Bei Agentic AI vs. generative KI liegt der Unterschied zwischen Erzeugen und Handeln: Generative KI erstellt auf Anfrage Inhalte wie Texte, Bilder oder Code, während Agentic AI ein Ziel verfolgt, indem sie Schritte plant, Tools nutzt und mit begrenzter Aufsicht Aktionen in Ihren Systemen ausführt. Die meisten agentischen Systeme bauen auf generativen Modellen auf. Die eigentliche Entscheidung für ein Unternehmen ist also, wie viel Autonomie es der Software gibt, nicht, welche Technologie es kauft. Dieser Leitfaden liefert klare Definitionen, einen direkten Vergleich, Einsatzbereiche beider Ansätze, die Risiken und die Kontrollen, die sie sicher machen, was der EU AI Act ändert und wie Sie anfangen.
Zuletzt aktualisiert: 21. Oktober 2026.
Was ist generative KI?
Generative KI ist Software, die aus einer Anweisung neue Inhalte erzeugt. Sie schreiben eine Anfrage (einen Prompt), und ein Modell liefert einen Entwurf: eine E-Mail, eine Produktbeschreibung, die Zusammenfassung eines Vertrags, ein Bild, ein paar Zeilen Code. Das Modell hat Muster aus großen Datenmengen gelernt und sagt eine plausible Antwort voraus.
Das entscheidende Merkmal: Sie reagiert. Sie tut nichts, bis sie gefragt wird, gibt ihr Ergebnis an einen Menschen zurück, und dieser Mensch entscheidet, was als Nächstes passiert. Ein Chat-Assistent, ein Schreibwerkzeug in einer Textverarbeitung und ein Bildgenerator sind alle generative KI.
Ihre Stärke ist Tempo bei ersten Entwürfen und beim Umwandeln von unstrukturiertem Material in etwas Brauchbares. Ihre Schwäche: Sie kann Falsches mit Überzeugung behaupten, und sie weiß nichts über Ihr Unternehmen, solange Sie ihr diesen Kontext nicht geben.
Was ist Agentic AI?
Agentic AI ist ein System, das ein Ziel statt einer einzelnen Anfrage erhält und selbstständig darauf hinarbeitet. Es zerlegt das Ziel in Schritte, wählt die Tools (Suche, eine Datenbank, Ihr CRM, ein E-Mail-Konto, ein Zahlungssystem), führt Aktionen aus, prüft die Ergebnisse und entscheidet über den nächsten Schritt, in einer Schleife, bis die Aufgabe erledigt ist oder es Hilfe braucht.
Ein KI-Agent besteht meist aus vier Teilen: einem generativen Modell, das abwägt und schreibt, einer Reihe von Tools, die er aufrufen darf, einer Art Gedächtnis für das, was er getan hat, und Regeln, wann er anhalten und einen Menschen fragen muss. Nehmen Sie die Tools und die Schleife weg, und Sie sind wieder bei generativer KI.
Das entscheidende Merkmal: Sie handelt. Das macht sie nützlich und zugleich riskanter: Einen falschen Satz in einem Entwurf bemerkt der Leser, eine falsche Aktion in einem Live-System vielleicht niemand.
Kurz gesagt: Generative KI schreibt den Entwurf, Agentic AI erledigt die Aufgabe. Agenten bestehen aus generativen Modellen plus Tools, Gedächtnis und Berechtigungen. Je mehr ein Agent ohne Rückfrage tun kann, desto mehr Wert kann er schaffen und desto mehr Kontrollen braucht er. Für die meisten Unternehmen ist der richtige Weg: zuerst generative KI, dann Agenten für eng umrissene, gut verstandene Aufgaben.
Bei Odduel, einer Agentur für Kreation und Technologie in Barcelona und São Paulo, bauen wir beides: generative Funktionen in Produkten und Websites und Agenten, die festgelegte Aufgaben in den eigenen Tools eines Unternehmens erledigen, im Rahmen unserer KI-Entwicklung. Was folgt, ist die Einschätzung, die wir Kunden geben, bevor das eine oder das andere gebaut wird.
