{"id":6537,"date":"2026-07-17T04:14:04","date_gmt":"2026-07-17T04:14:04","guid":{"rendered":"https:\/\/technodidact.de\/?p=6537"},"modified":"2026-07-17T04:14:04","modified_gmt":"2026-07-17T04:14:04","slug":"vom-chatbot-zum-handelnden-die-stille-revolution-der-agentic-ai","status":"publish","type":"post","link":"https:\/\/technodidact.de\/en\/vom-chatbot-zum-handelnden-die-stille-revolution-der-agentic-ai\/","title":{"rendered":"Vom Chatbot zum Handelnden: Die stille Revolution der Agentic AI"},"content":{"rendered":"

Autor: DerSchneider<\/strong><\/p>\n\n\n\n

\n\n\n\n

Einleitung<\/h2>\n\n\n\n

Stellen Sie sich vor, Sie k\u00f6nnten einem digitalen Assistenten ein Ziel nennen \u2013 und er erledigt den Rest. Keine schrittweisen Anweisungen, kein Mikromanagement, keine endlosen R\u00fcckfragen. Er recherchiert selbstst\u00e4ndig, analysiert, plant, f\u00fchrt aus und liefert ein Ergebnis. Das klingt nach Science-Fiction? Es ist l\u00e4ngst Realit\u00e4t.<\/p>\n\n\n\n

Was 2025 von der Industrie als \u201eJahr der KI-Agenten\u201c gefeiert wurde<\/a><\/a>, hat sich 2026 zu einer der am schnellsten wachsenden Technologiepriorit\u00e4ten in Unternehmen entwickelt<\/a>. Die Rede ist von Agentic AI<\/em> \u2013 KI-Systemen, die nicht mehr nur Fragen beantworten, sondern eigenst\u00e4ndig handeln. Der Markt f\u00fcr Agentic AI wurde 2025 auf 7,29 Milliarden US-Dollar gesch\u00e4tzt und soll bis 2034 auf \u00fcber 139 Milliarden US-Dollar anwachsen \u2013 eine durchschnittliche j\u00e4hrliche Wachstumsrate von 40,5 Prozent.<\/p>\n\n\n\n

Doch was genau verbirgt sich hinter diesem Begriff? Dieser Artikel nimmt Sie mit auf eine Reise von den technischen Fundamenten der K\u00fcnstlichen Intelligenz \u00fcber die Funktionsweise gro\u00dfer Sprachmodelle bis hin zu den komplexen Architekturen autonomer Agentensysteme. Wir beleuchten, wie Agenten denken, handeln und lernen, welche Werkzeuge ihnen zur Verf\u00fcgung stehen und warum Sicherheit in diesem neuen Paradigma keine optionale Zugabe, sondern eine Grundvoraussetzung ist.<\/p>\n\n\n\n

\n\n\n\n

1. Die Grundlagen: Was KI \u00fcberhaupt ist<\/h2>\n\n\n\n

Um zu verstehen, wohin die Reise geht, muss man wissen, wo sie begann. K\u00fcnstliche Intelligenz hat drei gro\u00dfe Epochen durchlaufen.<\/p>\n\n\n\n

Die \u00c4ra der regelbasierten KI (1950er\u20131980er Jahre)<\/strong> : Systeme folgten handgeschriebenen Anweisungen. Wenn dies, dann jenes.<\/em> N\u00fctzlich, aber starr und zerbrechlich. Sobald ein Fall au\u00dferhalb der definierten Regeln lag, versagte das System.<\/p>\n\n\n\n

Die \u00c4ra des maschinellen Lernens (1990er\u20132000er Jahre)<\/strong> : Statt Regeln vorzugeben, zeigte man der Maschine tausende Beispiele \u2013 und sie fand selbstst\u00e4ndig die Muster. Entscheidungsb\u00e4ume, Support-Vektor-Maschinen, fr\u00fche neuronale Netze. Deutlich leistungsf\u00e4higer, aber immer noch eng gef\u00fchrt: ein Modell, eine Aufgabe.<\/p>\n\n\n\n

