Was ist ein KI-Agent?

Ein Chatbot beantwortet Fragen. Ein KI-Agent erledigt Aufgaben. Der Chatbot sagt dir den nächsten freien Termin aus dem Kalender. Der Agent bucht ihn dir.

Technisch macht den Unterschied Tool-Use: das LLM gibt strukturierte Funktions-Calls aus (z. B. book_calendar_slot(iso: "2026-05-20T10:00")), die dein Server ausführt. Die Resultate gehen zurück ins Modell, das den nächsten Schritt wählt. Bis das Ziel steht oder der Agent abbricht.

1. User formuliert ein Ziel ("Termin nächste Woche, Vormittag")
2. Agent ruft list_slots auf, bekommt eine Liste verfügbarer Zeiten zurück
3. Agent filtert, schlägt 2-3 passende Slots vor, fragt User nach Auswahl
4. User wählt einen Slot, Agent ruft book_calendar auf
5. Agent bestätigt schriftlich, optional ruft er noch send_confirmation auf

• Lead-Vorqualifizierung mit Daten-Anreicherung
• Termin- und Buchungs-Agents im Web-Chat
• Support-Agents der ersten Ebene mit Eskalations-Pfad
• Recherche-Agents für Briefings und Marktanalysen
• Inbox-Triage-Agents mit Antwort-Drafts

• Halluzinierte Tool-Calls: Schema-Validierung jedes Arguments, fail-fast bei Schema-Verstößen
• Endlos-Loops: max. Tool-Aufrufe pro Run, Timeout, Cancel-Token
• Unklare Berechtigungen: Permissions pro Tool, kein "Agent darf alles"
• Hohe Kosten: Caching wiederkehrender Tool-Resultate, kleines Modell als Default, großes nur bei Bedarf
• Black-Box-Probleme: Audit-Trail jeder Modell-Response und jedes Tool-Calls in DB, damit Debugging und Eval möglich sind

Wenn der Prozess mehrstufig ist und die Reihenfolge der Schritte von Zwischenergebnissen abhängt. Beispiel: User-Anfrage → vielleicht erst Suche, vielleicht erst Klärungsfrage, dann Tool-Auswahl. Wenn die Schritte immer gleich sind, reicht ein normaler Workflow - und der ist günstiger, testbarer und schneller.