KI-Agenten: Die autonome Revolution hat begonnen

Die Model Evaluation and Threat Research Organization (METR) hat gemessen, wie lange KI-Systeme autonom an komplexen Aufgaben arbeiten können, ohne menschliche Hilfe zu benötigen. Das Ergebnis: Diese Fähigkeit verdoppelt sich etwa alle sieben Monate. Was vor einem Jahr noch Minuten dauerte, erstreckt sich heute über Stunden. Claude Opus 4.5 von Anthropic erreicht einen »50-Prozent-Zeithorizont« von knapp fünf Stunden, das heißt, das Modell löst etwa die Hälfte aller Aufgaben, für die menschliche Experten so lange brauchen. OpenAIs GPT-5 liegt bei etwa 2 Stunden 17 Minuten.

Fast fünf Stunden autonome Arbeit an einer einzigen Aufgabe. Das klingt nach einer technischen Randnotiz, ist aber ein fundamentaler Paradigmenwechsel. Wir bewegen uns von KI-Systemen, die auf Fragen antworten, zu KI-Systemen, die Aufgaben erledigen. Von Assistenten zu Agenten. Und dieser Übergang verändert gerade, wie wir über Software, Arbeit und die Beziehung zwischen Mensch und Maschine denken.

Die Zahlen sprechen eine deutliche Sprache: Laut einer Erhebung von Menlo Ventures haben Unternehmen 2025 weltweit 37 Milliarden Dollar für generative KI ausgegeben, mehr als dreimal so viel wie im Vorjahr. Eine KPMG-Umfrage zeigt, dass sich der Anteil der Organisationen mit produktiven KI-Agenten innerhalb weniger Monate verdreifacht hat, von 11 auf 33 Prozent. In Asien liegt die Adoptionsrate bereits bei 40 Prozent. Der Wandel vollzieht sich nicht in akademischen Laboren, sondern in Büros, Fabriken und Rechenzentren.

Was KI-Agenten von Chatbots unterscheidet

Der Begriff »Agent« wird in der KI-Diskussion oft unscharf verwendet, daher lohnt sich eine Präzisierung. Ein klassischer Chatbot wie die frühen Versionen von ChatGPT ist ein reaktives System: Er wartet auf eine Eingabe, verarbeitet sie und gibt eine Antwort. Die Interaktion ist transaktional, ein Hin und Her von Frage und Antwort. Der Nutzer behält die Kontrolle über jeden Schritt.

Ein KI-Agent hingegen ist ein zielorientiertes System. Man gibt ihm nicht eine Frage, sondern eine Aufgabe. Der Agent zerlegt diese Aufgabe selbstständig in Teilschritte, plant seine Vorgehensweise, verwendet verschiedene Werkzeuge, reagiert auf unerwartete Hindernisse und passt seine Strategie an. Er fragt nur dann nach, wenn er ohne menschliche Entscheidung nicht weiterkommt. Die Beziehung verschiebt sich von »Frage und Antwort« zu »Auftrag und Ausführung«.

Konkret bedeutet das: Man kann einem klassischen Chatbot sagen »Schreibe mir eine E-Mail an den Kunden«, und er wird einen Entwurf liefern. Man kann einem Agenten sagen »Bearbeite alle Kundenanfragen aus dem letzten Monat, kategorisiere sie nach Dringlichkeit, beantworte Standardfragen automatisch und erstelle mir eine Zusammenfassung der komplexen Fälle«. Der Agent wird das Postfach durchsuchen, Muster erkennen, Prioritäten setzen, Antworten formulieren, vielleicht sogar in anderen Systemen nach Kundendaten recherchieren, und erst am Ende mit einem Bericht zurückkommen.

Die technischen Grundlagen der Autonomie

Die Fähigkeit von KI-Agenten, autonom zu handeln, basiert auf mehreren technischen Durchbrüchen, die in den letzten zwei Jahren zusammengekommen sind.

Da ist zunächst die Entwicklung von Reasoning-Modellen, also Sprachmodellen, die nicht einfach die wahrscheinlichste Antwort generieren, sondern explizit »nachdenken« können. Modelle wie OpenAIs GPT-5.2 Thinking, Googles Gemini 3 Pro oder Claude Opus 4.5 mit Extended Thinking können komplexe Probleme in logische Schritte zerlegen, Hypothesen formulieren und verwerfen, Fehler erkennen und korrigieren. Diese Fähigkeit ist entscheidend für Agenten, weil sie ihnen erlaubt, mit Unvorhergesehenem umzugehen, statt bei jedem unerwarteten Ergebnis aufzugeben.

Dann ist da die Tool-Nutzung, die sich von einem Experiment zu einem Standardfeature entwickelt hat. Moderne Sprachmodelle können nicht nur Text generieren, sondern auch strukturierte Aufrufe an externe Systeme senden: APIs abfragen, Datenbanken durchsuchen, Code ausführen, Browser steuern. Die Ankündigung von »Computer Use« durch Anthropic im Oktober 2024 markierte einen Wendepunkt: Claude konnte plötzlich einen Computer so bedienen, wie ein Mensch es tut, mit Maus und Tastatur, durch Betrachtung des Bildschirms. OpenAIs »Operator«, Anfang 2025 für Pro-Nutzer freigegeben, verfolgt einen ähnlichen Ansatz.

