Was ist Agentic AI?

Auf einen Blick

• Agenten planen, handeln und korrigieren sich selbst – iterativ und zielorientiert
• im Unterschied zu Generativer AI geht es nicht um Erzeugen auf Anfrage, sondern um autonomes Handeln auf Ziel
• im Controlling relevant für automatisierte Analysezyklen, proaktives Monitoring und mehrstufige Berichtsprozesse
• Autonomie erfordert Governance: Nachvollziehbarkeit, Datenkontrolle und definierte menschliche Kontrollpunkte sind Pflicht, keine Option

Agentic AI Definition

Agentic AI (deutsch: agentische künstliche Intelligenz) bezeichnet KI-Systeme, die eigenständig Ziele verfolgen, Entscheidungen treffen und Handlungsschritte planen – ohne für jeden einzelnen Schritt menschliche Anweisung zu benötigen.

Im Unterschied zu klassischen KI-Assistenten, die auf Eingaben reagieren und einzelne Aufgaben ausführen, agieren KI-Agenten über mehrere Schritte hinweg autonom: Sie zerlegen komplexe Aufgaben selbstständig in Teilschritte, nutzen Werkzeuge und externe Datenquellen, werten Zwischenergebnisse aus und korrigieren ihren Kurs bei Bedarf.

Der Begriff leitet sich vom englischen agency ab – der Fähigkeit, Handlungen einzuleiten und Ergebnisse in der realen Welt zu beeinflussen. In der Praxis bedeutet dies, dass ein KI-Agent nicht darauf beschränkt ist, Empfehlungen zu generieren, sondern innerhalb der von seinen menschlichen Betreibern festgelegten Grenzen aktiv die erforderlichen Schritte zur Erreichung eines definierten Ziels ausführen kann.

Wie funktioniert Agentic AI?

Im Kern kombiniert Agentic AI drei Fähigkeiten:

• Planung: Das System zerlegt ein übergeordnetes Ziel in eine Abfolge von Teilaufgaben und legt eine Vorgehensweise fest.
• Werkzeugnutzung: Der Agent greift eigenständig auf Tools zu – etwa Datenbanken, APIs, Suchmaschinen, Codeausführungsumgebungen oder andere KI-Modelle.
• Rückkopplung und Anpassung: Zwischenergebnisse werden bewertet; der Agent korrigiert seinen Plan, wenn Ergebnisse nicht den Erwartungen entsprechen.

Technisch basieren viele Agentic-AI-Systeme auf großen Sprachmodellen (LLMs), die durch Planungsrahmen ergänzt werden. Mehrere Agenten können dabei arbeitsteilig zusammenwirken – sogenannte Multi-Agent-Systeme.

Was ist ein Agentic AI Framework?

Ein Agentic AI Framework ist die technische und organisatorische Infrastruktur, die KI-Agenten überhaupt erst handlungsfähig macht. Es definiert, welche Werkzeuge ein Agent nutzen darf, nach welcher Logik er plant, wie er mit anderen Agenten kommuniziert und wo menschliche Kontrollpunkte eingebaut sind.

Die technischen Frameworks stellen Bausteine bereit, mit denen Entwickler Agenten konfigurieren, verketten und überwachen können. Typische Bestandteile eines solchen Frameworks sind:

• Orchestrierung: Ein übergeordneter Agent oder eine Planungskomponente koordiniert die Abfolge von Teilaufgaben und delegiert an spezialisierte Unteragenten.
• Memory: Agenten benötigen Gedächtnis – kurzfristig für den laufenden Aufgabenkontext, langfristig für wiederkehrende Muster und Nutzerpräferenzen. Ohne strukturiertes Memory degeneriert jeder Agentenlauf zum Neustart.
• Tool Registry: Eine zentrale Verwaltung aller Werkzeuge, auf die Agenten zugreifen dürfen – von Datenbankabfragen über Rechenoperationen bis hin zu externen APIs.
• Guardrails: Regeln und Grenzen, die verhindern, dass Agenten unerwünschte Aktionen ausführen, sensible Daten unkontrolliert weitergeben oder in Endlosschleifen geraten.
• Logging und Auditierung: Jeder Schritt eines Agenten wird protokolliert – nicht nur für Debugging, sondern als Grundlage für Nachvollziehbarkeit und Compliance.

