Ein Entwickler mit einem Team aus KI-Agenten — das steht auf meiner Startseite. Es klingt nach Marketing. Ist es aber nicht. Dahinter steckt ein konkretes System mit konkreten Bauteilen, und dieser Beitrag zeigt sie. Wer KI im eigenen Unternehmen einsetzen will, sollte verstehen, was unter dem Begriff agentic AI tatsächlich passiert — und woran man jemanden erkennt, der es beherrscht, statt nur darüber zu reden.
Ich schreibe das für Entscheider, nicht für Entwickler. Die englischen Fachbegriffe bleiben drin, weil sie der Standard sind — aber jeder wird erklärt.
Was ist ein agentisches System?
Ein agentisches System (englisch agentic system oder agentic AI) ist Software, in der ein KI-Agent ein Ziel eigenständig verfolgt: Er plant die Schritte, nutzt Werkzeuge und passt sich an, statt auf jede einzelne Anweisung zu warten. Der Unterschied zum Chatbot ist die Handlung. Ein Chatbot antwortet. Ein Agent erledigt.
Der Wandel dahinter: weg vom Befehl („mach es so") hin zur Absicht („ich will dieses Ergebnis"). Die KI findet den Weg selbst. Das ist kein Nischenthema mehr — Gartner erwartet, dass bis 2026 rund 40 % der Unternehmensanwendungen aufgabenspezifische KI-Agenten enthalten, bei einem Marktwachstum von über 46 % pro Jahr (CloudKeeper, 2026).
Was ist ein KI-Agent — und was ein Sub-Agent?
Ein KI-Agent ist ein Sprachmodell, das handeln kann: Dateien lesen, im Web recherchieren, Code ausführen, andere Software aufrufen — und das so lange wiederholt, bis eine Aufgabe erledigt ist. Ein Sub-Agent ist ein Helfer, den ein anderer Agent für einen abgegrenzten Teil der Arbeit startet, der dann sein Ergebnis zurückmeldet.
Für eine größere Aufgabe nutze ich selten einen einzelnen Agenten. Stattdessen leitet ein übergeordneter Agent (der Supervisor) die Arbeit und verteilt sie an spezialisierte Sub-Agenten:
- einer recherchiert — sucht, liest, fasst Quellen zusammen,
- einer baut — schreibt Code oder Texte auf Basis der Recherche,
- einer prüft — kontrolliert das Ergebnis mit frischem Blick, bevor etwas rausgeht.
Das spiegelt, wie ein echtes Team arbeitet. Und es ist der dominante Aufbau in der Praxis.
Einzelner Agent oder Multi-Agent-Orchestrierung?
Die Steuerungsebene, die mehrere Agenten auf ein Ziel hin koordiniert, heißt Multi-Agent-Orchestrierung. Die häufigste Form ist das Orchestrator-Worker-Muster: Eine zentrale Instanz nimmt die Aufgabe entgegen, zerlegt sie in Teilaufgaben und verteilt jede an einen passenden Spezial-Agenten. Dieses Muster macht rund 70 % der produktiven Multi-Agent-Systeme aus (Multi-Agent Orchestration, 2026).
Wann ich was nehme:
| Einzelner Agent | Multi-Agent-Orchestrierung | |
|---|---|---|
| Gut für | enge, klar umrissene Aufgaben | komplexe Arbeit über Recherche, Bau und Prüfung hinweg |
| Tempo | schneller bei kleinen Aufgaben | verteilt große Aufgaben parallel auf Sub-Agenten |
| Fehler | nur Selbstkontrolle | Agenten prüfen sich gegenseitig und fangen Fehler ab |
| Kosten | niedriger | höher (mehr Modellaufrufe) |
| Meine Regel | Standard für kleine Korrekturen | Standard für alles, wofür ich sonst Hilfe einkaufen würde |
Mehr Agenten sind nicht automatisch besser — sie kosten mehr. Aber bei schwerer Arbeit sind sie zuverlässiger, weil die gegenseitige Prüfung Fehler abfängt. Dasselbe Prinzip wie Code-Review und Lektorat.
Was ist ein Harness — und warum er der eigentliche Wert ist
Ein Harness ist die Hülle um das Modell, die steuert, wie ein Agent läuft: welche Werkzeuge er anfassen darf, was erlaubt ist und wie seine Arbeit geprüft wird. Die gängige Kurzformel von 2026 lautet:
Agent = Modell + Harness
Das Modell ist die rohe Intelligenz — die mietet jeder beim selben Anbieter. Der Harness ist alles, was daraus einen verlässlichen Mitarbeiter macht: ein Werkzeug-Register, eine Rechte-Ebene und feste Phasen wie Plan → Ausführen → Prüfen (Harness Engineering, 2026).
Ein guter Harness lässt das Modell nie frei schalten. Das Modell schlägt eine Aktion vor, der Harness prüft sie, kontrolliert die Rechte, führt sie aus und gibt das Ergebnis zurück. In der Praxis bevorzugen erfahrene Teams eng umrissene Agenten mit Mensch-in-der-Schleife gegenüber voll autonomen — und ich genauso, gerade bei Kundenarbeit, wo Fehler Geld kosten.
