KI-Agenten – Grundlagen für Lehrende

Wenn KI nicht nur antwortet, sondern eigenständig plant und handelt

Joscha Falck


24. März 2026

Easy Access ist eine Blogreihe des VK:KIWA für alle, die am Anfang ihrer Beschäftigung mit generativer KI stehen. Wir richten uns dabei besonders an Lehrende und erklären in kompakten Beiträgen zentrale Begriffe, zeigen konkrete Anwendungsmöglichkeiten und machen erste Schritte mit KI verständlich und umsetzbar. Mit der Blogreihe möchten wir vor allem (Noch-)Einsteiger:innen darin ermutigen, KI schrittweise auszuprobieren und sie lernförderlich in die Lehre zu integrieren.

Begriff / Use Case – worum geht es eigentlich?

Wer mit einem KI-Chatbot arbeitet, kennt das Grundmuster: Man tippt eine Frage oder einen Auftrag, die KI liefert eine Antwort. Bei dem, was man zunehmend als „agentische KI“ oder „KI-Agenten“ bezeichnet, verschiebt sich dieses Grundprinzip grundlegend. Agentische KI-Systeme reagieren nicht nur auf einzelne Eingaben, sondern handeln eigenständig: Sie planen komplexe Aufgaben, zerlegen sie in Teilschritte, wählen dafür passende Werkzeuge aus und führen diese Schritte autonom in einer Abfolge aus Handlungen aus – bis das Ziel erreicht ist oder eine menschliche Rückmeldung erforderlich wird. Frühere Ergebnisse werden dabei berücksichtigt und bei Bedarf passt die KI den Kurs an. Ein KI-Agent kann darüber hinaus eigenständig im Internet recherchieren, Code ausführen, Dateien erstellen und bearbeiten, oder sich mit anderen Programmen verbinden. 
Ein klassisches Sprachmodell hingegen generiert Antworten ausschließlich auf Basis seiner Trainingsdaten und der jeweiligen Eingabe. Es lohnt sich, diesen Unterschied präzise zu fassen. 


Möglicher Use Case:

Eine Lehrperson möchte eine Seminareinheit zum Thema „Klimawandel und Bildung“ vorbereiten. Ein KI-Agent recherchiert eigenständig aktuelle Studien, fasst die wichtigsten Befunde zusammen, erstellt ein strukturiertes Arbeitsblatt und legt es als formatiertes Dokument im Arbeitsordner ab – alles auf Basis eines einzigen formulierten Auftrags.


Funktionsweise und Hintergrundinfos – was sollte man wissen?

Um agentische KI einordnen zu können, ist es zunächst wichtig, verschiedene Begriffe klar voneinander abzugrenzen. Denn nicht jeder Chatbot-Workflow ist bereits agentisch, auch wenn er zu Marketingzwecken so bezeichnet wird. Folgendes Schema hilft bei der Unterscheidung. Von Stufe eins bis sechs nimmt die Autonomie des jeweiligen KI-Systems zu.

  • Auf der ersten Stufe stehen klassische Sprachmodell-Workflows: Das Sprachmodell generiert Antworten auf Basis seiner Trainingsdaten und der Eingabe – so funktionieren die meisten KI-Chatbots im Grundbetrieb. 


  • Auf der zweiten Stufe befinden sich Custom-Bots oder KI-Assistenten, die durch Systemprompts und/oder zusätzliche Wissensdatenbanken angereichert wurden, aber noch keine eigenen Handlungen ausführen. 


  • Auf der dritten Stufe befinden sich sogenannte RAG-Systeme (Retrieval-Augmented Generation), bei denen das Modell dynamisch in externen Quellen nachschlagen kann. 


  • Auf Stufe vier markieren Research-Funktionen die Übergangszone zu agentischer KI: Sie planen und iterieren eigenständig, haben aber keine Fähigkeit, in externe Systeme einzugreifen oder Handlungen mit Außenwirkung auszuführen.


