Alle reden über agentische KI und das Versprechen von transformativer Effizienz und nie dagewesener Automatisierung. Gleichzeitig wächst der Berg an Fachbegriffen schneller als Ihre ungelesenen Slack-Nachrichten. Wer hier nicht am Ball bleibt, verpasst schnell den Anschluss.
Lassen Sie nicht zu, dass unklare Begriffe Ihre KI-Strategie ausbremsen. Dieses Glossar erklärt die wichtigsten Grundlagen verständlich, prägnant und praxisnah. So können Sie souverän entscheiden und handeln. Da sich die KI-Welt dynamisch entwickelt, wird das Glossar regelmäßig um neue Konzepte und Definitionen erweitert.
Agentische KI: Begriffe nach Thema
Definition, Rollen und Strukturen | Funktionale Fähigkeiten und Interaktion | Kognitive Fähigkeiten: Denken und Entscheidungsfindung |
Agentische KI KI-Agent Digital Worker Digitale Arbeit Headless-KI-Agent Agentenbasierte Workflows Multi-Agenten-System Polyphone KI | Agent-to-human handoff – Übergabe an einen Menschen Absichtserkennung Äußerung Stimmungsanalyse Kontextbewusstsein Langfristige Kohärenz Multimodale KI Ontologie Dynamische Ressourcenverteilung | Reasoning Engine Deterministisches Denken Bestärkendes Lernen Wahrscheinlichkeitsbasiertes Denken Komplexitätsschwelle Erklärbarkeit und Transparenz |
Agentische KI: Definition, Grundkonzepte und Rollen
Agentische KI
Eine Form der Künstlichen Intelligenz (KI), die mithilfe autonomer Software-Agenten Aufgaben eigenständig plant und ausführt. Agentische KI geht über die passive Automatisierung hinaus: sie trifft Entscheidungen, priorisiert Aufgaben und verfolgt eigene Ziele auf Basis vorgegebener Strategien und erlernter Muster.
KI-Agent
Eine Software, die Large Language Models (LLMs), Machine Learning und Natural Language Processing (NLP) für einfache und komplexe Aufgaben nutzt. KI-Agenten entscheiden selbstständig, was zu tun ist und wie: vom Beantworten einfacher Fragen bis zur Lösung komplexer Aufgaben.
Digital Worker
Ein KI-Programm, das menschliche Fähigkeiten imitiert und komplexe Aufgaben übernimmt – wie echte Teammitglieder. Also ein KI-Agent mit erweitertem Funktionsumfang. Digital Worker ersetzen manuelle Prozesse durch intelligente Automatisierung.
Digitale Arbeit
Oberbegriff für KI-gestützte Tätigkeiten (zum Beispiel KI-Automatisierung und KI-Agenten), bei denen Maschinen menschliche Entscheidungsprozesse nachahmen. Häufig unter Einsatz generativer KI, etwa für automatische Texterstellung, Bildgenerierung oder Code-Vorschläge. Digitale Arbeit erweitert die menschliche Leistungsfähigkeit durch Automatisierung, Geschwindigkeit und Skalierbarkeit.
Beispiel: Ein Team nutzt eine Kombination aus generativer KI und agentischer KI für die Marketingproduktion. Während ein generatives Modell automatisch Blogtexte erstellt, überprüft ein Agent diese auf Tonalität und Zielgruppenpassung und gibt sie bei Bedarf zur Bearbeitung an ein Teammitglied weiter. Das Ergebnis: schnellere Content-Erstellung mit gleichbleibender Qualität.
Headless-KI-Agent
Ein KI-System ohne Benutzeroberfläche. Der Headless-KI-Agent arbeitet vollständig im Hintergrund über Schnittstellen (APIs) und reagiert auf Auslöser in Echtzeit. Typischer Einsatz: automatisierte Workflows in Systemlandschaften ohne direkten Eingriff durch Nutzer:innen.
Agentenbasierte Workflows
Ein durch KI gesteuerter Arbeitsablauf, bei dem ein oder mehrere Agenten kollaborativ Aufgaben erledigen: von der Informationsbeschaffung über Entscheidungen bis hin zur Umsetzung. Der Mensch bleibt dabei Beobachter oder Supervisor.
Beispiel: Ein Vertriebsagent erstellt automatisch ein individuelles Angebot, während ein anderer Agent parallel die Bonitätsprüfung durchführt. Die Ergebnisse laufen zusammen, bevor der Mensch übernimmt – ohne manuelles Hin- und Herschicken.
Multi-Agenten-System
Ein System, in dem mehrere KI-Agenten zusammenarbeiten, um komplexe Aufgaben zu lösen. Dabei übernehmen die Agenten unterschiedliche Rollen (zum Beispiel Kommunikation, Analyse, Logistik) und koordinieren sich untereinander.
Polyphone KI (Synchronisierte Multi-Agenten-Systeme)
Ein fortgeschrittenes System spezialisierter Agenten, die gleichzeitig an einer Interaktion beteiligt sind.
Beispiel: Eine Kundin meldet ein defektes Gerät. Ein Service-Agent startet den Rückgabeprozess, ein Lager-Agent prüft die Verfügbarkeit, und ein Versand-Agent plant die Zustellung – im Hintergrund koordiniert von einer übergeordneten Steuerungseinheit. Für die Kundin wirkt das wie ein einziger, reibungsloser Gesprächsfluss, nicht wie drei Agenten im Hintergrund.
