KI-Agenten: Definition, Funktionsweise und Engineering

KI-Agenten sind KI-basierte Softwaresysteme, die ein definiertes Ziel verfolgen und Aufgaben innerhalb vorgegebener Grenzen über mehrere Schritte bearbeiten können. Sie können Informationen auswerten, weitere Schritte planen, Werkzeuge oder Datenquellen nutzen, Aktionen ausführen und deren Ergebnisse berücksichtigen. Im Engineering können KI-Agenten beispielsweise technische Wissensarbeit und mehrstufige Abläufe in Konstruktion, Produktentwicklung, Qualität oder Service unterstützen. [1][2][3]

Auf einen Blick

Merkmal	Einordnung
Kategorie	KI-basiertes Softwaresystem
Kernfunktion	Verfolgt ein definiertes Ziel und bearbeitet Aufgaben über mehrere Schritte
Typische Fähigkeiten	Kontext erfassen, planen, Werkzeuge nutzen, Aktionen ausführen und Ergebnisse berücksichtigen
Engineering-Bezug	Technische Wissensarbeit und mehrstufige Abläufe in Entwicklung, Qualität, Fertigung und Service
Wichtige Voraussetzung	Geeignete Daten, definierte Zugriffsrechte und menschliche Kontrollpunkte

Inhaltsverzeichnis

Was sind KI-Agenten?
Wie funktioniert ein KI-Agent?
Abgrenzung zu anderen KI-Systemen
KI-Agenten im Engineering
Chancen und Grenzen
Multi-Agenten-Systeme
Verwandte Begriffe

Was sind KI-Agenten?

Ein KI-Agent ist ein Softwaresystem, das auf ein vorgegebenes Ziel ausgerichtet ist und innerhalb definierter Grenzen selbstständig Schritte zur Zielerreichung auswählen und ausführen kann. Im Unterschied zu einer einzelnen KI-Abfrage endet seine Aufgabe damit nicht zwingend nach einer Antwort.

Ein Agent kann beispielsweise zunächst den Kontext einer Aufgabe erfassen, benötigte Informationen beschaffen, einen Ablauf planen und anschliessend geeignete Werkzeuge verwenden. Nach einer Aktion kann er das Ergebnis auswerten und entscheiden, welcher Schritt als Nächstes erforderlich ist. Wie autonom ein KI-Agent dabei arbeitet, hängt von seiner Architektur, seinen Berechtigungen und den festgelegten Regeln ab. [1][2][3]

Viele moderne KI-Agenten nutzen Large Language Models, kurz LLMs, um natürliche Sprache zu verarbeiten und nächste Schritte abzuleiten. Ein LLM ist jedoch nicht mit einem KI-Agenten gleichzusetzen. Der Agent umfasst zusätzlich die Logik und technische Umgebung, mit der Ziele verfolgt, Werkzeuge aufgerufen und Aktionen ausgeführt werden können.

Wie funktioniert ein KI-Agent?

Die konkrete technische Architektur kann unterschiedlich aussehen. Ein typischer agentischer Ablauf lässt sich vereinfacht in mehrere Schritte gliedern:

Ziel oder Auftrag erfassen: Der Agent erhält eine Aufgabe und kennt die dafür geltenden Grenzen.
Kontext und Informationen erfassen: Er verarbeitet Eingaben und kann je nach System auf Datenbanken, Dokumente, Programmierschnittstellen oder andere Informationsquellen zugreifen.
Aufgabe planen: Der Agent zerlegt ein Ziel in einzelne Arbeitsschritte und bestimmt eine geeignete Reihenfolge.
Werkzeuge oder Systeme nutzen: Er kann beispielsweise Suchfunktionen, Unternehmenssoftware oder Berechnungswerkzeuge aufrufen.
Aktion ausführen: Der Agent führt einen vorgesehenen Schritt aus, sofern seine Berechtigungen dies erlauben.
Ergebnis bewerten: Er berücksichtigt das Ergebnis und passt bei Bedarf den nächsten Schritt an.
Kontrollpunkt einbeziehen: Bei entsprechend gestalteten Prozessen kann eine Fachperson Ergebnisse prüfen, freigeben oder weitere Vorgaben machen.

Nicht jeder KI-Agent besitzt alle diese Eigenschaften in gleichem Umfang. Auch Funktionen wie Gedächtnis, Lernen oder langfristige Planung hängen von der jeweiligen Architektur ab. Entsprechend unterscheiden sich Klassifikationen von Agententypen zwischen Fachquellen. [2][3]

Prozessgrafik: Wie arbeitet ein KI-Agent? Die Grafik zeigt die Schritte von der Zielvorgabe über Planung, Werkzeugnutzung und Aktion bis zur Auswertung. Sie stellt auch die Rückkopplung und mögliche menschliche Kontroll- und Freigabepunkte dar.

