Was ein KI-Agent wirklich ist

„Agent” ist derzeit das meistbenutzte und am wenigsten definierte Wort in der KI. Zieht man das Marketing ab, ist ein Agent etwas ziemlich Konkretes: ein Modell, das handeln kann, umgeben von vier Entscheidungen, die bestimmen, ob es funktioniert. Ein Bild, dann die fünf Teile einzeln.

Ein Agent ist nie nur das Modell. Er ist das Modell plus der Kontext, den er sieht, die Regeln, die er immer trägt, das Gedächtnis, das er behält, und der Ort, an dem er läuft.

Session-Kontext: was der Agent gerade sieht

Der Session-Kontext ist das Kurzzeitgedächtnis des Agenten: deine Frage, die Dateien, die er eben geöffnet hat, die Resultate der Tools, die er eben ausgeführt hat. Er lebt im Kontextfenster des Modells, dem begrenzten Arbeitsbereich, den ein Modell auf einmal lesen kann, und er ist weg, wenn die Session endet.

Dieser Teil ist ein gelöstes Problem. Er ist günstig, zuverlässig, und jedes ernsthafte Framework beherrscht ihn. Wenn das grosse Versprechen eines Anbieters lautet „unser Agent erinnert sich an das Gespräch”, ist das Grundausstattung, kein Feature.

Prozedurales Gedächtnis: die Regeln, die immer gelten

Das prozedurale Gedächtnis ist statischer Inhalt, der dem Agenten jedes Mal mitgegeben wird: die Hausordnung. Deine Sicherheitsanforderungen, deine Compliance-Vorgaben, der Ton, den er anschlagen darf, die Dinge, die er nie tun darf.

Die wichtige Eigenschaft: Dieses Gedächtnis lernt nicht. Das ist ein Feature, keine Lücke: Sicherheits- und Compliance-Anforderungen sollen nicht driften, weil der Agent eine interessante Woche hatte. Sie ändern sich, wenn ein Mensch sie ändert, bewusst und nachvollziehbar.

Langzeitgedächtnis: der harte Teil

Das Langzeitgedächtnis ist alles, was der Agent über Sessions hinweg behalten soll, und es zerfällt in Arten: episodisch (was geschah: Meetings, Entscheidungen, Tool-Aufrufe), semantisch (was behauptet wird: Entitäten, Fakten, und seit wann) und kognitiv (was wir daraus geschlossen haben, und mit welcher Konfidenz).

Das ist der Teil, der wirklich schwierig ist, und der Grund, warum Langzeitgedächtnis noch ein Forschungsthema ist und keine Checkbox. Das Kernproblem: Fehler im Gedächtnis liegen nicht einfach herum, es wird aus ihnen geschlossen, und sie vermehren sich. Daraus folgen zwei Dinge. Retrieval sollte genug Provenienz und Scoring-Details liefern, um zu prüfen, warum ein Record verwendet wurde; ein Hash prüft Integrität, nicht Wahrheit. Und Memory sollte je Use Case abgegrenzt sein, damit ein Fehler eine kleinere Reichweite hat. Beides haben wir im Detail aufgeschrieben: Ein Gedächtnis, das ein KI-Agent prüfen kann und Kein Firmen-Brain. Architektur und aktuelle Evidenzgrenze stehen in der MEMA-Forschung und auf der Statusseite.

Laufzeitumgebung: wo lebt der Agent eigentlich?

Ein Agent muss irgendwo laufen, und dieses Irgendwo ist eine echte Architekturentscheidung, kein Implementierungsdetail. Die aktuellen Optionen decken ein breites Spektrum ab: ein Client auf dem Rechner der Nutzerin (im einfachsten Fall ein Mac), eine verwaltete Cloud-Plattform wie Microsoft Foundry, oder Agenten, die direkt in deiner Delivery-Pipeline laufen, etwa GitHubs agentische Workflows.

Die Laufzeitumgebung entscheidet, wohin deine Daten fliessen, welche Berechtigungen der Agent physisch hat und welches Compliance-Regime gilt. Ein Agent auf dem Laptop sieht, was der Laptop sieht. Ein Agent in der Pipeline kann jedes Repository anfassen, das man ihm gewährt. Wähle die Laufzeitumgebung nach dem Risiko, nicht nach der Demo.

Modell: je Use Case gewählt, nicht aus Loyalität

Zuletzt der Teil, mit dem die meisten Diskussionen beginnen: welches Modell. Es ist wichtig, aber es ist das austauschbarste Stück der fünf. Tiefes Schlussfolgern über einem Vertragsdokument, schnelle Triage von Support-Tickets, Code-Review: Verschiedene Use Cases bevorzugen wirklich verschiedene Modelle, ob Claude, GPT, Gemini oder ein offenes Modell, das du selbst betreibst.

Die praktische Konsequenz heisst herstellerneutral bleiben: den Agenten so bauen, dass das Modell eine Konfigurationsentscheidung ist, und alles darum herum, Kontext, Regeln, Gedächtnis, Laufzeitumgebung, den Wert tragen lassen.

Die fünf Fragen

Wenn also jemand sagt „wir haben einen Agenten gebaut”, wird die Definition oben zur Checkliste: Was sieht er in der Session? Welche Regeln trägt er immer? Was merkt er sich langfristig, und lässt sich dieses Gedächtnis prüfen? Wo läuft er? Und welches Modell, gewählt für welchen Use Case? Die Demo beantwortet meist die erste und die letzte Frage. Der Wert, und das Risiko, stecken in den drei dazwischen.