Seit der Entwicklung der ersten künstlichen neuronalen Netze in der Mitte des 20. Jahrhunderts erlebte die Forschungsdisziplin KI über die Jahrzehnte mehrere Wechsel aus Euphorie und Ernüchterung; letztere werden als KI-Winter bezeichnet. Symbolische (regelbasierte) künstliche Intelligenz stieß an Grenzen und Deep Learning, also der Einsatz besonders tiefer neuronaler Netze, hat sich in vielen spezialisierten Anwendungen wie beispielsweise der Bilderkennung oder Übersetzung von Texten etabliert, konnte bisher jedoch die Erwartungen an eine mit intelligentem Handeln assoziierte allgemeine Problemlösungskompetenz nicht erfüllen.
In den letzten Jahren überschlugen sich allerdings technologische Innovationen im Deep Learning, darunter die Transformer-Architektur als Basis moderner LLMs (Large Language Models) und multimodale Anwendungen – also KI-Modelle, die verschiedene Medientypen wie Texte und Bilder gleichzeitig verarbeiten können. KI-Systeme sind nicht mehr nur traditionell passiv und inhaltlich auf ein konkretes Problem begrenzt, sondern können aktiv komplexe und unscharfe Probleme in Teile zerlegen und eigenständig bearbeiten. Die entscheidende Veränderung liegt in der Entwicklung von generativer KI, das heißt von Systemen, deren Ausgabe nicht auf bekannte Labels (Klassifikation) oder kontinuierliche Werte (Regression) beschränkt ist, sondern die neue Inhalte erstellen können. Eine eindeutige Definition generativer KI und der damit verbundenen Technologien existiert allerdings nicht. García Peñalvo, F. J. & Vázquez Ingelmo, A. (2023). What Do We Mean by GenAI? A Systematic Mapping of The Evolution, Trends, and Techniques Involved in Generative AI. In: International Journal of Interactive Multimedia and Artificial Intelligence 8 (4), 7–16.
Damit Sprachmodelle mit ihrer Umwelt interagieren können, benötigen sie Zugriff auf digitale Werkzeuge wie zum Beispiel E-Mail-Server, Buchungsportale oder Projektmanagementsoftware. Darüber hinaus müssen die Modelle Informationen darüber erhalten, wie die Werkzeuge bedient werden können. Wollen Anbieter von KI-Diensten verschiedene externe Funktionen einbinden, entsteht ein Komplexitätsproblem: Jeder Anbieter muss jede Funktion integrieren. Zur Vereinfachung des Problems wurden von KI-Anbietern Standards wie das Model Context Protocol und das Agent2Agent Protocol entwickelt. Ersteres definiert, wie KI-Anwendungen mit externen Werkzeugen, letzteres wie Agenten miteinander interagieren können.
Aus der Verbindung von LLMs und standardisierten Schnittstellen entwickelt sich ein Ökosystem: Agentische Systeme kommunizieren sowohl miteinander als auch mit anderen Diensten und bearbeiten Aufgaben autonom. Der Mensch erscheint in diesem Gefüge manchmal nur am Rande als Initiator einer Anfrage. Es ist kaum vorherzusehen, welche wirtschaftlichen und gesellschaftlichen Veränderungen bevorstehen, ist doch (menschliche) Intelligenz die Grundlage zivilisatorischen Fortschritts. Um das Automatisierungspotenzial auszuschöpfen, müssen die Systeme allerdings korrekte Ergebnisse produzieren und sich an rechtliche Rahmenbedingungen halten.
Schon als der Handlungsfreiraum von KI aus technologischen Gründen noch stärker begrenzt war, beschäftigte man sich mit der Frage, wie robuste KI-Systeme entwickelt und betrieben werden können. Die Systeme müssen unter anderem richtig funktionieren, ihre Ergebnisse sollen überprüfbar sein und sie sollten sowohl vor unautorisierter Manipulation geschützt als auch bei Bedarf durch Eingriff manuell steuerbar sein. Russell, S. et al. (2015). Research Priorities for Robust and Beneficial Artificial Intelligence. In: AI Magazine 36 (4), S. 105–114. Die hohe Autonomie agentischer Systeme stellt eine besondere Herausforderung dar; so wurde 2026 von einem Cyber-Vorfall mit einem KI-Agenten berichtet, bei dem der Agent im Rahmen einer internen Evaluation aus seiner Sandbox ausbrach.
Der Teilbereich künstlicher Intelligenz, welcher sich mit agentischen Systemen beschäftigt, umspannt zahlreiche Disziplinen und erfordert die Beantwortung technischer, architektonischer, rechtlicher, ethischer und vieler weiterer Fragen. Erste vergleichende Studien Acharya, D. B. et al. (2025). Agentic AI: Autonomous Intelligence for Complex Goals – A Comprehensive Survey. In: IEEE Access 13, S. 18912–18936 verschaffen einen Überblick dieses sich schnell entwickelnden neuen Feldes. Konzepte wie Audit Trails und Human-in-the-Loop können helfen, Abläufe nachvollziehbar zu dokumentieren und die Folgen von Fehlentscheidungen zu begrenzen. Zwar verlagert sich die Aufgabenverteilung zwischen Mensch und Maschine zunehmend, die Verantwortung für den Betrieb dieser Systeme lässt sich jedoch nicht delegieren.