Agentic AI verstehen: Glossar für Entscheider:innen

Agentic AI beschreibt KI-Systeme, die nicht nur reagieren, sondern Aufgaben planen, Entscheidungen vorbereiten und Aktionen ausführen können. Für nicht technische Entscheider:innen ist dabei weniger wichtig, welches Modell im Hintergrund arbeitet. Sondern, wie ein solches System kontrollierbar, nachvollziehbar und organisatorisch tragfähig bleibt.

Grundlagen agentischer KI

Agentic AI

Agentic AI bezeichnet KI-Systeme, die ein Ziel verfolgen und selbstständig nächste Schritte ableiten. Sie können Informationen sammeln, Werkzeuge nutzen, Aufgaben strukturieren und Ergebnisse weiterverarbeiten.

Der Unterschied zu klassischen KI-Anwendungen liegt im Handlungsspielraum: Ein klassischer Chatbot liefert Antworten oder Vorschläge, aber die weitere Handlung bleibt beim Menschen. Ein agentisches System kann ein Ziel in Aufgaben übersetzen, Informationen prüfen und innerhalb klarer Regeln nächste Schritte vorbereiten oder ausführen.

AI Agent

Ein AI Agent ist eine spezialisierte Einheit innerhalb eines KI-Systems. Er übernimmt eine bestimmte Aufgabe, zum Beispiel Recherche, Prüfung, Planung oder die Übergabe von Informationen an ein anderes System. In Unternehmen sollte ein Agent nie losgelöst vom Gesamtsystem betrachtet werden. Er braucht klare Rollen, Berechtigungen und fachlichen Kontext.

Agent Workflow

Ein Agent Workflow beschreibt die Abfolge von Aufgaben, Entscheidungen und Aktionen, die ein AI Agent durchführt, um ein Ziel zu erreichen. Der Workflow definiert, welche Informationen benötigt werden, welche Systeme eingebunden sind und an welchen Stellen Kontrolle oder Freigaben erfolgen.

Goal-Oriented AI

Goal-Oriented AI beschreibt KI-Systeme, die nicht einzelne Befehle ausführen, sondern auf ein definiertes Ziel hinarbeiten. Statt jede Aktion vorzugeben, formuliert der Mensch das gewünschte Ergebnis. Das System plant daraufhin selbstständig die notwendigen Schritte innerhalb vorgegebener Regeln und Grenzen.

Memory

Memory beschreibt die Fähigkeit eines KI-Systems, relevante Informationen über mehrere Interaktionen oder Prozessschritte hinweg zu nutzen. Dadurch kann ein Agent frühere Ergebnisse, Entscheidungen oder Kontextinformationen berücksichtigen und konsistent weiterarbeiten. Ohne geeignete Memory-Mechanismen müsste ein System jeden Schritt isoliert betrachten und würde wichtige Zusammenhänge verlieren.

Multiagentensystem

Ein Multiagentensystem besteht aus mehreren AI Agents, die zusammenarbeiten. Ein Agent analysiert Daten, ein anderer prüft Risiken, ein weiterer bereitet eine Entscheidung vor. Das kann komplexe Abläufe beschleunigen. Gleichzeitig steigt der Bedarf an Koordination, Monitoring und sauberer Systemlogik.

Orchestrierung

Orchestrierung beschreibt die Koordination mehrerer Agents, Systeme und Prozesse. Sie legt fest, welcher Agent welche Aufgabe übernimmt, wie Informationen weitergegeben werden und wie Ergebnisse zusammengeführt werden. Gute Orchestrierung verhindert Chaos in komplexen Agentensystemen.

Reasoning

Reasoning beschreibt die Fähigkeit eines KI-Systems, Informationen zu analysieren, Zusammenhänge zu erkennen und daraus Schlussfolgerungen abzuleiten. Im Gegensatz zur reinen Informationswiedergabe bewertet ein Agent verschiedene Optionen, berücksichtigt Rahmenbedingungen und leitet daraus mögliche nächste Schritte ab. Reasoning bildet die Grundlage für Entscheidungen, Planungen und Problemlösungen in agentischen Systemen.

Tool Use

Tool Use bezeichnet die Fähigkeit eines AI Agents, externe Werkzeuge einzusetzen. Dazu gehören Datenbanken, ERP-Systeme, APIs, Suchfunktionen oder Dokumentenmanagementsysteme. Erst durch die kontrollierte Nutzung solcher Werkzeuge wird aus einem Sprachmodell ein handlungsfähiges System.

Verantwortung und Kontrolle

Accountability

Accountability beschreibt die eindeutige Rechenschaftspflicht für Entscheidungen und Ergebnisse. Auch wenn AI Agents Aufgaben übernehmen, bleibt die Verantwortung für Prozesse und Geschäftsergebnisse immer bei Menschen oder Organisationseinheiten.

Delegation

Delegation beschreibt die bewusste Übertragung von Aufgaben an ein KI-System. Dabei wird festgelegt, welche Entscheidungen ein Agent selbst treffen darf und welche ausdrücklich menschliche Zustimmung benötigen.

