Ein AI-Agent ist ein System, das nicht nur Fragen beantwortet, sondern eigenständig Aufgaben ausführt. Während ein normaler Chatbot auf eine Eingabe wartet und eine Antwort gibt, kann ein Agent mehrere Schritte planen, Tools verwenden und Entscheidungen treffen.

Beispiel: Sie sagen «Erstelle einen Monatsbericht aus unseren Verkaufsdaten». Ein Chatbot würde Ihnen erklären, wie man das macht. Ein Agent öffnet die Datenbank, zieht die Zahlen, berechnet Kennzahlen, erstellt Grafiken und liefert den fertigen Bericht.

Chatbot: Reagiert auf Eingaben, gibt Antworten, hat keinen Zugriff auf externe Systeme. Jede Nachricht wird isoliert verarbeitet.

Agent: Plant eigenständig, nutzt Tools (Datenbanken, APIs, E-Mail, Kalender), führt mehrstufige Workflows aus und kann Zwischenergebnisse evaluieren und seinen Kurs korrigieren.

Der entscheidende Unterschied ist Handlungsfähigkeit. Ein Chatbot redet. Ein Agent handelt. Die nächste Generation von AI-Lösungen sind keine besseren Chatbots – es sind Agenten, die echte Arbeit übernehmen.

Tools sind externe Funktionen, die ein Agent aufrufen kann, um mit der realen Welt zu interagieren. Das Sprachmodell allein kann nur Text generieren – mit Tools kann es Daten abrufen, Berechnungen durchführen, E-Mails senden oder Dateien erstellen.

Typische Tools sind: Websuche, Datenbankabfragen, Code-Ausführung, Kalender-Management, CRM-Zugriff, Dateisystem-Operationen. Welche Tools ein Agent hat, bestimmt, was er kann. Man kann sich Tools wie die Werkzeuge eines Handwerkers vorstellen – das Fachwissen ist im Kopf (Modell), aber ohne Werkzeuge bleibt es Theorie.

Sub-Agenten sind spezialisierte Agenten, die von einem übergeordneten Agenten für bestimmte Teilaufgaben eingesetzt werden. Statt dass ein einziger Agent alles selbst macht, delegiert er Aufgaben an Spezialisten.

Stellen Sie sich einen Projektleiter vor (Haupt-Agent), der Aufträge an einen Recherche-Spezialisten, einen Datenanalysten und einen Texter vergibt (Sub-Agenten). Jeder Sub-Agent hat eigene Tools, eigene Anweisungen und ein eigenes Spezialgebiet. Der Haupt-Agent koordiniert und setzt die Ergebnisse zusammen.

Ein Multi-Agent-System besteht aus mehreren Agenten, die zusammenarbeiten, um komplexe Aufgaben zu lösen. Jeder Agent hat eine definierte Rolle, eigene Fähigkeiten und eigene Anweisungen.

Beispiel für ein Agenten-Team im Kundendienst:

• Router-Agent: Analysiert die Anfrage und leitet sie an den richtigen Spezialisten weiter.
• Produkt-Agent: Beantwortet Fragen zu Produkten und Dienstleistungen.
• Beschwerde-Agent: Bearbeitet Reklamationen nach definierten Eskalationsregeln.
• Technik-Agent: Hilft bei technischen Problemen und konsultiert die Wissensdatenbank.

Multi-Agent-Systeme sind leistungsfähiger, wartbarer und zuverlässiger als einzelne, überladene Agenten.

MCP ist ein offener Standard, entwickelt von Anthropic, der definiert, wie AI-Modelle mit externen Datenquellen und Tools kommunizieren. Man kann sich MCP als eine Art «USB-Standard für AI» vorstellen – eine einheitliche Schnittstelle, über die verschiedene Systeme angebunden werden können.

Ohne MCP muss jede AI-Integration individuell programmiert werden. Mit MCP können Tools, Datenbanken und Dienste einmal nach einem Standard angebunden und dann von verschiedenen AI-Systemen genutzt werden. Das reduziert Entwicklungsaufwand und erhöht die Flexibilität massiv.

Function Calling (auch Tool Use genannt) ist die Fähigkeit eines Sprachmodells, strukturiert externe Funktionen aufzurufen. Das Modell entscheidet basierend auf der Benutzereingabe, welche Funktion mit welchen Parametern aufgerufen werden soll.

Beispiel: Sie fragen «Wie wird das Wetter morgen in Zürich?». Das Modell erkennt, dass es eine Wetter-API aufrufen muss, generiert die richtigen Parameter (Ort: Zürich, Datum: morgen) und verarbeitet das Ergebnis in einer natürlichen Antwort. Function Calling ist die technische Basis dafür, dass AI-Agenten handeln können.

Ein Agentic Workflow ist ein Arbeitsprozess, bei dem AI-Agenten mehrere Schritte eigenständig durchlaufen – inklusive Planung, Ausführung, Überprüfung und Korrektur. Im Gegensatz zu einem einfachen Frage-Antwort-Ablauf kann der Agent seinen eigenen Fortschritt beurteilen und bei Bedarf den Kurs ändern.

Beispiel: «Analysiere unsere letzten 50 Kundenbeschwerden, kategorisiere sie, identifiziere die Top-3-Probleme und entwirf für jedes einen Lösungsvorschlag.» Ein Agent plant diese Aufgabe, führt jeden Schritt aus, prüft Zwischenergebnisse und liefert am Ende ein strukturiertes Ergebnis.