Agentic AI und generative KI im direkten Vergleich
Die Tabelle zeigt die Unterschiede, die ein Auftraggeber in der Praxis spürt, von dem, was das System tut, bis zur Frage, wer das Risiko trägt.
| Generative KI | Agentic AI | |
|---|---|---|
| Was es leistet | Erzeugt Inhalte auf Anfrage | Verfolgt ein Ziel über mehrere Schritte |
| Wie es beginnt | Ein Mensch schreibt einen Prompt | Ein Ziel, ein Auslöser oder ein Zeitplan |
| Ergebnis | Ein Entwurf, den ein Mensch nutzt | Abgeschlossene Aktionen in Ihren Systemen |
| Nötige Zugänge | Meist keine außer dem Text, den Sie eingeben | Tools, Daten und Konten, mit Berechtigungen |
| Rolle des Menschen | Prüft jedes Ergebnis | Setzt das Ziel, gibt wichtige Schritte frei, prüft nach |
| Typischer Fehler | Eine falsche oder erfundene Aussage | Eine falsche Aktion, wiederholt oder verkettet |
| Aufwand für eine gute Umsetzung | Gering bis mittel | Mittel bis hoch: Integrationen, Tests, Kontrollen |
| Muster der Betriebskosten | Pro Anfrage, planbar | Mehrere Modell- und Tool-Aufrufe pro Aufgabe, schwankender |
| Am besten für | Schreiben, Zusammenfassen, Übersetzen, Ideen | Wiederkehrende Arbeit in mehreren Schritten mit klaren Regeln |
Die Spalten sind keine Konkurrenten. Fast jeder Agent enthält ein generatives Modell, und viele Projekte beginnen als generatives Tool und wachsen zu einem Agenten, sobald das Unternehmen den Ergebnissen vertraut.
Ist Agentic AI nur generative KI mit ein paar Schritten mehr?
Teilweise, und die ehrliche Antwort bewahrt Sie davor, für ein Etikett zu bezahlen. Das Abwägen und die Sprache in einem Agenten stammen aus derselben Art von Modell, die Sie in einem Chat-Assistenten nutzen. Hinzu kommt Engineering: Verbindungen zu Ihren Systemen, eine Schleife, die plant und prüft, Gedächtnis, Berechtigungen und Protokolle.
In diesem Engineering stecken der größte Teil der Arbeit und der größte Teil des Werts. Ein Agent, der Ihr Bestellsystem lesen, einem Kunden mit verspäteter Lieferung eine Antwort entwerfen, den passenden Gutschein anbieten und das Ticket aktualisieren kann, ist vor allem ein Integrations- und Kontrollprojekt mit einem Modell in der Mitte.
Seien Sie vorsichtig, wenn „agentisch“ für etwas steht, das in Wahrheit ein einzelner Prompt hinter einem Button ist. Stellen Sie jedem Anbieter drei Fragen: Welche Tools kann er aufrufen, was darf er ohne Freigabe tun, und wo wird jede Aktion protokolliert? Sind die Antworten vage, ist es kein Agent, oder kein sicherer.
Was kann generative KI für ein Unternehmen leisten?
Generative KI zahlt sich überall dort aus, wo Menschen Zeit mit ersten Entwürfen oder dem Durcharbeiten langer Unterlagen verbringen. Einsatzbereiche, die wir bei europäischen Unternehmen gut funktionieren sehen:
- Content und Marketing: erste Entwürfe von Produktbeschreibungen, Artikeln, Anzeigenvarianten und Social-Media-Texten, bearbeitet von jemandem, der die Tonalität der Marke kennt.
- Kundenservice: Antwortvorschläge, die ein Mitarbeiter prüft und versendet, und Zusammenfassungen langer Ticket-Verläufe.
- Wissensarbeit: Zusammenfassungen von Verträgen, Berichten und Besprechungsnotizen; Antworten aus Ihren eigenen Dokumenten (oft Retrieval genannt: Das Modell erhält Ihre Dateien als Quelle).
