Agentic AI
Definition, Funktionsweise und Anwendungsfälle im Kundenservice
Definition
Agentic AI bezeichnet KI-Systeme, die ein Ziel eigenständig planen, dafür notwendige Zwischenschritte ableiten und externe Werkzeuge (APIs, Datenbanken, Formulare) ausführen — ohne dass ein Mensch jeden Schritt freigeben muss. Im Unterschied zu klassischen Chatbots reagieren Agentic-AI-Systeme nicht nur auf einzelne Eingaben, sondern handeln proaktiv über mehrere Schritte hinweg, bis die Aufgabe abgeschlossen ist.
Agentic AI sind KI-Systeme, die Ziele eigenständig planen und ausführen — ohne menschliche Freigabe pro Schritt. Anders als klassische Chatbots reagieren sie nicht nur, sondern handeln: Sie rufen externe Systeme auf, halten Kontext und lösen mehrstufige Aufgaben vollständig ab. Im Kundenservice automatisieren Agentic-AI-Systeme Standardprozesse wie Bestellstatus, Retouren und Passwort-Reset vollständig — und übergeben komplexe Fälle mit vollem Kontext an menschliche Agenten.
Wie funktioniert Agentic AI?
Agentic-AI-Systeme bestehen aus vier Kernkomponenten. Erst das Zusammenspiel aller vier macht ein System zu einem echten Agent — ein LLM allein reicht nicht.
1. Large Language Model (LLM)
Ein Sprachmodell wie GPT-4o, Mistral oder Llama versteht den Kontext einer Anfrage, interpretiert das Ziel und formuliert einen Lösungsplan in natürlicher Sprache. Das LLM allein ist passiv — es antwortet, handelt aber nicht.
2. Tool Use
Tool Use gibt dem Modell die Fähigkeit, externe Systeme anzusprechen: Datenbanken abfragen, Bestellstatus aus Xentral oder JTL abrufen, Tickets in Zendesk anlegen, Retouren über returnless abwickeln, Formulare befüllen, E-Mails versenden. Erst durch Tool Use wird aus einem Sprachmodell ein handelnder Agent.
3. Memory (RAG)
Memory ermöglicht Kontext über mehrere Schritte hinweg — als Kurzzeitgedächtnis innerhalb eines Gesprächs oder als Langzeitgedächtnis über eine Vektordatenbank. Retrieval-Augmented Generation (RAG) verhindert zudem Halluzinationen, weil das Modell ausschließlich auf verifizierte Wissensdaten zugreift.
4. Planning
Planning ist der eigentliche Kern: Das System zerlegt ein übergeordnetes Ziel in Teilschritte, entscheidet selbst, welches Werkzeug in welcher Reihenfolge eingesetzt wird, und korrigiert den Plan bei Fehlern — ohne manuelle Eingriffe.
Ein konkretes Beispiel aus dem E-Commerce-Kundenservice: Ein Kunde schreibt „Ich möchte mein Paket zurücksenden." Ein Agentic-AI-System prüft eigenständig den Bestellstatus, erstellt das Retourenlabel, sendet es per E-Mail und schließt das Ticket in Zendesk — in einem Durchgang, ohne menschliche Freigabe pro Schritt.
Agentic AI vs. klassischer Chatbot vs. RPA vs. Conversational AI
Die vier Begriffe werden im Markt häufig synonym verwendet. Das ist irreführend — die Unterschiede sind technisch und kaufentscheidend.
Ein regelbasierter Chatbot folgt festen Entscheidungsbäumen und versteht Sprache nur begrenzt. Er kann keine externen Systeme aufrufen, kein Kontextgedächtnis aufbauen und keine mehrstufigen Aufgaben lösen. Sein Einsatzgebiet sind einfache FAQ-Antworten und Öffnungszeiten — alles, was kein Handeln erfordert.
Conversational AI geht einen Schritt weiter: Sie versteht natürliche Sprache und führt echte Dialoge. Sie kann innerhalb einer Session Kontext halten und begrenzt externe Systeme ansprechen. Der Kernunterschied zu Agentic AI ist jedoch, dass Conversational AI kein eigenständiges Planning betreibt — sie reagiert, plant aber nicht. Was Conversational AI im Detail bedeutet, erklärt der Artikel Conversational AI — wie menschlich können Maschinen sein?
RPA (Robotic Process Automation) automatisiert starre, regelbasierte Prozesse — etwa das Ausfüllen von Formularen nach einem festen Schema. RPA kann externe Systeme aufrufen, arbeitet aber ohne Sprachverständnis und ohne Kontextgedächtnis. Sobald sich ein Eingabefeld ändert oder eine Ausnahme auftritt, bricht RPA ab. Agentic AI hingegen interpretiert variablen Kontext, trifft Entscheidungen und passt den Plan an. Beide Technologien ergänzen sich in der Praxis — sie sind aber keine Substitute.
