{"id":12758,"date":"2025-10-03T10:57:01","date_gmt":"2025-10-03T10:57:01","guid":{"rendered":"https:\/\/www.salesforce.com\/?p=12758"},"modified":"2025-12-12T10:57:38","modified_gmt":"2025-12-12T10:57:38","slug":"agentische-ki-definition-und-begriffe","status":"publish","type":"post","link":"https:\/\/www.salesforce.com\/de\/blog\/agentische-ki-definition-und-begriffe\/","title":{"rendered":"Agentische KI: Definition und 23 wichtige Begriffe im \u00dcberblick"},"content":{"rendered":"\n

Alle reden \u00fcber agentische KI<\/a> und das Versprechen von transformativer Effizienz und nie dagewesener Automatisierung. Gleichzeitig w\u00e4chst der Berg an Fachbegriffen schneller als Ihre ungelesenen Slack-Nachrichten. Wer hier nicht am Ball bleibt, verpasst schnell den Anschluss.<\/strong><\/p>\n\n\n\n

Lassen Sie nicht zu, dass unklare Begriffe Ihre KI-Strategie ausbremsen. Dieses Glossar erkl\u00e4rt die wichtigsten Grundlagen verst\u00e4ndlich, pr\u00e4gnant und praxisnah. So k\u00f6nnen Sie souver\u00e4n entscheiden und handeln. Da sich die KI-Welt dynamisch entwickelt, wird das Glossar regelm\u00e4\u00dfig um neue Konzepte und Definitionen erweitert.<\/strong><\/p>\n\n\n\n

Agentische KI: Begriffe nach Thema<\/strong><\/h2>\n\n\n\n

Definition, Rollen und Strukturen<\/strong><\/td>
Funktionale F\u00e4higkeiten und Interaktion<\/strong><\/td>
Kognitive F\u00e4higkeiten: Denken und Entscheidungsfindung<\/strong><\/td><\/tr>

Agentische KI<\/a>
KI-Agent<\/a>
Digital Worker
Digitale Arbeit
Headless-KI-Agent
Agentenbasierte Workflows
Multi-Agenten-System
Polyphone KI<\/td>		Agent-to-human handoff \u2013 \u00dcbergabe an einen Menschen
Absichtserkennung
\u00c4u\u00dferung
Stimmungsanalyse
Kontextbewusstsein
Langfristige Koh\u00e4renz
Multimodale KI
Ontologie
Dynamische Ressourcenverteilung<\/td>
Reasoning Engine
Deterministisches Denken
Best\u00e4rkendes Lernen
Wahrscheinlichkeitsbasiertes Denken
Komplexit\u00e4tsschwelle
Erkl\u00e4rbarkeit und Transparenz<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Agentische KI: Definition, Grundkonzepte und Rollen<\/strong><\/h2>\n\n\n\n

Agentische KI<\/strong><\/h3>\n\n\n\n

Eine Form der K\u00fcnstlichen Intelligenz (KI)<\/a>, die mithilfe autonomer Software-Agenten Aufgaben eigenst\u00e4ndig plant und ausf\u00fchrt. Agentische KI geht \u00fcber die passive Automatisierung hinaus: sie trifft Entscheidungen, priorisiert Aufgaben und verfolgt eigene Ziele auf Basis vorgegebener Strategien und erlernter Muster.<\/p>\n\n\n\n

KI-Agent<\/strong><\/h3>\n\n\n\n

Eine Software, die Large Language Models (LLMs)<\/a>, Machine Learning<\/a> und Natural Language Processing (NLP)<\/a> f\u00fcr einfache und komplexe Aufgaben nutzt. KI-Agenten entscheiden selbstst\u00e4ndig, was zu tun ist und wie: vom Beantworten einfacher Fragen bis zur L\u00f6sung komplexer Aufgaben.<\/p>\n\n\n\n

