Ein AI-Agent ist kein Geheimagent mit Sonnenbrille. Es ist ein Stück Software, das selbst entscheidet: Es liest seine Umgebung über Sensoren (Datenströme, Schnittstellen, Nutzeranfragen) und wirkt über Aktoren (APIs, Befehle, Nachrichten) auf sie ein, um ein Ziel zu erreichen. Das Schwierige ist nicht, einen zu schreiben. Das Schwierige ist zu wissen, dass es keinen universellen Agenten gibt, und den richtigen Typ für das Problem vor Ihnen zu wählen.
Genau diese eine Entscheidung, vom einfachsten reaktiven Agenten bis zum zielorientierten, trennt ein System, das in Produktion geht, von einer Demo, die still und leise stirbt. Die Zahlen belegen das. Gartner erwartet, dass bis Ende 2027 mehr als 40 % der agentischen AI-Projekte eingestellt werden, wegen Problemen wie schlechter Orchestrierung oder einem falsch gewählten Agententyp. Nach unserer Erfahrung scheitern die Projekte, die in diesen 40 % landen, fast nie am Modell. Sie scheitern an der Architektur. Dieser Artikel geht die Agententypen durch, die unsere Engineers in jedem Projekt abwägen, und zeigt dann, was ein Team, das diese Entscheidungen in Produktion getroffen hat, tatsächlich mitbringt.
Was ist das PEAS-Framework, und warum dort beginnen?
Bevor Sie Agententypen vergleichen, müssen Sie das Problem präzise beschreiben. Wir nutzen PEAS, die Standardlinse zur Spezifikation jedes Agenten, weil sie genau die Fragen erzwingt, die die meisten Teams überspringen:
- Performance: Was bedeutet Erfolg hier eigentlich? Umsatz maximieren, Fehler minimieren, eine Aufgabe sauber abschließen?
- Environment (Umgebung): In welcher Welt agiert der Agent? Ist sie vollständig beobachtbar, deterministisch, statisch, diskret? Die Antworten legen den wahren Schwierigkeitsgrad der Aufgabe fest.
- Actuators (Aktoren): Wie verändert der Agent die Welt? SQL-Statements, Funktionsaufrufe, Motorbewegungen.
- Sensors (Sensoren): Wie nimmt er die Welt wahr? Eingabedaten, Sensorströme, Nutzeranfragen, Log-Dateien.
PEAS zu definieren ist der erste und folgenreichste Schritt, und er führt ganz natürlich zum richtigen Agententyp. Überspringen Sie ihn, bauen Sie auf Sand. In unseren Projekten ist das der Punkt, an dem ein erfahrener Engineer sein Geld verdient, lange bevor eine Zeile Orchestrierungscode geschrieben wird.
Was sind die drei grundlegenden Agententypen?
Agenten werden üblicherweise danach klassifiziert, wie komplex ihre interne Architektur ist und wie gut sie ihre Welt verstehen, ein Weg, der von reaktiven Automaten bis zu Systemen führt, die planen und lernen. Drei Typen markieren die Meilensteine auf diesem Weg. Ihre Mechanik und ihre Grenzen zu verstehen ist entscheidend, denn selbst fortgeschrittene Frameworks sind deutlich unzuverlässiger, als der Hype vermuten lässt. Ein aktueller Benchmark zeigte, dass gängige Lösungen über 34 realistische Programmieraufgaben hinweg nur etwa 50 % der Aufgaben korrekt lösen. Viele dieser Fehlschläge gehen auf genau eine Fehlpaarung zurück: die rohe Kraft eines LLM auf die für die Aufgabe falsche Agentenarchitektur geschraubt.
Der einfache Reflexagent
Der grundlegendste Baustein. Er läuft auf einer direkten „Wenn-Dann”-Regel: Die Wahrnehmung löst eine Bedingung aus, die Bedingung löst eine Aktion aus. Keine Historie, kein Weltmodell. WENN der Temperatursensor über 22 Grad misst, DANN Heizung aus, unabhängig davon, wie der Raum dorthin kam.
