Was ist Agentic AI?

Agentic AI bezeichnet Systeme künstlicher Intelligenz, die eigenständig planen, entscheiden und handeln können, um ein Ziel zu erreichen, ohne dass ein Mensch sie Schritt für Schritt anweist. Anders als klassische KI, die auf einen einzelnen Prompt eine einzelne Antwort gibt, zerlegt ein agentisches System komplexe Aufgaben, nutzt Werkzeuge, passt sich an Rückmeldungen an und steuert mehrstufige Abläufe selbst.

Der Wechsel von „KI, die antwortet“ zu „KI, die handelt“ ist der prägende Übergang beim Einsatz von KI im Unternehmen in den Jahren 2025 bis 2026. Chatbots beantworten Fragen. Agenten erledigen Arbeit: Sie fragen Datenbanken ab, aktualisieren Datensätze, erzeugen Berichte, stoßen Abläufe an und eskalieren, wenn sie auf etwas außerhalb ihres Auftrags stoßen. Damit ist Data Governance für Agentic AI nicht nur wichtig, sondern Voraussetzung: Agenten, die auf ungesteuerten Daten handeln, können in Maschinengeschwindigkeit Schaden anrichten.

Was KI agentisch macht

Nicht jedes KI-System, das ein großes Sprachmodell (LLM) nutzt, ist agentisch. Der Unterschied liegt im Grad der Eigenständigkeit, mit dem das System entscheidet, was zu tun ist, wie es zu tun ist und wann Schluss ist.

Eine klassische Interaktion mit einem LLM ist zustandslos: Ein Nutzer schickt einen Prompt, das Modell erzeugt eine Antwort, die Interaktion endet. Ein agentisches System legt drei Fähigkeiten über das Sprachmodell:

• Planen, der Agent zerlegt ein übergeordnetes Ziel in Teilaufgaben und entscheidet über deren Reihenfolge. Er antwortet nicht nur auf Anweisungen, er erstellt seinen eigenen Handlungsplan.
• Werkzeuge nutzen, der Agent kann externe Werkzeuge aufrufen: Datenbanken, APIs, Code-Interpreter, Websuche, Dateisysteme. Das verankert ihn in echten Daten und gibt ihm die Möglichkeit, über das Erzeugen von Text hinaus zu handeln.
• Eigenständig iterieren, der Agent bewertet die Ergebnisse seiner Handlungen, entscheidet, ob das Ziel erreicht ist, und passt sein Vorgehen an, wenn nicht. Diese Denkschleife läuft, bis die Aufgabe erledigt ist oder der Agent feststellt, dass er menschliche Hilfe braucht.

Erst diese drei Fähigkeiten zusammen machen aus einem Sprachmodell statt einer ausgefeilten Textvervollständigung ein System, das Arbeit eigenständig erledigen kann.

So arbeiten KI-Agenten

Im Kern arbeitet ein KI-Agent in einer Schleife aus Denken und Handeln, manchmal der Zyklus aus Beobachten, Planen, Handeln und Bewerten genannt. Der Agent erhält ein Ziel, beobachtet den aktuellen Zustand der Welt (über Werkzeugaufrufe oder mitgegebenen Kontext), plant den nächsten Schritt, führt ihn aus, bewertet das Ergebnis und wiederholt das, bis das Ziel erreicht ist.

Das LLM als Denkmaschine

Das große Sprachmodell im Kern eines Agenten dient als Maschine für Denken und Planen. Es deutet das Ziel, entscheidet, welche Werkzeuge zu nutzen sind, erzeugt die Parameter für Werkzeugaufrufe und bewertet Ergebnisse. Das LLM „denkt“ nicht im menschlichen Sinn, es erzeugt einen Plan, indem es aus seinen Trainingsdaten und dem aktuellen Kontext die wahrscheinlich nützlichste Folge von Handlungen vorhersagt.

Moderne agentische Rahmenwerke (LangGraph, CrewAI, das Agent-SDK von Anthropic) bauen das als Zustandsmaschine: Jeder Schritt erzeugt eine Beobachtung, die den Kontext des Agenten fortschreibt, und das LLM entscheidet die nächste Handlung auf Grundlage des angesammelten Zustands. So kann der Agent sich mitten in der Ausführung anpassen: Liefert eine Datenbankabfrage unerwartete Ergebnisse, kann er sein Vorgehen neu fassen, statt zu scheitern.

Werkzeuge anbinden: MCP und Function Calling

Werkzeuge sind es, die Agenten ihre Fähigkeiten geben. Ohne Werkzeuge ist ein Agent nur ein LLM, das Text erzeugt. Mit Werkzeugen kann er Datenbanken abfragen, APIs aufrufen, Dokumente lesen, Code ausführen und Systeme aktualisieren.