  • Automatisierte KI-Workflows bilden die fünfte Stufe: Dabei werden mehrere KI-Schritte zu einem vordefinierten Ablauf verknüpft, der durch ein Ereignis (Trigger) ausgelöst wird – etwa ein eingehender Datensatz, ein neues Dokument oder ein festgelegter Zeitpunkt. Plattformen wie Zapier oder n8n ermöglichen solche Automatisierungen. Der Unterschied zum KI-Agenten ist konzeptionell wichtig: Ein Workflow führt aus, was ein Mensch im Voraus definiert hat – er ist reaktiv und folgt einer festen Prozesslogik. Ein KI-Agent hingegen entscheidet selbst, welche Schritte er unternimmt, um ein Ziel zu erreichen.


  • Auf Stufe sechs kann ein KI-Agent autonom auf Werkzeuge (englisch: „tools“) zugreifen, Programme steuern, Entscheidungen treffen und iterativ vorgehen bis eine Aufgabe abgeschlossen ist. Multi-Agenten-Systeme schließlich kombinieren mehrere spezialisierte Agenten, die arbeitsteilig zusammenarbeiten, ähnlich einem Projektteam.


Was agentische Systeme technisch ermöglicht, ist das Zusammenspiel zweier Elemente: Ein Sprachmodell übernimmt die Planung und Sprache, während externe Werkzeuge (Websuche, Code-Ausführung, Datenbankzugriff u.ä.) die Handlungsebene bereitstellen. Mit dem sogenannten MCP-Standard (Model Context Protocol) hat sich eine Art gemeinsame „Sprache“ etabliert, über die KI-Agenten mit verschiedenen externen Diensten verbunden werden können.

Beispiel/Anwendung/Lösung: Wie geht es denn?

Für Lehrende, die agentische KI ausprobieren möchten, gibt es inzwischen verschiedene Zugänge, die sich in ihrer Komplexität und ihrem Anspruch unterscheiden.
 
Einstieg: Agentische Funktionen in bekannten Chatbots
Viele bekannte KI-Tools bieten inzwischen erste agentische Funktionen an. ChatGPT (OpenAI) verfügt über einen „Agent“-Modus, der Webrecherche, Code-Ausführung und Dateierstellung kombinieren kann. Gemini (Google) und Copilot (Microsoft) bieten ähnliche Funktionen. Diese Einstiegsvarianten sind niederschwellig zugänglich und erfordern keine technischen Vorkenntnisse.

Abb. 1: Agentischer Auftrag in ChatGPT – die KI plant eigenständig und zeigt die Arbeitsschritte.

Vertiefung: Spezialisierte Agenten-Tools
Für komplexere Aufgaben gibt es spezialisierte Systeme wie Claude Cowork (Anthropic), Manus (Meta) oder das vielbeachtete OpenClaw, die vollständige Arbeitsabläufe eigenständig abwickeln können. Claude Cowork kann mit einem Pro-Account lokal auf dem eigenen Rechner eingesetzt werden und direkt auf Dateien und Ordner zugreifen – ein Beispiel für einen sogenannten „lokalen Agenten“. Wer etwa ein Dokument analysieren, daraus ein Konzept entwickeln und dieses als formatierte Word-Datei ablegen möchte, kann diesen mehrstufigen Prozess vollständig in natürlicher Sprache beauftragen. Wie viel Zugriff Cowork erhält, entscheidet man als Nutzer/Nutzerin selbst. Dasselbe gilt auch für agentische Coding-Systeme wie Claude Code (Anthropic), Codex (OpenAI) oder Antigravity (Google), die ebenfalls lokal eingesetzt werden können.

Abb. 2: Claude Cowork kann als lokaler Agent mehrstufige Aufgaben auf dem eigenen Rechner bearbeiten.

