Was ist Agentic AI?

Agentic AI bezeichnet Systeme künstlicher Intelligenz, die eigenständig planen, entscheiden und handeln können, um ein Ziel zu erreichen, ohne dass ein Mensch sie Schritt für Schritt anweist. Anders als klassische KI, die auf einen einzelnen Prompt eine einzelne Antwort gibt, zerlegt ein agentisches System komplexe Aufgaben, nutzt Werkzeuge, passt sich an Rückmeldungen an und steuert mehrstufige Abläufe selbst.

Der Wechsel von „KI, die antwortet“ zu „KI, die handelt“ wurde 2025 und 2026 zu einem zentralen Thema von KI im Unternehmen. Chatbots beantworten Fragen. Agenten erledigen Arbeit: Sie fragen Datenbanken ab, aktualisieren Datensätze, erzeugen Berichte, stoßen Abläufe an und eskalieren, wenn sie auf etwas außerhalb ihres Auftrags stoßen. Damit ist Data Governance für Agentic AI nicht nur wichtig, sondern Voraussetzung: Agenten, die auf ungesteuerten Daten handeln, können in Maschinengeschwindigkeit Schaden anrichten.

Was KI agentisch macht

Nicht jedes KI-System, das ein großes Sprachmodell (LLM) nutzt, ist agentisch. Der Unterschied liegt im Grad der Eigenständigkeit, mit dem das System entscheidet, was zu tun ist, wie es zu tun ist und wann Schluss ist.

Eine klassische Interaktion mit einem LLM ist zustandslos: Ein Nutzer schickt einen Prompt, das Modell erzeugt eine Antwort, die Interaktion endet. Ein agentisches System legt drei Fähigkeiten über das Sprachmodell:

• Planen, der Agent zerlegt ein übergeordnetes Ziel in Teilaufgaben und entscheidet über deren Reihenfolge. Er antwortet nicht nur auf Anweisungen, er erstellt seinen eigenen Handlungsplan.
• Werkzeuge nutzen, der Agent kann externe Werkzeuge aufrufen: Datenbanken, APIs, Code-Interpreter, Websuche, Dateisysteme. Das verankert ihn in echten Daten und gibt ihm die Möglichkeit, über das Erzeugen von Text hinaus zu handeln.
• Eigenständig iterieren, der Agent bewertet die Ergebnisse seiner Handlungen, entscheidet, ob das Ziel erreicht ist, und passt sein Vorgehen an, wenn nicht. Diese Denkschleife läuft, bis die Aufgabe erledigt ist oder der Agent feststellt, dass er menschliche Hilfe braucht.

Erst diese drei Fähigkeiten zusammen machen aus einem Sprachmodell statt einer ausgefeilten Textvervollständigung ein System, das Arbeit eigenständig erledigen kann.

So arbeiten KI-Agenten

Im Kern arbeitet ein KI-Agent in einer Schleife aus Denken und Handeln, manchmal der Zyklus aus Beobachten, Planen, Handeln und Bewerten genannt. Der Agent erhält ein Ziel, beobachtet den aktuellen Zustand der Welt (über Werkzeugaufrufe oder mitgegebenen Kontext), plant den nächsten Schritt, führt ihn aus, bewertet das Ergebnis und wiederholt das, bis das Ziel erreicht ist.

Das LLM als Denkmaschine

Das große Sprachmodell im Kern eines Agenten dient als Maschine für Denken und Planen. Es deutet das Ziel, entscheidet, welche Werkzeuge zu nutzen sind, erzeugt die Parameter für Werkzeugaufrufe und bewertet Ergebnisse. Das LLM „denkt“ nicht im menschlichen Sinn, es erzeugt einen Plan, indem es aus seinen Trainingsdaten und dem aktuellen Kontext die wahrscheinlich nützlichste Folge von Handlungen vorhersagt.