Dafür gibt es zwei wesentliche Mechanismen:

• Function Calling, das LLM erzeugt einen strukturierten JSON-Aufruf an eine vorab festgelegte Funktion, die die Anwendung ausführt und deren Ergebnis sie an den Agenten zurückgibt. Das ist der grundlegende Mechanismus, den alle großen LLM-Anbieter unterstützen (OpenAI, Anthropic, Google).
• Model Context Protocol (MCP), ein offener Standard mit einer einheitlichen Schnittstelle zwischen KI-Agenten und Datenquellen. Statt für jedes Werkzeug eine eigene Anbindung zu bauen, legt MCP ein gemeinsames Protokoll für das Auffinden von Werkzeugen, ihren Aufruf und den Zugriff auf Ressourcen fest. Das wird zum bevorzugten Weg für Anbindungen im Unternehmen, weil es die Logik des Agenten von der Umsetzung des Werkzeugs trennt.

Welche Werkzeuge einem Agenten zur Verfügung stehen, bestimmt unmittelbar, was er tun kann und worauf er zugreifen kann. Genau hier wird Data Governance entscheidend: Ein Agent mit Zugriff auf ungesteuerte Daten kann selbstbewusst falsche Ergebnisse liefern oder, schlimmer, eigenständig auf Grundlage falscher Informationen handeln.

Gedächtnis und Kontext

Agentische Systeme müssen über die Denkschleife hinweg einen Zustand halten. Das geschieht auf mehreren Ebenen:

• Kurzzeitgedächtnis, der Gesprächskontext und die angesammelten Beobachtungen innerhalb einer einzelnen Aufgabe. Das ist typischerweise das Kontextfenster des LLM, ergänzt um die Werkzeugergebnisse aus der Sitzung.
• Langzeitgedächtnis, ein dauerhafter Speicher, aus dem der Agent Informationen früherer Interaktionen abrufen kann. Umgesetzt über Vektordatenbanken, Knowledge Graphs oder strukturierte Speicher.
• Geteiltes Gedächtnis, in Systemen mit mehreren Agenten ein gemeinsamer Arbeitsbereich, in dem Agenten Informationen für abgestimmtes Arbeiten ablegen und abrufen.

Agentische Muster

Agentische Systeme sehen nicht alle gleich aus. Grad der Eigenständigkeit und Komplexität unterscheiden sich je nach Anwendungsfall deutlich. Die folgenden Muster stehen für zunehmend agentisches Verhalten.

Ein Agent, eine Aufgabe

Das einfachste agentische Muster: ein Agent, ein Ziel, eine Auswahl an Werkzeugen. Der Agent erhält eine Aufgabe (etwa „Analysiere die Vertriebsdaten des letzten Quartals und fasse die Entwicklungen zusammen“), plant die Schritte, führt Werkzeugaufrufe aus (Datenbank abfragen, Daten verarbeiten, Zusammenfassung erzeugen) und liefert das Ergebnis. Dieses Muster passt zu klar umrissenen Aufgaben mit eindeutigen Abschlusskriterien.

Denken mit Werkzeugunterstützung

Der Agent nutzt Werkzeuge nicht nur zum Handeln, sondern um sein Denken zu schärfen. Ein Agent, der eine komplexe Frage beantworten soll, durchsucht vielleicht erst eine Wissensbasis, fragt dann eine Datenbank nach stützenden Daten ab und gleicht die Ergebnisse ab, bevor er eine Antwort erzeugt. Jeder Werkzeugaufruf prägt den nächsten Denkschritt. Dieses Muster ist in Systemen für Retrieval-Augmented Generation (RAG) verbreitet.

Mehrere Agenten im Zusammenspiel

Komplexe Abläufe werden auf mehrere spezialisierte Agenten verteilt, jeder mit eigenen Werkzeugen und eigenem Fachgebiet. Ein koordinierender Agent (oder ein Rahmenwerk für die Steuerung) führt den Ablauf: Teilaufgaben zuweisen, Ergebnisse einsammeln, Abhängigkeiten auflösen und die endgültige Ausgabe zusammenführen. Eine Prüfung der Datenqualität kann so etwa einen Agenten fürs Profiling, einen für Regelprüfungen und einen für die Berichterstattung nacheinander einsetzen.

Selbstlaufende Abläufe

Das fortgeschrittenste Muster: Agenten, die fortlaufend arbeiten, Bedingungen überwachen und handeln, sobald ein Auslöser eintritt. Ein selbstlaufender Agent für Data Stewardship könnte Kennzahlen der Datenqualität überwachen, Auffälligkeiten melden, Störungsberichte erzeugen und den zuständigen Data Steward benachrichtigen, alles ohne menschlichen Anstoß. Dieses Muster verlangt die stärksten Governance-Leitplanken, weil der Agent ohne Freigabe je Handlung arbeitet.

Data Governance für Agentic AI

Agentic AI verbraucht Daten nicht nur, sie handelt eigenständig auf ihnen. Das verändert die Rechnung für die Governance grundlegend. Fragt eine Analystin eine Datenbank ab, bringt sie ein Urteil über Datenqualität, Einschlägigkeit und Kontext mit. Fragt ein Agent dieselbe Datenbank ab, fehlt ihm dieses Erfahrungswissen, sofern die Governance-Infrastruktur es ihm nicht liefert.

