Was ist ein KI-Agent? Definition, Beispiele, Kosten

Ein KI-Agent ist ein System, in dem ein Sprachmodell ein Ziel in mehreren Schritten verfolgt und dabei Werkzeuge nutzt. Es schaut sich die Lage an, plant den nächsten Schritt, handelt und prüft das Ergebnis. Das wiederholt es, bis die Aufgabe erledigt ist oder es nicht weiterkommt.

Stell dir einen Praktikanten vor, dem du nicht jeden Handgriff erklärst, sondern nur ein Ziel, zum Beispiel „Finde heraus, welche Konkurrenten ihre Preise geändert haben.“ Er überlegt sich einen Weg, öffnet Webseiten, notiert Ergebnisse, merkt, dass eine Seite nicht lädt, und versucht es anders. Ein Chatbot würde dir dagegen eine Antwort aus dem Gedächtnis geben.

1. Wie ein Agent funktioniert

Das Herzstück ist eine Schleife. Ein Sprachmodell allein kann nur Text erzeugen. Erst die Schleife drumherum macht daraus einen Agenten.

1.1 Die Schleife

1. Wahrnehmen: Das Modell bekommt das Ziel und alles, was bisher passiert ist, als Text in den Prompt.
2. Planen: Es überlegt, welcher Schritt als Nächstes sinnvoll ist, und wählt ein Werkzeug.
3. Handeln: Das Programm um das Modell herum führt das Werkzeug wirklich aus, zum Beispiel eine Suche oder einen Test.
4. Prüfen: Das Ergebnis wandert zurück in den Verlauf. Das Modell entscheidet, ob es weitermacht, einen anderen Weg wählt oder fertig ist.

Das Muster stammt aus der Forschung. Ein Team um Shunyu Yao zeigte 2022 mit „ReAct“, dass Modelle besser arbeiten, wenn sie Überlegen und Handeln abwechseln und dabei Informationen von außen holen. Anthropic betont in seinem Leitfaden zu Agenten einen weiteren Punkt. Bei jedem Schritt braucht der Agent echte Rückmeldung aus der Umgebung, etwa ein Testergebnis, damit er seinen Fortschritt beurteilen kann. Meist gibt es außerdem eine Obergrenze für die Zahl der Schritte.

1.2 Die Werkzeuge

Ein Werkzeug ist eine Funktion, die das Modell anfordern kann. Dafür beschreibst du dem Modell, was die Funktion tut und welche Angaben sie braucht. Das Modell schreibt dann keinen Fließtext, sondern einen strukturierten Aufruf, etwa „Suche nach diesem Begriff“. Dieses Verfahren heißt Function Calling. Dein Programm führt den Aufruf aus und gibt das Ergebnis zurück. Das Modell selbst führt also nie etwas aus.

Damit nicht jede Anwendung ihre Werkzeuge neu verdrahten muss, gibt es mit dem Model Context Protocol (MCP) einen offenen Standard. Er verbindet Agenten mit Datenquellen und Diensten über eine gemeinsame Schnittstelle. Hinzu kommen Wissensquellen, die der Agent über RAG durchsucht, und Anweisungen aus dem System-Prompt, die Rolle und Grenzen festlegen. Bei Coding-Agenten ist das oft eine Projektdatei wie AGENTS.md.

2. Chatbot, Workflow oder Agent?

Nicht alles, was „Agent“ heißt, ist einer. Anthropic unterscheidet zwei Bauweisen. Bei Workflows laufen Sprachmodell und Werkzeuge über vordefinierte Codepfade. Bei Agenten steuert das Modell Ablauf und Werkzeugeinsatz selbst. Die Tabelle ordnet die drei Varianten ein:

Chatbot

Wer bestimmt den Ablauf?

Du, mit jeder Nachricht

Gut für

Fragen, Texte, Ideen

Preis der Autonomie

Gering. Jede Antwort ist ein einzelner Aufruf.

Workflow

Wer bestimmt den Ablauf?

Dein Code, in festen Schritten

Gut für

Wiederkehrende Aufgaben mit bekanntem Ablauf, etwa Mail klassifizieren und weiterleiten

Preis der Autonomie

Mittel. Vorhersehbar, aber starr.

Agent

Wer bestimmt den Ablauf?

Das Modell, Schritt für Schritt

Gut für

Offene Aufgaben, bei denen der Weg vorher unklar ist, etwa einen Fehler im Code finden

Preis der Autonomie

Hoch. Mehr Kosten, Fehler können sich aufschaukeln.

