Was ist ein KI-Agent?

Die eine Frage, die einen Agenten von einem Chatbot unterscheidet

Wer entscheidet, was als Nächstes passiert?

Bei einem Chatbot niemand. Du sendest eine Nachricht, das Modell erzeugt eine Antwort, und die Runde ist vorbei. Braucht die Antwort eine Nachfrage, schreibst du sie selbst. Das Modell handelt nie in der Welt, es schreibt nur Text.

Bei einem Agenten entscheidet das Modell. Mit einem Ziel vor Augen wählt es eine Aktion, etwa das Web durchsuchen, ein Stück Code ausführen, eine Seite öffnen oder eine Datei bearbeiten, erhält das Ergebnis als Text zurück, liest es und wählt die nächste Aktion. Es macht so lange weiter, bis es das Ziel für erreicht hält oder eine Schrittgrenze es stoppt. Das Modell ist der Steuerer der Schleife.

Anthropics technischer Leitfaden "Building effective agents", veröffentlicht im Dezember 2024, zieht die Grenze genau dort: Workflows sind Systeme, in denen das Modell innerhalb von Code läuft, der den Ablauf festlegt, und Agenten sind Systeme, in denen das Modell seinen eigenen Prozess und Tool-Einsatz steuert. Dieser Leitfaden ist auch unmissverständlich, was zuerst gebaut werden sollte, und seine Antwort lautet: der Workflow.

Chatbot, Workflow, Agent: dasselbe Modell, drei verschiedene Schleifen

Alle drei können auf demselben Sprachmodell laufen. Was sich unterscheidet, ist das, was drumherum liegt.

Die Workflow-Spalte ist dort, wo die meiste nützliche Automatisierung lebt. Eine Pipeline, die ein Dokument zusammenfasst, dann die Daten extrahiert und dann eine Antwort entwirft, sind drei Modellaufrufe in fester Reihenfolge. Sie ist zuverlässig, weil der Entwickler den Ablauf festgelegt hat. Sie ist kein Agent, egal was die Landingpage behauptet, und sie so zu nennen verschleiert den eigentlichen Kompromiss: Ein fester Ablauf ist vorhersehbar und günstig, ein vom Modell gewählter Ablauf ist flexibel und keins von beidem.

Wie die Schleife Schritt für Schritt aussieht

Ein konkreter Durchlauf. Das Ziel: "Finde heraus, ob unser Konkurrent diesen Monat seine Preise geändert hat, und schreib mir eine Zusammenfassung in zwei Absätzen."

1. Das Modell liest das Ziel und entscheidet die erste Aktion: eine Websuche nach der Preisseite des Konkurrenten.
2. Das Suchtool liefert eine Liste von Ergebnissen als Text zurück. Das Modell liest sie und wählt eines zum Öffnen aus.
3. Das Browser-Tool liefert die Seite. Das Modell extrahiert die aktuellen Preise.
4. Das Modell entscheidet, dass es die alten Preise braucht, sucht nach einer archivierten Kopie und öffnet sie.
5. Es vergleicht beide, urteilt, dass genug vorliegt, und schreibt die Zusammenfassung.

Fünf Schritte, vier Tool-Aufrufe, sechs Modellaufrufe. Jeder Schritt ist eine vollständige Antwort des Modells, mit der gesamten bisherigen Historie als Eingabe. Genau dieses Detail treibt die Kosten: Bei Schritt fünf liest das Modell bei jedem Aufruf schon vier Seiten Suchergebnisse und Seitentext erneut. Was sind Tokens in der KI erklärt, warum eine mit jeder Runde wachsende Eingabe die teure Form ist.

Und jeder Schritt ist eine Stelle, an der etwas schiefgehen kann. Liefert die Suche in Schritt 1 das falsche Unternehmen, fassen die Schritte 2 bis 5 selbstsicher die falschen Preise zusammen. Die Schleife verstärkt Fehler auf dieselbe Weise, wie sie Fortschritt verstärkt. Eine Schrittgrenze und ein menschlicher Kontrollpunkt, bevor irgendetwas verschickt wird, sind nicht optional.

Was ein Agentenlauf im Vergleich zu einer einzelnen Antwort kostet

Die Rechnung ist einfach, und trotzdem überspringen sie viele. Eine Standardantwort, 1.000 Tokens rein und 500 raus, hat pro Modell einen Listenpreis im KI-Modell-Kostenindex, mit OpenRouter-Preisen abgerufen am 2026-08-20. Ein Agentenlauf mit 20 Schritten entspricht mindestens 20 solchen Antworten, in der Praxis mehr, weil die Eingabe mit jedem Schritt wächst.