Ein KI-Agent erfasst Kontext und Daten, plant Aufgaben, nutzt angebundene Tools und Systeme und passt sein Vorgehen anhand der Ergebnisse an. Menschliche Kontroll- und Freigabepunkte können in den Prozess integriert werden.

Wie unterscheiden sich KI-Agenten von generativer KI, Chatbots und Automatisierung?

Die Begriffe werden häufig gemeinsam verwendet, beschreiben aber unterschiedliche Schwerpunkte.

Konzept	Schwerpunkt	Typisches Verhalten
Generative KI	Neue Inhalte erzeugen	Erstellt beispielsweise Texte, Bilder oder Code aus einer Eingabe
Chatbot oder KI-Assistent	Interaktion mit Menschen	Beantwortet Fragen oder unterstützt im Dialog
KI-Agent	Zielorientierte Aufgabenbearbeitung	Plant Schritte, nutzt Werkzeuge und kann Aktionen ausführen
Klassische Automatisierung	Vordefinierte Abläufe	Führt festgelegte Regeln und Prozessschritte aus

Die Grenzen können in realen Anwendungen fliessend sein. Ein moderner KI-Assistent kann beispielsweise agentische Funktionen besitzen. Entscheidend ist daher weniger die Bezeichnung einer Benutzeroberfläche als die tatsächliche Fähigkeit des Systems, Ziele über mehrere Schritte zu verfolgen und mit seiner digitalen Umgebung zu interagieren. [2]

Generative KI und KI-Agenten sind keine Synonyme. Generative KI ist auf das Erzeugen neuer Inhalte ausgerichtet. Ein KI-Agent kann generative KI oder ein LLM als Bestandteil verwenden und darüber hinaus Werkzeuge nutzen und gegebenenfalls Aktionen ausführen.

Agentic AI beziehungsweise agentische KI beschreibt einen eng verwandten Ansatz. Die Verwendung des Begriffs ist nicht vollständig einheitlich. Häufig bezeichnet er KI-Systeme oder Architekturen, die auf zielgerichtetes, autonomeres Handeln ausgerichtet sind und dazu einen oder mehrere KI-Agenten einsetzen. [4]

Wie werden KI-Agenten im Engineering eingesetzt?

KI-Agenten sind für das Engineering besonders interessant, wenn Aufgaben mehrere Informationsquellen, Systeme oder aufeinanderfolgende Arbeitsschritte umfassen. Voraussetzung ist, dass der Agent auf die benötigten Informationen und Werkzeuge kontrolliert zugreifen kann. Der Beitrag KI im Engineering ordnet solche Anwendungen in den grösseren Zusammenhang ein.

Mögliche Einsatzbereiche sind beispielsweise:

Technische Wissensarbeit: Informationen aus Dokumentationen, Spezifikationen und freigegebenen Wissensbeständen recherchieren und aufbereiten.
Konstruktion und Produktentwicklung: Mehrstufige Aufgaben rund um technische Informationen, Modelle oder Entwicklungsprozesse unterstützen.
CAD-, PDM- und PLM-nahe Prozesse: Informationen aus angebundenen Systemen abrufen oder vorbereitende Prozessschritte durchführen, sofern Schnittstellen und Berechtigungen vorhanden sind.
Qualitätsmanagement: Daten und technische Informationen für Prüf- oder Analyseaufgaben zusammenführen und aufbereiten.
Fertigung und technische Prozesse: Informationen aus unterschiedlichen Quellen für definierte Aufgaben kombinieren.
Technischer Service: Fehler- und Serviceinformationen recherchieren, Zusammenhänge aufbereiten und nächste Bearbeitungsschritte vorbereiten.

