KI-Agenten: Wo kommen sie her und wie sehen sie heute aus?

12.08.2026
7 min

KI-Agenten übernehmen heute längst mehr als einzelne Chat-Anfragen: Sie orchestrieren ganze Workflows, greifen auf Unternehmenswissen zu und erledigen komplexe Aufgaben zunehmend autonom. Mit Konzepten wie Makro-Delegation, Loop Engineering und agentischen Multi-Agenten-Systemen verändert Agentic AI die Art, wie Unternehmen arbeiten. Cyril Imhof, Studiengangsleiter des CAS Agentic AI an der HWZ, zeigt die Entwicklung von KI-Agenten auf und welche technologischen Durchbrüche, Herausforderungen und Kompetenzen für Unternehmen jetzt entscheidend sind.

Aus Frage-Antwort-Chatbots werden autonome KI-Agenten mit steigender Ausführungszuverlässigkeit. Ihre autonome Ausführungsdauer wächst von Sekunden (2024) über Minuten (2025) zu bald mehreren Stunden (2026) und eröffnet in nahezu allen Branchen neue Kollaborationsformen.

Klassische Chatbots folgen der Mikro-Delegation: Jede Teilaufgabe braucht einen präzisen User-Prompt mit Antwort in Sekunden. Bei Dutzenden Schritten wird das ineffizient, eine Makroebene fehlte. Makro-Delegation dreht dies um: Professionals und Manager:innen lancieren mit einem einzigen Arbeitsziel zusammenhängende Workstreams. Die Agenten orchestrieren daraufhin selbstständig alle Teilschritte, von der Datensammlung (PDFs, Datenbanken, Excel, interne Systeme) bis zur Generierung holistischer Artefakte (Code, Office-Dokumente, E-Mails). Die Mikro-Steuerung bleibt beim Menschen, der Zwischenergebnisse validiert und nachjustiert.

Makro-Delegation mit Mikro-Steuerung im rollenspezifischen Workspace

Der Ansatz umfasst im Kern folgende Elemente:

1. KI-Agenten

Die iterative Nutzung von Tools durch ein oder mehrere grosse Sprachmodelle (LLMs), eingebettet in ein Cloud-Fundament mit gewählter Architektur und kuratiertem Context-Window. Gängig sind Multi-Agenten-Netzwerke oder Research-Agenten. Ziel ist das optimale Verhältnis von Qualität zu Token-Kosten, etwa via «Berater-Strategie»: Ein günstigeres Modell übernimmt die Hauptausführung und eskaliert nur Sonderfälle an ein teureres. Absehbar finetunen Unternehmen ebenfalls OpenSource-Modelle, z. B. aus China (proprietäre Ausführer), und beziehen Beratermodelle von ClosedSource-Anbieter, z. B. Anthropic und OpenAI aus den USA. Die Kostenallokation von ClosedSource zu OpenSource ist im Wandel – auch in puncto Souveränität.

Multi-Agenten-Orchestrierung nach der «Berater-Strategie»

Noch wichtig: Nicht selbstverständlich ist, dass ein LLM in der gewünschten Konfiguration in der Schweiz prozessiert wird. Bei inadäquatem Setup verlassen Daten die Schweiz für Sekunden.

2. Wissen und Ausführung

Da Agenten generisch und nicht auf den Unternehmenskontext trainiert sind, braucht es sorgfältig aufbereitetes Wissen. Mehrere Bausteine sind nicht neu, werden aber laufend optimiert:

MCPs (bisher), Model-Context-Protocols, geben Agenten Zugriff auf Tools.
Tools (bisher) sind per Tool-Calling bereitgestellte, ausführbare Fähigkeiten: Schnittstellen zu ERP/CRM, E-Mail-Versand, OCR, Analysen. Sie ermöglichen mehrschrittige, validierbare Arbeit statt blosser Textgenerierung.
RAG (bisher), Retrieval Augmented Generation, erschliesst faktuales Wissen – «alles Schriftliche» im Unternehmen. Es ist auch als «Agentic RAG» ausbaubar.
Finetuning (bisher) codiert Wissen in die Modellgewichte. Nachteilig sind Kosten und kurze Halbwertszeit: Bei jedem besseren Modell wäre erneutes Finetuning nötig. Wie oben erwähnt, absehbar wieder durchführbar mit immer beständigeren OpenSource Modellen.
Agent Skills (neu) vermitteln ablaufspezifisches Fachwissen, respektive End-to-End-Abläufe samt Normen, Vorlagen und «Tacit Knowledge». Agenten ziehen sie autonom anhand der Beschreibung ins Context-Window und operationalisieren sie zu M365-Artefakten via Python (z. B. in ein Unternehmensexcel oder Strategieslidedeck). Ihre kostenoptimale Steuerung bleibt eine Harness Engineering-Challenge.

3. Memory

Synthetisches Erinnerungsvermögen lässt Agenten vergangene Konversationen, Arbeiten und Wissen rekonstruieren. Das reduziert Halluzinationen und personalisiert die Leistung. Erinnerungen werden idealerweise dynamisch generiert, kondensiert und extern zum Context-Window verarbeitet. Bildlich «träumen» Agenten über Nacht in einer Konsolidierungsphase. Zugleich entsteht ein Lock-in: Dieses Gedächtnis lässt sich bei einem Anbieterwechsel nicht immer so einfach Nexportieren.

Was können KI-Agenten heute?

Da der grösste Fortschritt bei der Code-Generierung liegt, erzeugen Agenten bereits sämtliche gängigen Artefakte und führen erste autonome Arbeiten aus. Mit der nächsten Modelliteration – absehbar Herbst 2026 – dürften Abläufe erstmals über Stunden statt Minuten laufen. Einen Vorgeschmack lieferte Claude Fable 5 / Mythos 5, mit Nachfolgemodellen auf Basis der neuesten NVIDIA‑Chips u. Ä. dann vorausschauend erstmals Tage statt Stunden (Prognose 2027) respektive Wochen statt Tage (Prognose 2028).