Zwanzig Schritte auf Claude Sonnet 5 kosten $0.14 zum Mindestpreis, gegenüber $0.007 für eine einzelne Antwort; auf Claude Opus 5 sind es $0.35, und läuft das jede Stunde, sind das etwa $250 im Monat, noch vor dem Multiplikator durch die wachsende Eingabe. In Whizi-Credits liest sich dieselbe Rechnung an der Auto-Leiter oben ab: 100 Credits sind 100 kurze Fragen auf dem Hausmodell oder 5 Denkschritt-Antworten auf GPT-5.6 Sol, also kostet eine 20-Schritte-Schleife auf der Denkschritt-Stufe 400 Credits, etwa ein Sechstel eines 2.500-Credits-Pro-Monats, und dieselbe Schleife auf dem Hausmodell kostet 20. Deshalb leitet die richtige Bauweise die Planungsschritte an ein starkes Modell und die Routineschritte an ein günstiges, und deshalb ist ein Multi-Modell-Arbeitsbereich die natürliche Heimat für Agentenarbeit statt eines Ein-Modell-Abos.

Welche Produkte tatsächlich Agenten sind

Coding-Assistenten, die Dateien bearbeiten und Tests ausführen, sind Agenten im engen Sinn: Bei einem Bugreport lesen sie Code, nehmen eine Änderung vor, führen die Testsuite aus, lesen den Fehlschlag und versuchen es erneut. Die Schleife ist real, und das Modell steuert sie.

Deep-Research-Modi in ChatGPT, Gemini und Perplexity sind Agenten: Sie suchen, lesen, suchen basierend auf dem Gefundenen erneut und stoppen, wenn sie die Frage für abgedeckt halten. Die Schrittzahl variiert von Frage zu Frage, und genau das ist das Erkennungsmerkmal.

Die meisten "Agenten" in Produktmenüs sind Personas oder Workflows. Eine Zeile in einer Modellauswahl, die als Steuerberater-Agent oder Lernmentor beschriftet ist, ist meist ein fester System-Prompt plus ein oder zwei Tools. Whizis eigener Agenten-Bereich ist hier ehrlich: Die kanadische CPA-Zeile ist ein Preset, das bei jeder Runde eine Websuche erzwingt, gedeckelt auf sieben Suchen, mit einem größeren Token-Budget von 55.000 rein und 40.000 raus. Das ist eine Persona mit angehängtem Tool und größerem Budget, und sie ist genau deshalb nützlich, weil der Ablauf fest ist. Es ist keine vom Modell gesteuerte Schleife, und der Leitfaden zum Auto-Routing erklärt, was tatsächlich hinter jeder Nachricht das Modell auswählt.

Der Sprachgebrauch driftet dahin, alles Agent zu nennen. Die Frage, die man an ein Produkt stellen sollte, ist die vom Anfang dieser Seite: Wer entscheidet den nächsten Schritt? Lautet die Antwort "ein Skript" oder "niemand", kauft man einen Workflow oder einen Chatbot, und genau das kann durchaus das Richtige sein.

Wann ein Agent das richtige Werkzeug ist, und wann nicht

Ein Agent rechtfertigt seine Kosten dort, wo der Ablauf nicht im Voraus bekannt sein kann: Recherche, bei der die zweite Suche vom ersten Ergebnis abhängt, Debugging, bei dem die Lösung von der Testausgabe abhängt, Browsen, bei dem der nächste Klick von der Seite abhängt. Die Flexibilität ist das Produkt.

Ein Agent ist das falsche Werkzeug, wenn der Ablauf bekannt ist. Zusammenfassen, extrahieren, übersetzen, umformatieren, klassifizieren: Das sind ein Aufruf oder eine feste Abfolge von Aufrufen, und sie in eine Schleife zu packen fügt Kosten, Latenz und eine neue Fehlerquelle hinzu, ohne Fähigkeiten hinzuzufügen. Der Rat aus Anthropics Leitfaden gilt weiterhin: Fang mit einem einzelnen Aufruf an, geh zu einem Workflow über, wenn ein Aufruf nicht reicht, und greife nur dann zu einem Agenten, wenn der Workflow immer wieder eine Verzweigung braucht, die man nicht vorhersehen kann.

Die Faustregel: Kannst du die Schritte vorab auf ein Whiteboard zeichnen, baue keinen Agenten.