Seine Stärken sind Geschwindigkeit, Einfachheit, Vorhersagbarkeit und geringer Rechenbedarf. Seine Schwäche: Er ist blind für Kontext und für die Vergangenheit. Setzen Sie ihn in eine nur teilweise beobachtbare Umgebung, in der die Sensoren nicht die ganze Geschichte erzählen, und er ist hilflos. Er kann auch nicht auf einen zukünftigen Zustand hinarbeiten. Er passt zu stabilen, vollständig beobachtbaren Umgebungen mit sauberer Ursache-Wirkung: Thermostate, einfache Spam-Filter, mechanische Sicherheitsabschaltungen.
Der modellbasierte Reflexagent
Wenn die Umgebung nicht vollständig sichtbar ist, versagt der einfache Agent. Der modellbasierte Agent fügt das fehlende Teil hinzu: ein internes Weltmodell, das festhält, was er nicht direkt sehen kann. Dieses Modell ist eine Repräsentation davon, wie sich die Welt über die Zeit verändert und wie die eigenen Aktionen des Agenten sie bewegen.
Sein Zyklus erweitert den einfachen: wahrnehmen, das Weltmodell aktualisieren, den aktuellen Zustand gegen das Modell abgleichen, eine Regel anwenden, handeln. Das Modell erlaubt ihm, identische Wahrnehmungen nach Kontext zu unterscheiden. Sieht er eine geschlossene Tür, weiß er, ob er sie selbst geschlossen hat oder ob sie schon länger zu ist. Das ist das Auftauchen von internem Zustand und Gedächtnis, ein echter Schritt hin zu flexiblem Verhalten in unvollständigen, fragmentarischen Umgebungen. Ein Saugroboter, der einen Raum kartiert, damit er nicht dieselbe Stelle zweimal reinigt, führt eine einfache Version davon aus.
Der zielbasierte Agent
Modellbasierte Agenten reagieren noch immer auf die Gegenwart. Zielbasierte Agenten nutzen ihr Weltmodell, um die Zukunft gegen ein definiertes Ziel zu planen und zu simulieren, die Beschreibung eines gewünschten Zustands („Bestellung gepackt”, „Kunde hat die richtige Antwort bekommen”). Die Aktion wird zum Mittel, nicht zum Zweck.
Sein Zyklus: wahrnehmen, das Modell aktualisieren, das Ziel analysieren, mögliche Pfade durchsuchen, die Aktion auswählen. Er simuliert Abfolgen („was passiert, wenn ich A und dann B tue?”) und wählt den Pfad, von dem er annimmt, dass er dem Ziel am nächsten kommt. Das führt die Idee des Nutzens (Utility) ein, denn nicht alle Pfade sind gleich gut. Das macht ihn weit flexibler: Dieselbe Architektur kann verschiedene Ziele verfolgen, indem man sie einfach neu definiert, ohne Regeln neu zu schreiben. Der Preis ist allerdings real, sowohl in der Rechenleistung zum Durchsuchen des Zustandsraums als auch in der Disziplin, das Ziel und seine Erfolgsmetriken präzise zu definieren. Nach unserer Erfahrung ist genau das der Punkt, an dem komplexe Projekte, oft aus Teams von LLM-Agenten gebaut, in Orchestrierungs- und Observability-Probleme laufen, dieselben Probleme, die so viele von ihnen aus der Produktion fernhalten.
Was sind nutzenbasierte und lernende Agenten?
Das Spektrum reicht noch weiter:
- Nutzenbasierte Agenten erweitern den zielbasierten Typ. Wenn mehrere Pfade das Ziel erreichen, geben sie sich nicht mit irgendeiner Lösung zufrieden, sie bewerten Endzustände mit einer Nutzenfunktion und wählen den optimalen, was bessere Entscheidungen unter Unsicherheit möglich macht.
- Lernende Agenten fügen jedem der obigen eine Lernschleife hinzu: einen Kritiker, der die Leistung gegen Feedback bewertet, ein Lernelement, das Regeln, Modell oder Nutzenfunktion aktualisiert, und ein Explorationselement, das neue Aktionen auf der Suche nach besseren Ergebnissen ausprobiert. Das ist die Grundlage des modernen Machine Learning und des Deep Reinforcement Learning.
Wo laufen diese Agenten tatsächlich?
Die Theorie taucht in Systemen auf, die Menschen jeden Tag berühren:
- Einfacher Reflex: automatische Türen, einfache PID-Regler, Alerts wie „wenn die CPU-Auslastung 95 % erreicht, sende eine E-Mail”.