Agentic AI vereint alle Fähigkeiten: Sie versteht Sprache, ruft externe Systeme auf, behält Kontext über mehrere Schritte hinweg und löst vollständige Aufgaben eigenständig — auch dann, wenn Ausnahmen auftreten. Der EU AI Act (Verordnung 2024/1689) ist für Agentic-AI-Systeme im Kundenservice in jedem Fall relevant: Nutzer müssen erkennen können, dass sie mit einem KI-System interagieren (Art. 52).
Anwendungsfälle im Kundenservice
Agentic AI eignet sich für alle Anfragen, die aus mehreren definierten Schritten bestehen und klaren Regeln folgen. Im Kundenservice sind das vor allem wiederkehrende Standardprozesse mit Backend-Anbindung.
Bestellstatus und VersandauskunftDer Agent ruft Echtzeit-Daten aus dem ERP-System ab — etwa über Xentral oder JTL — und antwortet direkt, ohne dass ein Mitarbeitender die Bestellung nachschlagen muss.
RetourenabwicklungVon der Prüfung der Rückgabefrist über die Erstellung des Labels bis zur Buchung im System übernimmt der Agent die komplette Prozesskette — direkt über native Integrationen wie returnless oder Loop Returns.
Passwort-Reset und KontozugangIdentitätsprüfung, Reset-Link-Versand und Bestätigungsmail laufen vollautomatisch ohne manuellen Eingriff.
First-Level-Support mit Helpdesk-ÜbergabeStandardanfragen werden vollständig bearbeitet; komplexe Fälle werden mit vollständigem Gesprächskontext an einen menschlichen Agenten übergeben. Anbieter wie melibo, die native Konnektoren zu Zendesk, GREYHOUND und Zammad mitbringen, ermöglichen diese Übergabe ohne manuelle Datenpflege oder Middleware.
Auftragsstatus-Auskunft im B2BIm B2B-Kundenservice fragen Einkäufer häufig nach Lieferterminen, Teillieferungen oder Rechnungsstatus. Ein Agentic-AI-System mit ERP-Anbindung beantwortet diese Anfragen direkt aus dem System — ohne Wartezeit auf einen Sachbearbeiter.
Laut Gartner „Conversational AI in Customer Service" 2025 werden bis 2026 rund 40 % aller eingehenden Kundenservice-Tickets in geeigneten Branchen vollständig durch Agentic-AI-Systeme bearbeitet. Weitere 20–25 % lassen sich durch Agent Assist beschleunigen — bei dem der Mensch die letzte Entscheidung trifft.
Grenzen und Risiken von Agentic AI
Agentic AI ist kein Allheilmittel. Drei Einschränkungen solltest du kennen, bevor du in ein System investierst.
Scope-BegrenzungAgentic-AI-Systeme sind so gut wie die Werkzeuge und Daten, auf die sie zugreifen können. Fehlen native Integrationen zu Shop- oder ERP-Systemen, entstehen manuelle Lücken im Prozess — der Agent kann nicht handeln, was er nicht sehen kann. Eine Übersicht aller verfügbaren Anbindungen bietet die melibo Integrationsseite.
HalluzinationsrisikoOhne RAG-Architektur kann das zugrundeliegende LLM Informationen erfinden. Für produktionstaugliche Kundenservice-Deployments sind nur Systeme mit gesichertem Wissenszugriff geeignet.
Regulatorische AnforderungenDer EU AI Act (Verordnung 2024/1689) schreibt seit 2025 vor, dass Nutzer erkennen müssen, wenn sie mit einem KI-System interagieren (Art. 52). Für DACH-Unternehmen greift zusätzlich die DSGVO: Personenbezogene Daten dürfen nur auf Basis eines Auftragsverarbeitungsvertrags (AVV) verarbeitet werden. Was beim DSGVO-konformen Einsatz zu beachten ist, erklärt der Artikel Wie du Chatbots im Unternehmen DSGVO-konform einsetzen kannst.
Fazit
Agentic AI grenzt sich klar von Chatbots, Conversational AI und RPA ab — der Unterschied liegt nicht in der Sprache, sondern in der Handlungsfähigkeit. Die Technologie ist reif, die Integrationen sind verfügbar, die regulatorischen Anforderungen durch DSGVO und EU AI Act sind erfüllbar. Wer anfangen will, findet einen strukturierten Einstieg im Artikel AI Agents im Service: Wie sie Prozesse verändern — und wie du startest.