Digital Worker<\/strong><\/h3>\n\n\n\n

Ein KI-Programm, das menschliche F\u00e4higkeiten imitiert und komplexe Aufgaben \u00fcbernimmt \u2013 wie echte Teammitglieder. Also ein KI-Agent mit erweitertem Funktionsumfang. Digital Worker<\/a> ersetzen manuelle Prozesse durch intelligente Automatisierung.<\/p>\n\n\n\n

Digitale Arbeit<\/strong><\/h3>\n\n\n\n

Oberbegriff f\u00fcr KI-gest\u00fctzte T\u00e4tigkeiten (zum Beispiel KI-Automatisierung und KI-Agenten), bei denen Maschinen menschliche Entscheidungsprozesse nachahmen. H\u00e4ufig unter Einsatz generativer KI<\/a>, etwa f\u00fcr automatische Texterstellung, Bildgenerierung oder Code-Vorschl\u00e4ge. Digitale Arbeit<\/a> erweitert die menschliche Leistungsf\u00e4higkeit durch Automatisierung, Geschwindigkeit und Skalierbarkeit.<\/p>\n\n\n\n

\n
\n

Beispiel:<\/strong> Ein Team nutzt eine Kombination aus generativer KI und agentischer KI f\u00fcr die Marketingproduktion. W\u00e4hrend ein generatives Modell automatisch Blogtexte erstellt, \u00fcberpr\u00fcft ein Agent diese auf Tonalit\u00e4t und Zielgruppenpassung und gibt sie bei Bedarf zur Bearbeitung an ein Teammitglied weiter. Das Ergebnis: schnellere Content-Erstellung mit gleichbleibender Qualit\u00e4t.<\/p>\n<\/div>\n<\/div>\n\n\n\n

Headless-KI-Agent<\/strong><\/h3>\n\n\n\n

Ein KI-System ohne Benutzeroberfl\u00e4che. Der Headless-KI-Agent arbeitet vollst\u00e4ndig im Hintergrund \u00fcber Schnittstellen (APIs) und reagiert auf Ausl\u00f6ser in Echtzeit. Typischer Einsatz: automatisierte Workflows in Systemlandschaften ohne direkten Eingriff durch Nutzer:innen.<\/p>\n\n\n\n

Agentenbasierte Workflows<\/strong><\/h3>\n\n\n\n

Ein durch KI gesteuerter Arbeitsablauf<\/a>, bei dem ein oder mehrere Agenten kollaborativ Aufgaben erledigen: von der Informationsbeschaffung \u00fcber Entscheidungen bis hin zur Umsetzung. Der Mensch bleibt dabei Beobachter oder Supervisor.<\/p>\n\n\n\n

\n
\n

Beispiel:<\/strong> Ein Vertriebsagent erstellt automatisch ein individuelles Angebot, w\u00e4hrend ein anderer Agent parallel die Bonit\u00e4tspr\u00fcfung durchf\u00fchrt. Die Ergebnisse laufen zusammen, bevor der Mensch \u00fcbernimmt \u2013 ohne manuelles Hin- und Herschicken.<\/p>\n<\/div>\n<\/div>\n\n\n\n

Multi-Agenten-System<\/strong><\/h3>\n\n\n\n

Ein System, in dem mehrere KI-Agenten zusammenarbeiten, um komplexe Aufgaben zu l\u00f6sen. Dabei \u00fcbernehmen die Agenten unterschiedliche Rollen (zum Beispiel Kommunikation, Analyse, Logistik) und koordinieren sich untereinander.<\/p>\n\n\n\n

Polyphone KI (Synchronisierte Multi-Agenten-Systeme)<\/strong><\/h3>\n\n\n\n

Ein fortgeschrittenes System spezialisierter Agenten, die gleichzeitig an einer Interaktion beteiligt sind.<\/p>\n\n\n\n

\n
\n

Beispiel: <\/strong>Eine Kundin meldet ein defektes Ger\u00e4t. Ein Service-Agent startet den R\u00fcckgabeprozess, ein Lager-Agent pr\u00fcft die Verf\u00fcgbarkeit, und ein Versand-Agent plant die Zustellung \u2013 im Hintergrund koordiniert von einer \u00fcbergeordneten Steuerungseinheit. F\u00fcr die Kundin wirkt das wie ein einziger, reibungsloser Gespr\u00e4chsfluss, nicht wie drei Agenten im Hintergrund.<\/p>\n<\/div>\n<\/div>\n\n\n\n

