Was ist ein KI-Agent?

Ein KI-Agent arbeitet in einem kontinuierlichen Zyklus: Er erfasst den Status einer Aufgabe, leitet daraus ihre Bedeutung ab, plant eine Abfolge von Aktionen und führt diese über Tools aus, die mit realen Systemen verbunden sind. All dies dient dazu, die Wahrscheinlichkeit zu maximieren, ein von einem Menschen vorgegebenes Ziel zu erreichen. ISO (2021) definiert einen AI Agent als einen Agenten, der mithilfe von Techniken der künstlichen Intelligenz die Wahrscheinlichkeit maximieren soll, seine Ziele erfolgreich zu erreichen. Diese Definition geht über einfache Automatisierung hinaus: Der Agent entscheidet, welche Schritte in welcher Reihenfolge auszuführen sind, statt eine einzelne festgelegte Ausgabe zu erzeugen. In anbieterseitigen Bid-Teams erstreckt sich diese Entscheidungsfindung über die Dokumentenannahme, die Extraktion von Anforderungen, die Ausarbeitung und die Weiterleitung, nicht nur über einen einzelnen Austausch von Fragen und Antworten.

Der Kontrollzyklus des KI-Agenten und seine Grenzen

Die Wahrnehmen-Denken-Planen-Handeln-Reflektieren-Schleife

Das Verhalten eines KI-Agenten lässt sich am besten als wiederkehrender Zyklus verstehen, nicht als einzelner Inferenzschritt. Er erfasst den aktuellen Stand einer Aufgabe, leitet daraus die Anforderungen ab, plant die nächste Aktion, führt sie durch den Aufruf eines Tools oder Systems aus und bewertet anschließend das Ergebnis. Erst dann entscheidet er, ob er fortfährt, den Kurs anpasst oder den Vorgang beendet.

Jeder Durchlauf der Schleife aktualisiert das Arbeitsbild des KI-Agent von der Aufgabe. Dadurch berücksichtigen spätere Aktionen die Ergebnisse früherer Aktionen. So kann ein KI-Agent ein Dokument mit unerwarteter Struktur oder eine Frage ohne genaue Entsprechung in früheren Antworten bearbeiten, statt vollständig zu scheitern.

Die Schleife ist zugleich der Punkt, an dem sich Fehler fortpflanzen. Wenn ein Schlussfolgerungsschritt eine Anforderung falsch interpretiert, übernimmt jede nachfolgende Aktion diesen Fehler, bis ein menschlicher Prüfer oder eine Validierungsregel ihn erkennt. Deshalb sind die Reflexionsphase und menschliche Kontrollpunkte ebenso wichtig wie die Planungsphase.

Begrenzte Autonomie statt uneingeschränkter Unabhängigkeit

Die Autonomie eines AI Agent ist an Bedingungen geknüpft und nicht unbegrenzt. NIST (2024) betrachtet AI Agent als Teil von agentic AI: Systeme, die innerhalb des ihnen vorgegebenen Rahmens eigenständig Entscheidungen treffen, aus Interaktionen lernen und sich an veränderte Umgebungen anpassen können, nicht Systeme, die ihre eigenen Ziele festlegen.

In der Praxis wird dieser Handlungsspielraum durch die Tools bestimmt, die ein Agent aufrufen darf, durch die Prompts, die seine Aufgabe eingrenzen, und durch explizite Abbruchregeln, die an festgelegten Punkten eine Übergabe an einen Menschen erzwingen. Ein Agent für Ausschreibungsantworten darf beispielsweise eine Antwort entwerfen und auf eine Compliance-Lücke hinweisen, aber weder ein Angebot abgeben noch Preiszusagen machen.

Diese Unterscheidung ist wichtig, weil sie das häufigste Missverständnis des Begriffs korrigiert. Wenn sich ein Agent außerhalb der vorgesehenen Grenzen unvorhersehbar verhält, zeigt er damit nicht mehr Autonomie. Es ist vielmehr ein Zeichen dafür, dass die Grenzen nicht eng genug definiert wurden. Abhilfe schaffen ein stärker eingeschränkter Zugriff auf Tools oder strengere Abbruchbedingungen, nicht weniger AI.

KI-Agent versus Chatbot

Ein KI-Agent unterscheidet sich von einem Chatbot durch seine Aufgabe: Ein Chatbot führt Gespräche und gibt Antworten, während ein Agent mehrstufige Aufgaben systemübergreifend plant und ausführt. Ein Chatbot, der eine Frage zur Frist einer Ausschreibung beantwortet, reagiert lediglich. Ein Agent, der dieselbe Frist anhand eines Abgabeplans überwacht und auf Verzögerungen hinweist, handelt zielgerichtet.

