Was ist Agentic AI?
Agentic AI beschreibt KI-Systeme, die nicht nur antworten oder Inhalte generieren, sondern zielgerichtet handeln. Im Unterschied zu klassischen KI-Anwendungen verfolgt ein Agent ein definiertes Ziel, plant eigenständig Schritte zur Zielerreichung und führt diese über mehrere Systeme hinweg aus, während ein Bot (Kurzform von „Robot“) typischerweise reaktiv auf Trigger reagiert und vordefinierte Workflows ohne echte Ziel- und Planungslogik abarbeitet.
Ein Agent analysiert seine Umgebung, trifft Entscheidungen, nutzt Werkzeuge (APIs, Datenbanken, SaaS-Systeme) und bewertet kontinuierlich die Ergebnisse seines Handelns. Damit wird aus einer unterstützenden KI ein handelndes System, das Prozesse eigenständig vorantreibt.
Für Unternehmen bedeutet das einen Paradigmenwechsel: Agentic AI ist kein Assistenzwerkzeug mehr, sondern ein operativer Akteur in IT-, Geschäfts- und Sicherheitsprozessen. Genau dadurch entstehen neue Effizienzpotenziale – aber auch neue Risiken.
Was ist der Unterschied zu einem Large Language Model (LLM)?
Ein Large Language Model (LLM) reagiert auf Eingaben und erzeugt daraus Antworten, konkret definiert die Standford University dies als "human-like". Agentic AI geht weiter: KI-Agenten verfolgen Ziele, planen Handlungsschritte, nutzen Tools und können selbstständig Aktionen ausführen. Das LLM ist damit notwendig, aber nicht ausreichend, um Agentic AI zu realisieren, siehe ausführliche Beschreibung von Antropic: Building effective agents (...with LLM).
Der Unterschied wird deutlich, wenn man beide Konzepte LLM und Agentic AI gegenüberstellt:
| Kriterium |
LLM |
Agentic AI |
| Rolle |
Sprachmodell |
Handlungssystem |
| Verhalten |
Reaktiv |
Proaktiv |
| Zielorientierung |
Keine |
Explizit |
| Planung |
Nein |
Ja |
| Tool-Nutzung |
Nur auf Anfrage |
Eigenständig |
| Zustandsmanagement |
Temporär |
Persistentes Memory |
| Autonomie |
Keine |
Niedrig bis hoch |
Agentic AI nutzt ein LLM als Denk- und Entscheidungsinstanz, erweitert es aber um Planung, Aktionen und Feedback-Schleifen. Das LLM ist damit notwendig, aber nicht ausreichend, um Agentic AI zu realisieren.
Wie ist Agentic AI aufgebaut?
Ein Agent ist kein eigenständig trainiertes KI-Modell, sondern ein zusammengesetztes System, dessen Kern ein vorhandenes Large Language Modell bildet. Google beschreibt dazu unter anderem AI Models, Agent Tools, Agent Memory und Agent Runtime als Bestandteile eines agentischen Systems: Komponenten für Ihre agentische KI-Architektur. Das KI-Modell übernimmt dabei kognitive Aufgaben wie Verstehen, Planen und Entscheiden. Der entscheidende Unterschied: Agentic AI entsteht durch die gezielte Orchestrierung des Modells mit weiteren Komponenten in einer aktiv handelnden Architektur.
Die Steuerungslogik des Agenten zerlegt Ziele in konkrete Schritte und entscheidet, welche Aktion als Nächstes ausgeführt wird. Dadurch wird das LLM von einer rein reaktiven Komponente zu einem planenden Element, ohne dass es umfassend neu trainiert werden muss. Fachwissen, Regeln und Prozesslogik werden nicht primär über Trainingsdaten abgebildet, sondern über Prompts, Policies, Tools und Systemgrenzen.
Die eigentliche Wirksamkeit entfaltet der Agent durch den Zugriff auf externe Werkzeuge und Systeme. APIs, Anwendungen oder Code-Umgebungen liefern ihm die Fähigkeiten, reale Aktionen auszuführen. Ergänzt wird dies durch Speichermechanismen, die Kontext und Zustände über mehrere Schritte hinweg erhalten und so konsistentes Handeln ermöglichen.
Gerade hier liegt der wirtschaftliche Vorteil von Agentic AI: Während LLMs aufwendig und teuer trainiert werden müssen, lassen sich Agenten vergleichsweise leicht konfigurieren und anpassen. Neue Fähigkeiten entstehen durch Tool-Anbindung und Governance – nicht durch monatelanges Modelltraining.
Einsatzzwecke von Agentic AI
Agentic AI wird überall dort eingesetzt, wo mehrstufige, regelbasierte oder entscheidungsintensive Prozesse automatisiert werden sollen:
- Automatisierte Angebots- und Vertriebsprozesse
- Autonome Bearbeitung von Service-Tickets
- IT-Operations und Incident-Response
- Compliance- und Sicherheitsprüfungen
- Datenanalyse und Reporting über mehrere Systeme hinweg
Der gemeinsame Nenner: Agenten greifen auf kritische Systeme und Daten zu – oft mit weitreichenden Rechten. Genau hier wird Identitäts- und Zugriffsmanagement für AI-Agenten zum zentralen Kontrollmechanismus.