Für den Einsatz im Controlling ist die Wahl des Frameworks keine rein technische Frage. Entscheidend ist, ob sich die Governance-Anforderungen des Unternehmens im Framework abbilden lassen. Ein Agent, der eigenständig auf Finanzdaten zugreift und Berichte erzeugt, muss lückenlos dokumentieren, welche Daten er wann aus welcher Quelle gezogen hat.

Was sind die vier Typen von Agentic AI?

Am weitesten verbreitet ist eine Einteilung nach dem Grad der Autonomie, die vier Stufen unterscheidet: regelbasierte Systeme, Workflow-Agenten, semi-autonome Agenten und autonome Agenten. Mit steigendem Autonomiegrad übernimmt die KI mehr Entscheidungen selbstständig, während der menschliche Kontrollaufwand sinkt.

Was bedeutet Agentic AI für Controlling und Business Intelligence?

Für Controlling und Business Intelligence eröffnet Agentic AI in Unternehmen neue Möglichkeiten – aber auch neue Fragen.

Potenziale

• Automatisierte Analysen: Ein Agent kann selbstständig Abweichungen in Finanzdaten identifizieren, Ursachen recherchieren, Berichte erstellen und Handlungsoptionen vorschlagen – ohne dass ein Analyst jeden Schritt anstoßen muss.
• Verdichtung komplexer Datenlagen: Agentic AI kann strukturierte und unstrukturierte Quellen – ERP-Daten, Marktberichte, interne Kommentare – kombinieren und zu einem kohärenten Lagebild zusammenführen.
• Proaktives Monitoring: Statt auf Anfragen zu warten, überwacht ein Agent kontinuierlich definierte KPI und eskaliert bei Schwellenwertüberschreitungen eigenständig.
• Szenarienrechnung: Agenten können mehrere Planungsszenarien parallel durchrechnen, plausibilisieren und nach definierten Kriterien priorisieren.

Grenzen und Risiken

Autonomie ist kein Selbstzweck. Agentic AI kann Fehler über mehrere Schritte hinweg fortschreiben – ein falsches Zwischenergebnis kann sich im weiteren Prozess unbemerkt aufschaukeln. Im Controlling, wo Zahlen Entscheidungsgrundlage für Investitionen, Budgets und Steuerung sind, wiegt das schwer. Ein Human-in-the-Loop sorgt für die nötige Sicherheit. Hinzu kommt die Frage der Nachvollziehbarkeit: Wenn ein Agent autonom Analysen durchführt und Empfehlungen ausspricht, muss der Mensch den Entscheidungsweg verstehen und verantworten können. Explainable AI ist kein Nice-to-have, sondern Voraussetzung für den seriösen Einsatz.

Agentic AI vs. Generative AI – Was ist der Unterschied zwischen Agentic AI und Generative AI?

Generative AI und Agentic AI werden häufig in einem Atemzug genannt – sie beschreiben jedoch grundlegend verschiedene Konzepte, die sich ergänzen, aber nicht ersetzen.

In der Praxis ist Generative AI häufig der Motor, den Agentic AI nutzt: Ein LLM übernimmt das Sprachverstehen, das Formulieren von Zwischenergebnissen und die Kommunikation – während das agentische Framework den Ablauf steuert, Werkzeuge koordiniert und Entscheidungsschleifen organisiert. Generative AI ist damit oft eine Komponente von Agentic AI, aber nicht dasselbe.