Der Mechanismus hinter diesem Unterschied ist die Nutzung von Tools. Die Ausgabe eines Chatbots ist in der Regel Text, der an einen Nutzer zurückgegeben wird. Die Ausgabe eines Agenten ist dagegen häufig eine Aktion: Ein Dokument wird aktualisiert, ein Datensatz erstellt oder eine Aufgabe an einen Prüfer weitergeleitet. Text ist dabei nur eine von mehreren Komponenten.

Die praktische Konsequenz für bid-Teams: Agentenbasierte Tools erfordern eine engmaschigere Governance als Chatbot-basierte Tools, da ihre Ausgaben den Status eines Workflows verändern, statt lediglich eine Person am Bildschirm zu informieren.

Ursprung des Begriffs

Von der Ökonomie und AI-Forschung zu Standards

Der Begriff „Agent“ stammt aus der frühen Literatur zu künstlicher Intelligenz und Wirtschaftswissenschaften. Dort bezeichnet er eine Entität, die im Auftrag eines Prinzipals handelt, um innerhalb einer Umgebung Ziele zu verfolgen. Diese Verwendung ist älter als jede AI-spezifische Bedeutung und prägt bis heute, wie der Begriff verwendet wird.

Die Definition der ISO spiegelt diesen länger etablierten Sprachgebrauch wider und verwendet den Zusatz „AI“ für Agenten, die Techniken der künstlichen Intelligenz einsetzen, um ihre Ziele zu verfolgen. Mitte der 2020er-Jahre etablierten Politik und Forschung „agentic AI“ als Oberbegriff für teilautonome oder vollständig autonome Systeme. In der Wirtschaft setzte sich „AI agent“ für praktische Systeme durch, die planen, Werkzeuge nutzen und innerhalb geschäftlicher Abläufe wie der Angebotserstellung und der Bearbeitung von Ausschreibungen handeln.

Für bid teams, die Tools bewerten, ist diese Entwicklungsgeschichte relevant, da Anbieter den Begriff „AI agent“ unscharf verwenden. Ein System, das lediglich ein Dokument zusammenfasst, ist kein Agent im Sinne der Normungsorganisationen. Ein System, das Anforderungen extrahiert, Antworten entwirft und sie zur Freigabe weiterleitet, kommt dieser Definition näher.

KI-Agenten in bid-, Ausschreibungs- und Angebotsprozessen

Agenten für Ausschreibungsantworten

Ein KI-Agent für Ausschreibungsantworten liest die Ausschreibungsunterlagen, überführt die Anforderungen in eine strukturierte Matrix, ruft passende Antworten aus einer Wissensdatenbank mit früheren Angeboten ab und erstellt erste Antwortentwürfe im Stil des Unternehmens. Zudem kennzeichnet er Lücken anhand von No-go-Kriterien und überwacht Abgabefristen, während Menschen die Antworten prüfen, bearbeiten und freigeben.

Der Mechanismus kombiniert die Dokumentenanalyse mit dem Abruf von Inhalten: Der Agent gleicht jede extrahierte Anforderung mit freigegebenen Inhalten ab, statt eine Antwort allein auf Basis allgemeinen Wissens zu generieren. So lässt sich jeder Antwortentwurf anhand von Quellenangaben bis zum Quelldokument zurückverfolgen.

Die Einschränkung besteht darin, dass die Qualität der Zuordnung vollständig von der zugrunde liegenden Wissensbasis abhängt. Ein Agent, der mit veralteten oder unvollständigen Inhalten arbeitet, erstellt überzeugend klingende, aber falsche Entwürfe. Deshalb sind Prüfpunkte fester Bestandteil des Workflows und nicht optional.

Agenten für die Dokumentenverarbeitung

Ein KI-Agent für die Dokumentenverarbeitung erfasst Dokumente wie PDFs, E-Mails, Scans, Ausschreibungen, Rechnungen und Verträge, versteht deren Inhalt und Kontext und extrahiert strukturierte Daten. Anschließend validiert er diese Daten anhand von Geschäftsregeln und führt kontrollierte Aktionen in nachgelagerten Systemen aus. Bei weitreichenden Folgen oder Unklarheiten ist eine menschliche Freigabe erforderlich.