F\u00e4higkeiten und Arbeitsweise<\/strong><\/p>\n\n\n\n

Agent-to-human handoff \u2013 \u00dcbergabe an einen Menschen<\/strong><\/h3>\n\n\n\n

Die \u00dcbergabe einer Kundeninteraktion von einem KI-Agenten an einen Menschen. Erfolgt, wenn ein KI-Agent an seine Grenzen st\u00f6\u00dft. Idealerweise inklusive aller Kontexte und Gespr\u00e4chsverl\u00e4ufe, damit Kund:innen sich nicht wiederholen m\u00fcssen.<\/p>\n\n\n\n

Absichtserkennung<\/strong><\/h3>\n\n\n\n

Die F\u00e4higkeit der KI zu verstehen, welches Ziel oder welche Absicht hinter einer Nutzereingabe steckt.<\/p>\n\n\n\n

\n
\n

Beispiel:<\/strong> \u201eIch will hier raus\u201c \u2013 f\u00fcr Menschen eindeutig, f\u00fcr klassische Systeme zu unspezifisch. Ein gut trainierter Agent erkennt, dass mit der Eingabe nicht Frustration gemeint ist, sondern eine Vertragsk\u00fcndigung. Er leitet die Anfrage richtig weiter.<\/p>\n<\/div>\n<\/div>\n\n\n\n

\u00c4u\u00dferung<\/strong><\/h3>\n\n\n\n

Eine einzelne Eingabe oder Aussage von Nutzer:innen gegen\u00fcber einem KI-Agenten. Die \u00c4u\u00dferung (Frage, Befehl, Kommentar) ist Grundlage f\u00fcr die Reaktion der KI.<\/p>\n\n\n\n

Stimmungsanalyse<\/strong><\/h3>\n\n\n\n

Erkennung der emotionalen Tonlage einer Nutzer\u00e4u\u00dferung: positiv, negativ, neutral. Beispielsweise relevant im Kundenservice, um Eskalationen fr\u00fch zu erkennen oder besonders zufriedene Kund:innen gezielt anzusprechen.<\/p>\n\n\n\n

Kontextbewusstsein<\/strong><\/h3>\n\n\n\n

Die F\u00e4higkeit einer KI, die vergangenen Interaktionen und situativen Informationen (Ort, Zeit, Nutzerverhalten) zu ber\u00fccksichtigen. Dadurch generiert der Agent relevantere und pers\u00f6nlichere Antworten.<\/p>\n\n\n\n

Langfristige Koh\u00e4renz<\/strong><\/h3>\n\n\n\n

Die F\u00e4higkeit eines KI-Agenten, \u00fcber l\u00e4ngere Zeit den Gespr\u00e4chs- und Handlungskontext konsistent zu halten.<\/p>\n\n\n\n

\n
\n

Beispiel:<\/strong> Ein Nutzer interessiert sich im Januar f\u00fcr ein Upgrade, kontaktiert den Support aber erst im April erneut. Der Agent erinnert sich an den Verlauf und schl\u00e4gt proaktiv passende Optionen vor \u2013 ohne dass alles erneut erkl\u00e4rt werden muss.<\/p>\n<\/div>\n<\/div>\n\n\n\n

Multimodale KI<\/strong><\/h3>\n\n\n\n

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.<\/p>\n\n\n\n

Ontologie<\/strong><\/h3>\n\n\n\n

Ein strukturiertes Wissensmodell, das KI-Systemen hilft, Daten konsistent zu interpretieren und semantisch zu verkn\u00fcpfen. So versteht die KI auch sprachliche Varianten und kann passende Abl\u00e4ufe starten, unabh\u00e4ngig von der gew\u00e4hlten Formulierung.<\/p>\n\n\n\n