Rahmenwerke für Agenten setzen diese Schleife unterschiedlich um. LangGraph beschreibt sich als Low-Level-Rahmenwerk zur Orchestrierung langlaufender, zustandsbehafteter Agenten und bildet einen Ablauf als Graph von Schritten über einem gemeinsamen Zustand ab. OpenAI hat sein Agents SDK im März 2025 veröffentlicht, und AutoGen von Microsoft (inzwischen im Wartungsmodus, Nachfolger ist Microsoft Agent Framework), CrewAI und das Claude Agent SDK von Anthropic bieten andere Abstraktionen für dasselbe Muster. In jedem Fall erzeugt ein Schritt eine Beobachtung, die den Kontext des Agenten fortschreibt, und das LLM entscheidet die nächste Handlung auf Grundlage des angesammelten Zustands. So kann der Agent sich mitten in der Ausführung anpassen: Liefert eine Datenbankabfrage unerwartete Ergebnisse, kann er sein Vorgehen neu fassen, statt zu scheitern.

Datenplattformen bieten zudem verwaltete Dienste, um Agenten direkt bei den Daten zu bauen, etwa Databricks Agent Bricks, Snowflake Cortex Agents und Microsoft Foundry Agent Service.

Werkzeuge anbinden: MCP und Function Calling

Werkzeuge sind es, die Agenten ihre Fähigkeiten geben. Ohne Werkzeuge ist ein Agent nur ein LLM, das Text erzeugt. Mit Werkzeugen kann er Datenbanken abfragen, APIs aufrufen, Dokumente lesen, Code ausführen und Systeme aktualisieren.

Dafür gibt es zwei wesentliche Mechanismen:

• Function Calling, das LLM erzeugt einen strukturierten JSON-Aufruf an eine vorab festgelegte Funktion, die die Anwendung ausführt und deren Ergebnis sie an den Agenten zurückgibt. Das ist der grundlegende Mechanismus, unterstützt von den großen Modellanbietern, darunter OpenAI, Anthropic und Google.
• Model Context Protocol (MCP), ein offenes Protokoll, das Anthropic am 25. November 2024 vorgestellt hat, um zu vereinheitlichen, wie sich KI-Anwendungen mit Werkzeugen und Datenquellen verbinden. Statt für jedes Werkzeug eine eigene Anbindung zu bauen, legt MCP ein gemeinsames Protokoll für das Auffinden von Werkzeugen, ihren Aufruf und den Zugriff auf Ressourcen fest. Im Dezember 2025 hat Anthropic MCP an die Agentic AI Foundation übergeben, einen zweckgebundenen Fonds unter dem Dach der Linux Foundation. Teams setzen es ein, weil es die Logik des Agenten von der Umsetzung des Werkzeugs trennt.

Welche Werkzeuge einem Agenten zur Verfügung stehen, bestimmt unmittelbar, was er tun kann und worauf er zugreifen kann. Genau hier wird Data Governance entscheidend: Ein Agent mit Zugriff auf ungesteuerte Daten kann selbstbewusst falsche Ergebnisse liefern oder, schlimmer, eigenständig auf Grundlage falscher Informationen handeln.

Gedächtnis und Kontext

Agentische Systeme müssen über die Denkschleife hinweg einen Zustand halten. Das geschieht auf mehreren Ebenen:

• Kurzzeitgedächtnis, der Gesprächskontext und die angesammelten Beobachtungen innerhalb einer einzelnen Aufgabe. Das ist typischerweise das Kontextfenster des LLM, ergänzt um die Werkzeugergebnisse aus der Sitzung.
• Langzeitgedächtnis, ein dauerhafter Speicher, aus dem der Agent Informationen früherer Interaktionen abrufen kann. Umgesetzt über Vektordatenbanken, Knowledge Graphs oder strukturierte Speicher.
• Geteiltes Gedächtnis, in Systemen mit mehreren Agenten ein gemeinsamer Arbeitsbereich, in dem Agenten Informationen für abgestimmtes Arbeiten ablegen und abrufen.

Agentische Muster

Agentische Systeme sehen nicht alle gleich aus. Grad der Eigenständigkeit und Komplexität unterscheiden sich je nach Anwendungsfall deutlich. Die folgenden Muster stehen für zunehmend agentisches Verhalten.