Der Mechanismus trennt die Extraktion von der Aktion: Der Agent wandelt zunächst unstrukturierten Text in strukturierte Felder um und prüft diese anschließend anhand von Regeln, bevor Daten in ein nachgelagertes System geschrieben werden. Dieser schrittweise Ansatz begrenzt mögliche Schäden durch ein falsch ausgelesenes Feld.

Ein konkretes Beispiel ist ein Ausschreibungspaket mit unterschiedlichen Formaten: ein gescannter technischer Anhang, ein Preisblatt im nativen Format und ein per E-Mail versandter Nachtrag. Ein Agent zur Dokumentenverarbeitung führt alle drei zu einem einheitlichen Anforderungskatalog zusammen, noch bevor ein bid team sie öffnet.

Teamübergreifende Prüfung und Freigabesteuerung

Bei funktionsübergreifender bid- und Angebotserstellung analysiert ein KI-Agent die eingehende RFP oder das bid-Paket, extrahiert Anforderungen, Fristen und Einschränkungen und ruft genehmigte Referenzen und Textbausteine ab, die für die Opportunity relevant sind. Anschließend entwirft er Responses auf Grundlage aktueller Projektdateien.

Der Agent leitet diese Entwürfe nacheinander zur Prüfung an Kalkulation, Betrieb, Arbeitssicherheit, Rechtsabteilung und Geschäftsleitung weiter. Sobald alle Bereiche ihre Freigabe erteilt haben, fügt er die genehmigten Inhalte in einer Vorlage im Corporate Design zusammen. Dies entspricht der Art, wie bid teams ihre Prüfzyklen bereits strukturieren. Der Agent automatisiert die Zusammenstellung und Nachverfolgung, statt die prüfenden Personen zu ersetzen.

Dadurch bleibt die Verantwortung für die Inhalte genauso verteilt wie bei einem manuellen Prozess. Die Rechtsabteilung bleibt für rechtliche Formulierungen verantwortlich und die Kalkulation für die Preisgestaltung. Der Agent leitet Entwürfe schneller zwischen ihnen weiter und dokumentiert, wer was genehmigt hat.

Verhalten von Agenten steuern

AI-Audit-Trails

Ein AI-Audit-Trail für einen Agenten erfasst mehr als Ein- und Ausgaben. Er dokumentiert die Identität des Agenten und etwaiger übergeordneter Agenten, den Auslöser jeder Aktion, jeden Tool- und Systemaufruf mit den jeweiligen Ein- und Ausgaben sowie die zugrunde liegende Entscheidungskette. Datenzugriffe, Richtlinienprüfungen zur Laufzeit, ausgeführte Aktionen, nachgelagerte Auswirkungen und menschliche Eingriffe gehören in dasselbe Protokoll.

Dieser Detaillierungsgrad ist erforderlich, weil die Aktionen eines Agenten, anders als ein statischer Bericht, den Zustand eines Systems verändern: Ein Dokument wird aktualisiert, eine Aufgabe wird erstellt, ein Entwurf wird zur Prüfung eingereicht. Um nachzuvollziehen, warum dies geschehen ist, braucht es die vollständige Kette und nicht nur die endgültige Ausgabe.

Für bid teams ist dies besonders wichtig, wenn ein Kunde oder eine Aufsichtsbehörde eine abgegebene Antwort später beanstandet oder prüft. Ein Protokoll, aus dem hervorgeht, welches Quelldokument eine bestimmte Antwort stützte und wer sie freigegeben hat, macht die Antwort im Nachhinein nachvollziehbar und begründbar.

Human-in-the-Loop-Aufsicht

Human-in-the-loop-Governance belässt die Entscheidungsbefugnis über risikoreiche Aktionen von Agenten bei geschulten Personen. An kritischen Punkten im Workflow verfügen sie über den jeweils aktuellen Kontext, eine ausdrückliche Eingriffsbefugnis und eine dokumentierte Begründung. Das unterscheidet sich von der nachträglichen Überwachung eines Agenten: Der Mensch ist Teil der Entscheidung und steht nicht außerhalb davon.

In einem bid-Workflow greift diese Entscheidungsbefugnis an Punkten, an denen sich ein Fehler nur mit hohem Aufwand rückgängig machen lässt: bei der Preisfreigabe, einer vertraglichen Verpflichtung oder einer Compliance-Erklärung. Der Agent kann einen Entwurf erstellen oder eine Empfehlung abgeben. Bevor die Aktion wirksam wird, verlangt das System jedoch die Freigabe durch eine namentlich benannte Person.