\n
\n

Beispiel:<\/strong> Ein Agent im Kundenservice erkennt, dass \u201eBestellung stornieren\u201c, \u201eR\u00fcckgabe starten\u201c und \u201eKauf r\u00fcckg\u00e4ngig machen\u201c \u00e4hnliche Anliegen sind, weil sie in der Ontologie als verwandte Aktionen im Themenbereich \u201eTransaktion\u201c definiert sind.<\/p>\n<\/div>\n<\/div>\n\n\n\n

Dynamische Ressourcenverteilung<\/strong><\/h3>\n\n\n\n

Eine bedarfsgerechte Verteilung von Rechenleistung und Speicher in Echtzeit. So arbeiten Agenten schneller, effizienter und ressourcenschonender.<\/p>\n\n\n\n

Entscheidungsfindung, Grenzen und Vertrauen<\/strong><\/p>\n\n\n\n

Reasoning Engine<\/strong><\/h3>\n\n\n\n

Das System, mit der KI-Agenten Entscheidungen treffen und Aktionen ausw\u00e4hlen. Die Reasoning Engine<\/a> kombiniert Daten, Regeln und Kontextinformationen und wendet verschiedene Denkmodelle an: deduktiv (faktenbasiert), induktiv (musterbasiert) oder abduktiv (beste Sch\u00e4tzung).<\/p>\n\n\n\n

Deterministisches Denken (Deterministic Reasoning)<\/strong><\/h3>\n\n\n\n

Eine regelbasierte Logik, die bei identischen Eingaben immer dieselbe Ausgabe liefert. Wird zum Beispiel in regelbasierten Automatisierungen<\/a> verwendet.<\/p>\n\n\n\n

Agentische KI dagegen ist nicht deterministisch. Sie agiert flexibel und kontextabh\u00e4ngig.<\/p>\n\n\n\n

Best\u00e4rkendes Lernen (Reinforcement Learning)<\/strong><\/h3>\n\n\n\n

Ein Lernverfahren, bei dem der Agent durch Interaktionen und Feedback seine Entscheidungen kontinuierlich verbessert.<\/p>\n\n\n\n

\n
\n

Beispiel:<\/strong> Ein KI-Agent im Kundenservice testet verschiedene Antwortstrategien auf Reklamationen, etwa mit oder ohne Rabattangebot. Mit der Zeit lernt er, welche Reaktionen am h\u00e4ufigsten zu zufriedenen Kund:innen f\u00fchren, und passt sein Verhalten entsprechend an.
So optimiert der Agent eigenst\u00e4ndig seine Entscheidungen auf Basis von Erfolg und Misserfolg.<\/p>\n<\/div>\n<\/div>\n\n\n\n

Wahrscheinlichkeitsbasiertes Denken<\/strong><\/h3>\n\n\n\n

KI trifft Entscheidungen auf Basis von Wahrscheinlichkeiten. Auch bei unsicheren oder unvollst\u00e4ndigen Informationen kann sie so passende Antworten liefern.<\/p>\n\n\n\n

Komplexit\u00e4tsschwelle<\/strong><\/h3>\n\n\n\n

Der Punkt, an dem eine Aufgabe zu komplex f\u00fcr die KI wird und ein Mensch \u00fcbernehmen muss. Ein wichtiges Kriterium f\u00fcr die Gestaltung sinnvoller \u00dcbergaben (siehe Agent-to-human handoff).<\/p>\n\n\n\n

\n
\n

Beispiel:<\/strong> Ein Kunde fragt nach Vertragsdetails mit rechtlichen Implikationen. Der Agent erkennt die Schwelle und \u00fcbergibt den Fall an den zust\u00e4ndigen Account Manager mit vollst\u00e4ndigem Kontext.<\/p>\n<\/div>\n<\/div>\n\n\n\n

Erkl\u00e4rbarkeit und Transparenz<\/strong><\/h3>\n\n\n\n

Zwei Voraussetzungen f\u00fcr vertrauensvolle KI:<\/p>\n\n\n\n