Zusammenfassung: KI-Agenten sind Systeme der künstlichen Intelligenz , die in der Lage sind, ihre Umgebung wahrzunehmen, darüber zu schlussfolgern und autonom Aktionen auszuführen, um ein definiertes Ziel zu erreichen. Im Gegensatz zu einem einfachen Chatbot treffen sie Entscheidungen in einer Kette, ohne dass eine Person jeden Schritt genehmigen muss.
Was ist ein KI-Agent: klare und prägnante Definition
Ein KI-Agent ist ein Programm der künstlichen Intelligenz, das Informationen aus seiner Umgebung wahrnimmt, diese mithilfe eines Denkmodells verarbeitet und Aktionen ausführt, um ein konkretes Ziel zu erreichen. Es wartet nicht auf Schritt-für-Schritt-Anweisungen: Es arbeitet autonom, bewertet die Ergebnisse seiner eigenen Aktionen und passt sein Verhalten entsprechend an. Der Begriff „Agent“ stammt aus der klassischen KI-Forschung und wurde 2023-2024 mit dem Aufkommen von Sprachmodellen populär, die fähig genug waren, komplexe Aufgaben zu koordinieren. Im Jahr 2026 verwalten KI-Agenten bereits reale Workflows in Unternehmen jeder Größe: von der Beantwortung von E-Mails mit Kontext über die Buchung von Besprechungen, die Überprüfung von Code bis hin zur Analyse von Verkaufsdaten ohne ständige menschliche Intervention.
Die am häufigsten zitierte Definition in der akademischen Literatur beschreibt sie als Entitäten, die ihre Umgebung über Sensoren wahrnehmen und über Aktuatoren auf sie einwirken.
In der modernen Praxis sind die „Sensoren“ APIs, Dokumente, Datenbanken oder Weboberflächen; die „Aktuatoren“ sind Funktionsaufrufe, das Senden von Nachrichten, das Schreiben von Dateien oder die Ausführung von Code.
Was einen KI-Agenten von jeder anderen automatisierten Software unterscheidet, ist seine Denkfähigkeit. Ein Skript führt eine feste Sequenz aus. Ein Agent entscheidet, welche Sequenz er je nach dem Kontext, den er gerade wahrnimmt, verfolgt.
Wenn der erste Versuch nicht funktioniert, überdenkt er den Ansatz. Diese Fähigkeit zur Neuplanung ist es, die sowohl Begeisterung als auch Vorsicht bei Technologie-Teams hervorruft.
Das Konzept ist nicht neu. KI-Forscher arbeiten seit Jahrzehnten mit regelbasierten Agenten, reaktiven Agenten und deliberativen Agenten. Die Neuheit ab 2023 besteht darin, dass große Sprachmodelle (LLMs) als zentraler Denkmechanismus fungieren, was die Agenten viel flexibler gegenüber Situationen macht, die vom Programmierer nicht explizit vorgesehen wurden.
Wie ein KI-Agent intern funktioniert
Ein moderner KI-Agent folgt einem vierphasigen Zyklus, der sich wiederholt, bis das Ziel erreicht ist: Wahrnehmung, Planung, Ausführung und Bewertung.
Dieser Zyklus ist als Agenten-Loop oder „agentic loop“ bekannt und ist die grundlegende Architektur der meisten Frameworks, die 2024-2026 veröffentlicht wurden.
Die Planungsphase ist das, was die aktuellen Agenten von früheren Systemen unterscheidet: Der Agent zerlegt ein übergeordnetes Ziel in Unteraufgaben, entscheidet die optimale Reihenfolge und wählt die verfügbaren Werkzeuge für jede Unteraufgabe aus.
In internen Branchenreferenzen von OpenAI und Anthropic, die 2025 veröffentlicht wurden, lösten Agenten mit expliziter Planung mehrstufige Aufgaben mit einer Erfolgsquote, die zwischen 30 und 60 Prozentpunkten höher lag als bei Modellen ohne Planung.
Der Loop funktioniert in der Praxis so:
- Wahrnehmung: Der Agent erhält eine Anweisung oder erkennt ein Ereignis (eine neue E-Mail, eine Änderung in einer Datenbank, eine Benutzerfrage).
- Planung: Er überlegt, welche Schritte er in welcher Reihenfolge und mit welchen Werkzeugen unternehmen muss.
