Long-Running Agent

Die meisten Chatprogramme mit künstlicher Intelligenz arbeiten in einem sehr kurzen Takt. Man stellt eine Frage, das Programm antwortet, und der Vorgang ist beendet. Ein Long-Running Agent funktioniert anders. Er bekommt einen größeren Auftrag und arbeitet daran über Stunden oder sogar Tage weiter. Dabei zerlegt er die Aufgabe selbst in kleine Schritte und erledigt einen nach dem anderen. Zwischendurch prüft er sein eigenes Zwischenergebnis und ändert den Plan, wenn etwas schiefgeht. Der Mensch gibt also nicht mehr jeden einzelnen Handgriff vor, sondern nur noch das Ziel.

Vom Antwortgeber zum Auftragnehmer

Der Unterschied klingt technisch, verändert aber die Nutzung grundlegend. Eine kurze Antwort kann man in zehn Sekunden lesen und beurteilen. Ein Auftrag über acht Stunden lässt sich nicht mehr so einfach kontrollieren. Genau darin liegt der Reiz: Aufgaben, die vorher zu groß für eine KI waren, werden möglich. Ein Beispiel ist das Umschreiben eines alten Programms auf eine neue Programmiersprache.

Wirtschaftlich ist das der Grund, warum viele Firmen gerade so viel Geld in diese Richtung stecken. Ein Werkzeug, das Fragen beantwortet, spart Minuten. Ein System, das eigenständig ganze Arbeitspakete abschließt, ersetzt Arbeitsstunden. Entsprechend hoch sind die Erwartungen an Firmen wie OpenAI, Anthropic oder Google, die solche Agenten anbieten.

Gleichzeitig wächst das Risiko. Ein Fehler im dritten Schritt kann sich durch alle folgenden Schritte ziehen. Wenn niemand hinschaut, entsteht in mehreren Stunden viel unbrauchbare Arbeit. Deshalb bauen Entwickler Kontrollpunkte ein, an denen ein Mensch bestätigen muss, bevor es weitergeht.

Plan, Werkzeuge und Gedächtnis

Ein Agent besteht im Kern aus drei Teilen. Erstens aus einem Sprachmodell, also dem Programm, das Text versteht und erzeugt. Zweitens aus Werkzeugen: das kann eine Internetsuche sein, ein Programm zum Ausführen von Code oder ein Zugriff auf Dateien. Drittens aus einer Schleife, die immer wieder fragt: Was ist der nächste Schritt, und bin ich schon fertig?

Das größte technische Problem ist das Erinnern. Ein Sprachmodell kann nur eine begrenzte Menge Text gleichzeitig überblicken. Nach vielen Stunden Arbeit passt die gesamte Vorgeschichte nicht mehr hinein. Agenten lösen das, indem sie Notizen in Dateien schreiben und ältere Abschnitte zusammenfassen. Man kann sich das wie ein Laborbuch vorstellen, in dem nur die wichtigsten Ergebnisse landen.

Ein verbreiteter Irrtum ist, dass hier eine neue Art von KI am Werk sei. Das Sprachmodell im Inneren ist meist dasselbe wie im gewöhnlichen Chat. Neu ist nur die Umgebung darum herum: die Schleife, die Werkzeuge und das Ablegen von Zwischenständen. Fachleute sprechen deshalb von einem Gerüst, englisch Scaffolding.

Agenten in Produkten und Schlagzeilen

Am weitesten verbreitet sind Long-Running Agents bisher beim Programmieren. Werkzeuge wie Claude Code, OpenAI Codex oder Googles Jules bekommen eine Aufgabe im Stil von « behebe diesen Fehler » und arbeiten danach allein an einem Projekt. Sie lesen Dateien, ändern Code, starten Tests und wiederholen das, bis die Tests durchlaufen. Am Ende legen sie ihre Änderung zur Prüfung vor.

Außerhalb der Softwarewelt tauchen ähnliche Systeme in der Recherche auf. Sogenannte Deep-Research-Funktionen durchsuchen über längere Zeit hunderte Webseiten und schreiben daraus einen Bericht. Auch Agenten, die selbstständig einen Browser bedienen, gehören dazu. Sie füllen Formulare aus oder vergleichen Preise, ohne dass jemand mitklickt.

In den Nachrichten begegnet der Begriff meist in zwei Zusammenhängen. Entweder geht es um Rekorde, etwa wenn ein Anbieter meldet, sein Agent habe dreißig Stunden ohne Unterbrechung gearbeitet. Oder es geht um Sicherheit und Haftung, weil ein Agent mit weitreichenden Rechten auch Schaden anrichten kann. Beide Debatten drehen sich letztlich um dieselbe Frage: Wie viel Selbstständigkeit gibt man einem Programm?