Wie baut man mit KI-Agenten und schätzt den Fortschritt ein?

Modulares, LLM-agnostisches Bauen für das übernächste Modell in 6–9 Monaten macht Sinn.
Aufschluss gibt auch die KI-Hardware: Heutige Produktivmodelle wurden nicht auf den modernsten NVIDIA- oder AMD-Chips Platformen trainiert (z. B. NVIDIA Vera Rubin oder Feynman), sondern auf deren Vorgängern.
Auch verbessern sich LLM’s tendenziell immer mehr selbst, sogenanntes «recursive self-improvement». So werden absehbar Releasezyklen weiter verkürzt.

Loop Engineering

Die Entwicklung fand vom Prompt Engineering (2024) über Context Engineering (2025) und Harness Engineering (2026) bis zum neusten Phänomen im Juli 2026, dem Loop Engineering, statt.

Statt jeden Schritt einzeln zu prompten, gestaltet man zunehmend Loops, die den Agenten selbst prompten. Zyklen aus Arbeit, die bis zu einer definierten Stopp-Bedingung wiederholt werden. Hier können verschiedene Loop-Typen unterschieden werden: turn-basiert (manuell pro Prompt), zielbasiert (bis ein verifizierbares Kriterium erfüllt ist), zeitbasiert (in Intervallen) und proaktiv (ereignisgesteuert, ohne Mensch, in Echtzeit).

Genau hier materialisiert sich Makro-Delegation: «Ich prompte nicht mehr, ich schreibe Loops».

3 aktuelle Herausforderungen aus der Praxis

Trotz besserer Trainingsdaten, Chips und «Token-Fabriken» sowie PhD-Level-Intelligenz bleiben operative Hürden bei der Einführung, hier einige Challenges:

Queryable Company

Viele Firmen haben fragmentierte Daten und unklare Eignerschaft. Dezentrale Datenprodukte mit Domain-Ownership (Data Mesh) fehlen in Unternehmen oft. Zugleich könnten Agenten bald auch Fachkräfte via Microsoft Teams interviewen, um «Tacit Knowledge» zu erschliessen.

Governance

Regulatorik verlangt transparente Nachvollziehbarkeit. Gängige Frameworks bieten out of the box oft schwaches Logging und lückenhafte Zugriffskontrollen. Brisant wird das, sobald Agenten via MCPs autonom in Systemlandschaften agieren.

Return on AI

Den ROI für Agentic AI, Themen effektiv messbar zu machen und zu steuern, bleibt schwierig, da sich die Kosten (Token, Infrastruktur, Engineering) zwar exakt erfassen lassen, der Nutzen aber oft diffus, indirekt und schwer attribuierbar ist.

Wie reagiert die Schweizer Wirtschaft?

Der Trend ist eindeutig, doch die Massenadoption hinkt der Komplexität hinterher. Professionals und Manager:innen delegieren künftig auf Makroebene und steuern die Ausführung auf Mikroebene. Ihre Rolle wandelt sich zur überwachenden, beratenden Expertenfunktion, während Agenten die operative Last stemmen. Datenschutzkonform und, wo nötig, zu 100 % in der Schweiz. Das verlangt ein signifikantes Upskilling praktisch jeder Workforce.

Loops zu engineeren, ROAI messbar zu machen und interne Agentic Software Factories aufzubauen zur Reduktion des Externen IT Spends sind gegenwärtig einige der vielen Kernthemen.

Bald können Agenten auch mit @AgentName holistisch in Microsoft Teams Chat «leben» und so organisationsübergreifend 24/7 zur Verfügung stehen und eben nicht mehr einzeln pro User auf dem Desktop.

KI-Upskilling in der Ära smarter KI-Agenten

Echtes Bauen und Anwenden hält am Ball. Allein im Q1/2026 releaste Anthropic Claude Cowork, Claude Code, Claude Design, Claude Managed Agents, Claude Security, Claude for Sales, respektive OpenAI Codex und auch OpenClaw war im Trend anfangs Jahr. Gleichzeitig führte der weltweite Ban der US-Regierung von Fable 5 von Anthropic für Furore.

Entscheidend ist demnach weniger, ein Tool zu meistern, als ein mentaler Paradigmenwechsel: Echte «AI-natives» denken über Produktivität hinaus ins Capability Enabling.

Alt: «Wir zielen auf 20 % Produktivitätssteigerung eines FTE.»
Neu: «Ein FTE ist mit Agenten capabler als ganze Strukturen und sollte als Leverage-Holder für Agentic AI upgeskillt werden.»

Alt: «Wir integrieren Copilots in bestehende Workflows.»
Neu: «Wir erschaffen eine queryable Unternehmung, in der Agenten als KI-Operating-System (KIOS) jederzeit auf alle Komponenten zugreifen.»

LLM-Councils als Ausblick

Statt eines einzelnen Modells beraten künftig mehrere, teils unterschiedliche LLMs parallel über dieselbe Aufgabe und aggregieren ihre Antworten zu einem robusteren Ergebnis. Wie in einem Gremium gleichen sich Schwächen und Bias einzelner Modelle aus. Wie oben erwähnt «sitzen» in diesen Councils ein Mix von OpenSource wie auch ClosedSource LLM’s.

Im Zentrum ist und bleibt der Mensch: neu als Makro-Delegator mit Mikro-Steuerung. Er ist Orchestrator, Brainstormer, Evaluator, Dirigent von KI-Agenten und Empfänger vom Entscheidungskonsens aus dem LLM-Council.

#arbeitend