- Ausführung: Er ruft die verfügbaren Werkzeuge auf: Web-Suchmaschinen, externe APIs, Datenbanken, Code-Editoren, Kalender.
- Bewertung: Er analysiert das erzielte Ergebnis. Wenn es das Ziel nicht erfüllt, plant er neu.
Die Werkzeuge, die ein Agent verwenden kann, werden in der Fachliteratur als „Tools“ oder „Funktionen“ bezeichnet.
Der Agent führt sie nicht direkt im Sinne eines privilegierten Zugriffs auf das Betriebssystem aus; er ruft sie über zuvor vom Entwickler definierte Schnittstellen auf.
Dieser Werkzeugumfang definiert, was der Agent tun kann und was nicht, und ist der wichtigste Kontrollhebel für Sicherheitsteams.
Einige Systeme gehen über den einzelnen Agenten hinaus und setzen Multiagentensysteme ein, bei denen mehrere spezialisierte Agenten zusammenarbeiten: einer sucht Informationen, ein anderer fasst sie zusammen, ein dritter erstellt den endgültigen Entwurf, ein vierter überprüft ihn. Dieses Modell der verteilten Orchestrierung gewinnt 2026 in komplexen Unternehmensanwendungen an Bedeutung.
Die Rolle des Gedächtnisses bei KI-Agenten
Ein oft unterschätzter Aspekt ist das Gedächtnis.
Agenten können mit vier Arten von Gedächtnis arbeiten: Kontextgedächtnis (was in das Kontextfenster des Modells passt), Kurzzeitgedächtnis (während der Sitzung zwischengespeichert), Langzeitgedächtnis (Vektordatenbanken oder externe Speicher) und prozedurales Gedächtnis (die Tools und Abläufe, die er verwenden kann).
Das Langzeitgedächtnis ermöglicht es einem Agenten, sich daran zu „erinnern“, dass ein Kunde die Kommunikation über WhatsApp bevorzugt oder dass der Monatsbericht immer ein bestimmtes Format hat. Ohne dieses Gedächtnis beginnt jede Interaktion bei Null.
Damit sammelt der Agent operativen Kontext und verbessert seine Nützlichkeit im Laufe der Zeit.
Arten von KI-Agenten, die es heute gibt
Nicht alle KI-Agenten sind gleich. Es gibt verschiedene Klassifizierungen je nach Architektur, Autonomiegrad oder Spezialisierung. Die nützlichste Klassifizierung für Geschäftsteams unterscheidet fünf Typen mit unterschiedlichen operativen Merkmalen. Das Verständnis, welcher Typ zu welchem Anwendungsfall passt, vermeidet Überdimensionierung von Lösungen oder den Einsatz eines Agenten mit mehr Autonomie als für die Aufgabe erforderlich, was das Risiko unerwünschten Verhaltens reduziert.
Reaktive Agenten
Sie reagieren sofort auf Umgebungsreize, ohne ein internes Modell der Welt zu pflegen. Sie sind schnell und vorhersehbar. Ein fortschrittlicher Spamfilter oder ein Agent, der Support-Tickets in Echtzeit klassifiziert, sind typische Beispiele. Ihre Einschränkung ist, dass sie weder aus der Vergangenheit lernen noch für die Zukunft planen.
Modellbasierte Agenten
Sie pflegen eine interne Darstellung des Zustands der Umgebung. Sie können die Konsequenzen ihrer Handlungen antizipieren, bevor sie diese ausführen. Sie sind robuster gegenüber unerwarteten Änderungen, da sie ihr internes Modell aktualisieren, wenn sich die Situation ändert.
Zielorientierte Agenten
Sie haben ein explizites Ziel und bewerten, welche Aktionen sie diesem Ziel näherbringen. Sie werden am häufigsten in der Prozessautomatisierung eingesetzt, da der Programmierer das Ziel in natürlicher Sprache definiert und der Agent entscheidet, wie es erreicht werden soll.
Lernende Agenten
Sie verbessern ihr Verhalten durch Erfahrung mittels Reinforcement Learning oder anderer Feedback-Methoden. Sie sind komplexer zu implementieren und benötigen kontinuierliche Trainingsdaten, bieten aber eine progressive Verbesserung ohne manuelle Neuprogrammierung.