- Übersetzung: erste Übersetzungen in die Sprachen Ihrer Märkte, geprüft von jemandem, der die Sprache fließend spricht, bevor etwas veröffentlicht wird.
- Software und Design: Code-Vorschläge, Testfälle, Interface-Texte und Bildaufbereitung, die eine Umsetzung verkürzen. Unser Beitrag KI im Webdesign und in der Entwicklung: was sich für Kunden ändert erklärt, was das für Budget und Zeitplan eines Kunden bedeutet.
Das Muster ist jedes Mal dasselbe: Das Modell entwirft, ein Mensch entscheidet. So bleibt das Risiko gering, und der Gewinn lässt sich leicht in eingesparten Stunden messen.
Was kann Agentic AI für ein Unternehmen leisten?
Agenten lohnen sich bei Arbeit, die mehrere Schritte hat, mehr als ein System berührt und Regeln folgt, die ein Mensch aufschreiben könnte. Typische Kandidaten:
- Bestellungen und Service: den Status einer Bestellung über mehrere Systeme prüfen, dem Kunden antworten, eine Erstattung bis zu einem festgelegten Betrag auslösen und alles darüber hinaus weitergeben.
- Bearbeitung von Leads: eine Anfrage aus Ihrem Website-Formular lesen, sie mit öffentlichen Unternehmensdaten anreichern, sie nach Ihren Kriterien bewerten, eine Antwort entwerfen und den Datensatz in Ihrem CRM anlegen, den eine Person im Vertrieb freigibt.
- Backoffice: Rechnungen mit Bestellungen abgleichen, Abweichungen markieren, Zahlungsläufe zur Freigabe vorbereiten.
- Content-Abläufe: ein freigegebenes Produktdatenblatt nehmen und es im Onlineshop, auf Marktplätzen und im Newsletter in den richtigen Formaten veröffentlichen.
- Monitoring: eine Website auf defekte Seiten, langsames Laden oder fehlgeschlagene Formulare überwachen, ein Ticket mit den Belegen anlegen und die Lösung vorschlagen.
- Recherche: öffentliche Informationen zu Lieferanten oder Ausschreibungen sammeln und vergleichen und daraus ein strukturiertes Briefing machen.
Gemeinsam ist ihnen eine klare Definition von „erledigt“ und eine klare Grenze. Je offener das Ziel („steigern Sie unseren Umsatz“), desto weniger kann ein Agent sicher tun; je enger das Ziel („Fragen zum Liefertermin beantworten und das Ticket aktualisieren“), desto besser arbeitet er.
Beispiele für Agentic AI, die sich ein Auftraggeber vorstellen kann
Nehmen Sie einen Onlineshop für Möbel. Ein generatives Tool hilft dem Team, Beschreibungen für neue Stücke zu schreiben. Ein Agent geht weiter: Verzögert sich eine Lieferung, liest er die Meldung des Versanddienstleisters, findet die betroffenen Bestellungen, schreibt jedem Kunden in seiner Sprache, bietet die vereinbarte Geste an und protokolliert jede Nachricht. Ein Mensch prüft täglich eine Stichprobe und kümmert sich um alles Ungewöhnliche.
Oder ein Dienstleistungsunternehmen mit einem viel genutzten Kontaktformular. Generative KI entwirft eine Antwort auf jede Anfrage. Ein Agent sortiert die Anfragen nach Art, bucht für die qualifizierten einen Gesprächstermin aus dem Kalender und legt den Rest mit einer Zusammenfassung in einer Zeile in eine Warteschlange.
Womit sollte Ihr Unternehmen anfangen?
Für die meisten Unternehmen: zuerst generative KI. Sie braucht wenig Integration, das Risiko wird durch die Prüfung durch Menschen begrenzt, und sie lehrt das Team, wie sich die Modelle verhalten, wo sie stark sind und wo sie erfinden. Diese Erfahrung brauchen Sie, bevor Sie Software handeln lassen.
Wechseln Sie zu einem Agenten, wenn drei Bedingungen erfüllt sind:
- Die Aufgabe ist häufig, hat mehrere Schritte und wird derzeit von Hand nach einem schriftlichen oder beschreibbaren Ablauf erledigt.