Ein Agent, eine Aufgabe

Das einfachste agentische Muster: ein Agent, ein Ziel, eine Auswahl an Werkzeugen. Der Agent erhält eine Aufgabe (etwa „Analysiere die Vertriebsdaten des letzten Quartals und fasse die Entwicklungen zusammen“), plant die Schritte, führt Werkzeugaufrufe aus (Datenbank abfragen, Daten verarbeiten, Zusammenfassung erzeugen) und liefert das Ergebnis. Dieses Muster passt zu klar umrissenen Aufgaben mit eindeutigen Abschlusskriterien.

Denken mit Werkzeugunterstützung

Der Agent nutzt Werkzeuge nicht nur zum Handeln, sondern um sein Denken zu schärfen. Ein Agent, der eine komplexe Frage beantworten soll, durchsucht vielleicht erst eine Wissensbasis, fragt dann eine Datenbank nach stützenden Daten ab und gleicht die Ergebnisse ab, bevor er eine Antwort erzeugt. Jeder Werkzeugaufruf prägt den nächsten Denkschritt. Dieses Muster ist in Systemen für Retrieval-Augmented Generation (RAG) verbreitet.

Mehrere Agenten im Zusammenspiel

Komplexe Abläufe werden auf mehrere spezialisierte Agenten verteilt, jeder mit eigenen Werkzeugen und eigenem Fachgebiet. Ein koordinierender Agent (oder ein Rahmenwerk für die Steuerung) führt den Ablauf: Teilaufgaben zuweisen, Ergebnisse einsammeln, Abhängigkeiten auflösen und die endgültige Ausgabe zusammenführen. Eine Prüfung der Datenqualität kann so etwa einen Agenten fürs Profiling, einen für Regelprüfungen und einen für die Berichterstattung nacheinander einsetzen.

Agenten auf unterschiedlichen Rahmenwerken brauchen ein gemeinsames Protokoll, um zusammenzuarbeiten. Google hat dafür im April 2025 das Agent2Agent-Protokoll (A2A) vorgestellt, und die Linux Foundation betreut es seit Juni 2025 als herstellerneutrales Projekt.

Selbstlaufende Abläufe

Das fortgeschrittenste Muster: Agenten, die fortlaufend arbeiten, Bedingungen überwachen und handeln, sobald ein Auslöser eintritt. Ein selbstlaufender Agent für Data Stewardship könnte Kennzahlen der Datenqualität überwachen, Auffälligkeiten melden, Störungsberichte erzeugen und den zuständigen Data Steward benachrichtigen, alles ohne menschlichen Anstoß. Dieses Muster verlangt die stärksten Governance-Leitplanken, weil der Agent ohne Freigabe je Handlung arbeitet.

Data Governance für Agentic AI

Agentic AI verbraucht Daten nicht nur, sie handelt eigenständig auf ihnen. Das verändert die Rechnung für die Governance grundlegend. Fragt eine Analystin eine Datenbank ab, bringt sie ein Urteil über Datenqualität, Einschlägigkeit und Kontext mit. Fragt ein Agent dieselbe Datenbank ab, fehlt ihm dieses Erfahrungswissen, sofern die Governance-Infrastruktur es ihm nicht liefert.

Es geht um handfeste Folgen. Im Juni 2025 prognostizierte Gartner, dass bis Ende 2027 über 40 % der Projekte mit Agentic AI eingestellt werden, wegen steigender Kosten, unklaren geschäftlichen Nutzens oder unzureichender Risikokontrollen.

Warum Agenten gesteuerte Daten brauchen

Ein Agent, der eigenständig auf Grundlage von Daten entscheidet, ist nur so vertrauenswürdig wie die Daten, auf die er zugreift. Drei Governance-Fähigkeiten werden entscheidend:

• Signale zur Datenqualität, Agenten brauchen maschinenlesbare Hinweise auf die Datenqualität (Aktualität, Vollständigkeit, Bewertungen der Korrektheit), um zu entscheiden, ob ein Datensatz für die anstehende Aufgabe verlässlich genug ist. Ohne Qualitätsmetadaten behandeln Agenten alle Daten als gleich vertrauenswürdig.
• Fachlicher Kontext, ein Agent, der ein Feld namens margin abfragt, muss wissen, ob damit Bruttomarge, Nettomarge oder Deckungsbeitrag gemeint ist. Begriffe aus dem Business Glossary und semantische Metadaten liefern den Kontext, der Agenten davor bewahrt, selbstbewusst falsch zu deuten.
• Governance des Zugriffs, Agenten sollten nur auf Daten zugreifen, die sie für ihren konkreten Zweck nutzen dürfen. Rollenbasierte Zugriffsrechte, Datenklassifizierung und zweckgebundene Zugriffsregeln verhindern, dass Agenten sensible Daten lesen, die sie nicht brauchen.

Regulierung und Sicherheitsrahmen

Der EU AI Act legt risikobasierte Anforderungen fest, und die strengsten gelten für Hochrisiko-KI-Systeme: die in Anhang III aufgeführten, etwa KI für die Personalauswahl oder die Prüfung der Kreditwürdigkeit, und KI, die als Sicherheitsbauteil von Produkten dient, die unter die Rechtsvorschriften in Anhang I fallen. Ob ein Agent als Hochrisiko-System gilt, hängt von seinem Einsatzzweck ab, nicht von seiner Architektur. Hochrisiko-Systeme müssen Anforderungen erfüllen, zu denen Data Governance, Transparenz, menschliche Aufsicht und Genauigkeit gehören:

• Art. 10 KI-VO verlangt, dass Trainings-, Validierungs- und Testdatensätze Verfahren der Data Governance und des Datenmanagements folgen und Qualitätskriterien erfüllen, was an der Data-Governance-Infrastruktur hängt.
• Art. 14 KI-VO verlangt, dass Hochrisiko-Systeme so gestaltet sind, dass Menschen sie während ihres Einsatzes wirksam beaufsichtigen können, was bei Agenten meist Kontrollpunkte für menschliche Freigaben bei folgenschweren Handlungen bedeutet.
• Art. 13 KI-VO verlangt so viel Transparenz, dass Betreiber die Ausgabe eines Systems deuten und angemessen verwenden können, samt Betriebsanleitung; Data Lineage und Prüfpfade helfen zu zeigen, auf welche Daten sich ein Agent gestützt hat.

Die Fristen haben sich verschoben. Die Pflichten für KI-Modelle mit allgemeinem Verwendungszweck gelten seit dem 2. August 2025. Die Verordnung (EU) 2026/1744, der AI Omnibus, hat die Pflichten für Hochrisiko-Systeme auf den 2. Dezember 2027 für Systeme nach Anhang III und auf den 2. August 2028 für KI in Produkten nach Anhang I verschoben.

Außerhalb der EU bietet das NIST AI Risk Management Framework (AI RMF 1.0, Januar 2023) einen freiwilligen Rahmen für das Management von KI-Risiken. Für die Sicherheit führt die OWASP Top 10 for LLM Applications 2025 Excessive Agency (LLM06) als Risiko auf, dass ein LLM-basiertes System auf unerwartete, mehrdeutige oder manipulierte Modellausgaben hin schädliche Handlungen ausführt, und im Dezember 2025 hat OWASP eine eigene Liste, die Top 10 for Agentic Applications, veröffentlicht.

Wie Dawiso Agentic AI ermöglicht

Dawiso liefert den gesteuerten Kontext, auf den Systeme mit Agentic AI angewiesen sind, führt Agenten aber nicht selbst aus und orchestriert sie nicht. Über den Dawiso MCP-Server kann jeder MCP-kompatible Agent mit Katalog, Glossar und Data Lineage von Dawiso arbeiten, über das Model Context Protocol. Die dokumentierten Werkzeuge umfassen Suche, Objektdetails, Data Lineage und Datenstichproben, dazu Schreibwerkzeuge wie das Anlegen von Objekten und das Ändern von Attributen oder Workflow-Zuständen, und welche Werkzeuge ein Agent sieht, richtet sich nach der Rolle des verbundenen Nutzers in Dawiso.