Warum Agenten gesteuerte Daten brauchen

Ein Agent, der eigenständig auf Grundlage von Daten entscheidet, ist nur so vertrauenswürdig wie die Daten, auf die er zugreift. Drei Governance-Fähigkeiten werden entscheidend:

• Signale zur Datenqualität, Agenten brauchen maschinenlesbare Hinweise auf die Datenqualität (Aktualität, Vollständigkeit, Bewertungen der Korrektheit), um zu entscheiden, ob ein Datensatz für die anstehende Aufgabe verlässlich genug ist. Ohne Qualitätsmetadaten behandeln Agenten alle Daten als gleich vertrauenswürdig.
• Fachlicher Kontext, ein Agent, der ein Feld namens margin abfragt, muss wissen, ob damit Bruttomarge, Nettomarge oder Deckungsbeitrag gemeint ist. Begriffe aus dem Business Glossary und semantische Metadaten liefern den Kontext, der Agenten davor bewahrt, selbstbewusst falsch zu deuten.
• Governance des Zugriffs, Agenten sollten nur auf Daten zugreifen, die sie für ihren konkreten Zweck nutzen dürfen. Rollenbasierte Zugriffsrechte, Datenklassifizierung und zweckgebundene Zugriffsregeln verhindern, dass Agenten sensible Daten lesen, die sie nicht brauchen.

Der EU AI Act und agentische Systeme

Der EU AI Act stellt risikobasierte Anforderungen an KI-Systeme, die unmittelbar auf agentische Vorhaben wirken. KI-Systeme mit hohem Risiko (darunter viele Anwendungen zur Entscheidungsunterstützung im Unternehmen) müssen Data Governance, Transparenz, menschliche Aufsicht und Genauigkeit nachweisen. Für agentische Systeme im Besonderen:

• Art. 10 KI-VO verlangt, dass Trainings- und Betriebsdaten Qualitätskriterien erfüllen, eine Anforderung, die vollständig an der Data-Governance-Infrastruktur hängt.
• Art. 14 KI-VO schreibt Mechanismen menschlicher Aufsicht vor, also die Kontrollpunkte, die agentische Systeme für folgenschwere Entscheidungen vorsehen müssen.
• Art. 13 KI-VO verlangt Transparenz: Agenten müssen ihr Vorgehen und ihre Datenquellen erklären können, was an Data Lineage und Prüfpfaden hängt.

Wie Dawiso Agentic AI ermöglicht

Dawiso liefert die Data-Governance-Infrastruktur, auf die Systeme mit Agentic AI für einen vertrauenswürdigen Betrieb angewiesen sind. Über den MCP Server können KI-Agenten programmatisch auf Katalog, Glossar und Metadaten von Dawiso zugreifen, über denselben Standard Model Context Protocol, auf den das breitere KI-Ökosystem zuläuft.

In der Praxis heißt das: Ein KI-Agent, der Geschäftsdaten analysieren soll, kann zuerst den Katalog von Dawiso durchsuchen, um passende Datensätze zu finden, ihre Qualitätsbewertungen und Aktualität prüfen, Definitionen aus dem Business Glossary für den Kontext einzelner Felder nachschlagen und der Data Lineage folgen, um die Herkunft der Daten zu verstehen, alles über gewöhnliche MCP-Werkzeugaufrufe, bevor er die eigentliche Datenquelle überhaupt abfragt.

Das Business Glossary gibt Agenten den Semantic Layer, den sie brauchen, um Daten richtig zu deuten. Der Data Catalog liefert Auffindbarkeit und Qualitätssignale. Interactive Data Lineage erlaubt Agenten, die Herkunft von Daten zu verfolgen, entscheidend für Vertrauenswürdigkeit wie für regulatorische Compliance. Und KI-gestützte Funktionen helfen Governance-Teams, die Metadaten aktuell zu halten, während sich die Datenlandschaft verändert, damit Agenten immer auf aktuellen Kontext zugreifen.

Fazit

Agentic AI steht für einen grundlegenden Wechsel von KI, die Fragen beantwortet, zu KI, die Arbeit eigenständig erledigt. Die Denkschleife aus Beobachten, Planen, Handeln und Bewerten gibt Agenten zusammen mit angebundenen Werkzeugen Fähigkeiten, die weit über das Erzeugen von Text hinausgehen. Diese Eigenständigkeit schafft aber eine entscheidende Abhängigkeit von der Data Governance: Agenten, die auf ungesteuerten Daten handeln, können in großem Maßstab Schaden anrichten.

Für Organisationen, die Agentic AI einführen, ist die Botschaft eindeutig: Investieren Sie in Data Governance, bevor Sie in Agentenfähigkeiten investieren. Eine gut gesteuerte Datenlandschaft, mit katalogisierten Beständen, Qualitätskennzahlen, Begriffen aus dem Business Glossary und sauberen Zugriffsrechten, ist das Fundament, das Agentic AI vertrauenswürdig macht. Ohne sie geben Sie eigenständigen Systemen die Schlüssel zu einem Gebäude, in dem niemand die Räume beschriftet hat.