Multiagenten-Systeme
Systeme, in denen mehrere Agenten zusammenarbeiten, jeder mit einer spezialisierten Rolle. Ein Orchestrierungsagent zerlegt die Aufgabe und delegiert an spezialisierte Agenten. Dieses Modell wird 2026 in Plattformen wie Microsoft Copilot Studio, AutoGen oder CrewAI eingesetzt.
Unterschied zwischen KI-Agent und Chatbot
Die Unterscheidung zwischen einem konventionellen Chatbot und einem autonomen KI-Agenten ist konkret und hat direkte praktische Auswirkungen. Ein Chatbot empfängt eine Frage, generiert eine Antwort und wartet auf die nächste Frage. Der Zyklus endet mit der Antwort. Ein KI-Agent erhält ein Ziel und führt mehrere Aktionen in der realen Welt aus, um es zu erfüllen, ohne dass der Benutzer jeden Zwischenschritt genehmigen muss. Ein Chatbot sagt Ihnen, wie Sie einen Flug buchen; ein Agent bucht ihn.
Dieser Unterschied hat drei Schlüsseldimensionen:
Autonomie: Der Chatbot benötigt, dass der Benutzer jeden Schritt führt. Der Agent trifft eigene Entscheidungen innerhalb des ihm definierten Rahmens.
Aktion: Der Chatbot generiert Text. Der Agent führt Aktionen aus: sendet E-Mails, ändert Datensätze, ruft APIs auf, schreibt und führt Code aus.
Zyklus: Der Chatbot arbeitet in einem Frage-Antwort-Zyklus. Der Agent arbeitet in einem Planungs-Ausführungs-Evaluierungs-Zyklus, der je nach Komplexität der Aufgabe Minuten, Stunden oder Tage dauern kann.
En la práctica, muchos productos del mercado mezclan ambas capacidades. Un asistente de atención al cliente puede responder preguntas como chatbot y, cuando detecta una reclamación que requiere acción, activar un agente que gestiona el proceso de devolución de principio a fin.
Die Grenze zwischen beiden hat sich in kommerziellen Produkten verwischt, aber die konzeptionelle Unterscheidung ist immer noch nützlich, um Systeme korrekt zu entwerfen.
Warum der Unterschied für Ihr Team wichtig ist
Wenn ein Team Chatbot mit Agent verwechselt, macht es in der Regel einen von zwei Fehlern: Entweder es setzt einen Agenten ein, wo ein Chatbot ausgereicht hätte (was unnötige Komplexität und Risiken mit sich bringt), oder es erwartet Handlungsfähigkeit von einem Chatbot, der diese nicht besitzt (und ist frustriert über die Ergebnisse).
Die Kenntnis des Unterschieds vor der Wahl eines Tools spart Wochen an Arbeit.
Wofür KI-Agenten in der Praxis dienen
Die am besten dokumentierten Anwendungsfälle von KI-Agenten im Jahr 2026 konzentrieren sich auf vier Bereiche: Automatisierung interner Prozesse, Kundenbetreuung und -management, Inhaltserstellung und -analyse sowie Softwareentwicklung. In jedem dieser Bereiche ist das Muster dasselbe: repetitive Aufgaben mit klar definierten Schritten, die jedoch ein gewisses kontextuelles Denken erfordern, eignen sich am besten zur Delegation an Agenten.
Einige konkrete Beispiele, die bereits in Unternehmen im Einsatz sind:
- Posteingangsverwaltung: Der Agent liest eingehende E-Mails, klassifiziert sie, entwirft Antwortentwürfe, eskaliert sie bei Dringlichkeit und archiviert diejenigen, die keine Aktion erfordern.
- Vertriebsprospektion: Der Agent recherchiert Zielunternehmen, extrahiert relevante öffentliche Informationen, personalisiert Kontaktbotschaften und plant deren Versand.
- Technischer Support der ersten Ebene: Der Agent konsultiert die Wissensdatenbank, reproduziert das Problem in einer Testumgebung und erstellt einen strukturierten Bericht für den menschlichen Techniker, wenn er es nicht selbst lösen kann.
- Datenanalyse und Reporting: Der Agent greift auf Datenquellen zu, führt Abfragen aus, generiert Visualisierungen und verfasst die Zusammenfassung des periodischen Berichts.
- Projektmanagement: Der Agent aktualisiert den Status von Aufgaben basierend auf Teamnachrichten, erkennt Blockaden und benachrichtigt die Verantwortlichen mit Kontext.