Ein weiteres Beispiel aus dem Hochschulkontext: Lehrende können einen Agenten damit beauftragen, in einem lokalen Ordner abgelegte und anonymisierte studentische Seminararbeiten nach bestimmten formalen Kriterien zu prüfen (Struktur, Quellenzahl, Zitationsweise) und eine übersichtliche erste Rückmeldung in der jeweiligen Arbeit oder auf einem Bewertungsraster zu erstellen.


Fallstricke – was sollte ich als Lehrperson beachten bzw. meinen Studierenden mitgeben?


  • Kontrollverlust: Anders als beim klassischen Chatbot führt ein KI-Agent eine Abfolge von Schritten aus, ohne nach jedem einzelnen Schritt um Erlaubnis zu fragen. Wer einem Agenten Zugriff auf das eigene E-Mail-Postfach, einen Cloud-Speicher oder eine Lernplattform gewährt, gibt dem System damit weitreichende Handlungsvollmacht. Das erfordert klare Grenzen und ein Verständnis dafür, was der Agent tatsächlich darf.


  • Sicherheitsrisiken: Wenn ein agentisches KI-System autonom einen Browser steuert und Inhalte auf Websites ausliest, können dort schädliche Anweisungen an die KI versteckt sein (Prompt Injection). Diese können zu nicht autorisierten Handlungen auf dem eigenen Gerät oder zur Weiterleitung sensibler Daten führen.


  • Fehler pflanzen sich fort: In einer mehrstufigen Aufgabenfolge kann ein Fehler in Schritt zwei alle nachfolgenden Schritte beeinflussen. Das Endergebnis sieht dann trotzdem überzeugend aus. Kritische Prüfung der Zwischenergebnisse bleibt Aufgabe der Lehrperson („Human in the Loop“).


  • Datenschutz ist nicht automatisch gewährleistet: Agenten, die mit externen Diensten verbunden sind, übermitteln unter Umständen Daten an Server außerhalb des eigenen Hochschulbereichs. Welche Daten wem gegenüber offengelegt werden, muss vor dem Einsatz geklärt sein.


Was könnte danach der nächste kleine Schritt sein? – Reflexionsfragen für Lehrende

  • Wo in meiner eigenen Arbeitspraxis oder Lehre gibt es mehrstufige, wiederkehrende Prozesse, bei denen ich mir einen agentischen Assistenten vorstellen könnte? Welche Entscheidungen möchte ich dabei weiterhin selbst treffen?


  • Wie erkläre ich meinen Studierenden den Unterschied zwischen einem Chatbot und einem KI-Agenten – und welche Konsequenzen hat dieser Unterschied für ihre Medienkompetenz und ihre Vorstellung von Eigenverantwortung beim Lernen?


  • Welche Fragen zu Datenschutz, Nachvollziehbarkeit und Kontrolle muss ich klären, bevor ich agentische KI in meinen Lehrkontext einbringe?


  • Inwiefern verändern sich KI-Workflows durch zunehmend autonomere Systeme? Wie verändern sich bspw. Prompting/Context-Engineering, Rechtsfragen oder ethische Aspekte der KI-Nutzung?


Guides zu KI-Agenten / Lesetipps
 


 
Autoreninfo: Joscha Falck ist Mittelschullehrer an der Mittelschule Rednitzhembach und Schulentwicklungsmoderator in einem Innovationsteam für digitale Bildung in Mittelfranken, Bayern. Neben seiner Unterrichtstätigkeit in den Fächern Deutsch, Geschichte, Politik und Informatik hält er Fortbildungen und berät Schulen sowie Steuergruppen in Schulentwicklungsprozessen. Darüber hinaus ist er als Referent, Blogger und Autor aktiv. Er ist Mitglied im Kernteam des Virtuellen Kompetenzzentrums „Künstliche Intelligenz in Bildung, Wissenschaft und Arbeitswelt“ (VK:KIWA) sowie Redaktionsmitglied von IQESonline. Kontakt: www.joschafalck.de