Ihr nächster Sachbearbeiter braucht keinen Schreibtisch

KI-Agenten sind softwarebasierte Systeme, die auf Basis eines Sprachmodells eigenständig Aufgaben bearbeiten. Sie erhalten ein Ziel und einen Kontext, planen die nötigen Schritte selbst und nutzen dabei Tools, Datenquellen und Schnittstellen.

Im Unterschied zu Chatbots, die auf Eingaben reagieren, handeln Agenten proaktiv: Sie führen Aktionen aus, aktualisieren Systeme und treffen situative Entscheidungen. Ein Agent kombiniert ein Sprachmodell mit Zugriff auf Daten, Werkzeuge und Planungsfähigkeiten.

Agentic AI beschreibt KI-Systeme, die eigenständig Ziele verfolgen, Schritte planen und Aktionen ausführen. Im Gegensatz zu klassischen Sprachmodellen, die auf Eingaben reagieren, agieren agentic AI-Systeme proaktiv: Sie zerlegen komplexe Aufgaben in Teilschritte, nutzen Werkzeuge und passen ihren Plan dynamisch an neue Informationen an.

Der Begriff umfasst sowohl einzelne Agenten als auch Multi-Agenten-Systeme.

RPA automatisiert fest definierte Abläufe: Klick A, Eingabe B, Prüfung C. Der Prozess muss vollständig vorhersehbar sein. Ein KI-Agent dagegen plant seinen Lösungsweg selbst. Er interpretiert Inhalte, reagiert auf unerwartete Situationen und nutzt Werkzeuge flexibel.

RPA funktioniert wie ein Makro, ein Agent wie ein Sachbearbeiter. In der Praxis ergänzen sich beide: Agenten können RPA-Bots als Tool aufrufen, wenn ein Teilschritt regelbasiert ist.

Agenten sind sinnvoll, wenn kein eindeutiger Lösungsweg existiert, der Input hochvariabel ist oder die Aufgabe Interpretation und flexible Planung erfordert. Typische Merkmale: unstrukturierte Dokumente, wechselnde Anforderungen, Entscheidungen, die Kontextwissen brauchen.

Wenn sich ein Prozess vollständig durch Regeln abbilden lässt, ist klassische Automatisierung effizienter. Agenten setzen dort an, wo regelbasierte Systeme an ihre Grenzen stoßen.

KI-Agenten arbeiten ausschließlich in digitalen Systemen. Sie setzen saubere Schnittstellen, klare Prozessdefinitionen und eine ausreichende Datenqualität voraus. Fehlende Struktur, inkonsistente Daten oder manuelle Medienbrüche können durch Agenten nicht kompensiert werden.

Schnittstellen müssen zudem agentenkompatibel gestaltet sein: klar strukturierte, use-case-basierte APIs mit eindeutigen Aktionen und konsistenter Rückgabe.

Das hängt vom Betriebsmodell ab. Bei Human in the Loop analysiert der Agent und schlägt vor, der Mensch entscheidet. Bei Human on the Loop arbeitet der Agent selbstständig, wird aber per Kennzahlen und Stichproben überwacht. Bei Human out of the Loop agiert der Agent vollständig autonom, Kontrolle erfolgt auf Systemebene.

Welches Modell passt, bestimmen Tragweite der Entscheidung, regulatorische Anforderungen und Fehlertoleranz.

Ein Multi-Agenten-System besteht aus mehreren spezialisierten Agenten, die zusammenarbeiten. Jeder Agent übernimmt eine klar definierte Rolle: Einer recherchiert, einer prüft, einer fasst zusammen, einer eskaliert. Die Koordination erfolgt über Orchestrierung oder direkte Kommunikation zwischen den Agenten.

Multi-Agenten-Systeme sind sinnvoll, wenn eine Aufgabe zu komplex für einen einzelnen Agenten ist, verschiedene Fachdomänen betroffen sind oder parallele Verarbeitung nötig ist.

Ja. KI-Agenten werden über APIs, Webhooks oder Protokolle wie MCP an bestehende Systeme angebunden: ERP, CRM, DMS, Ticketing, E-Mail, Kalendersysteme. Die Integration erfolgt über standardisierte Schnittstellen oder individuelle Konnektoren.

Ein Agent kann Daten aus SAP lesen, Tickets in Jira anlegen, E-Mails in Outlook versenden oder Dokumente in SharePoint ablegen. Voraussetzung: Die Systeme müssen über Schnittstellen erreichbar sein.

RAG steht für Retrieval-Augmented Generation. Das Prinzip: Bevor ein Sprachmodell antwortet, werden relevante Informationen aus einer Wissensdatenbank abgerufen und als Kontext mitgegeben. So kann ein Agent auf internes Unternehmenswissen zugreifen, ohne dass das Modell selbst darauf trainiert wurde.

RAG ist die Grundlage dafür, dass Agenten mit aktuellen, unternehmensspezifischen Daten arbeiten: Richtlinien, Produktkataloge, Vertragsinhalte, Prozessdokumentation.