- Modellbasierter Reflex: die meisten Spiel-NPCs (sie verfolgen einen Spieler, den sie gelegentlich aus den Augen verlieren), einfache ortsbezogene Navigation.
- Ziel- und nutzenbasiert: das Herz fortgeschrittener Systeme. Autonome Fahrzeuge (Ziel: sicher von A nach B kommen), E-Commerce-Empfehlungssysteme (Ziel: den erwarteten Bestellwert maximieren) und die Assistenten, die eine komplexe Anfrage in eine Folge von Schritten zerlegen (Ziel: eine vollständige Antwort liefern). In genau diesen LLM-basierten Systemen wird die Lücke zwischen Prototyp und Produktion sichtbar, jene, auf die die Benchmarks und Gartner immer wieder zeigen.
Was bringen unsere AI-Teams zum 40-%-Problem mit?
Die Typen zu kennen ist die Grundvoraussetzung. Sie in ein stabiles, beobachtbares, wartbares Produktionssystem zu verwandeln ist eine andere Disziplin, und es ist die, die entscheidet, auf welcher Seite von Gartners 40 % ein Projekt landet. Das ist die Arbeit, die unsere AI-Engineers täglich leisten:
- Architektur passend zu PEAS. Unsere Engineers greifen nicht zum zielbasierten, LLM-getriebenen Agenten, weil er gerade in Mode ist. Sie mappen zuerst Ihr PEAS und wählen dann den einfachsten Agententyp, der die Latte überspringt, von einer Reflexregel bis zum vollen nutzenbasierten Planer. Over-Engineering scheitert genauso zuverlässig wie Under-Engineering.
- Orchestrierung, die unter Last hält. Der Fehlermodus in agentischen Projekten ist selten ein einzelner Agent, es ist die Koordination zwischen ihnen. Wir designen die Übergaben, Guardrails und Fallbacks, die Multi-Agenten-Workflows kohärent halten, wenn echter Traffic auftrifft.
- Observability ab Tag eins. Man kann nicht reparieren, was man nicht sieht. Wir bauen Tracing, Evaluation und Monitoring über den gesamten Agentenlebenszyklus ein, damit das Verhalten lesbar bleibt und nicht in dem Moment zur Blackbox wird, in dem es live geht.
- Produktionsmuster, hart erlernt. Retries, Kostenkontrolle, Halluzinations-Grounding, menschliche Prüfung an den richtigen Checkpoints. Das sind die Muster, die eine überzeugende Demo von einem System trennen, das ein reguliertes Unternehmen wirklich betreiben kann, und wir haben sie, weil wir sie in Produktion gebracht haben.
Genau hier verändert AI auch die Gestalt des Teams, nicht die des Dienstleisters. Eine kleine, erfahrene Gruppe unserer Engineers, verstärkt durch AI-Agenten, die das Volumen übernehmen, liefert den Output eines viel größeren klassischen Teams, und das schneller, weil die Menschen in der Schleife bereits wissen, welche Architektur den Kontakt mit der Produktion übersteht.
Wie holen Sie sich diese Fähigkeit ins Haus?
Der schnellste Weg an den 40 % vorbei ist nicht die nächste Framework-Evaluierung, es sind Menschen, die diese Entscheidungen bereits getroffen haben. Wir docken auf zwei Wegen an:
- Ein dediziertes AI-Team, das einen agentischen Build End-to-End verantwortet, von PEAS über Orchestrierung und Observability bis zur Produktion.
- Staff Augmentation, bei der wir einen erfahrenen ML- oder AI-Engineer in Ihr bestehendes Team einbringen, um die Architekturentscheidungen zu treffen, die das Projekt lieferfähig halten.
Den richtigen Agententyp zu wählen ist keine akademische Übung. Es ist die Engineering-Entscheidung, die am stärksten prägt, ob Ihr Projekt jemals die Produktion erreicht. Wenn Sie lieber aus Projekten lernen, die wir bereits geliefert haben, als aus denen in Gartners 40 %, ist genau das, was unsere Teams anbieten.
Holen Sie sich ein Team von Experten, verstärkt durch AI → /services/team-augmentation