Agentische Schleife

Ein Chatprogramm wie ChatGPT antwortet normalerweise einmal auf eine Frage, und damit ist der Vorgang beendet. Eine agentische Schleife dreht dieses Prinzip in einen Kreislauf. Das Programm überlegt zuerst, was als Nächstes zu tun ist. Dann führt es einen Schritt aus, etwa eine Suche im Internet oder das Speichern einer Datei. Anschließend liest es das Ergebnis dieses Schritts und entscheidet neu, wie es weitergeht. Diese Runde wiederholt sich so lange, bis das Ziel erreicht ist oder ein Abbruchkriterium greift. Programme, die so arbeiten, nennt man KI-Agenten.

Vom Antwortgeber zum Auftragnehmer

Ohne Schleife kann ein Sprachmodell nur reden. Es beschreibt dir, wie man ein Problem lösen würde, aber es löst es nicht. Mit einer Schleife kann es Dinge tatsächlich erledigen. Ein Beispiel: Du sagst „finde heraus, warum unsere Website langsam ist“. Der Agent ruft die Seite auf, misst Ladezeiten, sieht sich den Code an und schreibt am Ende einen Bericht.

Der entscheidende Vorteil ist die Fähigkeit zur Selbstkorrektur. Beim ersten Versuch geht oft etwas schief: eine Datei fehlt, ein Befehl schlägt fehl, ein Suchergebnis passt nicht. Ein Programm ohne Schleife würde an dieser Stelle einfach eine falsche Antwort ausgeben. Ein Agent sieht die Fehlermeldung und probiert einen anderen Weg. Genau deshalb lösen Agenten Aufgaben, an denen einzelne Modellantworten scheitern.

Wirtschaftlich ist das der Grund für den aktuellen Hype um Agenten. Ein Werkzeug, das einer Fachkraft Tipps gibt, spart wenige Minuten. Ein Werkzeug, das eine halbe Stunde selbstständig arbeitet, ersetzt Arbeitszeit. Firmen wie OpenAI, Anthropic und Google verkaufen ihre Modelle inzwischen ausdrücklich mit diesem Versprechen.

Denken, Handeln, Beobachten

Technisch besteht eine Runde aus drei Teilen. Erstens der Gedanke: Das Modell schreibt in Worten auf, was es vorhat. Zweitens die Aktion: Es ruft ein Werkzeug auf, also ein Stück Software mit einer festen Aufgabe, etwa eine Suchmaschine oder einen Rechner. Drittens die Beobachtung: Das Ergebnis des Werkzeugs wird als neuer Text in das Gespräch eingefügt. Dann beginnt die nächste Runde mit diesem zusätzlichen Wissen.

Wichtig ist, dass das Modell selbst nichts speichert. Der ganze bisherige Verlauf wird bei jeder Runde erneut mitgeschickt. Diese wachsende Textmenge heißt Kontext, und sie ist begrenzt. Läuft eine Schleife zu lange, passt der Verlauf nicht mehr hinein. Deshalb fassen gute Agenten alte Schritte zusammen oder legen Notizen in Dateien ab.

Jede Schleife braucht außerdem eine Bremse. Ohne sie kann ein Agent endlos kreisen und dabei Rechenkosten verursachen, denn jede Runde kostet Geld. Üblich sind eine Obergrenze für die Zahl der Runden, ein Zeitlimit und eine klare Bedingung für den Erfolg. Manche Systeme fragen zusätzlich bei riskanten Schritten beim Menschen nach, etwa vor dem Löschen von Daten.

Agenten in Produkten und Schlagzeilen

Am sichtbarsten sind agentische Schleifen beim Programmieren. Werkzeuge wie Claude Code, Cursor oder GitHub Copilot bearbeiten mehrere Dateien, starten Tests und reparieren die Fehler, die die Tests melden. Genau das ist eine Schleife: Aktion, Ergebnis, Korrektur. Solche Systeme laufen oft viele Minuten ohne Zutun des Nutzers.

Auch die Deep-Research-Funktionen der großen Anbieter arbeiten so. Sie durchsuchen Dutzende Webseiten, bewerten die Treffer und suchen bei Lücken gezielt nach. Ähnliches gilt für Agenten, die einen Browser bedienen und Formulare ausfüllen. Wenn in Nachrichten von „Agenten“ oder von „KI, die Aufgaben erledigt“ die Rede ist, steckt fast immer dieses Muster dahinter.

Ein häufiger Irrtum ist die Annahme, eine agentische Schleife wäre ein besonders schlaues Modell. Sie ist zunächst nur Ablaufsteuerung, also gewöhnlicher Programmcode um das Modell herum. Wie gut das Ergebnis wird, hängt trotzdem stark vom Modell ab. Fehler summieren sich nämlich: Wer pro Runde zu neunzig Prozent richtig entscheidet, liegt nach zwanzig Runden meist daneben.