Wie kann IAM Agentic AI schützen?
Im Bereich Authentisierung schützt IAM Agentic AI in erster Linie dadurch, dass autonome Agenten (nicht implizit oder anonym), sondern über klar definierte technische Benutzer agieren. Jeder Agent authentisiert sich gegenüber den verschiedenen Systemen entweder mit einem eigenen technischen Benutzer oder über Token-basierte Mechanismen wie OAuth2, JWT oder Zertifikate. Dadurch wird sichergestellt, dass Zugriffe explizit autorisiert, protokolliert und technisch kontrollierbar sind.
In fortgeschrittenen Szenarien agiert ein Agent zusätzlich „on behalf of" eines menschlichen Nutzers. Technisch erfolgt dies über zwei Tokens: eines für die Identität des Agenten und eines des Nutzers. Identity- & Accessmanagement (IAM) übernimmt hier die zentrale Rolle, diese Delegation sauber zu trennen, zeitlich zu begrenzen und auf definierte Aktionen einzuschränken. Ohne diese Trennung verschwimmen Verantwortlichkeiten, was insbesondere aus Audit- und Haftungssicht kritisch ist.
Der zweite, oft unterschätzte Aspekt ist die Governance dieser Agenten-Identitäten. In einer IAM-Richtlinie müssen Unternehmen Verantwortlichkeiten und Einsatzgebiete klar festlegen. Auch das Onboarding neuer Agenten ist dabei ein wichtiges Thema. Agenten sollten einem Owner in Form einer natürlichen Person zugeordnet und im IAM-System eindeutig abgebildet werden. Eine solche Governance unterstützt die Umsetzung von Anforderungen aus DORA, NIS2, ISO27001. Auch der EU AI Act (Verordnung (EU) 2024/1689, in Kraft seit 1. August 2024) stellt für relevante KI-Systeme Anforderungen an Governance, Nachvollziehbarkeit und menschliche Aufsicht.
Agentic AI Identitäten sauber abbilden
Ein zukunftsfähiges Identitätsmanagement für AI-Agenten folgt klaren Prinzipien:
- Jeder Agent erhält eine eigene, eindeutige Identität
- Aus Sicht IPG benötigt jede Agenten-Identität eine natürliche Person als Owner
- Rechte werden minimal und zweckgebunden vergeben
- Aktionen werden vollständig protokolliert
- Agenten unterliegen Policy-basierter Steuerung
- Deaktivierung ist technisch erzwungen, nicht optional
Wichtig: Agenten dürfen niemals implizit über menschliche Identitäten agieren. Das führt zu Intransparenz, Haftungsrisiken und Audit-Findings.
Bereits heute erlauben moderne IAM-Plattformen, Agentic-AI-Identitäten strukturiert abzubilden, etwa als dedizierte Sub- oder technische Identitäten. Ownership-Wechsel, Rezertifizierung und Deprovisionierung lassen sich mit bestehenden IAM-Mechanismen sauber und automatisiert umsetzen.
Unternehmen, die klären möchten, wie gut ihre bestehende IAM-Architektur auf Agentic AI vorbereitet ist und welche Governance- und Sicherheitsmassnahmen erforderlich sind, können diese Fragestellungen im Agentic AI Readiness Assessment oder im Governance & Architecture Workshop strukturiert analysieren.
Unterschied klassischer NHI und Agentic AI
Klassische Non-Human Identities (NHI) sind technische Identitäten wie Service Accounts, API-Keys oder Maschinenzertifikate. Sie sind in der Regel statisch, auf eine klar definierte Funktion beschränkt, auf ein spezifisches System eingeschränkt und verhalten sich deterministisch.
Agentic AI unterscheidet sich fundamental:
- Agenten treffen situative Entscheidungen
- Agenten passen ihr Vorgehen kontextabhängig an
- Agenten nutzen mehrere Identitäten und Systeme
- Agenten handeln eigenständig und kontextabhängig
Aus IAM-Sicht stellt sich daher die Frage, ob KI-Agenten als klassische NHI oder als eigene Identitätsklasse behandelt werden sollten. Bei der Umsetzung in IAM-Systemen sollte dieser neuen Form autonom handelnder Identitäten bereits heute Rechnung getragen werden.
Fazit
Agentic AI markiert den Übergang von KI als Assistenz zu KI als handelndem System. Dieser Fortschritt ist technologisch beeindruckend – aber ohne Identitäts- und Zugriffsmanagement nicht beherrschbar.
IAM wird zum Control Plane für Agentic AI! Es entscheidet, ob autonome AI produktiv, sicher und regelkonform eingesetzt werden kann – oder ob sie zur unkontrollierten Schatten-IT wird. Unternehmen, die Agentic AI ernsthaft skalieren wollen, müssen IAM für AI-Agenten von Anfang an mitdenken. Zusätzliche Komponenten wie ISPM oder ITDR unterstützen bei der Realtime Verhaltensanalyse. Alles andere ist technologisch riskant und strategisch kurzsichtig.
Der Einsatz von Agentic AI beginnt nicht beim Modell oder bei der Automatisierung, sondern bei einer griffigen, klar durchsetzbaren IAM-Policy, die Identitäten, Berechtigungen und Governance von Anfang an sauber definiert.
