8. Juli 2026

Agentische KI - Alter Wein in neuen Schläuchen?

Was agentische KI von vierzig Jahren Softwaretechnik erbt

Der Markt spricht von einer Revolution. Wer agentische Lösungen baut, wendet in Wahrheit Prinzipien an, die in der Softwaretechnik seit Jahrzehnten tragen. Saubere Daten, klar geschnittene Bausteine, definierte Schnittstellen, geplante Abläufe und eine Instanz, die für das Ganze geradesteht.

Das Sprachmodell ist neu. Das Handwerk dahinter kenne ich aus fünfundzwanzig Jahren Produkt- und Technologiearbeit, und es hat sich weniger verändert, als der Hype vermuten lässt.

Ich zerlege agentische Lösungen deshalb gern in ihre Bestandteile und lege jeden gegen eine bekannte Disziplin. Was dabei sichtbar wird, beruhigt und schärft zugleich den Blick.

Die Daten entscheiden, bevor der erste Agent läuft

Am Anfang steht die Datenbasis, und sie entscheidet über alles, was danach kommt. Ein Agent ist immer nur so gut wie die Daten, aus denen er arbeitet. Diese Einsicht ist keine KI-Erkenntnis, sie ist der Kern des Master Data Management. Datenqualität, Herkunft, Aktualität, Zugriffsrechte und Pflege sind dort das eigentliche Produkt, lange bevor jemand von RAG-Systemen sprach.

Die KI ändert an dieser Stelle nichts, sie verschärft nur die Konsequenz. Ein Sprachmodell mit schlechten Quellen liefert schlechte Antworten, schneller und überzeugender formuliert als je zuvor. Wer eine RAG-Architektur baut, merkt das sofort. Der Aufwand steckt in Beschaffung, Aufbereitung und Kontrolle der Wissensbasis, kaum im Modell selbst. Data Governance ist damit die Voraussetzung für alles Weitere, kein Feigenblatt am Ende des Projekts.

Agenten sind spezialisierte Fachkräfte

Der einzelne Agent lässt sich am besten als spezialisierte Funktion verstehen, vergleichbar mit einer sauber geschnittenen Funktion oder einem Microservice in der klassischen Programmierung. Er ist für eine Aufgabe zugeschnitten, klar abgegrenzt, testbar und bei Bedarf austauschbar. Über die Wahl des Modells steuere ich Kosten und Ressourcen direkt. Eine einfache Klassifikation braucht kein Spitzenmodell, eine komplexe Analyse schon. Steht ein besseres oder günstigeres Modell zur Verfügung, tausche ich es hinter derselben Schnittstelle aus, ohne den Rest der Lösung anzufassen.

Der Grund für diesen Schnitt ist auch technischer Natur. Das Kontextfenster der Sprachmodelle wächst zwar, seine wirksame Nutzung folgt aber nicht im gleichen Tempo. Über lange Kontexte verliert ein Modell an Präzision, Kosten und Antwortzeit steigen mit jeder zusätzlichen Menge an Token. Ein Agent, der in einem engen, klaren Kontext arbeitet, liefert bessere und günstigere Ergebnisse als ein Alleskönner, der alles gleichzeitig im Kopf behalten soll.

Früher haben wir Funktionen nach fachlicher Domäne oder nach maximaler Unabhängigkeit geschnitten. Heute kommt eine Frage hinzu. Was kann ein Agent in seinem Kontextfenster wirklich gut und mit vertretbarem Aufwand erledigen? Der Schnitt folgt der Leistungsfähigkeit des Modells, und er bleibt eine Ingenieursentscheidung wie eh und je.

Gute Daten und gute Agenten ergeben gute Ergebnisse

Aus diesen beiden Bausteinen folgt eine einfache Rechnung. Wer saubere Daten hat und darauf spezialisierte, getestete und kontrollierte Agenten aufsetzt, bekommt mit hoher Wahrscheinlichkeit gute Ergebnisse. Das klingt banal, ist in der Praxis aber die halbe Miete. Die meisten schwachen KI-Projekte kranken an unsauberen Daten oder an Agenten, die zu viel auf einmal wollen. Am Modell liegt es selten.