Escalation Path

Ein Escalation Path definiert, wann ein Agent Entscheidungen an Menschen oder andere Instanzen weitergeben muss. Solche Eskalationsregeln sind wichtig, wenn Unsicherheit besteht, Risiken steigen oder definierte Schwellenwerte überschritten werden.

Human in the Loop

Human in the Loop bedeutet, dass Menschen an bestimmten Punkten bewusst eingebunden bleiben. Besonders bei kritischen Entscheidungen braucht es Freigaben, Kontrollpunkte und nachvollziehbare Verantwortung.

Das Ziel ist nicht, Menschen aus Prozessen zu entfernen. Ziel ist, sie dort einzubinden, wo Urteilskraft, Kontext und Verantwortung entscheidend sind.

Human on the Loop

Während beim Human in the Loop Menschen aktiv freigeben, überwacht beim Human on the Loop ein Mensch den Prozess aus einer übergeordneten Perspektive. Das System kann eigenständig handeln, bleibt jedoch unter kontinuierlicher Beobachtung und kann bei Bedarf gestoppt oder korrigiert werden.

Ownership

Ownership beschreibt, wer fachlich und organisatorisch Verantwortung trägt. Gerade bei agentischen Systemen muss klar sein, wer entscheidet, wer überwacht und wer im Zweifel eingreift. Ohne Ownership entstehen Grauzonen. Dort wird AI schnell zum Risiko, weil Verantwortung nicht eindeutig zugeordnet ist.

Governance und Sicherheit

AI Governance

AI Governance umfasst Regeln, Prozesse und Kontrollmechanismen für den Einsatz von KI. Bei Agentic AI muss Governance von Beginn an Teil des Systemdesigns sein, nicht erst nach dem Pilotprojekt. Dazu gehören Rollen, Freigabeprozesse, Datenzugriffe, Risikoklassen und Eskalationswege.

Audit Trail

Ein Audit Trail dokumentiert, was ein System getan hat, welche Informationen genutzt wurden und welche Schritte zu einem Ergebnis geführt haben. Das ist besonders wichtig, wenn AI Agents nicht nur Empfehlungen geben, sondern Aktionen auslösen. Nachvollziehbarkeit wird damit zur Grundlage für Vertrauen.

Data Lineage

Data Lineage beschreibt die Herkunft und Verarbeitung von Daten. Sie macht sichtbar, wo Informationen entstanden sind, welche Systeme sie verändert haben und wie sie in Entscheidungen eingeflossen sind.

Explainability

Explainability bedeutet, dass Entscheidungen, Vorschläge und Aktionen eines Systems verständlich erklärt werden können. Für Führungsteams ist das zentral. Entscheidungen müssen nicht nur technisch funktionieren. Sie müssen fachlich nachvollziehbar und organisatorisch vertretbar sein.

Guardrails

Guardrails sind technische und organisatorische Schutzmechanismen, die den Handlungsspielraum eines KI-Systems begrenzen. Sie verhindern unerwünschte Aktionen und sorgen dafür, dass Systeme innerhalb definierter Regeln agieren.

Observability

Observability bezeichnet die Fähigkeit, das Verhalten eines Systems laufend zu beobachten und zu verstehen. Dazu gehören Monitoring, Protokollierung, Metriken und Warnmechanismen, die Transparenz über Aktionen und Entscheidungen schaffen.

Policy Engine

Eine Policy Engine setzt Regeln automatisiert durch. Sie prüft beispielsweise, ob ein Agent auf bestimmte Daten zugreifen darf, ob Aktionen genehmigt werden müssen oder ob Compliance-Anforderungen erfüllt sind.

Risk Classification

Risk Classification beschreibt die Einstufung von KI-Anwendungen nach ihrem Risiko. Je höher die potenziellen Auswirkungen auf Menschen, Prozesse oder Geschäftsergebnisse, desto höher die Anforderungen an Kontrolle, Dokumentation und Governance.

Self Healing

Self bezeichnet die Fähigkeit eines Agentic-AI-Systems, Fehler oder unerwartete Zustände selbst zu erkennen und innerhalb definierter Grenzen zu korrigieren. Ein Agent kann zum Beispiel einen fehlgeschlagenen Schritt wiederholen, ein anderes Tool nutzen oder eine Aufgabe an einen Menschen eskalieren. Wichtig: Self Healing bedeutet nicht, dass AI fehlerfrei arbeitet. Es bedeutet, dass Agentensysteme robuster, nachvollziehbarer und stabiler mit Fehlern umgehen.

Integration und Systemlogik

API

Eine API (Application Programming Interface) ermöglicht die standardisierte Kommunikation zwischen Systemen. Für Agentic AI sind APIs entscheidend, um Daten abzurufen oder Aktionen in bestehenden Anwendungen auszulösen.

