KI & AI

KI-Agenten (AI Agents)

Overview

Ein KI-Agent ist ein Programm, das ein Sprachmodell mit Anweisungen, Werkzeugen und Gedächtnis kombiniert. Statt nur eine Antwort zu formulieren, plant der Agent Schritte, ruft Tools auf (APIs, Datenbanken, Websuche, Codeausführung), wertet Ergebnisse aus und entscheidet über den nächsten Schritt, bis das Ziel erreicht ist oder ein Mensch eingreifen muss.

Im Microsoft-Umfeld begegnen Admins Agenten an mehreren Stellen: Agenten in Microsoft 365 Copilot und Copilot Chat, selbst gebaute Agenten in Copilot Studio, Agenten im Microsoft Foundry Agent Service (früher Azure AI Agent Service) und Code-basierte Agenten mit dem Microsoft Agent Framework, dem Nachfolger von Semantic Kernel und AutoGen. Außerhalb davon sind Frameworks wie LangGraph oder die Agent-SDKs von OpenAI und Anthropic verbreitet.

Die Standardisierung schreitet voran: Werkzeuge werden zunehmend über das Model Context Protocol (MCP) angebunden, die Kommunikation zwischen Agenten über das Protokoll A2A, das im Foundry Agent Service in Version 1.0 allgemein verfügbar ist. Abzugrenzen sind Agenten von festen Workflows: Ein Workflow folgt einem vorgegebenen Pfad, ein Agent wählt seinen Weg selbst.

How it works

Ein Agent arbeitet in einer Schleife:

  1. Eingabe: Aufgabe vom Benutzer, aus einem Ereignis oder einem anderen Agenten.
  2. Planung: Das Modell zerlegt die Aufgabe und entscheidet, welches Werkzeug als Nächstes nötig ist.
  3. Werkzeugaufruf: Der Agent ruft Funktionen, OpenAPI-Schnittstellen oder MCP-Server auf, z. B. Dateisuche, Code Interpreter, Websuche oder Unternehmensanwendungen.
  4. Bewertung: Das Ergebnis fließt zurück in den Kontext, der Agent prüft, ob das Ziel erreicht ist, und iteriert gegebenenfalls.
  5. Abschluss oder Übergabe: Ergebnis an den Benutzer, Freigabeanfrage an einen Menschen oder Übergabe an einen weiteren Agenten.

Im Foundry Agent Service gibt es Prompt-Agenten (nur Konfiguration aus Modell, Anweisungen und Tools) und Hosted Agents mit eigenem Code. Jeder Agent kann eine eigene Entra-Identität erhalten, Netzwerkzugriff läuft über virtuelle Netzwerke, Tracing und Evaluierungen machen das Verhalten nachvollziehbar.

Benefits

  • Automatisiert mehrstufige Aufgaben, die mit starren Workflows schwer abzubilden sind, etwa Recherche über mehrere Systeme
  • Werkzeuge über MCP und OpenAPI wiederverwendbar, dadurch weniger Einzelintegrationen
  • Eigene Identitäten pro Agent ermöglichen Least Privilege und nachvollziehbare Protokolle
  • Menschliche Freigabeschritte lassen sich gezielt dort einbauen, wo Fehler teuer wären

Practical example

Der IT-Service eines Klinikverbunds mit 2.000 Beschäftigten setzt einen Agenten für Standardanfragen ein. Der Agent liest das Ticket, prüft per Graph-API Konto- und Lizenzstatus, durchsucht die Wissensdatenbank und schlägt eine Lösung vor. Passwort-Resets und Gruppenänderungen führt er nur nach Freigabe durch einen Techniker aus. Ergebnis: Der First-Level-Support bearbeitet Routinefälle schneller, alle Aktionen sind über die Agentenidentität im Audit-Log nachvollziehbar.

Things to keep in mind

  • Übermäßige Handlungsbefugnis (OWASP LLM06) vermeiden: Jedem Agenten nur die Tools und Rechte geben, die er wirklich braucht
  • Kritische Aktionen nie vollautomatisch, sondern mit menschlicher Freigabe ausführen
  • Agenten wie privilegierte Dienstkonten behandeln: eigene Identität, Rechteprüfung, Monitoring, Lebenszyklus
  • Indirekte Prompt Injection aus Mails, Webseiten und Dokumenten einplanen und Guardrails aktivieren
  • Kosten beobachten, weil Agenten pro Aufgabe viele Modellaufrufe auslösen können

Conclusion

KI-Agenten sind der nächste Schritt nach Chat-Assistenten und verlangen dieselbe Sorgfalt wie privilegierte Automatisierung. Starte mit eng umrissenen Aufgaben, klaren Rechten und Freigabeschritten.

Further reading

Related articles