KI-Agenten sind das neue Lieblingsversprechen der KI-Branche. Sie sollen nicht mehr nur Texte erzeugen, sondern Aufgaben annehmen, Zwischenschritte planen, Werkzeuge bedienen, Websites benutzen, Dateien bearbeiten und Ergebnisse abliefern. Aus dem Chatbot wird angeblich ein digitaler Mitarbeiter.
Ganz falsch ist das nicht. Seit 2024 und 2025 sind Systeme entstanden, die deutlich mehr können als eine einzelne Antwort im Chatfenster. Claude kann mit Computer-Use-Ansätzen Bildschirminhalte auswerten und Maus- oder Tastatureingaben ausführen. OpenAI hat mit ChatGPT Agent ein System vorgestellt, das Browser, Terminal, Connectoren und virtuelle Computerumgebung kombiniert.672673 Solche Systeme sind keine bloße Demo mehr.
Gerade deshalb lohnt sich die Gegenfrage: Wann ist ein System tatsächlich ein Agent, und wann wird nur ein bekannter Automatisierungsprozess mit einem Sprachmodell aufgerüstet? Der Hype beginnt dort, wo aus begrenztem Tool-Use eine Erzählung vollständiger Autonomie wird.
Der Begriff Agent ist älter als der Hype
In der Informatik bezeichnet ein Agent seit langem ein System, das in einer Umgebung handelt, Informationen wahrnimmt und auf Ziele hin agiert. In klassischen Definitionen gehören Reaktivität, eine gewisse Autonomie, Zielorientierung und Interaktion mit anderen Systemen oder Menschen dazu. Diese Kriterien sind hilfreich, weil sie zeigen: Ein Agent ist nicht einfach ein Chatbot mit API-Zugriff.
Aktuelle KI-Produkte erfüllen diese Kriterien nur abgestuft. Ein LLM mit Function Calling kann ein Werkzeug aufrufen, bleibt aber eng an eine Anfrage gebunden. Ein Workflow-Agent kann mehrere Schritte ausführen, arbeitet aber meist nach vordefinierten Bahnen. Ein GUI-Agent kann Oberflächen bedienen, ist aber auf stabile Wahrnehmung, klare Ziele und robuste Fehlerbehandlung angewiesen. Ein domänenspezifischer Agent kann in einem engen Kontext nützlich sein, ohne allgemeine Autonomie zu besitzen.
Diese Abstufung ist wichtiger als die Marketingfrage, ob etwas "agentisch" klingt. Viele Produkte liegen zwischen Assistenzsystem und Automatisierung. Sie können Arbeit erleichtern, aber sie übernehmen keine Verantwortung, verstehen keine Geschäftsziele im organisatorischen Sinn und besitzen keine verlässliche eigene Urteilskraft.
Agent Washing als Geschäftsmodell
Die Vermarktung hat einen einfachen Anreiz: "Agent" klingt nach nächster Stufe. Ein bestehendes RPA-Tool, eine Workflow-Engine oder eine Chatbot-Integration wirkt sofort wertvoller, wenn sie als agentische KI beschrieben wird. Genau hier entsteht Agent Washing: alte Automatisierung mit neuer Oberfläche, ergänzt um ein Sprachmodell und eine ambitionierte Produktfolie.
Nach Sekundärberichten über Gartner-Prognosen sollen bis Ende 2027 mehr als 40% der agentischen KI-Projekte wieder eingestellt werden, vor allem wegen steigender Kosten, unklarem Geschäftswert und unzureichenden Risikokontrollen. Ebenfalls berichtet wurde Gartners Einschätzung, dass nur ein kleiner Teil der vielen Anbieter mit Agentenversprechen tatsächlich substanzielle autonome Fähigkeiten liefere.674 Die exakte Zahl ist weniger wichtig als der Befund: Der Markt verkauft mehr Reife, als die meisten Implementierungen belastbar zeigen.
Das ist kein Argument gegen jede Form agentischer Systeme. Es ist ein Argument gegen die Behauptung, ein Agent ersetze bereits heute zuverlässig menschliche Prozessverantwortung. In Unternehmen zählt nicht, ob ein System eine beeindruckende Demo schafft, sondern ob es wiederholbar, prüfbar, sicher und wirtschaftlich arbeitet.
Was heutige Agenten tatsächlich können
Die besten heutigen Systeme kombinieren mehrere Fähigkeiten. Sie können eine Aufgabe in Schritte zerlegen, Webquellen abrufen, Dateien öffnen, Code ausführen, Daten auswerten, Browseroberflächen bedienen oder mit angebundenen Diensten interagieren. Für Recherche, Codeassistenz, Dokumentvorbereitung, einfache Datenaufbereitung und strukturierte Routineaufgaben kann das produktiv sein.
