzeug, das das Problem löst.

Das Problem beginnt, wenn Unternehmen regelbasierte Systeme auf Prozesse anwenden, die diese Kriterien nicht erfüllen.

Wo die Regeln an ihre Grenzen stoßen

Betrachten Sie ein realistischeres Szenario: Ihr Unternehmen erhält Rechnungen von 80 verschiedenen Lieferanten. Manche kommen per E-Mail als PDF. Manche über ein Lieferantenportal. Manche sind gescannte Bilder mit handschriftlichen Anmerkungen. Manche haben Positionsstrukturen, die sich grundlegend von Ihrem internen Bestellformat unterscheiden. Und gelegentlich schickt ein Lieferant eine Gutschrift statt einer Rechnung — formatiert wie eine normale Rechnung, nur mit dem Wort "Gutschrift" irgendwo im Text.

Ein regelbasiertes System bewältigt den Standardfall. Die Sonderfälle sammeln sich als Rückstand, den ein Mensch am Monatsende abarbeitet. Mit der Zeit werden die Ausnahmen zur eigentlichen Arbeitslast.

Oder nehmen Sie Kundenservice-Automatisierung. Ein FAQ-Bot beantwortet die 20 Fragen, auf die er trainiert wurde. Jede Abweichung in der Formulierung führt in eine Sackgasse. Ein Kunde, der fragt "Kann ich eine anteilige Erstattung bekommen, wenn ich nur die Hälfte des Abos genutzt habe?" — passt weder zur Erstattungs-FAQ noch zur Abo-FAQ. Er bekommt ein generisches "Das habe ich nicht verstanden" und geht — oder ruft den Support an.

Das Problem ist nicht, dass das System dumm ist. Das Problem ist, dass es nicht über Situationen nachdenken kann, die es noch nie gesehen hat.

Was ein Agent anders macht

Ein Agent geht dasselbe Rechnungsproblem mit einer anderen Architektur an. Statt einer festen Abfolge arbeitet er auf ein Ziel hin: Diese Rechnung korrekt ins Buchhaltungssystem bringen, mit Auffälligkeiten markiert, freigabebereit.

Dafür hat er Werkzeuge: PDF lesen, Lieferantendatenbank abfragen, Bestellung nachschlagen, Buchhaltungs-API ansprechen, Benachrichtigung senden, Aufgabe zur menschlichen Prüfung erstellen. Der Agent entscheidet bei jedem Schritt, welches Werkzeug er einsetzt — basierend auf dem, was er bisher beobachtet hat.

Wenn er eine Gutschrift im Rechnungsformat vorfindet, bricht er nicht ab. Er liest das Dokument, erkennt die negativen Beträge und das Wort "Gutschrift", und leitet es anders weiter — etwa zur menschlichen Prüfung, weil er genug Kontext hat, um zu wissen, dass dieser Fall ungewöhnlich ist.

Wenn ein Scan mit handschriftlicher Korrektur eingeht, die den Gesamtbetrag ändert, kann der Agent die Anmerkung lesen, mit dem gedruckten Betrag vergleichen und eskalieren: "Lieferant hat einen abweichenden Gesamtbetrag handschriftlich vermerkt. Empfehlung: manuelle Prüfung."

Das ist keine Magie. Es ist eine Reasoning-Schleife: beobachten, schlussfolgern, handeln, neu bewerten.

Praxisvergleich: Kundenservice

Vergleichen Sie einen FAQ-Bot mit einem konversationellen Agenten für den Support eines SaaS-Produkts.

Der FAQ-Bot hat eine Wissensdatenbank. Er ordnet Fragen Antworten zu. Wenn der Nutzer etwas Unbekanntes fragt, scheitert er — elegant oder weniger elegant.

Ein konversationeller Agent hat Zugriff auf Werkzeuge: Kundenkonto nachschlagen, Abonnement-Stufe lesen, letzte Tickets prüfen, Statusseite auf aktive Störungen checken. Bei der Frage "Kann ich eine anteilige Erstattung bekommen?" kann der Agent:

1. Das Kundenkonto nachschlagen — Anmeldung vor 14 Tagen
2. Die Erstattungsrichtlinie prüfen — 30-Tage-Fenster, danach anteilig
3. Prüfen, ob Premium-Features genutzt wurden
4. Konkret antworten: "Laut Ihrem Konto sind Sie im 30-Tage-Fenster. Soll ich eine vollständige Erstattung einleiten?"

Die Antwort ist spezifisch für diesen Kunden, zu diesem Zeitpunkt, basierend auf dem, was der Agent tatsächlich nachgeschlagen hat. Kein generisches Richtlinien-Zitat. Eine echte Antwort.

Warum diese Unterscheidung für Ihre Entscheidungen relevant ist

Wenn Sie bewerten, ob ein agentisches System oder eine klassische Automatisierung sinnvoller ist, stellen Sie eine Frage: Wie viel Variation hat dieser Prozess tatsächlich?

Wenig Variation, hohes Volumen — Starten Sie mit regelbasierter Automatisierung. Sie ist günstiger, wartungsärmer und vollständig nachvollziehbar. Fügen Sie Agenten erst hinzu, wenn Sie an die Grenzen stoßen.

Hohe Variation, Urteilsentscheidungen, mehrstufiges Reasoning — Regelbasierte Systeme werden entweder scheitern oder ständige Wartung erfordern, weil Sie jeden Sonderfall einzeln patchen. Agenten sind hier die richtige Architektur.

Die zweite relevante Frage: Was passiert, wenn es schiefgeht? Ein regelbasiertes System scheitert vorhersagbar. Ein Agent kann kreativer scheitern. Gutes Agent-Design beinhaltet explizite Eskalationspfade — der Agent erkennt niedrige Konfidenz und übergibt an einen Menschen, mit vollständigem Kontext. Das ist keine Schwäche. So halten Sie Menschen an den richtigen Stellen im Prozess, ohne sie überall zu brauchen.

Was Agentic AI nicht ist

Es ist kein Chatbot mit hübschem Interface. Es ist kein Sprachmodell, das Sie nach Antworten fragen. Es ist nicht "KI", die zu Marketingzwecken auf einen bestehenden Workflow geklebt wird.

Ein Agent handelt in Ihrem Auftrag. Er liest Daten, ruft Systeme auf, trifft Entscheidungen und produziert Ergebnisse — nicht nur Textantworten. Das Sprachmodell ist oft eine Komponente, die fürs Reasoning genutzt wird. Aber der Agent ist die größere Architektur, die die Arbeit koordiniert.

Er ist auch kein Ersatz für gutes Prozessdesign. Ein Agent auf einem kaputten Prozess automatisiert das Chaos effizient. Die strukturellen Entscheidungen — was der Agent übernehmen soll, wann er eskaliert, wie Erfolg aussieht — erfordern weiterhin menschliches Urteil im Vorfeld.

Das Fazit für die Praxis

Agentic AI ist keine Produktkategorie. Es ist ein Entwurfsmuster für Systeme, die Komplexität bewältigen, ohne ständige menschliche Aufsicht.

Ein nützlicher Test: Wenn Sie den Prozess einem fähigen Freelancer ohne Vorwissen geben würden — könnte er ihn anhand einer geschriebenen Checkliste abarbeiten? Wenn ja, brauchen Sie wahrscheinlich regelbasierte Automatisierung. Wenn nein — wenn ein Freelancer die Situation lesen und Ermessensentscheidungen treffen müsste — brauchen Sie einen Agenten.

Diese Unterscheidung ist nützlicher als die meisten Anbieter-Präsentationen.