- Die beteiligten Systeme lassen sich sicher erreichen, über saubere Schnittstellen mit begrenzten Berechtigungen statt über ein geteiltes Passwort.
- Jemand auf Ihrer Seite verantwortet den Prozess und prüft die Arbeit des Agenten, besonders in den ersten Wochen.
Erfüllt eine Aufgabe eine dieser Bedingungen nicht, ist ein generativer Assistent, der die Arbeit für einen Menschen vorbereitet, meist die bessere Investition. Autonomie können Sie später immer noch hinzufügen; sie nach einem Vorfall wieder zu entziehen, ist schwieriger.
Welche Risiken gibt es, und wie behalten Sie sie unter Kontrolle?
Beide Arten von KI teilen einige Risiken: erfundene Fakten, aus Trainingsdaten übernommene Verzerrungen, Abfluss vertraulicher Informationen über Prompts und Abhängigkeit von einem Anbieter. Agenten bringen die Risiken des Handelns hinzu: eine falsche Erstattung, eine Nachricht an den falschen Kunden, eine Schleife, die einen Fehler viele Male wiederholt, oder eine in einer E-Mail oder Webseite versteckte Anweisung, die den Agenten zu etwas verleitet, was er nicht tun sollte (bekannt als Prompt Injection).
Die Kontrollen sind gut erforscht und sollten in jedem Angebot stehen, das Sie erhalten.
Menschliche Aufsicht
Legen Sie schriftlich fest, welche Aktionen ein Agent allein ausführen darf, welche eine Freigabe brauchen und welche er nie ausführen darf. Zahlungen, Löschungen, Nachrichten an viele Menschen und alles Rechtliche sollten in der Spalte mit Freigabe beginnen. Geben Sie dem Agenten einen klaren Weg, anzuhalten und an einen Menschen zu übergeben, und den Menschen eine einfache Möglichkeit, ihn zu pausieren.
Protokollierung und Prüfung
Jeder Schritt sollte protokolliert werden: das Ziel, die Informationen, die der Agent gelesen hat, die Tools, die er aufgerufen hat, was er entschieden und was er geändert hat. Mit Protokollen können Sie einer Beschwerde nachgehen, belegen, was passiert ist, und den Agenten verbessern. Ohne sie können Sie einen seltenen Fehler nicht von einem Muster unterscheiden.
Grenzen und Berechtigungen
Geben Sie jedem Agenten ein eigenes Konto mit den geringsten Zugriffsrechten, die die Aufgabe braucht, Ausgaben- und Mengenlimits und eine Testumgebung vor der Live-Umgebung. Behandeln Sie Inhalte von außen (E-Mails, Webseiten, hochgeladene Dateien) als nicht vertrauenswürdig: Sie dürfen den Agenten informieren, ihm aber nie Befehle geben.
Datenschutz
Wo personenbezogene Daten im Spiel sind, gilt die DSGVO für ein KI-System wie für jede andere Verarbeitung: eine Rechtsgrundlage, ein klarer Zweck, so wenig Daten wie möglich, Verträge mit dem Modellanbieter und Aufmerksamkeit dafür, wo Daten gespeichert und verarbeitet werden. Prüfen Sie, ob der Anbieter Ihre Daten zum Training seiner Modelle nutzt, und wählen Sie, wo nötig, Einstellungen oder Verträge, die das ausschließen.
Testen, bevor Sie vertrauen
Stellen Sie eine Sammlung echter früherer Fälle zusammen, auch schwierige, und lassen Sie den Agenten vor dem Livegang und nach jeder Änderung an Modell oder Anweisungen dagegen laufen. Beginnen Sie damit, dass der Agent Aktionen vorschlägt und Menschen sie ausführen, und gehen Sie dann Schritt für Schritt zur Freigabe und schließlich zur Autonomie für die sichersten Aktionen über.
Was bedeutet der EU AI Act für KI-Agenten und generative KI?