Der Fortschritt liegt weniger in echter Selbstständigkeit als in der Verbindung von Kontext, Werkzeugen und Ausführung. Ein Modell kann nicht nur vorschlagen, welche Tabelle erstellt werden sollte, sondern sie direkt erzeugen. Es kann nicht nur erklären, welche Website zu prüfen wäre, sondern den Browser öffnen, Suchergebnisse filtern und einen Bericht schreiben. Das ist praktisch relevant.
Aber diese Systeme bleiben brüchig. Sie können falsche Seiten anklicken, veraltete Informationen verwenden, Zwischenschritte falsch interpretieren, Dateien unvollständig auswerten oder einen scheinbar plausiblen Abschlussbericht erzeugen, obwohl die Aufgabe nicht korrekt erledigt wurde. Je länger die Handlungskette, desto mehr Stellen gibt es, an denen ein kleiner Fehler den gesamten Ablauf entwertet.
Die Grenze liegt nicht nur im Reasoning
Die übliche Erklärung lautet: Agenten brauchen besseres Reasoning. Das stimmt teilweise, greift aber zu kurz. Mehrstufiges Schlussfolgern ist wichtig, doch viele praktische Probleme entstehen nicht im abstrakten Denken, sondern in Wahrnehmung, Zustand, Berechtigung, Prozessintegration und Kontrolle.
Ein GUI-Agent muss erkennen, welches Element auf dem Bildschirm gemeint ist. Ein Unternehmensagent muss wissen, welche Daten aktuell, freigegeben und vollständig sind. Ein Rechercheagent muss Quellenqualität, Aktualität und Widersprüche bewerten. Ein operativer Agent muss unterscheiden, ob ein Schritt reversibel ist oder eine Freigabe braucht. Diese Anforderungen sind nicht durch ein größeres Sprachmodell allein erledigt.
Hinzu kommt das Zustandsproblem. Sprachmodelle besitzen in der normalen Nutzung kein dauerhaftes, intern gepflegtes Gedächtnis. Kontextfenster, Retrieval-Systeme und externe Speicher können das abfedern, ersetzen aber kein stabiles Verständnis eines laufenden Geschäftsprozesses. Ein Agent, der über Wochen hinweg ein Projekt betreuen soll, braucht Versionsstände, Entscheidungen, Abhängigkeiten, offene Risiken und Verantwortlichkeiten. Das ist eher ein Systemdesignproblem als nur eine Modellfrage.
Sicherheit wird zum Hauptproblem
Agenten sind riskanter als Chatbots, weil sie nicht nur antworten, sondern handeln. Sobald ein System E-Mails versenden, Dateien verändern, Tickets schließen, Datenbanken abfragen oder Bestellungen auslösen kann, wird aus einem falschen Text ein möglicher operativer Schaden.
Prompt Injection ist dabei kein Randproblem. Ein Agent, der Websites liest, Dokumente verarbeitet oder E-Mails auswertet, kann auf fremde Anweisungen stoßen, die nicht vom Nutzer stammen. Diese Anweisungen können versuchen, Daten abzugreifen, Sicherheitsregeln zu umgehen oder falsche Aktionen auszulösen. OpenAI weist bei ChatGPT Agent ausdrücklich auf solche Risiken hin und setzt auf Bestätigungen, Überwachung und Einschränkungen bei folgenreichen Handlungen.675
Für Unternehmen entstehen daraus klare Anforderungen: Zugriff nur nach Rollenmodell, Protokollierung jedes relevanten Schritts, Trennung von Vorschlag und Ausführung, menschliche Freigaben bei kritischen Aktionen, Testumgebungen für neue Agenten und klare Abbruchregeln. Ohne diese Kontrollen ist ein Agent kein Produktivsystem, sondern ein Experiment mit Zugriff auf echte Ressourcen.
Autonomie ist kein Selbstzweck
Viele Agenten-Demos tun so, als sei mehr Autonomie automatisch besser. Für reale Arbeitsprozesse stimmt das nicht. Ein System, das eigenständig handelt, aber schwer prüfbar ist, kann weniger wertvoll sein als ein begrenzter Assistent, der zuverlässig vorbereitet und klar dokumentiert.
Nützlich sind Agenten dort, wo Ziele eng genug sind, Werkzeuge kontrolliert eingebunden werden und Ergebnisse überprüfbar bleiben. Ein Agent kann Codeänderungen vorbereiten, Tests ausführen und einen Pull Request erstellen. Ein anderer kann Rechnungsdaten klassifizieren und Ausnahmen markieren. Ein weiterer kann eine Literaturrecherche vorsortieren, ohne die fachliche Bewertung zu ersetzen. In solchen Szenarien entsteht Wert, weil die Aufgabe begrenzt und die Kontrolle eingebaut ist.
