Agentische Aufgaben
Agentische Aufgaben sind Aufträge, die ein Computerprogramm nicht mit einer einzelnen Antwort erledigt, sondern über viele selbst gewählte Zwischenschritte. Das Programm plant, benutzt Werkzeuge wie Suchmaschinen oder Dateien und prüft unterwegs, ob es dem Ziel näher kommt.
Man kann einem Chatprogramm zwei sehr verschiedene Arten von Aufträgen geben. Der erste Typ ist eine Frage, auf die eine einzige Antwort passt: „Wie heißt die Hauptstadt von Norwegen?“ Der zweite Typ ist ein Ziel ohne festen Weg dorthin: „Finde die drei günstigsten Zugverbindungen nach Oslo und trag sie in eine Tabelle ein.“ Aufgaben der zweiten Art nennt man agentisch. Das Programm muss den Auftrag selbst in Schritte zerlegen, unterwegs Informationen beschaffen und entscheiden, wann es fertig ist. Das Wort kommt vom lateinischen „agere“, also handeln: Das Programm antwortet nicht nur, es tut etwas.
Vom Antwortgeber zum Auftragnehmer
Bisher wurden KI-Programme vor allem daran gemessen, wie gut ihre einzelnen Antworten sind. Bei agentischen Aufgaben zählt etwas anderes: ob am Ende ein fertiges Ergebnis dasteht. Das ist wirtschaftlich ein großer Unterschied. Eine gute Antwort spart einem Menschen ein paar Minuten Recherche. Eine erledigte Aufgabe kann ihm eine ganze Arbeitsstunde abnehmen.
Genau darauf setzen aktuell viele Technologieunternehmen ihre Erwartungen. Deshalb sprechen Firmen wie OpenAI, Anthropic oder Google in ihren Ankündigungen ständig von Agenten. Wer Software verkauft, die Aufgaben erledigt statt nur Text zu liefern, kann dafür deutlich mehr Geld verlangen. Anleger und Analysten verfolgen diese Entwicklung genau, weil sie über den künftigen Umsatz der Branche mitentscheidet.
Es gibt aber auch einen harten Haken: Fehler summieren sich. Wenn ein Programm bei jedem einzelnen Schritt zu 95 Prozent richtig liegt, ist eine Kette aus zwanzig Schritten nur noch in etwa jedem dritten Fall komplett fehlerfrei. Genau daran scheitern viele agentische Systeme heute noch. Zuverlässigkeit über lange Ketten ist derzeit das größere Problem als Klugheit im Einzelschritt.
Die Schleife aus Planen, Handeln und Prüfen
Technisch steckt hinter einer agentischen Aufgabe fast immer eine Schleife. Das Sprachmodell, also das Programm, das Texte versteht und erzeugt, überlegt zuerst einen nächsten Schritt. Dann führt es diesen Schritt aus, indem es ein Werkzeug aufruft. Ein Werkzeug kann eine Websuche sein, ein Taschenrechner, ein Kalender oder ein Programm, das Dateien öffnet und speichert.
Das Ergebnis des Werkzeugs geht zurück an das Modell. Es liest also, was seine eigene Aktion bewirkt hat. Danach entscheidet es: weiter, korrigieren oder aufhören. Diese Runde wiederholt sich, bis das Ziel erreicht ist oder ein Limit greift. Man kann sich das wie einen Praktikanten vorstellen, der nach jedem Arbeitsschritt kurz auf seine Notizen schaut.
Zwei Bauteile machen dabei den Unterschied. Erstens der Werkzeugzugriff: Ohne ihn bleibt das Modell in seinem eigenen Textfenster gefangen und kann nichts in der Welt verändern. Zweitens das Gedächtnis für den bisherigen Verlauf, denn bei Schritt fünfzehn muss noch klar sein, was in Schritt drei herauskam. Verwechseln sollte man das Ganze nicht mit reiner Automatisierung: Ein klassisches Skript folgt einem vorher festgelegten Ablauf, ein Agent legt den Ablauf selbst fest.
Agenten im Browser, im Editor und in den Quartalszahlen
Am weitesten sind agentische Systeme beim Programmieren. Werkzeuge wie GitHub Copilot, Claude Code oder Cursor bekommen eine Fehlerbeschreibung und arbeiten dann selbstständig durch ein Projekt. Sie lesen Dateien, ändern Code, starten Tests und reparieren, was die Tests bemängeln. Das funktioniert hier besonders gut, weil der Test automatisch sagt, ob das Ergebnis stimmt.
Daneben gibt es Agenten, die einen Browser bedienen und für dich Formulare ausfüllen oder Preise vergleichen. In Firmen übernehmen sie Aufgaben wie das Sortieren von Support-Anfragen oder das Zusammenstellen von Berichten aus mehreren Datenquellen. In Nachrichtenmeldungen tauchen dabei oft englische Begriffe wie „agentic AI“ oder „AI agents“ auf.
Wenn du solche Meldungen liest, lohnt sich eine kritische Frage: Wie oft schafft das System die Aufgabe wirklich allein? Anbieter nennen dafür Erfolgsquoten aus Tests wie SWE-bench, der echte Programmierprobleme aus offenen Projekten enthält. Diese Werte lagen lange bei wenigen Prozent und sind inzwischen deutlich gestiegen. Trotzdem gilt in der Praxis meist: Ein Mensch schaut am Ende drüber.