Nach Jahren des Wettlaufs um immer größere KI-Modelle verschiebt sich der Fokus. Die nächste Entwicklungsstufe dreht sich weniger um Parameterzahlen als um die zugrunde liegende Architektur.
Im Zentrum steht dabei agentenbasierte KI – und damit die Frage, wie Datenstrukturen aussehen müssen, damit viele spezialisierte KI-Einheiten sinnvoll zusammenarbeiten können.
Von einmaligen Antworten zu laufenden Schleifen
Die vergangenen Jahre wurden KI-Fortschritte meist eindimensional gemessen: größere Modelle, bessere Benchmarks. Dieses Prinzip stößt inzwischen an Grenzen, weil mehr Größe nicht automatisch bessere Ergebnisse liefert. Der entscheidende Fortschritt liegt nun in der Architektur, die im Hintergrund arbeitet und im Alltag spürbar wird, wenn sie nicht funktioniert.
Hier setzt agentenbasierte KI an. Statt eines zentralen Modells, das auf eine Eingabe wartet und eine Antwort ausgibt, agieren mehrere kleinere, spezialisierte Agenten zusammen. Sie beobachten laufend, was geschieht, ziehen Schlussfolgerungen und leiten Maßnahmen ab. Die eigentliche Intelligenz entsteht in der Zusammenarbeit dieser Agenten, nicht in einem einzelnen, alles umfassenden Modell.
Damit verschiebt sich die zentrale Frage: nicht mehr „Was kann das Modell?“, sondern „Was erlaubt das System dem Modell zu tun?“. Die Antwort darauf liegt vollständig in der Architektur. Agentische Systeme funktionieren nicht nach dem Muster Frage-Antwort-Reset. Sie bleiben wachsam, reagieren auf Signale, nach denen niemand explizit gefragt hat – etwa verändertes Kund:innenverhalten, neue Nachfragemuster oder kleine Auffälligkeiten, die in herkömmlichen Dashboards untergehen.
Der wichtigste Unterschied ist die Zeitdimension: Agenten arbeiten in Schleifen. Sie beobachten, entscheiden, probieren etwas aus und kehren zurück, wenn sich die Situation ändert. Das ähnelt eher eingespielten Teams als klassischen Einmal-Abfragen.
Gemeinsamer Datenkontext als Grundlage
Diese Koordination funktioniert nur mit geteiltem Kontext. Wenn ein Agent auf vereinheitlichte Profile zugreift, ein anderer aber auf veraltete, duplizierte Datensätze, driften ihre Entscheidungen auseinander. Agenten, die auf unterschiedlichen Realitäten aufbauen, verlieren ihre Verlässlichkeit und werden unberechenbar.
Fragmentierte Daten sind seit jeher lästig, in agentenbasierten Systemen werden sie riskant. Mehrere Agenten arbeiten parallel und benötigen ein gemeinsames Verständnis von Kund:innen, Produkten, Ereignissen und Prozessen. Fehlt dieses, entstehen widersprüchliche Entscheidungen, die oft erst sichtbar werden, wenn der Schaden bereits eingetreten ist.
Eine einheitliche, identitätsaufgelöste Datenschicht dient dabei als gemeinsamer Speicher. Sie hält Agenten geerdet und ermöglicht Zusammenarbeit, ohne dass sie sich gegenseitig behindern. Ohne dieses gemeinsame Gedächtnis „lernen“ Agenten unterschiedliche Wirklichkeiten, und das Gesamtsystem verliert schnell seine innere Logik.
Ökosystem statt Monolith und Rolle des Menschen
Lange setzten Unternehmen auf große Plattformen, die möglichst alle Aufgaben abdecken sollten, aus Sorge, dass das Zusammenspiel mehrerer Systeme zu Störungen führt. Agentenbasierte KI kehrt diese Idee um. Statt monolithischer Lösungen entstehen kleine, spezialisierte Agenten, die miteinander kommunizieren – ähnlich wie Mikrodienste, nur mit eigener Argumentationsfähigkeit statt reiner Verarbeitung.
Dabei reicht es nicht, dass Agenten Daten austauschen. Sie müssen dieselben Signale auch gleich interpretieren. Interoperabilität wird damit zur zentralen technischen Herausforderung. Schnittstellen sind weniger entscheidend als die Bedeutung der darüber transportierten Informationen. Erhalten zwei Agenten dasselbe Signal, sollten sie zu einem gemeinsamen Grundverständnis gelangen. Andernfalls entsteht keine Autonomie, sondern Chaos.
Funktioniert dieser Ansatz, lässt sich die Umgebung schrittweise erweitern: Neue Agenten können hinzukommen oder bestehende aktualisiert werden, ohne dass jede Änderung einen Komplettumbau erzwingt. Das System wird mit der Zeit lernfähiger statt brüchiger.
Voraussetzung dafür ist eine Architektur, die von Beginn an für KI ausgelegt ist. KI lässt sich in agentischen Systemen nicht einfach als Zusatzmodul nachrüsten. Es braucht Datenmodelle für wandelbare Schemata, Governance-Regeln für autonome Abläufe und Infrastruktur für Rückkopplungsschleifen statt einmaliger Transaktionen. Intelligenz wird damit Teil der grundlegenden Infrastruktur, nicht nur eine zusätzliche Funktion.
Trotzdem bleiben Menschen unverzichtbar. Agent:innen übernehmen kurzfristige Entscheidungszyklen, während Menschen Ziele, Prioritäten, Grenzen und Abwägungen vorgeben. Die Aufsicht wird dadurch sogar übersichtlicher: Statt einzelne Aktionen zu prüfen, beobachten Menschen Muster wie Drift, Verzerrungen oder Fehlanpassungen und steuern das Gesamtsystem nach. Eine Person kann viele Agenten lenken, weil sich die Aufgabe von konkreten Anweisungen hin zur Verfeinerung von Absichten verschiebt.
Agenten bringen Ausdauer, Menschen bringen Urteilskraft. Agentenbasierte KI verändert damit nicht nur Modelle, sondern die Art, wie Intelligenz in Systeme eingebettet wird. Ohne passende Architektur – einheitliche Daten, interoperable Systeme, langlebigen Kontext und kontinuierliches Lernen – bleiben die Erwartungen jedoch unerfüllt.
Wenn generative KI vor allem Antworten geliefert hat, steht agentenbasierte KI für laufende Intelligenz. Diese kann nur dann Wirkung entfalten, wenn die Architektur konsequent auf die reale Umgebung ausgerichtet ist, in der sie arbeitet.