Schließlich gibt es das Model Context Protocol (MCP), das Anthropic entwickelt und im Dezember 2025 zusammen mit OpenAI und Block an die Linux Foundation übergeben hat. MCP ist ein offener Standard, der definiert, wie KI-Agenten mit externen Datenquellen und Werkzeugen kommunizieren. Mit über 10.000 aktiven öffentlichen MCP-Servern und 97 Millionen monatlichen SDK-Downloads hat sich MCP zum De-facto-Standard für die Agentic-Infrastruktur entwickelt. Es löst ein fundamentales Problem: Bisher musste jede Integration zwischen KI und externem System individuell gebaut werden. Mit MCP können Agenten beliebige Werkzeuge nutzen, solange diese den Standard implementieren.

Wo Agenten bereits arbeiten

Die Theorie ist beeindruckend, aber was machen KI-Agenten konkret? Die Antwort variiert je nach Branche, aber einige Muster kristallisieren sich heraus.

Im Kundenservice hat Salesforce bereits fast 10.000 bezahlte Verträge für seine Agentforce-Plattform abgeschlossen. Das Unternehmen nutzt die eigene Technologie auch intern: KI-Agenten bearbeiten mittlerweile etwa die Hälfte aller Kundenservice-Interaktionen bei Salesforce selbst. Das hat Konsequenzen: Die Mitarbeiterzahl im Support sank von 9.000 auf 5.000. Ob man das als Effizienzgewinn oder als Warnsignal interpretiert, hängt von der Perspektive ab.

In der Softwareentwicklung sind Coding-Agenten wie Cursor, GitHub Copilot mit Agent Mode oder Claude Code zur Selbstverständlichkeit geworden. Diese Systeme schreiben nicht nur einzelne Funktionen, sondern können ganze Features implementieren: Code generieren, Tests schreiben, Fehler debuggen, Pull Requests erstellen. Der Claude Agent SDK, den Anthropic im Dezember 2025 umbenannt und erweitert hat, ermöglicht es Entwicklern, eigene Agenten zu bauen, die ähnlich arbeiten.

Im Finanzsektor haben PayPal, Mastercard und Visa begonnen, autonome Agenten für Transaktionen und Betrugserkennung einzusetzen. Mastercards »Agent Pay« und Visas »Trusted Agent Protocol« ermöglichen es KI-Systemen, Zahlungen durchzuführen und zu validieren, ohne dass ein Mensch jeden Schritt bestätigen muss. Die x402 Foundation, gegründet von Cloudflare und Coinbase, arbeitet an einem offenen Standard für autonome Zahlungen, der es Agenten erlaubt, selbstständig für Dienstleistungen zu bezahlen.

In der Fertigung überwachen KI-Agenten Maschinen und Anlagen in Echtzeit, erkennen Verschleißerscheinungen, bevor sie zu Ausfällen führen, und planen proaktiv Wartungsarbeiten. Laut dem ISG-Report 2025 konzentrieren sich 70 Prozent aller agentischen KI-Anwendungen auf nur drei Branchen: Finanzdienstleistungen, Einzelhandel und Fertigung.

Die deutsche Perspektive

Deutschland hat bei der KI-Adoption lange gezögert, aber die Dynamik hat sich verändert. Laut dem Digitalverband Bitkom nutzen 36 Prozent der deutschen Unternehmen KI im regulären Betrieb, fast doppelt so viele wie im Vorjahr. Für 81 Prozent der Unternehmen ist KI die wichtigste Zukunftstechnologie; nur noch 17 Prozent halten sie für einen vorübergehenden Trend.

Die Koalition hat im Koalitionsvertrag 2025 KI ins Zentrum der Innovations- und Wirtschaftspolitik gerückt. Geplant sind eine nationale KI-Gigafactory, also ein Hochleistungsrechenzentrum für KI-Training, sowie Reallabore, in denen Unternehmen neue Technologien unter regulatorisch vereinfachten Bedingungen testen können.

Allerdings warnen Experten vor einer wachsenden Kluft zwischen »KI-Natives« und zögerlichen Unternehmen. Während große Konzerne eigene KI-Teams aufbauen und Milliarden investieren, kämpfen viele Mittelständler noch mit den Grundlagen: Datenschutzfragen, fehlende Fachkräfte, unklare Anwendungsfälle. Die Implementierung eines KI-Agenten für einfache Aufgaben kann in zwei bis vier Wochen erfolgen und ab 100 Euro monatlich kosten. Komplexere Lösungen benötigen drei bis sechs Monate und Investitionen im fünf- bis sechsstelligen Bereich.

Die Plattformen und Werkzeuge

Wer heute einen KI-Agenten bauen oder einsetzen will, hat eine wachsende Auswahl an Frameworks und Plattformen.