Fähigkeiten und Arbeitsweise
Agent-to-human handoff – Übergabe an einen Menschen
Die Übergabe einer Kundeninteraktion von einem KI-Agenten an einen Menschen. Erfolgt, wenn ein KI-Agent an seine Grenzen stößt. Idealerweise inklusive aller Kontexte und Gesprächsverläufe, damit Kund:innen sich nicht wiederholen müssen.
Absichtserkennung
Die Fähigkeit der KI zu verstehen, welches Ziel oder welche Absicht hinter einer Nutzereingabe steckt.
Beispiel: „Ich will hier raus“ – für Menschen eindeutig, für klassische Systeme zu unspezifisch. Ein gut trainierter Agent erkennt, dass mit der Eingabe nicht Frustration gemeint ist, sondern eine Vertragskündigung. Er leitet die Anfrage richtig weiter.
Äußerung
Eine einzelne Eingabe oder Aussage von Nutzer:innen gegenüber einem KI-Agenten. Die Äußerung (Frage, Befehl, Kommentar) ist Grundlage für die Reaktion der KI.
Stimmungsanalyse
Erkennung der emotionalen Tonlage einer Nutzeräußerung: positiv, negativ, neutral. Beispielsweise relevant im Kundenservice, um Eskalationen früh zu erkennen oder besonders zufriedene Kund:innen gezielt anzusprechen.
Kontextbewusstsein
Die Fähigkeit einer KI, die vergangenen Interaktionen und situativen Informationen (Ort, Zeit, Nutzerverhalten) zu berücksichtigen. Dadurch generiert der Agent relevantere und persönlichere Antworten.
Langfristige Kohärenz
Die Fähigkeit eines KI-Agenten, über längere Zeit den Gesprächs- und Handlungskontext konsistent zu halten.
Beispiel: Ein Nutzer interessiert sich im Januar für ein Upgrade, kontaktiert den Support aber erst im April erneut. Der Agent erinnert sich an den Verlauf und schlägt proaktiv passende Optionen vor – ohne dass alles erneut erklärt werden muss.
Multimodale KI
Systeme, die verschiedene Eingaben wie Text, Bild, Audio und Video gleichzeitig verarbeiten. So kann ein Agent etwa ein Dokument lesen, ein Bild analysieren und einen Sprachbefehl auswerten. Alles geschieht in einem Workflow.
Ontologie
Ein strukturiertes Wissensmodell, das KI-Systemen hilft, Daten konsistent zu interpretieren und semantisch zu verknüpfen. So versteht die KI auch sprachliche Varianten und kann passende Abläufe starten, unabhängig von der gewählten Formulierung.
Beispiel: Ein Agent im Kundenservice erkennt, dass „Bestellung stornieren“, „Rückgabe starten“ und „Kauf rückgängig machen“ ähnliche Anliegen sind, weil sie in der Ontologie als verwandte Aktionen im Themenbereich „Transaktion“ definiert sind.
Dynamische Ressourcenverteilung
Eine bedarfsgerechte Verteilung von Rechenleistung und Speicher in Echtzeit. So arbeiten Agenten schneller, effizienter und ressourcenschonender.
Entscheidungsfindung, Grenzen und Vertrauen
Reasoning Engine
Das System, mit der KI-Agenten Entscheidungen treffen und Aktionen auswählen. Die Reasoning Engine kombiniert Daten, Regeln und Kontextinformationen und wendet verschiedene Denkmodelle an: deduktiv (faktenbasiert), induktiv (musterbasiert) oder abduktiv (beste Schätzung).
Deterministisches Denken (Deterministic Reasoning)
Eine regelbasierte Logik, die bei identischen Eingaben immer dieselbe Ausgabe liefert. Wird zum Beispiel in regelbasierten Automatisierungen verwendet.
Agentische KI dagegen ist nicht deterministisch. Sie agiert flexibel und kontextabhängig.
Bestärkendes Lernen (Reinforcement Learning)
Ein Lernverfahren, bei dem der Agent durch Interaktionen und Feedback seine Entscheidungen kontinuierlich verbessert.
Beispiel: Ein KI-Agent im Kundenservice testet verschiedene Antwortstrategien auf Reklamationen, etwa mit oder ohne Rabattangebot. Mit der Zeit lernt er, welche Reaktionen am häufigsten zu zufriedenen Kund:innen führen, und passt sein Verhalten entsprechend an.
So optimiert der Agent eigenständig seine Entscheidungen auf Basis von Erfolg und Misserfolg.
Wahrscheinlichkeitsbasiertes Denken
KI trifft Entscheidungen auf Basis von Wahrscheinlichkeiten. Auch bei unsicheren oder unvollständigen Informationen kann sie so passende Antworten liefern.
Komplexitätsschwelle
Der Punkt, an dem eine Aufgabe zu komplex für die KI wird und ein Mensch übernehmen muss. Ein wichtiges Kriterium für die Gestaltung sinnvoller Übergaben (siehe Agent-to-human handoff).
Beispiel: Ein Kunde fragt nach Vertragsdetails mit rechtlichen Implikationen. Der Agent erkennt die Schwelle und übergibt den Fall an den zuständigen Account Manager mit vollständigem Kontext.
Erklärbarkeit und Transparenz
Zwei Voraussetzungen für vertrauensvolle KI:
- Erklärbarkeit beschreibt, warum eine KI eine bestimmte Entscheidung trifft (das „Warum“).
- Transparenz beschreibt, wie sie diese Entscheidung trifft (das „Wie“).
KI-Agenten schneller einsetzen mit Agentforce
Mit Agentforce beschleunigen Sie den Einsatz autonomer KI-Agenten um das bis zu 16-Fache – mit 70 % höherer Genauigkeit.