Die Transformer-Revolution (2017)<\/strong> : Ein Team von Google-Forschern ver\u00f6ffentlichte die Arbeit \u201eAttention Is All You Need\u201c<\/em>. Sie f\u00fchrte die Transformer-Architektur<\/em> ein \u2013 das Herzst\u00fcck praktisch aller heutigen gro\u00dfen Sprachmodelle wie GPT, Claude oder Gemini. Was Transformer von \u00e4lteren Modellen unterscheidet, ist der Attention-Mechanismus<\/em>: W\u00e4hrend fr\u00fchere Modelle Text Wort f\u00fcr Wort lasen, betrachtet der Transformer den gesamten Satz auf einmal und berechnet, wie jedes Wort mit jedem anderen zusammenh\u00e4ngt. Dadurch versteht das Modell Kontext \u2013 etwa, dass \u201eBank\u201c in Verbindung mit \u201eFluss\u201c ein Ufer bezeichnet und kein Geldinstitut.<\/p>\n\n\n\n

Transformer skalieren. Mehr Daten und mehr Rechenleistung bedeuten ein intelligenteres Modell. Dies ebnete den Weg f\u00fcr die \u00c4ra der Large Language Models (LLMs).<\/p>\n\n\n\n

\n\n\n\n

2. Wie Large Language Models (LLMs) wirklich arbeiten<\/h2>\n\n\n\n

LLMs sind die \u201eGehirne\u201c hinter jedem modernen KI-Produkt. Im Kern sind sie Next-Token-Pr\u00e4diktoren<\/em>: Sie sagen voraus, welches Wort \u2013 genauer: welcher Token<\/em> \u2013 als n\u00e4chstes kommt. Ein Token entspricht etwa drei Vierteln eines Wortes. Das Modell berechnet Wahrscheinlichkeiten: Gegeben alles, was bisher kam, was ist das wahrscheinlichste n\u00e4chste Wort? Es ist wie die Autovervollst\u00e4ndigung auf dem Smartphone \u2013 nur dass diese Autovervollst\u00e4ndigung praktisch das gesamte Internet gelesen hat.<\/p>\n\n\n\n

Eine entscheidende Stellschraube ist die Temperatur<\/em>. Auf null gesetzt w\u00e4hlt das Modell stets das wahrscheinlichste n\u00e4chste Wort \u2013 ideal f\u00fcr faktische Aufgaben. H\u00f6here Temperaturen erzeugen kreativere, \u00fcberraschendere Ergebnisse \u2013 perfekt f\u00fcr Brainstorming.<\/p>\n\n\n\n

Das Kontextfenster<\/em> ist das Arbeitsged\u00e4chtnis des Modells \u2013 die Menge an Information, die es auf einmal sehen kann. Claude Opus verarbeitet rund 200.000 Token (etwa 150.000 W\u00f6rter), Gemini 2.5 Pro geht bis zu einer Million Token<\/a>. Doch Vorsicht: Ein gr\u00f6\u00dferes Kontextfenster bedeutet h\u00f6here Kosten, langsamere Antworten und manchmal den Verlust des Fokus auf fr\u00fchere Konversationsteile.<\/p>\n\n\n\n

\n\n\n\n

3. Vom Chatbot zum Agenten: Der gro\u00dfe Wandel<\/h2>\n\n\n\n

ChatGPT und seine Verwandten sind Chatbots<\/em>: Sie reagieren auf Fragen, geben Antworten \u2013 und das war es. Sie sind reaktiv.<\/p>\n\n\n\n

Ein KI-Agent<\/em> ist etwas grundlegend anderes. Ein Agent ist ein autonomes System, das seine Umgebung wahrnehmen, \u00fcber Ziele nachdenken, Entscheidungen treffen, Handlungen mit Werkzeugen ausf\u00fchren und sich an neue Informationen anpassen kann \u2013 und das alles mit minimaler menschlicher Anleitung<\/a>.<\/p>\n\n\n\n

F\u00fcnf Eigenschaften machen ein System wirklich agentisch<\/em>:<\/p>\n\n\n\n

    \n
  1. Wahrnehmung<\/strong>: Der Agent kann seine Umgebung erfassen \u2013 Dateien lesen, Webseiten durchsuchen, API-Antworten empfangen, Bilder betrachten.<\/li>\n\n\n\n
  2. Schlussfolgerung<\/strong>: Er kann Probleme durchdenken, zerlegen und den besten Ansatz finden.<\/li>\n\n\n\n
  3. Planung<\/strong>: Er erstellt mehrstufige Pl\u00e4ne und passt sie bei Ver\u00e4nderungen an.<\/li>\n\n\n\n
  4. Handlung<\/strong>: Er kann in der realen Welt aktiv werden \u2013 APIs aufrufen, Code ausf\u00fchren, E-Mails versenden, das Web durchsuchen.<\/li>\n\n\n\n
  5. Anpassung<\/strong>: Er lernt aus Feedback, aus eigenen Fehlern, aus dem, was funktioniert und was nicht<\/a>.<\/li>\n<\/ol>\n\n\n\n