Das Muster, das wir bei Teams beobachten, die bereits mit Agenten arbeiten, ist, dass der Zeitgewinn nicht linear ist. Die ersten delegierten Aufgaben setzen Zeit frei, die reinvestiert wird, um die Ziele des Agenten besser zu definieren, was wiederum die Delegation komplexerer Aufgaben in der nächsten Iteration ermöglicht.
Branchen, in denen sie am meisten an Bedeutung gewinnen
Die Sektoren mit der höchsten dokumentierten Akzeptanz im Jahr 2026 sind Technologie und Software (wo Code-Agenten in vielen Teams bereits Standardwerkzeuge sind), Finanzdienstleistungen (Dokumentenanalyse, Compliance, Reporting), Kundenservice und E-Commerce (Vorfallmanagement, Angebotsanpassung) sowie Gesundheit (Ersttriage, Terminverwaltung, Aktenbearbeitung).
In all diesen Fällen ist der Schlüssel nicht der Agent selbst, sondern die Qualität des definierten Ziels und der Umfang der verfügbaren Tools. Ein Agent mit einem vagen Ziel liefert vage Ergebnisse. Ein Agent mit einem klaren Ziel und gut abgegrenzten Tools liefert vorhersehbare Ergebnisse.
Welche Einschränkungen haben aktuelle KI-Agenten
Die KI-Agenten von 2026 sind keine unfehlbaren Systeme. Die Kenntnis ihrer tatsächlichen Einschränkungen ist der Unterschied zwischen einer nützlichen Implementierung und einer, die mehr Probleme verursacht, als sie löst. Die drei wichtigsten Einschränkungen in der Produktion sind die Zuverlässigkeit bei langen Aufgaben, die Rechenkosten und die Sicherheitsrisiken, die sich aus dem Zugriff auf externe Tools ergeben.
Die Zuverlässigkeit nimmt ab, je länger die Kette der Aktionen ist. Ein Agent, der drei Schritte ausführt, funktioniert in 90 % der Fälle in den aktuellen Branchenreferenzen gut.
Ein Agent, der fünfzehn Schritte ausführt, kann bei jeder Zwischenentscheidung Fehler ansammeln, und der endgültige Fehler kann sehr unterschiedlich vom ursprünglichen Ziel sein.
Dies ist kein theoretisches Problem: Ingenieurteams, die Agenten in der Produktion eingesetzt haben, berichten, dass die menschliche Überwachung für Aufgaben mit mehr als zehn Schritten in kritischen Umgebungen weiterhin notwendig ist.
Die Rechenkosten sind real. Jeder Schritt des Agenten-Loops verbraucht Tokens des zugrunde liegenden Sprachmodells. Eine Aufgabe, die ein Mensch in zwei Minuten löst, kann Hunderte von Aufrufen an das Modell generieren, wenn der Agent nicht gut optimiert ist.
Teams, die mit Agenten in der Produktion arbeiten, lernen schnell, Ziele zu entwerfen, die die Anzahl der erforderlichen Schritte minimieren.
Sicherheitsrisiken sind der Bereich, der 2026 von Cybersicherheitsteams die größte Aufmerksamkeit erhält. Ein Agent mit Zugriff auf E-Mails, Kalender und Kundendatenbanken ist ein potenzieller Angriffsvektor, wenn er nicht korrekt isoliert ist.
„Prompt Injection“-Angriffe, bei denen bösartige externe Inhalte die Anweisungen des Agenten manipulieren, sind der bisher am besten dokumentierte Vektor.
Wann man keinen KI-Agenten verwenden sollte
Nicht jede Aufgabe profitiert von einem Agenten. Wenn die Aufgabe vollständig deterministisch ist (immer die gleichen Schritte, ohne Variation), ist ein Skript oder eine klassische RPA-Automatisierung billiger und zuverlässiger.
Wenn die Aufgabe ein komplexes menschliches Urteilsvermögen mit relevanten rechtlichen oder ethischen Konsequenzen erfordert, sollte der Agent als Assistent zur Informationsaufbereitung und nicht als autonomer Ausführer fungieren.
Und wenn das Team nicht in der Lage ist, das Verhalten des Agenten zu überwachen und zu debuggen, ist es besser, mit risikoarmen Anwendungsfällen zu beginnen.