Typ	Wer bestimmt den Ablauf?	Gut für	Preis der Autonomie
Chatbot	Du, mit jeder Nachricht	Fragen, Texte, Ideen	Gering. Jede Antwort ist ein einzelner Aufruf.
Workflow	Dein Code, in festen Schritten	Wiederkehrende Aufgaben mit bekanntem Ablauf, etwa Mail klassifizieren und weiterleiten	Mittel. Vorhersehbar, aber starr.
Agent	Das Modell, Schritt für Schritt	Offene Aufgaben, bei denen der Weg vorher unklar ist, etwa einen Fehler im Code finden	Hoch. Mehr Kosten, Fehler können sich aufschaukeln.

Anthropic, Building effective agents

PNG|SVG

CC BY 4.0

gradually.ai

Anthropic rät zur einfachsten Lösung, die reicht. Ein Workflow ist oft besser als ein Agent, weil er billiger und berechenbarer ist. Einen Agenten lohnt es erst, wenn sich der Weg zum Ziel nicht vorab festlegen lässt.

3. Was ist Agentic AI?

Agentic AI ist der Oberbegriff für Systeme, die nach diesem Prinzip arbeiten. Sie verfolgen ein Ziel und wählen ihre Schritte selbst. Das Wort „agentic“ heißt wörtlich „agentisch“, also „handelnd“. Der Begriff beschreibt eine Eigenschaft, kein einzelnes Produkt. Ein System kann mehr oder weniger agentisch sein, je nachdem, wie viel Entscheidungsspielraum das Modell hat.

Zwei Abgrenzungen helfen:

• Gegenüber generativer KI: Generative KI erzeugt Inhalte auf Anfrage und ist danach fertig. Agentic AI setzt solche Modelle in eine Schleife und lässt sie handeln. Es ist keine Alternative, sondern ein Aufbau auf generativer KI.
• Gegenüber Workflows und klassischer Automatisierung: Eine Automatisierung folgt einem festen Plan, den ein Mensch vorher entworfen hat. Ein agentisches System entscheidet während der Arbeit selbst, welchen Schritt es als Nächstes geht, und passt sich an, wenn etwas schiefläuft.

4. Wo Agenten heute im Einsatz sind

• Coding-Agenten: Sie lesen dein Projekt, schreiben Änderungen, führen Tests aus und beheben Fehler, bis die Tests bestehen. In unserem Harness-Verzeichnis stehen 35 aktive Coding-Agenten, davon 16 Open Source und 29 mit Terminal-Oberfläche.
• Computer Use: Das Modell sieht den Bildschirm, bewegt die Maus und tippt auf der Tastatur. Anthropic stellte das im Oktober 2024 vor. Es erlaubt Aufgaben in Programmen, die keine Schnittstelle bieten.
• Recherche-Agenten: Werkzeuge wie Deep Research suchen, lesen und vergleichen viele Quellen und fassen sie in einem Bericht zusammen.

Einen Überblick mit Zahlen zur Verbreitung gibt der Artikel KI-Agenten Statistiken.

5. Praxisbeispiel: ein Lauf Schritt für Schritt

Ein ausgedachtes Beispiel. Ein Coding-Agent soll einen fehlschlagenden Test reparieren. Das Protokoll zeigt, wie sich die Schleife anfühlt:

Ziel: Der Test „berechne_rabatt“ schlägt fehl. Mach ihn grün.

Schritt 1  Plan: Erst den Fehler sehen.
           Werkzeug: Tests ausführen
           Ergebnis: 1 Fehler, erwartet 90.0, erhalten 100.0

Schritt 2  Plan: Die Funktion lesen.
           Werkzeug: Datei öffnen (rabatt.py)
           Ergebnis: Rabatt wird berechnet, aber nie abgezogen.

Schritt 3  Plan: Abzug ergänzen.
           Werkzeug: Datei ändern (rabatt.py, Zeile 12)
           Ergebnis: Änderung gespeichert.

Schritt 4  Plan: Prüfen, ob es hilft.
           Werkzeug: Tests ausführen
           Ergebnis: 12 von 12 Tests bestanden.

Ende       Ich habe in rabatt.py den fehlenden Abzug ergänzt.
           Alle Tests laufen durch.

Beachte Schritt 4. Der Agent behauptet nicht, dass es klappt, sondern prüft es. Dieses Prüfen gegen die Wirklichkeit unterscheidet einen guten Agenten von einem Modell, das nur Code vorschlägt.

6. Rechenbeispiel: was die Schleife kostet

Bei einem Chat zahlst du für Frage und Antwort. Ein Agent schickt bei jedem Schritt den kompletten Verlauf neu an das Modell, also Anweisungen, Werkzeugbeschreibungen, alle bisherigen Aufrufe und Ergebnisse. Der Verlauf wächst, und mit ihm die Zahl der Token, die in das Context Window passen müssen.

Ein ausgedachtes Beispiel mit 10 Schritten. Der Anfang aus System-Prompt, Werkzeugbeschreibungen und Aufgabe umfasst 5.000 Token. Jeder Schritt fügt etwa 2.000 Token hinzu (Werkzeugaufruf und Ergebnis), und das Modell schreibt pro Schritt rund 300 Token. Gerechnet ist mit dem Preis von Claude Sonnet 5.5.

