Was nach dem Chat kommt
Knowledge Lounge
Vom Chatbot zum Agenten: wie Tool-Nutzung, Chain-of-Thought und Multi-Agenten-Systeme verändern, was KI kann.
Vom Werkzeug zum Agenten
Vier Abschnitte über den Wandel vom Chatbot zum Agenten: was sich verändert hat, was das bedeutet und wo Agenten schon eingesetzt werden.
Die Chatbot-Ära endet
Den größten Teil der jüngeren KI-Geschichte hieß Interaktion: ein einzelner Austausch. Du schickst eine Nachricht, das Modell antwortet. Das Modell handelt nicht. Es plant nicht. Es wartet auf die nächste Eingabe. Nützlich, aber begrenzt. Immer mehr KI-Einsätze in 2025 und 2026 betreffen Agenten: Systeme, die ein Ziel bekommen und eine Reihe von Schritten ausführen, um es zu erreichen, mit minimalem menschlichem Eingriff bei jedem Schritt.
Was ein Agent wirklich ist
Ein Agent ist ein Sprachmodell, ausgestattet mit Werkzeugen und der Fähigkeit, mehrstufige Aufgaben zu planen. Es kann eine Such-API aufrufen, um aktuelle Informationen zu bekommen. Es kann Code ausführen, Dateien lesen, E-Mails senden, Datenbanken abfragen oder mit Websites interagieren. Es entscheidet, welches Werkzeug es wann nutzt und was es mit dem Ergebnis tut. Es iteriert, bis es das Ziel erreicht oder die Schritte ausgehen. Das Modell ist die Denkmaschine. Die Werkzeuge sind seine Hände.
Warum das alles verändert
Wenn ein Chatbot eine schlechte Antwort gibt, liest du sie und verwirfst sie. Wenn ein Agent eine falsche Aktion ausführt, ist die E-Mail vielleicht schon gesendet, die Datei gelöscht, die Bestellung aufgegeben. Der Wechsel von Ausgabe zu Aktion verändert den Einsatz fundamental. Er verändert auch die Bewertungskriterien: Korrektheit des Reasonings ist nötig, aber nicht ausreichend. Zuverlässigkeit, Umkehrbarkeit und Handlungsspielraum werden zu kritischen Design-Entscheidungen.
Wo Agenten schon arbeiten
Agenten werden eingesetzt in der Softwareentwicklung (Code schreiben, testen, ausliefern), im Kundenservice (Tickets von Anfang bis Ende lösen), in der Recherche (Informationen aus vielen Quellen sammeln und verdichten) und im Betrieb (Terminplanung, Reporting, Workflow-Automatisierung). Das gemeinsame Muster: Aufgaben, bei denen bisher ein Mensch eine Folge klar definierter Schritte ausführen musste und die sich für ein Modell lesbar machen lassen.
Prompting und Tool-Nutzung
Vier Mechanismen, die Agenten funktionieren lassen. Klicke sie an, um mehr zu lesen.
Prompting und Tool-Nutzung
Ein Prompt ist alles, was ins Kontextfenster des Modells gelangt, bevor es eine Antwort erzeugt: die Systemanweisung, die Gesprächshistorie, abgerufene Dokumente, Tool-Ergebnisse. Prompt Engineering ist die Praxis, diese Eingabe so zu strukturieren, dass die gewünschte Ausgabe entsteht. Es klingt einfach und kann überraschend komplex werden. System-Prompts definieren Verhalten, Rolle und Grenzen eines Agenten. Few-Shot-Beispiele, also Beispiele des gewünschten Verhaltens im Prompt, schlagen oft lange Anleitungen.
Tool-Nutzung heißt: Das Modell kann externe Funktionen aufrufen und deren Ergebnisse empfangen. Das Modell erzeugt einen strukturierten Tool-Aufruf, etwa eine Suchanfrage, auszuführenden Code oder einen API-Call. Das Framework führt den Aufruf aus, und das Ergebnis wird ans Kontextfenster angehängt. Das Modell generiert auf dieser Grundlage weiter. Tool-Nutzung erweitert das Modell vom Textvorhersager zu einem System, das Informationen beschafft, handelt und mit externen Diensten interagiert. Es ist der Mechanismus, der einen Chatbot zum Agenten macht.
Chain-of-Thought-Prompting bittet das Modell, sein Reasoning Schritt für Schritt zu zeigen, bevor es die endgültige Antwort gibt. Das verbessert die Leistung bei komplexen Aufgaben, weil das Modell Fehler in Zwischenschritten erkennen und korrigieren kann. Planung geht weiter: Das Modell zerlegt ein übergeordnetes Ziel in Teilaufgaben, entscheidet die Reihenfolge der Ausführung und behandelt Abhängigkeiten zwischen den Schritten. Modelle wie OpenAIs o1 und o3 sind gezielt auf ausgedehntes Chain-of-Thought-Reasoning trainiert und liefern bei schwierigen mehrstufigen Problemen deutlich bessere Ergebnisse.