    Ein herk\u00f6mmlicher Chatbot besitzt die ersten beiden Eigenschaften allenfalls ansatzweise. Ein Agent verf\u00fcgt \u00fcber alle f\u00fcnf \u2013 und das macht den entscheidenden Unterschied.<\/p>\n\n\n\n

    \n\n\n\n

    4. Die Kernschleife: Wie ein Agent wirklich arbeitet<\/h2>\n\n\n\n

    Jeder KI-Agent, ob einfach oder komplex, l\u00e4uft in einer kontinuierlichen Schleife:<\/p>\n\n\n\n

    Schritt 1: Wahrnehmen.<\/strong> Der Agent empf\u00e4ngt Input \u2013 die urspr\u00fcngliche Anweisung, das Ergebnis einer vorherigen Aktion, eine Fehlermeldung.<\/p>\n\n\n\n

    Schritt 2: Denken.<\/strong> Das LLM betrachtet alles in seinem Kontextfenster und denkt nach. Was ist das Ziel? Was habe ich bereits getan? Was wei\u00df ich? Was ist der kl\u00fcgste n\u00e4chste Schritt?<\/p>\n\n\n\n

    Schritt 3: Handeln.<\/strong> Der Agent ruft entweder ein Werkzeug auf (durchsucht das Web, f\u00fchrt Code aus, liest eine Datei) oder entscheidet, dass er fertig ist und liefert eine endg\u00fcltige Antwort.<\/p>\n\n\n\n

    Schritt 4: Beobachten.<\/strong> Das Ergebnis der Werkzeugnutzung kommt zur\u00fcck. Der Agent liest es, nimmt es auf, aktualisiert sein Verst\u00e4ndnis der Situation \u2013 und die Schleife beginnt von vorne.<\/p>\n\n\n\n

    Diese Schleife wird oft als Wahrnehmen-Denken-Handeln-Schleife<\/em> bezeichnet. Das Verst\u00e4ndnis dieser Schleife ist der Schl\u00fcssel zum Verst\u00e4ndnis, wie Agenten aufgebaut, debuggt und verbessert werden.<\/p>\n\n\n\n

    Eine besonders wirkungsvolle Umsetzung dieses Prinzips ist ReAct<\/strong> \u2013 kurz f\u00fcr Reasoning + Acting<\/em><\/a>. Die Idee ist einfach wie genial: Vor jeder Aktion schreibt der Agent explizit seine Gedanken auf. Das verhindert impulsive Werkzeugaufrufe, schafft eine nachvollziehbare Entscheidungsspur und macht Fehleranalyse wesentlich einfacher.<\/p>\n\n\n\n

    \n\n\n\n

    5. Werkzeuge: Die Superkr\u00e4fte der KI-Agenten<\/h2>\n\n\n\n

    LLMs allein sind extrem intelligent, aber gefangen. Sie wissen nur, was in ihren Trainingsdaten stand. Sie k\u00f6nnen keine live Aktienkurse abrufen, keine internen Dokumente lesen, keine E-Mails versenden, keinen Code ausf\u00fchren. Sie sind wie ein Genie in einem Raum ohne Telefon und ohne Internet.<\/p>\n\n\n\n

    Werkzeuge<\/em> geben diesem Genie Zugang zur Welt. Ein Werkzeug ist im Wesentlichen eine Funktion, die der Agent aufrufen kann, um mit etwas au\u00dferhalb seiner selbst zu interagieren. Moderne LLMs sind speziell darauf trainiert zu entscheiden, welches<\/em> Werkzeug sie wann<\/em> und mit welchen Argumenten<\/em> aufrufen sollen \u2013 das wird Function Calling<\/em> oder Tool Use<\/em> genannt.<\/p>\n\n\n\n

    Die Kategorien sind vielf\u00e4ltig:<\/p>\n\n\n\n