In der Praxis heißt das: Ein KI-Agent, der Geschäftsdaten analysieren soll, kann zuerst den Katalog von Dawiso durchsuchen, um passende Datensätze zu finden, Definitionen aus dem Business Glossary für den Kontext einzelner Felder nachschlagen, Verantwortlichkeiten prüfen, um zu wissen, wen er fragen kann, und der Data Lineage folgen, um die Herkunft der Daten zu verstehen, alles über MCP-Werkzeugaufrufe, bevor er die eigentliche Datenquelle abfragt. Dawiso misst weder die Aktualität von Daten, noch führt es selbst Qualitätsprüfungen aus: Qualitätsprüfungen werden in Dawiso dokumentiert, zusammen mit der externen Engine, die sie ausführt, sodass aktuelle Qualitätssignale weiterhin aus diesen Werkzeugen kommen.

Das Business Glossary gibt Agenten gemeinsame Definitionen, und seine Begriffe werden automatisch verknüpft, wo immer sie im Inhalt eines Objekts vorkommen. Der Data Catalog macht die Metadaten auffindbar, die Konnektoren scannen. Interactive Data Lineage erlaubt Agenten, die Herkunft von Daten zu verfolgen, wobei die Data Lineage aus vier Quellen entsteht: Konnektoren, dbt, SQL-Parsing (standardmäßig nicht eingeschaltet) und Beziehungen, die Nutzer von Hand anlegen. Und wenn die KI-gestützten Funktionen eingeschaltet sind, erzeugt Dawiso Beschreibungen für Datenbanken, Schemata, Views und Tabellen, die zur Prüfung markiert bleiben, bis ein Mensch sie speichert.

Fazit

Agentic AI steht für einen grundlegenden Wechsel von KI, die Fragen beantwortet, zu KI, die Arbeit eigenständig erledigt. Die Denkschleife aus Beobachten, Planen, Handeln und Bewerten gibt Agenten zusammen mit angebundenen Werkzeugen Fähigkeiten, die weit über das Erzeugen von Text hinausgehen. Diese Eigenständigkeit schafft aber eine entscheidende Abhängigkeit von der Data Governance: Agenten, die auf ungesteuerten Daten handeln, können in großem Maßstab Schaden anrichten.

Für Organisationen, die Agentic AI einführen, ist die Botschaft eindeutig: Investieren Sie in Data Governance, bevor Sie in Agentenfähigkeiten investieren. Eine gut gesteuerte Datenlandschaft, mit katalogisierten Beständen, Qualitätskennzahlen, Begriffen aus dem Business Glossary und sauberen Zugriffsrechten, ist das Fundament, das Agentic AI vertrauenswürdig macht. Ohne sie geben Sie eigenständigen Systemen die Schlüssel zu einem Gebäude, in dem niemand die Räume beschriftet hat.

Quellen

• Anthropic, Introducing the Model Context Protocol, 25. November 2024.
• Anthropic, Donating the Model Context Protocol and establishing the Agentic AI Foundation, 9. Dezember 2025.
• Google Developers Blog, Announcing the Agent2Agent Protocol (A2A), 9. April 2025.
• Linux Foundation, Linux Foundation Launches the Agent2Agent Protocol Project, 23. Juni 2025.
• OpenAI, New tools for building agents, 11. März 2025.
• LangChain, LangGraph overview.
• Databricks, Agent Bricks.
• Snowflake, Cortex Agents.
• Microsoft Learn, What is Microsoft Foundry Agent Service?
• Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, Pressemitteilung vom 25. Juni 2025.
• EUR-Lex, Regulation (EU) 2024/1689 (Artificial Intelligence Act).
• EUR-Lex, Regulation (EU) 2026/1744 (AI Omnibus).
• NIST, AI Risk Management Framework (Rahmenwerk für KI-Risiken).
• OWASP, LLM06:2025 Excessive Agency.
• OWASP, OWASP Top 10 for Agentic Applications.
• Dawiso Help, Dawiso Model Context Protocol (MCP).
• Dawiso Help, Data product quality and SLAs.
• Dawiso Help, Business glossary.
• Dawiso Help, Sources of data lineage.
• Dawiso Help, AI features and integrations in Dawiso (KI-Funktionen).