Ein praktisches Beispiel ist eine Preisklausel, die ein Agent auf Grundlage der Preisliste eines früheren Projekts entwirft. Bevor diese Klausel in ein Angebot aufgenommen wird, gleicht ein Preisverantwortlicher sie mit den aktuellen Margen ab. Diesen Schritt kann auch ein noch so zuverlässiger Agent nicht ersetzen.

Akzeptanz, Wirkung und Realität im Produktivbetrieb

Akzeptanz und gemessener Nutzen

KI-Agenten sind längst über Pilotprojekte hinaus. Umfragedaten zeigen, dass 79% der Führungskräfte angeben, KI-Agenten würden in ihren Unternehmen bereits eingesetzt. Unter den Anwendern berichten 66%, dass die Technologie durch höhere Produktivität einen messbaren Mehrwert schafft.

Diese Zahlen beziehen sich allgemein auf agentische Systeme in verschiedenen Unternehmensfunktionen, nicht speziell auf die Arbeit an bids und Angeboten. Der Verbreitungsgrad in Ausschreibungsprozessen ist daher eher als Tendenz denn als exakter Wert zu verstehen.

Für einen Bid-Verantwortlichen, der einen Business Case bewertet, ist nicht entscheidend, ob Agenten grundsätzlich funktionieren, denn das zeigen die Akzeptanzzahlen. Entscheidend ist vielmehr, ob der konkrete Workflow, der automatisiert werden soll, den dokumentenintensiven, regelbasierten Prozessen ähnelt, für die tatsächlich ein messbarer Nutzen belegt wurde.

Prototyp versus Produktion

Ein funktionsfähiger Prototyp eines KI-Agenten lässt sich in kurzer Zeit entwickeln. Ihn für den Produktivbetrieb zuverlässig zu machen, dauert jedoch erheblich länger. Darin sind sich Fachleute einig: Erst die monatelange Arbeit an der Behandlung von Sonderfällen, Wiederholungslogik, Schutzmechanismen, Abbruchkriterien und dem Orchestrierungsdesign macht aus einer Demo ein System, auf das sich ein Bid-Team verlassen kann.

Die Lücke in der Funktionsweise betrifft vor allem die Fehlerbehandlung und weniger das zugrunde liegende Modell. Ein Prototyp berücksichtigt selten eine fehlerhafte PDF-Datei, einen Tool-Aufruf mit Zeitüberschreitung oder eine Anforderung, die einer früheren Anforderung im selben Dokument widerspricht. Ein produktiv eingesetzter Agent muss alle drei Fälle erkennen und an einen Menschen weiterleiten, statt stillschweigend Annahmen zu treffen.

Die praktische Konsequenz: Zeitpläne für die Einführung eines Agenten zur Angebotserstellung sollten sich an diesen Maßnahmen zur Absicherung orientieren, nicht an der Leistung einer ersten Demo. Diese vermittelt oft den Eindruck, ein System sei näher am zuverlässigen Einsatz, als es tatsächlich ist.

Häufige Missverständnisse

Das hartnäckigste Missverständnis ist, dass KI-Agenten ihre Ziele selbst festlegen und uneingeschränkt eigenständig handeln. In der Praxis arbeitet ein Agent als bedingte Automatisierung. Seine Grenzen werden durch die verfügbaren Tools, die Prompts zur Definition seiner Aufgabe und explizite Abbruchregeln bestimmt, die die Kontrolle wieder an einen Menschen übergeben.

Ein zweites Missverständnis besteht darin, einen KI-Agent lediglich als fortschrittlicheren Chatbot zu betrachten. Das entscheidende Merkmal ist nicht die Qualität der Konversation, sondern die Fähigkeit, unter klaren Governance-Vorgaben mehrstufige Aktionen über verschiedene Geschäftssysteme hinweg zu planen und auszuführen. So verändert er einen Workflow, statt nur Text auf einem Bildschirm zu erzeugen.

Ein drittes Missverständnis besteht darin, dass sich ein zuverlässiger Agent für bids oder Ausschreibungen nach einer kurzen Prototypenphase bereitstellen lässt. Die Produktionsreife erfordert kontinuierliche Arbeit an Sonderfällen, Audit-Protokollierung und operativer Überwachung. Das dauert in der Regel länger als die Entwicklung der ersten Version, die das Konzept demonstriert.