Event Modeling

Event Modeling macht sichtbar, was in einem System passiert, wann es passiert und welche Zustandsänderungen daraus entstehen. Für Agentic AI ist das besonders wertvoll. Aktionen, Entscheidungen und Verantwortlichkeiten bleiben über Zeit nachvollziehbar. So entsteht eine Grundlage für Systeme, die nicht nur handeln, sondern kontrolliert handeln.

Event Sourcing

Event Sourcing speichert nicht nur den aktuellen Zustand eines Systems, sondern alle Zustandsänderungen als Ereignisse. Dadurch bleibt nachvollziehbar, wann und warum Entscheidungen oder Aktionen stattgefunden haben. Dies bildet eine wichtige Grundlage für Transparenz und Auditierbarkeit.

Grounding

Grounding bedeutet, dass ein KI-System seine Antworten auf konkrete Daten oder Quellen stützt. Dadurch sinkt das Risiko von Fehlinformationen und die Nachvollziehbarkeit steigt.

Knowledge Base

Eine Knowledge Base ist eine strukturierte Wissensquelle, auf die AI Agents zugreifen können. Sie enthält beispielsweise Richtlinien, Produktinformationen, Prozessbeschreibungen oder Fachwissen aus dem Unternehmen.

Kontext

Agentic AI ist nur so gut wie der Kontext, den sie erhält. Dazu zählen Geschäftsregeln, Datenqualität, Prozesswissen, Rollen, Berechtigungen und technische Systemlogik. Fehlt dieser Kontext, entstehen Ergebnisse, die auf den ersten Blick plausibel wirken, aber fachlich nicht belastbar sind.

MCP

MCP steht für Model Context Protocol. Es beschreibt einen Ansatz, wie KI-Systeme strukturiert auf externe Tools, Datenquellen und Systeme zugreifen können. Für Enterprise AI ist das relevant, weil Integration nicht improvisiert werden darf. Sie braucht klare Grenzen, sichere Zugriffe und nachvollziehbare Übergaben.

Retrieval Augmented Generation (RAG)

RAG kombiniert Sprachmodelle mit externen Wissensquellen. Statt ausschließlich auf Trainingsdaten zuzugreifen, kann das System aktuelle Dokumente, Datenbanken oder Unternehmenswissen einbeziehen. Dadurch werden Antworten präziser und besser nachvollziehbar.

State Management

State Management beschreibt die Verwaltung des aktuellen Systemzustands. Gerade bei agentischen Systemen ist wichtig zu wissen, welche Informationen bereits vorliegen, welche Aufgaben abgeschlossen wurden und welche Entscheidungen noch ausstehen.

Workflow Engine

Eine Workflow Engine steuert Prozesse und definiert, welche Schritte in welcher Reihenfolge ausgeführt werden. Sie sorgt dafür, dass auch komplexe Abläufe konsistent und kontrollierbar bleiben.

Agentic AI für Unternehmen

AI Readiness

AI Readiness beschreibt, wie gut ein Unternehmen organisatorisch, technisch und kulturell auf den Einsatz von KI vorbereitet ist. Dazu gehören Datenqualität, Governance, Kompetenzen und die Fähigkeit zur Umsetzung.

Operating Model

Das Operating Model beschreibt, wie Menschen, Prozesse, Technologien und Verantwortlichkeiten zusammenspielen. Bei Agentic AI entscheidet häufig nicht das Modell selbst über den Erfolg, sondern das Zusammenspiel aus Governance, Organisation und Systemarchitektur.

Pilot Fatigue

Pilot Fatigue entsteht, wenn Unternehmen zahlreiche AI-Piloten starten, diese aber nie produktiv skalieren. Es entstehen viele Experimente, aber wenig nachhaltiger Geschäftswert. Dieses Muster wird aktuell in vielen Organisationen beobachtet.

Proof of Value (PoV)

Ein Proof of Value prüft, ob ein konkreter Anwendungsfall messbaren Geschäftsnutzen erzeugt. Im Unterschied zu einem technischen Prototyp steht hier nicht die Machbarkeit, sondern der wirtschaftliche Mehrwert im Fokus.

Agentic AI mit open200

Wer Agentic AI im Unternehmen sinnvoll einsetzen möchte, sollte nicht mit Tools starten, sondern mit Klarheit. Welche Use Cases tragen wirklich? Wo braucht es Governance? Welche Entscheidungen darf ein System vorbereiten oder ausführen?

Sprechen Sie darüber in einem kostenlosen und unverbindlichen Call mit Otto Meinhart. Ordnen Sie gemeinsam ein, wo Agentic AI in Ihrer Organisation konkreten Wert schafft und welche Voraussetzungen dafür notwendig sind. So entsteht aus einer Idee kein weiteres Pilotprojekt, sondern ein belastbarer nächster Schritt.

Agentic AI entwickelt sich rasant. Wer fundierte Entscheidungen treffen möchte, braucht mehr als Trendmeldungen. Folgen Sie uns auf LinkedIn für Einordnungen, Praxisbeispiele und Impulse rund um Enterprise AI, Governance und zukunftsfähige Softwareentwicklung.