Der wesentliche Unterschied zu einem isolierten KI-Werkzeug liegt im Ablauf: Ein Agent kann mehrere Teilschritte miteinander verbinden. Welche Aktionen tatsächlich automatisiert werden sollten, hängt von Aufgabe, Risiko und erforderlicher fachlicher Kontrolle ab. Fraunhofer empfiehlt für den betrieblichen Einsatz unter anderem geeignete Kontrollmechanismen, verlässliche Daten und einen schrittweisen Einstieg. [1]

Engineering-Bezug auf einen Blick

Bereich	Möglicher Einsatz von KI-Agenten
Konstruktion und Produktentwicklung	Technische Informationen verarbeiten und mehrstufige Aufgaben unterstützen
CAD / PDM / PLM	Mit angebundenen Daten, Dokumenten und Funktionen innerhalb definierter Berechtigungen arbeiten
Qualität und Fertigung	Daten zusammentragen, Analyseaufgaben unterstützen und Prozessschritte vorbereiten
Technischer Service	Wissensrecherche, Fehleranalyse und Aufbereitung möglicher nächster Schritte
Technische Wissensarbeit	Informationen aus mehreren Quellen recherchieren, strukturieren und kontextbezogen bereitstellen

AURA und LEO als Engineering-Beispiel

Ein aktuelles Beispiel für KI-gestützte Begleiter im Engineering sind AURA und LEO in SOLIDWORKS Design. SOLIDWORKS bezeichnet beide offiziell als AI Virtual Companions. AURA verbindet den Arbeitskontext mit Unternehmens- und Webwissen. LEO ist auf Engineering- und Konstruktionsaufgaben ausgerichtet und kann Eingaben in konkrete Funktionen von SOLIDWORKS Design umsetzen. [5]

Das Beispiel verdeutlicht, wie KI-Unterstützung mit dem Arbeitskontext und den Werkzeugen eines technischen Systems verbunden sein kann. Der konkrete Funktionsumfang hängt von Produktstand und verfügbarer Funktion ab. Der Beitrag KI in SOLIDWORKS vertieft das Produktbeispiel.

Welche Chancen und Grenzen haben KI-Agenten?

KI-Agenten können mehrstufige Aufgaben bearbeiten und dabei verschiedene Datenquellen und Werkzeuge einbeziehen. Mit wachsender Autonomie steigen zugleich die Anforderungen an Datenqualität, Sicherheit, Zugriffsrechte und menschliche Kontrolle. Für den Einsatz im Engineering sollten Chancen und mögliche Risiken daher gemeinsam betrachtet werden.

Chancen von KI-Agenten

Ein wesentlicher Vorteil liegt in der Verbindung mehrerer Arbeitsschritte. Statt für jeden einzelnen Schritt eine neue Eingabe zu benötigen, kann ein geeignet konfigurierter Agent ein übergeordnetes Ziel verfolgen und verschiedene Informationsquellen oder Werkzeuge einbeziehen.

Im Engineering kann dies insbesondere bei Aufgaben helfen, die viele manuelle Übergänge zwischen Dokumenten, Datenquellen und Anwendungen erfordern. Technische Fachkräfte können dadurch bei Recherche, Aufbereitung und wiederkehrenden Prozessschritten unterstützt werden.

Grenzen und Risiken

Mehr Autonomie erhöht die Anforderungen an Kontrolle und technische Absicherung. Fehlerhafte Informationen können dazu führen, dass ein Agent ungeeignete Schlussfolgerungen zieht oder falsche Aktionen vorbereitet. Werden externe Werkzeuge oder Unternehmenssysteme angebunden, spielen ausserdem Zugriffsrechte und Informationssicherheit eine zentrale Rolle. [1][4]

Für einen kontrollierten Einsatz sind insbesondere folgende Punkte relevant:

geeignete und aktuelle Daten,
klar definierte Ziele und Verantwortlichkeiten,
begrenzte und nachvollziehbare Berechtigungen,
Überwachung ausgeführter Aktionen,
definierte menschliche Kontroll- und Freigabepunkte,
geeignete Sicherheits- und Governance-Regeln.

Menschliche Kontrolle bleibt insbesondere bei technisch kritischen, sicherheitsrelevanten oder weitreichenden Entscheidungen wichtig. Ein KI-Agent kann Arbeitsschritte unterstützen oder vorbereiten. Die technische Verantwortung und erforderliche Freigaben müssen eindeutig geregelt bleiben.

Was ist ein Multi-Agenten-System?

Ein Multi-Agenten-System besteht aus mehreren Agenten, die miteinander interagieren oder spezialisierte Teilaufgaben übernehmen. Ein Agent kann beispielsweise Informationen beschaffen, während ein anderer die Ergebnisse prüft oder einen weiteren Prozessschritt bearbeitet. [2]

Multi-Agenten-Systeme können komplexere Aufgaben auf mehrere spezialisierte Einheiten verteilen. Sie erhöhen zugleich die Anforderungen an Koordination, Überwachung und Fehlerbehandlung. Der Begriff bezeichnet daher kein Synonym für einen einzelnen KI-Agenten, sondern eine Architektur aus mehreren zusammenwirkenden Agenten.