Wie man KI-Agenten in seinem Unternehmen einsetzt
Der pragmatischste Weg, KI-Agenten in einer Organisation im Jahr 2026 einzuführen, besteht darin, mit einem risikoarmen, gut dokumentierten und messbaren internen Prozess zu beginnen. Nicht mit dem sichtbarsten oder ehrgeizigsten Prozess. Das Ziel des ersten Agenten ist nicht zu beeindrucken: Es geht darum zu lernen, wie sich das System mit realen Unternehmensdaten verhält und das Vertrauen des Teams in die Technologie aufzubauen.
Ein Startprozess, der in der Praxis funktioniert:
- Kandidatenprozess auswählen: Suchen Sie nach repetitiven Aufgaben mit klaren Schritten, die qualifizierten Personen Zeit kosten und ein überprüfbares Ergebnis haben.
- Ziel präzise definieren: Das Ziel des Agenten sollte ein Satz sein, den jedes Teammitglied als erfüllt oder nicht erfüllt bewerten kann. Keine mehrdeutigen Ziele.
- Notwendige Tools zuordnen: Welche Systeme muss der Agent abfragen oder ändern, um die Aufgabe abzuschließen? Diese Zuordnung definiert den Zugriffsperimeter.
- Sicherheitsperimeter aufbauen: Vor dem Einsatz definieren, was der Agent niemals tun darf, unabhängig von den erhaltenen Anweisungen.
- Im überwachten Modus einsetzen: In den ersten Wochen schlägt der Agent Aktionen vor, die von einem Menschen genehmigt werden. Erst wenn das Team dem Verhaltensmuster vertraut, wird die autonome Ausführung aktiviert.
- Messen und anpassen: Vom ersten Tag an Metriken definieren: Zeit pro Aufgabe, Fehlerrate, notwendige menschliche Eingriffe. Ohne Messung gibt es keine Verbesserung.
Die am häufigsten verwendeten Frameworks im Jahr 2026 zum Aufbau von Agenten sind LangChain, LlamaIndex, Microsoft AutoGen und CrewAI für Multi-Agenten-Systeme.
Für Unternehmen ohne eigenes Entwicklungsteam bieten Plattformen wie Microsoft Copilot Studio, Zapier Agents oder Make (ehemals Integromat) Agentenfunktionen ohne Code.
Die Rolle des menschlichen Teams verschwindet nicht
Eines der häufigsten Missverständnisse bei der Einführung von KI-Agenten ist die Annahme, dass das menschliche Team nicht mehr benötigt wird.
Die operative Realität ist das Gegenteil: Das menschliche Team wechselt von der Ausführung von Aufgaben zum Entwurf von Zielen, zur Überwachung des Agentenverhaltens und zur Verwaltung von Fällen, die der Agent eskaliert. Dies erfordert ein anderes, nicht geringeres Profil.
Die Unternehmen, die Agenten im Jahr 2026 am besten integrieren, sind diejenigen, die in die Schulung ihrer Teams für diese neue Rolle investiert haben, bevor sie die Systeme einsetzen.
Sind KI-Agenten dasselbe wie allgemeine künstliche Intelligenz?
Nein. Die aktuellen KI-Agenten sind spezialisierte Systeme, die Aufgaben innerhalb eines Bereichs und mit vordefinierten Tools ausführen. Künstliche Allgemeine Intelligenz (AGI) bezieht sich auf ein hypothetisches System, das in der Lage ist, jede Aufgabe auf menschlichem Niveau zu lernen und zu argumentieren. Kein im Jahr 2026 in Produktion eingesetztes System erfüllt diese Definition. Aktuelle Agenten können bei spezifischen Aufgaben überraschen, versagen aber außerhalb ihres Trainingsbereichs und der verfügbaren Tools auf unvorhersehbare Weise.
Die Verwechslung von KI-Agenten mit AGI führt zu falschen Erwartungen in beide Richtungen: Entweder erwartet man zu viel und das Team ist frustriert, wenn der Agent elementare Fehler macht, oder man befürchtet eine Autonomie, die das System in der Praxis nicht besitzt.
Die Unterscheidung ist wichtig, um fundierte Entscheidungen zur Einführung zu treffen.
Welchen Unterschied gibt es zwischen einem KI-Agenten und einem Sprachmodell?