Der EU AI Act, Verordnung (EU) 2024/1689, ist am 1. August 2024 in Kraft getreten und gilt stufenweise. Er reguliert KI nach Verwendung und Risiko, nicht danach, ob ein System generativ oder agentisch genannt wird. Für einen Agenten und ein Chat-Tool, die dieselbe Aufgabe erledigen, gelten also dieselben Regeln.
Einige Punkte stehen fest und sind für die meisten Unternehmen relevant:
- Bestimmte Praktiken sind seit dem 2. Februar 2025 verboten, etwa manipulative Techniken, die erheblichen Schaden verursachen, und bestimmte Anwendungen der Emotionserkennung am Arbeitsplatz.
- Pflichten für Anbieter von KI-Modellen mit allgemeinem Verwendungszweck gelten seit dem 2. August 2025. Sie treffen vor allem die Unternehmen, die die großen Modelle entwickeln, nicht ein Unternehmen, das sie nutzt.
- Transparenzpflichten gelten ab dem 2. August 2026: Menschen müssen erfahren, dass sie mit einem KI-System interagieren, sofern das nicht offensichtlich ist, und bestimmte KI-generierte Inhalte müssen als solche gekennzeichnet werden.
- Als hochriskant eingestufte Anwendungen, etwa die Vorauswahl von Bewerbern oder Entscheidungen über den Zugang zu wesentlichen Dienstleistungen, unterliegen strengeren Pflichten, darunter menschliche Aufsicht und Aufzeichnungspflichten.
Für einen typischen Agenten in Marketing, Service oder Backoffice heißt das in der Praxis: Menschen darüber informieren, wenn sie es mit KI zu tun haben, die oben beschriebene Aufsicht und Protokollierung beibehalten und früh prüfen, ob Ihre Anwendung in eine Hochrisiko-Kategorie fällt. Wenn das möglich ist, holen Sie vor der Umsetzung rechtlichen Rat ein; dieser Artikel ist keine Rechtsberatung.
Wie starten Sie ein KI-Projekt?
Ob Sie mit einer generativen Funktion oder einem Agenten beginnen, die Schritte sind ähnlich, und sie halten die ersten Ausgaben klein.
- Eine Aufgabe wählen, keine Strategie. Wählen Sie etwas Häufiges, Messbares und Lästiges, und schreiben Sie auf, wie es heute erledigt wird.
- Erfolg definieren, in einfachen Worten: eingesparte Stunden, Reaktionszeit, Fehlerquote oder der Anteil der Fälle, die ohne einen Menschen erledigt werden.
- Daten und Systeme erfassen, die die Aufgabe berührt, wem sie gehören und welche Zugänge sich sicher vergeben lassen.
- Eine kleine Version bauen, die entwirft oder vorschlägt, nie handelt, und sie an echten früheren Fällen testen.
- Kontrollen einbauen (Freigabeschritte, Protokolle, Limits), bevor es Autonomie gibt, und festlegen, wer die Ergebnisse prüft.
- Parallel zu Menschen laufen lassen, einige Wochen lang, Ergebnisse vergleichen und beheben, was nicht funktioniert.
- Vorsichtig ausweiten: mehr Autonomie für die sichersten Aktionen oder eine zweite Aufgabe, erst wenn die erste funktioniert.
Das ist die Logik eines Minimum Viable Product, angewandt auf KI; unser Leitfaden MVP entwickeln: von der Idee zur ersten Version, für die Menschen zahlen beschreibt dieselbe Disziplin für Produkte allgemein. Kurze Entwicklungszyklen passen außerdem besser zu KI-Projekten als ein fester Plan, aus den Gründen, die Agil vs. Wasserfall bei App- und Website-Projekten darlegt: Wie sich das Modell bei Ihren echten Fällen verhält, lernen Sie durch Testen, nicht durch Spezifizieren.
Bei den Kosten sind die Treiber die Zahl der anzubindenden Systeme, die nötigen Kontrollen, wie viel Testaufwand Ihre Fälle brauchen, und die Betriebskosten der Modellaufrufe, die bei Agenten meist höher und weniger planbar sind, weil jede Aufgabe mehrere Aufrufe umfasst. Ein Festpreisangebot folgt auf ein kurzes Briefing, sobald Aufgabe und Systeme bekannt sind.