Microsofts AutoGen ist ein Multi-Agenten-Framework, das auf kollaborative Aufgaben spezialisiert ist: Mehrere Agenten können zusammenarbeiten, sich gegenseitig Aufgaben zuweisen und Ergebnisse überprüfen. Es eignet sich besonders für komplexe Unternehmensprozesse und Data-Science-Workflows.

CrewAI verfolgt einen anderen Ansatz: Agenten werden als »Crew« mit definierten Rollen organisiert, ähnlich wie ein Team aus Spezialisten. Ein Agent übernimmt die Recherche, ein anderer die Analyse, ein dritter die Präsentation. Das Framework ist besonders im Marketing und Kundenservice beliebt, weil es die Einrichtung relativ einfach macht.

LangChain und LangGraph bleiben Standards für die Integration von Sprachmodellen mit externen Datenquellen und Werkzeugen. AWS hat kürzlich neun neue Funktionen für seinen Bedrock-Service angekündigt, die es Entwicklern erlauben, produktionsreife Agenten in unter zehn Minuten zu erstellen, einschließlich der Möglichkeit, Agenten direkt auf Edge-Geräten wie Robotern oder Fahrzeugen zu betreiben.

Für deutsche Unternehmen mit strengen Datenschutzanforderungen gibt es spezialisierte Lösungen wie plugnpl.ai, die auf europäische Compliance und Datenhoheit setzen.

Die Grenzen der Autonomie

Trotz aller Fortschritte sind KI-Agenten weit davon entfernt, perfekt zu sein. Die OSWorld-Benchmark, die KI-Systeme bei realen Computeraufgaben testet, ist ein guter Gradmesser: OpenAIs Operator erreicht 38,1 Prozent, Claude Opus 4.5 liegt bei 61,4 Prozent. Ein durchschnittlicher Mensch erreicht 72,4 Prozent. Die Systeme sind also besser geworden, aber noch nicht auf menschlichem Niveau.

In der Praxis bedeutet das: KI-Agenten machen Fehler. Sie interpretieren Aufgaben falsch, übersehen Randfälle, geraten in Endlosschleifen. Sie können überraschend kreativ darin sein, eine Aufgabe technisch zu erfüllen, während sie den eigentlichen Zweck verfehlen. Ein Agent, der aufgefordert wird, »die Kosten zu minimieren«, könnte beschließen, den gesamten Service abzuschalten, weil null Kosten technisch das Minimum sind.

Deshalb arbeiten alle großen Anbieter an Sicherheitsmechanismen. OpenAIs Operator fragt bei sensiblen Transaktionen wie Käufen oder E-Mails nach menschlicher Bestätigung. Anthropic hat »Constitutional AI« entwickelt, eine Methode, bei der Agenten ein Set von Prinzipien erhalten, gegen die sie ihre Handlungen prüfen. Die meisten Unternehmensplattformen implementieren »Human-in-the-Loop«-Systeme, bei denen kritische Entscheidungen immer eine menschliche Freigabe erfordern.

Was 2026 bringen wird

Gartner prognostiziert, dass bis 2026 bereits 40 Prozent aller Unternehmensanwendungen agentische Fähigkeiten eingebaut haben werden. Eine DeepL-Studie zeigt, dass 69 Prozent der globalen Führungskräfte erwarten, dass KI-Agenten ihre Geschäfte im kommenden Jahr fundamental verändern werden.

Die technische Entwicklung deutet in eine klare Richtung: längere Autonomie, bessere Werkzeugnutzung, nahtlosere Integration in bestehende Systeme. Wenn der Trend der letzten sechs Jahre anhält, werden KI-Agenten bis Ende des Jahrzehnts in der Lage sein, monatelange Projekte autonom durchzuführen, so die METR-Prognose.

Gleichzeitig werden die gesellschaftlichen Fragen drängender. Wenn Agenten zunehmend Arbeit übernehmen, die bisher Menschen gemacht haben, was bedeutet das für Beschäftigung, für Qualifikationsanforderungen, für die Verteilung von Wertschöpfung? Die Salesforce-Zahlen, 4.000 weniger Mitarbeiter im Support, sind ein Vorgeschmack auf Diskussionen, die wir in den kommenden Jahren führen werden.

Ich denke, die ehrliche Antwort ist: Wir wissen es nicht genau. KI-Agenten sind ein mächtiges Werkzeug, das Effizienz, Produktivität und neue Möglichkeiten verspricht. Aber wie bei jedem mächtigen Werkzeug hängt das Ergebnis davon ab, wie wir es einsetzen. Die Technologie entwickelt sich schneller, als Regulierung, Bildungssysteme und gesellschaftliche Normen mithalten können. Die Entscheidungen, die Unternehmen, Regierungen und wir alle in den nächsten Jahren treffen, werden bestimmen, ob die autonome Revolution ein Gewinn für alle wird oder nur für wenige.

Was feststeht: Die Ära der passiven Chatbots ist vorbei. Die Ära der aktiven Agenten hat begonnen.