Ein Multi-Agenten-System setzt mehrere Sprachmodelle ein, die zusammenarbeiten. Ein Orchestrator-Modell empfängt das übergeordnete Ziel und delegiert Teilaufgaben an spezialisierte Arbeiter-Modelle. Ein Recherche-Agent sammelt Informationen. Ein Schreib-Agent entwirft Inhalte. Ein Review-Agent prüft auf Fehler. Jeder Agent hat eine bestimmte Rolle, Werkzeugzugang und Kontext. Multi-Agenten-Architekturen erlauben Parallelität und Spezialisierung, die ein einzelnes Modell nicht erreicht. Sie bringen auch neue Fehlerarten mit: kaskadierende Fehler, widersprüchliche Ausgaben und Koordinationsaufwand.
Selbst testen
Vier Karten zu Agenten-Konzepten. Versuche, die Frage auf der Vorderseite zu beantworten, bevor du umdrehst.
Selbst testen
Was macht einen Agenten grundlegend anders als einen Chatbot?
↻ AufdeckenAktionen statt Antworten. Ein Chatbot erzeugt Textausgabe. Ein Agent führt Aktionen aus: Er ruft Werkzeuge auf, führt Code aus, stellt API-Anfragen und interagiert mit externen Systemen. Die Ausgabe eines Chatbots ist ein Entwurf. Die Ausgabe eines Agenten ist oft ein Nebeneffekt in der echten Welt. Dieser Unterschied verändert alles: Fehlerbehandlung, Verifikation, Umkehrbarkeit und Aufsicht werden kritische Designfragen.
Wie nutzt ein Sprachmodell ein Werkzeug?
↻ AufdeckenStrukturierter Aufruf, zurückgeliefertes Ergebnis. Das Modell erzeugt einen strukturierten Tool-Aufruf, der beschreibt, was es tun will: Suche nach X, führe diesen Code aus, rufe diese API. Das Framework fängt den Aufruf ab, führt ihn in der Umgebung aus und gibt das Ergebnis als zusätzlichen Kontext an das Modell zurück. Das Modell generiert auf dieser Basis weiter. Tool-Nutzung wird vom Framework vermittelt, nicht direkt vom Modell ausgeführt.
Was ist Chain-of-Thought-Reasoning, und warum hilft es?
↻ AufdeckenSichtbare Zwischenschritte. Chain-of-Thought-Prompting bittet das Modell, sein Reasoning zu zeigen, bevor es eine endgültige Antwort gibt. Das hilft, weil Fehler in Zwischenschritten erkannt werden können, bevor sie die Schlussfolgerung beeinflussen. So arbeiten auch die o1- und o3-Modelle: ausgedehntes internes Reasoning vor der Antwort. Sichtbares Reasoning lässt sich zudem leichter prüfen, was bei Anwendungen mit hohem Einsatz zählt.
Was ist das Model Context Protocol?
↻ AufdeckenEin Standard für Tool-Verbindungen. MCP (Model Context Protocol) ist ein offener Standard von Anthropic, um Sprachmodelle mit externen Werkzeugen und Datenquellen zu verbinden. Er definiert, wie Werkzeuge ihre Fähigkeiten beschreiben und wie Modelle Tool-Aufrufe anfragen. MCP ist vergleichbar mit USB für Hardware: ein Standardanschluss, mit dem jedes Modell jedes kompatible Werkzeug nutzen kann. Die Verbreitung wächst im gesamten KI-Ökosystem.
Prüfe dein Verständnis
Drei Fragen, um zu prüfen, was hängen geblieben ist. Wähle eine Antwort.
Prüfe dein Verständnis
Welche Fähigkeit unterscheidet einen Agenten vor allem von einem gewöhnlichen Sprachmodell?
Prüfe dein Verständnis
Warum verändert der Wechsel vom Chatbot zum Agenten den Einsatz?
Prüfe dein Verständnis
Was verbessert Chain-of-Thought-Reasoning bei Sprachmodellen?
Was du mitnimmst
Der Übergang vom Chatbot zum Agenten ist der folgenreichste Wandel, der sich gerade im Einsatz von KI vollzieht. Es ist keine allmähliche Verbesserung der Textqualität. Es ist ein Wandel dessen, was das System tut: von Ausgabe erzeugen zu handeln. Dieser Wandel hat Folgen für Zuverlässigkeit, Aufsicht und Risiko, die auf Chat-Oberflächen nicht zutreffen.
0 von 0 Fragen richtig
Ein Nugget, eine Idee: Wende sie heute noch einmal an. Wissen wird erst durch Wiederholung zu Können.