Häufige Fragen zur Agenturwahl
Was ist der wichtigste Unterschied zwischen Agentic AI und generativer KI?
Generative KI erzeugt Inhalte wie Texte, Bilder oder Code, wenn ein Mensch danach fragt, und gibt das Ergebnis an diesen Menschen zurück. Agentic AI erhält ein Ziel und arbeitet selbstständig darauf hin: Sie plant Schritte, ruft Tools auf und führt Aktionen in echten Systemen aus. Die meisten Agenten nutzen intern ein generatives Modell.
Ist ChatGPT generative KI oder Agentic AI?
Ein Chat-Assistent, der Fragen beantwortet, ist generative KI: Er reagiert auf jeden Prompt und überlässt die Entscheidung Ihnen. Viele Assistenten haben inzwischen Agenten-Funktionen, etwa im Web suchen, Code ausführen oder in verbundenen Apps handeln. Wenn der Assistent mehrere Schritte macht und mit Tools auf ein Ziel hinarbeitet, verhält sich dieser Teil wie Agentic AI.
Ist Agentic AI teurer als generative KI?
Meist ja, in der Entwicklung wie im Betrieb. Ein Agent braucht Verbindungen zu Ihren Systemen, Berechtigungen, Protokolle, Freigabeschritte und gründliche Tests, und jede Aufgabe nutzt mehrere Modell- und Tool-Aufrufe statt eines einzigen. Die Mehrkosten sind gerechtfertigt, wenn der Agent häufige Arbeit in mehreren Schritten erledigt, die heute viel Zeit von Menschen kostet.
Kann ein KI-Agent ohne menschliche Aufsicht arbeiten?
Er kann so gebaut werden, sollte es aber bei den meisten geschäftlichen Aufgaben anfangs nicht. Sichere Praxis ist, den Agenten zuerst Aktionen vorschlagen zu lassen, dann mit Freigabe handeln zu lassen und erst später bei den risikoärmsten Schritten allein, mit Limits und vollständigen Protokollen. Für Hochrisiko-Anwendungen verlangt der EU AI Act, dass menschliche Aufsicht von Anfang an eingeplant ist.
Behandelt der EU AI Act Agenten anders als generative KI?
Nein. Der AI Act reguliert KI danach, wie sie eingesetzt wird und welches Risiko dieser Einsatz birgt, nicht danach, ob sie generativ oder agentisch genannt wird. Ein Agent, der Bewerbungen vorsortiert, unterliegt Hochrisiko-Pflichten; einer, der Fragen zur Lieferung beantwortet, vor allem Transparenzpflichten, etwa Menschen mitzuteilen, dass sie mit einem KI-System sprechen.
Für welche Aufgaben im Unternehmen eignet sich Agentic AI am besten?
Für Aufgaben, die häufig sind, Regeln folgen, die ein Mensch aufschreiben könnte, mehrere Schritte über mehr als ein System umfassen und einen klaren Endpunkt haben. Gute Beispiele sind Anfragen zu Bestellung und Lieferung, das Sortieren und Weiterleiten von Anfragen, der Abgleich von Rechnungen, das Veröffentlichen freigegebener Inhalte auf mehreren Kanälen und das Überwachen einer Website auf Fehler mit dem Anlegen von Tickets.
Wenn Sie eine Aufgabe im Kopf haben, schreiben Sie zuerst auf, wie sie heute erledigt wird und wie ein gutes Ergebnis aussähe; diese Seite ist schon der größte Teil eines Briefings. Wir helfen Ihnen einzuschätzen, ob sie einen generativen Assistenten oder einen Agenten braucht, bauen eine kleine Version mit den richtigen Kontrollen und erweitern sie, sobald sie sich bewährt hat, im Rahmen unserer Leistung KI-Entwicklung. Sprechen Sie mit uns über Ihr Projekt.
Mehr zum Thema: KI im UX-Design: Was sie verändert und was nicht, KI-Agenten entwickeln: Kosten und Projektablauf.