Orchestrierung ist Workflow-Management

Mit mehreren spezialisierten Agenten, mehreren Datenquellen und mehreren Empfängern der Ergebnisse stellt sich die nächste Frage von selbst. Wie läuft das Ganze geordnet ab? Genau das planen und steuern wir in der IT seit vierzig Jahren, und es heißt Workflow-Management. Wer arbeitet wann, woher bezieht er seine Daten, wohin liefert er sein Ergebnis, wo bestehen Abhängigkeiten im Ablauf? Wie wird das getaktet und getestet?

Damit sind wir wieder mitten in der Governance. Jemand verantwortet den Gesamtablauf und prüft die Ergebnisse an den Übergabepunkten. Ob ich diese Steuerung Orchestrierung nenne und mit einem Werkzeug wie n8n abbilde oder ob ich sie klassischen Workflow nenne, ändert an der Aufgabe nichts. Meine eigenen Prototypen baue ich genau so, ein orchestriertes RAG-System mit n8n und Pinecone, ein agentischer Markt-Scanner mit Claude Code und einem Gedächtnis über mehrere Läufe hinweg.

Die Oberfläche verschwindet

Der letzte Baustein ist die Interaktion mit dem Menschen, und hier wird meine Einschätzung zur Prognose. Ein Vergleich hilft. Frühe Handys hatten physische Tastaturen, für jede Funktion dieselben Tasten. Dann kam das iPhone und ersetzte sie durch eine Tastatur auf dem Bildschirm, die sich der jeweiligen Aufgabe anpasst. Dieselbe Verschiebung erwarte ich bei den Oberflächen von Software.

Fest programmierte Benutzeroberflächen werden an Bedeutung verlieren. Systeme bieten ihre Funktionen headless über APIs an, und die ersten, die diese Funktionen nutzen, sind Agenten. Der Mensch am Bildschirm kommt erst danach. Wir Menschen werden zur letzten Interaktionsschicht. Wir sprechen mit einem Sprachmodell oder einem Agenten, und dieser reicht uns bei Bedarf eine grafische Oberfläche, mit der wir arbeiten.

Manche dieser Oberflächen sind vordefiniert. Die meisten erzeugt der Agent für den Moment, zugeschnitten auf das, was ich gerade tue, und danach löst er sie wieder auf. Wie ich mit meiner Welt aus Agenten arbeite, entscheide ich selbst. Meine bevorzugte Art der Interaktion hinterlege ich bei meinem Agenten oder in einem Profil über mich. Das kann Text sein, gesprochene Sprache oder eine Brille mit räumlicher Darstellung, je nach Situation und Vorliebe.

Klassische Anwendungen und Apps auf dem Telefon verlieren damit ihre heutige Rolle. Die neue Form der Anwendung ist die agentische Lösung, mal ein einzelner Agent, mal ein orchestrierter Ablauf, je nach Komplexität der Aufgabe. Wie ich mit ihr arbeite, bestimme künftig ich selbst mit meinem Agenten, kaum noch der Hersteller der App. Designer werden Modelle trainieren elegante und nutzbare Oberflächen ad-hoc zu erzeugen.

Was das für Entscheider heißt

Für Entscheider steckt darin etwas Unbequemes und etwas Ermutigendes zugleich. Unbequem, weil die Oberfläche, an der wir Software heute festmachen, an Gewicht verliert und sich die Kontrolle in Daten, Schnitt und Ablauf verlagert.

Ermutigend, weil genau das die Disziplinen sind, die gute Softwareorganisationen seit Langem beherrschen. Wer Datenqualität, saubere Modularisierung und Workflow-Steuerung im Griff hat, hat den Kern agentischer Lösungen im Griff.

Die eigentliche Frage für die nächsten Jahre ist deshalb weniger, welches Modell gewinnt. Sie lautet, wer seine Daten, Systeme und Abläufe so aufbaut, dass Agenten darauf verlässlich als First-Party-User arbeiten können. Diese Arbeit kann kein Modell übernehmen. Sie beginnt heute und im eigenen Haus.

Experten mit Struktur und auf Augenhöhe

finden Sie bei der F&P Executive Solutions AG.