Ein Sprachmodell (LLM) ist der Denkapparat. Es empfängt Text und generiert Text. Es führt keine Aktionen in der realen Welt aus, ruft keine APIs auf, erinnert sich nicht an frühere Gespräche zwischen Sitzungen. Ein KI-Agent verwendet ein Sprachmodell als Gehirn, umgibt es aber mit einer Architektur, die ihm Gedächtnis, Werkzeuge und einen Ausführungszyklus verleiht. Die präziseste Metapher: Das Sprachmodell ist der Motor eines Autos; der Agent ist das komplette Auto mit Lenkrad, Bremsen und GPS.
Diese Unterscheidung hat praktische Konsequenzen. Wenn ein Sprachmodell bei einer Aufgabe versagt, kann das Problem im Modell selbst liegen.
Wenn ein Agent versagt, kann das Problem im Modell, in der Zieldefinition, im Gedächtnis, in den verfügbaren Werkzeugen oder im Design des Ausführungszyklus liegen. Das Debuggen von Agenten erfordert das Verständnis all dieser Schichten.
Häufig gestellte Fragen
Was ist der Hauptunterschied zwischen einem KI-Agenten und einem Chatbot?
Ein Chatbot beantwortet Fragen basierend auf trainierten Mustern, benötigt aber für jede Aktion eine neue Anweisung vom Benutzer. Ein KI-Agent hingegen trifft autonom verkettete Entscheidungen ohne menschliche Genehmigung bei jedem Schritt. Der Agent bewertet die Ergebnisse seiner Aktionen, passt sein Verhalten an das an, was er beobachtet, und arbeitet ohne ständige Intervention weiter auf das Ziel hin. Zum Beispiel antwortet ein Chatbot auf eine E-Mail; ein KI-Agent antwortet auf die E-Mail, archiviert die Konversation und plant ein Folgetreffen, ohne dass jemand ihn um jede einzelne Aktion bittet.
Welche konkreten Aufgaben können KI-Agenten in einem Unternehmen im Jahr 2026 ausführen?
KI-Agenten verwalten reale Arbeitsabläufe in Unternehmen: E-Mails mit vollständigem Kontext beantworten, Besprechungen automatisch buchen, Quellcode überprüfen, Verkaufsdaten analysieren, Rechnungen bearbeiten, Datenbanken aktualisieren und Berichte erstellen. Sie können mit APIs, Dokumenten, Datenbanken und Weboberflächen ohne ständige Überwachung arbeiten. Der Schlüssel ist, dass sie komplexe, miteinander verbundene Aktionssequenzen ausführen, nicht nur isolierte Aufgaben. Ein Agent kann eine vage Anfrage erhalten, sie in Schritte zerlegen, diese ausführen und sich anpassen, wenn etwas nicht wie erwartet funktioniert.
Woher weiß ein KI-Agent, was zu tun ist, wenn etwas nicht wie geplant läuft?
Ein KI-Agent verfügt dank der Sprachmodelle, die als sein zentraler Motor fungieren, über Denkfähigkeit. Wenn eine Aktion nicht das erwartete Ergebnis liefert, überdenkt der Agent seinen Ansatz, anstatt zu versagen oder dasselbe zu wiederholen. Das unterscheidet ihn von einem automatisierten Skript, das einer festen Sequenz ohne Anpassung folgt. Der Agent nimmt das fehlgeschlagene Ergebnis wahr, analysiert, warum es aufgetreten ist, und entscheidet sich für eine alternative Strategie. Diese Flexibilität in unerwarteten Situationen, die vom Programmierer nicht explizit vorgesehen wurden, erzeugt sowohl Begeisterung als auch Vorsicht bei den technischen Teams.
Seit wann gibt es KI-Agenten und warum wurden sie 2023-2024 populär?
Das Konzept der KI-Agenten existiert seit Jahrzehnten in der akademischen Forschung, mit regelbasierten, reaktiven und deliberativen Versionen. Sie wurden jedoch 2023-2024 populär, weil große Sprachmodelle ausreichend leistungsfähig wurden, um als zentraler Denkapparat zu fungieren. Dies machte Agenten viel flexibler und nützlicher für reale Situationen, die vom Programmierer nicht explizit vorgesehen waren. Zuvor waren Agenten komplex zu programmieren und begrenzt; jetzt kann ein Sprachmodell komplexe Aufgaben natürlicher und anpassungsfähiger koordinieren.
