Was kann ein KI-Agent, ohne dass ich programmieren muss?

Diese Seite erklärt KI-Agenten aus der Anwenderperspektive: was du damit erledigen kannst, ohne eine Zeile Code zu schreiben. Wie man Agenten selbst entwickelt, steht im Beitrag zu LangChain-Agents, und den Aufbau agentischer Workflows behandelt ein eigener Beitrag.

Ein KI-Agent ist kein neues, intelligenteres Modell. Er ist dasselbe Sprachmodell, eingebettet in ein Softwaresystem, das ihm erlaubt, ein Ziel selbst zu planen, externe Werkzeuge zu nutzen und in einer Schleife aus Planen, Handeln und Prüfen zu arbeiten. Der Unterschied zum Chatbot liegt im Auftrag: Ein Agent bekommt ein Ziel, keine Anleitung.

Die Agent-Schleife: Planen, Handeln, Prüfen

1. Planen: Der Agent zerlegt dein Ziel in Schritte. Aus „Wettbewerbspreise recherchieren“ wird: suchen, Websites öffnen, Preise extrahieren, vergleichen.

2. Handeln: Er führt den nächsten Schritt aus und nutzt dafür Werkzeuge wie Browser, Schnittstellen oder dein CRM, also echte Aktionen statt nur Text.

3. Prüfen: Er bewertet, ob der Schritt funktioniert hat und ob er näher am Ziel ist. Wenn nein, plant er um. Wenn ja, folgt der nächste Schritt.

Diese Schleife läuft, bis das Ziel erreicht ist oder eine vorher festgelegte Grenze greift, etwa die Rückfrage bei dir. Dass Nachdenken und Handeln sich abwechseln, beschreibt auch die Forschung: Yao und Kollegen stellten 2022 das Verfahren ReAct vor, in dem Sprachmodelle Gedankenschritte und Handlungen abwechselnd erzeugen, wobei die Handlungen auf externe Quellen wie Wissensdatenbanken zugreifen.

Wann du einen Agenten brauchst und wann nicht

Die Faustregel: Ein Agent lohnt sich, wenn die Aufgabe mehrstufig, dynamisch oder auf aktuelle Daten angewiesen ist. Gleichförmige Routine ist dagegen der Fall für eine klassische Automatisierung, die vordefinierten Wenn-Dann-Pfaden folgt und bei gleichförmigen, vorhersehbaren Aufgaben effizient ist.

• Sprachmodell reicht: zusammenfassen, übersetzen, Entwürfe schreiben, also alles, was am Ende nur Text zurückgibt.

• Automatisierung reicht: vorhersehbare Routineaufgaben nach dem Muster wenn X, dann Y.

• Agent brauchst du: Recherche mit aktuellen Daten, Abläufe über mehrere Werkzeuge hinweg, Aufgaben, bei denen der nächste Schritt vom Ergebnis des vorherigen abhängt.

Kontrolle behalten: das Kontroll-Paradoxon

Mehr Autonomie bedeutet mehr Aufsicht, nicht weniger. Hier liegt die größte Falle: Ein Sprachmodell macht einen Fehler, du siehst ihn und korrigierst ihn. Ein Agent führt Fehler aus, bevor du sie merkst. Die Mail mit dem falschen Termin ist bereits verschickt, der Datensatz ist bereits gelöscht.

Deshalb setzt du vor dem Einsatz klare Grenzen und klärst drei Fragen:

• Welche Werkzeuge darf der Agent nutzen?

• Darf er Mails eigenständig schreiben und schicken oder nur Entwürfe vorlegen?

• Bei welchen Fehlern soll er stoppen und bei dir nachfragen?

Je schwerer die Konsequenzen wiegen, desto mehr menschliche Kontrolle und Genehmigungsschritte gehören dazu. Und prüfe Agenten-Ergebnisse wie jede andere KI-Ausgabe, das Vorgehen dafür steht im Beitrag Wie prüfe ich, ob eine KI-Antwort stimmt?

Quelle: Yao et al., „ReAct: Synergizing Reasoning and Acting in Language Models“ (arXiv 2210.03629, 2022).