Praxisbeispiel: Agentic-AI-Workflows im Controlling

Ein Einsatzszenario für Agentic AI im Controlling ist die automatisierte Überwachung des monatlichen Management-Reportings. Statt dass ein Controller jeden Morgen selbst verschiedene Kennzahlen, Datenquellen und Berichte prüft, überwacht ein KI-Agent definierte KPI, erkennt Auffälligkeiten, untersucht mögliche Ursachen und bereitet die relevanten Erkenntnisse für den Controller auf.

Angenommen, ein Unternehmen hat für den Umsatz des laufenden Monats eine Abweichung von mehr als 5 % zum Forecast als kritische Schwelle definiert. Der Agent prüft zunächst die aktuellen Ist-Daten und stellt eine deutliche Abweichung fest. Anschließend zerlegt er die Auffälligkeit nach relevanten Dimensionen – beispielsweise Geschäftsbereich, Produktgruppe, Region oder Kunde. Im nächsten Schritt untersucht er, welche Faktoren die Abweichung erklären können. Denkbar sind etwa ein Rückgang der Absatzmenge, Preisveränderungen, ein veränderter Produktmix oder das Ausbleiben einzelner Großaufträge.

Der entscheidende Unterschied zu einer klassischen automatisierten Auswertung liegt in der Verkettung der Analyseschritte: Der Agent wartet nicht auf einen einzelnen Analyseauftrag, sondern verfolgt das vorgegebene Ziel selbstständig. Er plant die erforderlichen Schritte, nutzt verfügbare Daten und Werkzeuge, bewertet Zwischenergebnisse und kann seine Analyse bei neuen Erkenntnissen anpassen. Genau diese Kombination aus Planung, Werkzeugnutzung und Rückkopplung kennzeichnet Agentic AI.

Für den Controller könnte das Ergebnis beispielsweise so aussehen: „Umsatz aktuell 6,8 % unter Forecast. 4,2 Prozentpunkte der Abweichung entfallen auf die Region Süd, davon wiederum 3,1 Prozentpunkte auf die Produktgruppe B. Hauptursache ist ein Mengenrückgang bei drei Großkunden. Der Effekt ist teilweise durch einen positiven Preiseffekt kompensiert.“ Aus einer abstrakten Abweichung wird damit eine priorisierte Analyse, die unmittelbar als Grundlage für die weitere Prüfung dienen kann.

Wichtig ist dabei die Rollenverteilung: Der Agent analysiert und bereitet vor, der Mensch entscheidet. Gerade im Controlling darf Autonomie nicht mit vollständiger Entscheidungsfreiheit gleichgesetzt werden.

Welche Beispiele gibt es für Agentic AI?

Die Nutzung von KI-Agenten ist keine abstrakte Zukunftsvision. In verschiedenen Branchen und Funktionsbereichen entstehen bereits produktive Einsatzszenarien:

Was diese Beispiele eint: Der Mehrwert entsteht nicht durch Automatisierung einzelner Schritte, sondern durch die Verkettung mehrerer Schritte zu einem kohärenten, zielgerichteten Prozess – mit dem Menschen an den Stellen, wo Urteilsvermögen, Verantwortung oder erweiterter Kontext gefragt sind.

Zusammenfassung

Agentic AI markiert einen grundlegenden Wandel in der Art und Weise, wie KI-Systeme eingesetzt werden: weg von reaktiven Tools, die auf Eingaben reagieren, hin zu autonomen Agenten, die Ziele verfolgen, Pläne umsetzen und sich in Echtzeit anpassen. Für das Controlling und die Business Intelligence ergeben sich daraus echte Chancen – automatisierte Analysen, proaktive Überwachung und skalierbares Reporting – sowie klare Verantwortlichkeiten: Rückverfolgbarkeit, Governance und menschliche Aufsicht müssen von Anfang an integriert werden. Mit DeltaMaster setzt Bissantz dieses Gleichgewicht in die Praxis um: KI-gesteuerte Automatisierung dort, wo sie einen Mehrwert schafft, menschliches Urteilsvermögen dort, wo es unverzichtbar ist.