Stacks: warum ich nicht bei null anfange
Mein Harness ist in Stacks organisiert — vorgeladene Kontexte für jede Art von Arbeit: Web-Entwicklung, Design, Marketing und Finanzen, KI-Architektur. Ein Stack-Wechsel tauscht die Anweisungen, das Projektgedächtnis und die passenden Spezial-Fähigkeiten aus.
Für Sie heißt das: Wenn Sie mich für eine Website beauftragen, ist das System bereits mit Web-Konventionen, meinen Style Guides und dem Projektgedächtnis geladen — kein leeres Blatt. Das ist Kontext-Engineering (englisch context engineering): gezielt zu kuratieren, was der Agent weiß — Quellcode, Style Guides, Notizen früherer Projekte, als Dateien verfügbar —, damit das richtige Wissen genau dann da ist, wenn es gebraucht wird. Es ist der Unterschied zwischen einem Werkzeug, das jedes Mal von vorne rät, und einem, das Ihr Vorhaben kennt.
Was ein solches KI-Team konkret liefert
Was ich auf diesem Weg heute tatsächlich ausliefere:
- Recherche und Analyse — Wettbewerbsanalysen, Marktüberblicke, Briefings, mit datierten Quellen.
- Komplexe Software — vollständige Anwendungen, bei denen ein Planungs-Agent den Ansatz entwirft, ein Bau-Agent ihn in kleinen Schritten umsetzt und ein Prüf-Agent das Ergebnis kontrolliert.
- Websites mit Style Guide — Design-Tokens und ein geschriebener Style Guide steuern den Bau, sodass jede Seite konsistent ist, statt einzeln nachgebessert zu werden.
- Workflow-Automatisierung — wiederkehrende, mehrstufige Abläufe (Datenaufbereitung, Berichte, Content-Pipelines) komplett an Agenten übergeben.
Das ist agentische Workflow-Automatisierung: Sie übergeben nicht einen einzelnen Klick, sondern eine ganze mehrstufige Aufgabe — und bekommen das fertige Ergebnis.
Wie die Agenten an Ihre Systeme andocken
Praktisch wird das durch einen Standard: das Model Context Protocol (MCP) — eine Art „USB-C für KI". Es verbindet Agenten sicher mit Ihren Datenbanken, Dateien und Programmen. Für Sie heißt das: Ein agentisches System lässt sich an die Werkzeuge anbinden, die Sie ohnehin nutzen — kein Austausch der ganzen Landschaft. Und wenn die Daten das Haus nicht verlassen dürfen, läuft das Ganze auf einem On-Premise-LLM bei Ihnen vor Ort, DSGVO-konform.
Warum einen Menschen beauftragen, der Agenten dirigiert — statt ein KI-Tool zu kaufen?
Fertige Agenten-Produkte sind generisch. Der Wert liegt nicht im Modell — das mietet jeder. Der Wert liegt im Harness, im Kontext-Engineering und in der Orchestrierung: zu wissen, welche Aufgabe einen einzelnen Agenten braucht und welche ein überwachtes Team, welche Leitplanken teure Fehler verhindern und wie man das richtige Wissen lädt, damit das Ergebnis zu Ihrem Unternehmen passt. Genau diesen Teil habe ich gebaut und über Monate geschärft. Dafür zahlen Sie — nicht für die KI an sich.
Häufige Fragen
Was ist der Unterschied zwischen einem KI-Agenten und einem Chatbot? Ein Chatbot antwortet auf Nachrichten. Ein KI-Agent verfolgt ein Ziel eigenständig — plant Schritte, nutzt Werkzeuge und wiederholt, bis die Aufgabe erledigt ist. Agenten handeln, Chatbots antworten.
Was ist Multi-Agent-Orchestrierung? Die Koordinationsebene, die mehrere KI-Agenten auf ein Ziel hin steuert — meist mit einem Orchestrator, der die Arbeit in Teilaufgaben zerlegt und an spezialisierte Agenten verteilt. Rund 70 % der produktiven Multi-Agent-Systeme nutzen dieses Orchestrator-Worker-Muster.
Was ist ein Agent-Harness? Die Software-Hülle, die steuert, wie ein Agent läuft — seine Werkzeuge, Rechte und Prüfschritte. Die Kurzformel lautet „Agent = Modell + Harness". Der Harness macht aus einem cleveren Modell einen verlässlichen Mitarbeiter.
Können KI-Agenten wirklich Software und Websites bauen? Ja — bei klar umrissener Arbeit mit menschlicher Prüfung. Ich baue vollständige Anwendungen und Websites mit einem Planungs-, einem Bau- und einem Prüf-Agenten, gesteuert über geschriebene Style Guides. Die Mensch-in-der-Schleife hält die Qualität hoch.
Muss ich meine bestehenden Programme ersetzen? Nein. Standards wie das Model Context Protocol (MCP) verbinden Agenten sicher mit den Werkzeugen und Datenbanken, die Sie bereits nutzen.