Problematisch wird es bei offenen Mandaten: "Optimiere unseren Vertrieb", "übernimm die Kundenkommunikation", "finde die beste Strategie", "verwalte dieses Projekt". Solche Aufgaben enthalten Zielkonflikte, implizite Regeln, politische Entscheidungen und Haftungsfragen. Ein Agent kann hier unterstützen, aber nicht einfach die Rolle eines Verantwortlichen übernehmen.
Die wirtschaftliche Ernüchterung
Agenten kosten mehr als klassische Chatbots. Lange Kontexte, Tool-Aufrufe, Browsersteuerung, Codeausführung, Wiederholungsversuche und Überwachung erhöhen den Aufwand. Gleichzeitig ist der Nutzen schwerer zu messen, weil viele Agenten nicht eine einzelne Antwort liefern, sondern einen Prozess verändern.
Das erklärt, warum Pilotprojekte leicht beeindruckend wirken und in der Skalierung scheitern. In einer Demo reicht es, wenn der Agent drei von vier Schritten sichtbar ausführt. Im produktiven Prozess reicht das nicht. Dort zählen Ausnahmefälle, Auditierbarkeit, Datenschutz, Integration in Bestandssysteme und der Aufwand für menschliche Kontrolle. Wenn ein Agent regelmäßig nachgearbeitet werden muss, verschiebt er Arbeit statt sie zu reduzieren.
Entscheidend ist daher weniger, ob ein Agent autonom wirkt, als ob die Gesamtkosten aus Modellnutzung, Integration, Kontrolle, Fehlerkorrektur und Governance niedriger sind als der Nutzen. Viele Projekte scheitern an dieser Stelle, weil die Umsetzung zu breit, zu früh oder zu schlecht abgesichert ist.
Realistische Perspektive
KI-Agenten werden nicht einfach verschwinden. Dafür ist der praktische Nutzen begrenzter Tool-Use-Systeme zu groß. Coding-Agenten, Rechercheagenten, Datenanalyse-Assistenten und domänenspezifische Prozesshelfer werden weiter besser werden. Besonders stark sind sie dort, wo Arbeit digital ist, Werkzeuge klar angebunden sind und Fehler früh auffallen.
Die große Erzählung vom autonomen digitalen Mitarbeiter bleibt trotzdem voreilig. Heutige Agenten sind Zwischenformen: mehr als Chatbots, weniger als verlässliche Prozessverantwortliche. Ihre Stärke liegt in Assistenz, Vorbereitung und teilweiser Ausführung. Ihre Schwäche liegt in langen Handlungsketten, unsicherer Selbstkontrolle, fehlendem dauerhaftem Gedächtnis und schwer prüfbarer Entscheidungslogik.
Damit ist die Antwort auf "Hype oder Potenzial?" unbequem: beides. Der Hype überzieht, weil er aus Werkzeugnutzung Autonomie macht. Das Potenzial ist real, weil gut eingegrenzte Agenten Arbeit tatsächlich verschieben können. Entscheidend ist nicht, ob ein System Agent genannt wird, sondern ob Ziel, Zugriff, Kontrolle und Verantwortung sauber gestaltet sind.
Quellen
- OpenAI: Introducing ChatGPT agent ↩
- Anthropic: Introducing computer use ↩
- TechRadar: 2026 - the year enterprise AI finally gets to work ↩
- Cybenko: Approximation by superpositions of a sigmoidal function ↩
- Hinton: The Forward-Forward Algorithm ↩
- "Falling LLM Token Prices and What They Mean for AI Companies" - deeplearning.ai ↩
- Startups and tech giants wage AI price war as inference costs spiral. Crypto Briefing, 2026. https://cryptobriefing.com/ai-price-war-startups-tech-giants/ ↩
- Tokens are getting cheaper, but AI costs keep climbing. Fortune, 2026. https://fortune.com/2026/06/17/why-is-ai-spending-increasing-as-tokens-get-cheaper-jevons-paradox/ ↩
- AI inference costs set to plunge. CIO Dive zu Gartner, 2026. https://www.ciodive.com/news/ai-inference-costs-drop-2030-gartner/815725/ ↩
- Microsoft Azure Model Router Documentation - azure.microsoft.com ↩
- Ouyang et al.: Training language models to follow instructions with human feedback ↩
- OpenAI: GPT-4 Technical Report ↩
- OpenAI: Learning to reason with LLMs ↩
- Liu et al.: Lost in the Middle ↩