Schritt 1

Eingabe-Token

5.000

Kosten (Eingabe und Ausgabe)

0,013 $

Schritt 2

Eingabe-Token

7.000

Kosten (Eingabe und Ausgabe)

0,017 $

Schritt 5

Eingabe-Token

13.000

Kosten (Eingabe und Ausgabe)

0,029 $

Schritt 10

Eingabe-Token

23.000

Kosten (Eingabe und Ausgabe)

0,049 $

Summe (10 Schritte)

Eingabe-Token

140.000

Kosten (Eingabe und Ausgabe)

0,31 $

Schritt	Eingabe-Token	Kosten (Eingabe und Ausgabe)
Schritt 1	5.000	0,013 $
Schritt 2	7.000	0,017 $
Schritt 5	13.000	0,029 $
Schritt 10	23.000	0,049 $
Summe (10 Schritte)	140.000	0,31 $

Eigene Berechnung, Preis von Claude Sonnet 5.5

PNG|SVG

CC BY 4.0

gradually.ai

Über alle Schritte hinweg gehen 140.000 Eingabe-Token durch das Modell, rund das 28-Fache des Anfangs. Das kostet 0,31 $. Eine einzelne Antwort mit demselben Anfang käme auf 0,013 $. Der Lauf kostet also ein Vielfaches einer Einzelantwort, obwohl jeder Schritt für sich klein ist.

Die Rechnung lässt sich drücken. Beim Prompt-Caching merkt sich der Anbieter den unveränderten Anfang des Prompts, und gelesene Cache-Token kosten bei Anthropic höchstens ein Zehntel des normalen Eingabepreises. Da bei einem Agenten der Anfang bei jedem Schritt gleich bleibt, wirkt das stark.

7. Grenzen und Missverständnisse

• Fehler summieren sich. Eine ausgedachte Rechnung. Gelingt jeder Schritt mit 95 % Wahrscheinlichkeit und sind die Schritte unabhängig, klappen zehn Schritte hintereinander nur in rund 60 % der Läufe (0,95 hoch 10 ergibt etwa 0,6). Anthropic nennt als Preis der Autonomie ausdrücklich höhere Kosten und sich aufschaukelnde Fehler und rät zu ausgiebigen Tests in abgeschotteten Umgebungen. Das Modell kann zudem halluzinieren, etwa ein Werkzeugergebnis falsch deuten oder einen Schritt als erledigt melden, der nie lief.
• Prompt Injection. Ein Agent liest fremde Inhalte, etwa Webseiten, E-Mails oder Dokumente. Steht dort eine versteckte Anweisung, kann er sie befolgen, als käme sie von dir. Forscher um Kai Greshake haben das 2023 an echten Anwendungen gezeigt. Mehr dazu im Eintrag zu Prompt Injection.
• Kosten und Laufzeit. Siehe Rechenbeispiel. Mehr Schritte heißen mehr Token. Ohne Obergrenze für die Zahl der Schritte kann ein Agent in einer Schleife hängen bleiben und Geld verbrennen.
• Zugriffsrechte. Was der Agent kann, hängt von den Werkzeugen ab, die du ihm gibst. Ein Agent mit Schreibzugriff auf deine Dateien kann sie auch löschen. Gib nur die Rechte, die für die Aufgabe nötig sind, und lass riskante Schritte wie Löschen, Bezahlen oder Senden von dir bestätigen.
• Missverständnis „Agent heißt autonom“. In der Praxis laufen viele Agenten mit einem Menschen in der Schleife, der Zwischenstände prüft. Vollständige Autonomie ist nicht immer das Ziel.

8. Was heißt das für dich?

• Frag zuerst, ob du einen Agenten brauchst. Ist der Ablauf bekannt, reicht ein Workflow. Er ist billiger und berechenbarer.
• Gib ein prüfbares Ziel vor. „Alle Tests laufen durch“ funktioniert besser als „Verbessere den Code“. Der Agent braucht ein Kriterium, an dem er sein Ergebnis messen kann.
• Begrenze Rechte und Schritte. Setze eine Obergrenze für die Zahl der Schritte und gib nur Zugriff auf das, was nötig ist. Teste neue Agenten in einer abgeschotteten Umgebung.
• Behalte die Kontrolle bei riskanten Aktionen. Bestätigungen für Löschen, Zahlen und Senden kosten Sekunden und verhindern teure Fehler.
• Prüfe Stichproben. Lies das Protokoll eines Laufs, nicht nur das Ergebnis. So erkennst du, ob der Agent sauber gearbeitet oder nur zufällig Erfolg hatte.
• Misstraue fremden Inhalten. Lässt du einen Agenten Webseiten oder Mails lesen, behandle deren Inhalt als nicht vertrauenswürdig.