MCP ist ein offener Standard, der definiert, wie Agenten auf externe Werkzeuge und Datenquellen zugreifen. Statt für jede Integration eine eigene Schnittstelle zu bauen, beschreibt MCP die verfügbaren Tools in einem einheitlichen Format.

Der Agent versteht dadurch automatisch, welche Fähigkeiten ihm zur Verfügung stehen und wie er sie nutzen kann. MCP reduziert Integrationsaufwand und macht Agenten modular erweiterbar.

Context Engineering bestimmt, welche Informationen ein Agent zu welchem Zeitpunkt erhält. Ein Agent ist nur so gut wie sein Kontext: Welche Dokumente sieht er? Welche Systemdaten fließen ein? Welche Anweisungen gelten?

Context Engineering ist die gezielte Gestaltung dieses Informationsraums. Es entscheidet über Antwortqualität, Halluzinationsrate und Entscheidungsfähigkeit. Im Unterschied zu Prompt Engineering geht es nicht um eine einzelne Eingabe, sondern um das gesamte Informationsmodell des Agenten.

Memory ist das persistierte Wissen, das ein Agent im Laufe seiner Arbeit aufbaut. Er erinnert sich nicht nur an Gesprächsverläufe, sondern an Prozessmuster, Ausnahmen und implizites Unternehmenswissen.

Ein Agent mit Memory weiß nach drei Monaten, welche Anfragen eskaliert werden müssen, welche Formulierungen beim Kunden funktionieren und wie die Ausnahme zur Regel X aussieht. Dieses Wissen macht den Agenten mit der Zeit besser und ist der eigentliche Wertschöpfungshebel.

Sicherheit ist eine Architekturfrage, nicht ein Feature. Ein Agent braucht eine eigene Identität mit klaren Berechtigungen: Auf welche Systeme darf er zugreifen? Welche Aktionen darf er ausführen? Das Prinzip der minimalen Rechte ist Pflicht.

Agenten dürfen nur die Rechte besitzen, die der jeweilige Nutzer hat, und nur die Daten sehen, auf die dieser Zugriff hat. Zusätzlich müssen Agenten gegen Prompt Injection, manipulierte Eingaben und unkontrollierte Aktionsketten geschützt werden.

Prompt Injection ist der Versuch, über manipulierte Eingaben das Verhalten eines Agenten zu verändern. Schutzmaßnahmen: Strikte Trennung von Systemprompt und Nutzereingaben, Input-Validierung, Output-Filterung und Sandboxing kritischer Aktionen.

Zusätzlich helfen Monitoring und Anomalieerkennung, ungewöhnliches Verhalten frühzeitig zu erkennen. In sicherheitskritischen Kontexten wird eine zweite Prüfinstanz vorgeschaltet, die Agentenentscheidungen vor Ausführung validiert.

Ein produktiver Agent muss fehlertolerant designt sein. Kritische Aktionen werden vor Ausführung geprüft, reversible Aktionen bevorzugt. Jeder Entscheidungsweg wird protokolliert und ist nachvollziehbar. Bei Unsicherheit eskaliert der Agent an einen Menschen.

Monitoring erkennt Abweichungen in Echtzeit. Entscheidend ist nicht, ob ein Agent jemals Fehler macht, sondern ob sein Fehlerverhalten kontrolliert, transparent und begrenzbar ist.

Die Spanne ist groß. Ein erster Agent auf Basis einer bestehenden Plattform wie Galilea lässt sich in wenigen Minuten umsetzen oder im Rahmen einer laufenden Betreuung als Galilea-Kunde direkt realisieren.

Ein produktiver Agent mit Sicherheitskonzept, RAG-Anbindung, Systemintegration und Monitoring erfordert ein umfassenderes Projekt. Die Kosten hängen von Komplexität, Integrationstiefe und Betriebsmodell ab. Wir bieten verschiedene Einstiegsformate: vom KI Pilot als Proof of Concept bis zum 100-Tage-MVP für den produktiven Einsatz.

Über klar definierte KPIs, die vor dem Start festgelegt werden. Typische Metriken: Durchlaufzeit pro Vorgang, Automatisierungsgrad, Fehlerquote, Eskalationsrate, Kosten pro Transaktion, Nutzerzufriedenheit.

Zusätzlich messen wir Modell-Performance: Antwortqualität, Halluzinationsrate, Latenz. Entscheidend ist der Vergleich mit dem manuellen Prozess. Ein Agent muss nicht perfekt sein, sondern besser als der Status quo und kontrolliert besser werden.

Weil wir nicht nur beraten, sondern bauen. Hunderte KI-Projekte, eine eigene Enterprise-Plattform, ein Team aus Entwicklern und Architekten, das in Tagen liefert. Wir kennen die Architekturentscheidungen, die Sicherheitsanforderungen und die Stolperstellen im Betrieb.

Galilea als eigene Plattform bedeutet: kein Zusammenstecken fremder Services, sondern eine durchgängige Umgebung für Entwicklung, Betrieb und Weiterentwicklung. Vom ersten Agenten bis zum Multi-Agenten-System aus einer Hand.