Agentic AI, der man vertrauen kann – dank Open SourceAgentic AI verspricht dynamische Problemlösung

Unternehmen nutzen in immer größerem Umfang generative KI (GenAI). Aktuell ist zudem ein verstärkter Trend in Richtung agentischer KI (Agentic AI) erkennbar. Auf welchem Weg gelangt ein Unternehmen nun möglichst reibungslos zu Agentic AI? Dafür existieren Möglichkeiten, die allerdings auch mit Herausforderungen verbunden sind.

Nach Jahren rasanter Fortschritte in der generativen KI steht nun der nächste große Entwicklungsschritt bevor: der Übergang zu Agentic AI. Vereinfacht ausgedrückt funktioniert GenAI reaktiv, während Agentic AI proaktiv agiert. Das heißt GenAI erstellt als Reaktion auf einen Prompt neue Inhalte und Agentic-AI-Systeme können proaktiv Aktionen initiieren und so Ziele mit minimaler menschlicher Aufsicht erreichen.

Agentic AI unterscheidet sich damit auch von Large Language Models oder Small Language Models grundlegend in der Funktionsweise: Sie verarbeitet nicht nur Anfragen, sondern analysiert Prozesse, greift auf verschiedene Datenquellen zu und trifft Entscheidungen im Kontext, wobei eine dynamische Problemlösung erfolgt.

Der Einstieg in Agentic AI

Im Gegensatz zu GenAI kann der Einstieg in Agentic AI nicht im Plug-and-Play-Verfahren erfolgen. Die Einführung erfordert zunächst ein klares Verständnis der eigenen Prozesskette, von Datenflüssen und Entscheidungspfaden. Agentic AI automatisiert, was strukturiert und verstanden ist – aber sie löst keine systeminternen Probleme. Bevor Unternehmen mit der Umsetzung beginnen, sollten sie also ihre Prozesse hinterfragen und gegebenenfalls anpassen.

Zudem sollte eine klare Zieldefinition vorliegen. Ein Unternehmen muss wissen, was es erreichen will, wie das Projekt aussehen soll und welche Lösungen und Skills benötigt werden. Außerdem empfiehlt es sich, nicht mit den komplexesten Prozessen zu starten, sondern mit solchen, bei denen nur wenige verschiedene Datenquellen benötigt werden. Auf dieser Basis können erste Erfahrungen gesammelt werden, auf denen ein Unternehmen aufbauen kann.

Sicherheit und Transparenz im Fokus

Transparenz, Sicherheit und Nachvollziehbarkeit sind Grundvoraussetzungen, um Vertrauen in diese neue Form selbstständig handelnder KI zu schaffen. Und an diesem Punkt gewinnt der Open-Source-Ansatz an Bedeutung. Geschlossene Modelle – etwa proprietäre Chat- oder Analyseplattformen – bieten keinen Einblick in die Entscheidungslogik.

Wenn aber Agentic AI eigenständig operative oder strategische Handlungen vollzieht, muss ein Unternehmen sie nachvollziehen können. Somit setzen auch immer mehr Anwender, die Wert auf Kontrolle und Compliance legen, auf offene Modelle wie Mistral, Granite oder Llama, die eine überprüfbare Basis bieten.

Darüber hinaus muss aber auch bei jeder Agentic-AI-Nutzung der Mensch immer in kritischen Entscheidungsschleifen eingebunden sein, um einzugreifen oder Freigaben zu erteilen – insbesondere bei Prozessen, die die Produktion oder Compliance betreffen. Das heißt, das Human-in-the-Loop-Prinzip darf nicht vernachlässigt werden.

Als Beleg für die hohe Relevanz von Open Source im Bereich Agentic AI kann man auch die beiden offenen Protokolle MCP (Model Context Protocol) und A2A (Agent-to-Agent) anführen. Sie sind wichtige Bausteine für Agentic AI. MCP stellt die Verbindung zwischen KI-Systemen und Unternehmensdaten her und standardisiert, wie Modelle auf Tools, Dateien, APIs, Datenbanken und andere Kontexte zugreifen.

Im Unterschied und in Ergänzung dazu standardisiert A2A die Kommunikation zwischen den Agenten, wobei Aufgaben weitergegeben, Ergebnisse ausgetauscht und Multi-Agenten-Systeme koordiniert werden. In jedem Fall sind sicherheitsrelevante Themen hier mit Fokus zu betrachten, da vertrauliche Daten im Unternehmenskontext ausgetauscht werden.

Von der Theorie zur Praxis – das Jahr der Umsetzung

Nach einer Phase intensiver Forschung und Pilotierung dürfte 2026 das Jahr werden, in dem Agentic AI vom Konzept zur industriellen Praxis übergeht. Erste Anwendungen gibt es bereits in der Fertigung, im Finanzsektor sowie im Gesundheitswesen – überall dort, wo standardisierte Abläufe und hohe Datenvolumina vorhanden sind. Branchenspezifische Use Cases finden sich zum Beispiel:

• in der Produktion: Agentische Workflows können helfen, die Lieferketten zu verwalten, die Lagerbestände zu optimieren, den Bedarf vorherzusagen und Logistikprozesse zu planen;
• im Gesundheitswesen: Agentische KI kann bei der Diagnose unterstützen, indem automatisiert Vergleichsbilder aus verschiedenen Datenquellen gesucht werden;
• in der Softwareentwicklung: Agentische KI kann automatisch Debugging-Code generieren, Entwicklungs-Lifecycles verwalten und Systemarchitekturen entwerfen;
• im Finanzrisikomanagement: Agentische KI kann im Finanz- und Handelsbereich Markttrends analysieren, Handelsentscheidungen treffen und Strategien auf Basis von Echtzeitdaten anpassen.

Die technischen Grundlagen sind also geschaffen und erste Anwendungsfelder definiert. Jetzt geht es darum, Vertrauen aufzubauen – durch offene Technologien, nachvollziehbare Entscheidungswege und sichere Architekturprinzipien. Nur so kann Agentic AI ihr Potenzial entfalten, Prozesse nicht nur zu unterstützen, sondern intelligent zu gestalten.

Detlev Knierim, AI Sales Specialist bei Red Hat.

Red Hat