Agentic-AI-Glossar: 100 wichtige Begriffe rund um KI-Agenten für Enterprise-Einkäufer

Dieses Glossar vermittelt Einkäufern, Betriebsverantwortlichen und Entscheidern die zentrale Terminologie, um Agentic-AI-Plattformen und -Partner fundiert zu bewerten – mit Schwerpunkt auf Enterprise-Readiness, Automatisierung der Customer Experience und produktionsreifem Deployment.

Grundlagen und Kernkonzepte von Agentic AI

1. Agentic AI – KI-Systeme, die eigenständig planen, entscheiden und zielgerichtet handeln, statt nur auf Prompts zu reagieren. Im Unternehmensumfeld ermöglicht Agentic AI End-to-End-Workflows, indem sie LLMs, Tools (Actions) und Unternehmenswissen (Knowledge) kombiniert – so umgesetzt in der Maven-Plattform.
2. KI-Agent – Eine softwarebasierte Einheit, die Eingaben wahrnimmt, Kontext auswertet und Aktionen ausführt, um bestimmte Ziele zu erreichen. Anders als klassische Bots können KI-Agenten ihr Verhalten dynamisch anpassen.
3. Autonomie – Der Grad, in dem ein KI-Agent ohne menschliches Eingreifen arbeiten kann. Mehr Autonomie steigert die Effizienz, erfordert aber stärkere Governance und Guardrails.
4. Zielorientiertes Verhalten – Die Fähigkeit eines Agenten, auf definierte Ergebnisse statt auf isolierte Aufgaben hinzuarbeiten. So können Agenten Aktionen systemübergreifend intelligent aneinanderreihen.
5. Multi-Agent-System (MAS) – Eine Architektur, in der mehrere KI-Agenten zusammenarbeiten oder sich abstimmen, um komplexe Probleme zu lösen. MAS-Designs verbessern Skalierbarkeit und Spezialisierung.
6. Action Space (Aktionsraum) – Die Gesamtheit der Aktionen, die ein Agent ausführen darf. Die Definition des Aktionsraums ist entscheidend für Sicherheit und Vorhersehbarkeit.
7. Policy – Ein Regelwerk, das bestimmt, wie ein Agent Entscheidungen trifft und Aktionen auswählt. Policies stellen die Übereinstimmung mit geschäftlichen und Compliance-Anforderungen sicher.
8. Planner – Die Komponente, die übergeordnete Ziele in ausführbare Schritte zerlegt. Planung befähigt Agenten, komplexe, mehrstufige Workflows zu bewältigen.
9. Executor – Die Komponente, die geplante Aktionen ausführt, indem sie Tools, APIs oder Workflows aufruft. Executors setzen Schlussfolgerungen in reale Wirkung um.
10. Reasoning Engine – Die Logikschicht, die Kontext, Einschränkungen und Optionen bewertet, um die nächsten Aktionen festzulegen. Starkes Reasoning ist die Grundlage für zuverlässiges Agentenverhalten.

Memory, Wissen und Kontextmanagement

11. Memory (Gedächtnis) – Speichermechanismen, mit denen Agenten Informationen über die Zeit behalten und abrufen. Memory ermöglicht Kontinuität, Personalisierung und Lernen.
12. Kurzzeitgedächtnis – Kontext, der während einer einzelnen Interaktion oder Sitzung erhalten bleibt. So verstehen Agenten den Gesprächsverlauf und die unmittelbare Absicht.
13. Langzeitgedächtnis – Dauerhafte Speicherung von Fakten, Präferenzen und früheren Interaktionen. Das Langzeitgedächtnis unterstützt Personalisierung und institutionelles Wissen.
14. Vektordatenbank – Eine spezialisierte Datenbank, optimiert für die Ähnlichkeitssuche über Embeddings. Vektordatenbanken werden häufig zur Speicherung von Agenten-Memory und Wissen eingesetzt.
15. Embeddings – Numerische Repräsentationen von Text oder Daten, die semantische Bedeutung abbilden. Mit Embeddings finden Agenten relevante Informationen effizient.
16. Retrieval-Augmented Generation (RAG) – Ein Verfahren, das KI-Ausgaben fundiert, indem vor der Antwortgenerierung relevantes Unternehmenswissen abgerufen wird. Maven nutzt Retrieval-Muster, um Antworten in Ihren Knowledge Bases zu verankern – aufgebaut aus Quellen wie Salesforce, Zendesk, Freshdesk, hochgeladenen Dateien und gecrawlten URLs.
17. Knowledge Base (Wissensdatenbank) – Eine kuratierte Sammlung von Unternehmensinhalten wie FAQs, Richtlinien und Dokumentation. Agenten stützen sich für fundierte Antworten auf Wissensdatenbanken.
18. Grounding – Die Verankerung von Agentenantworten in verifizierten Datenquellen. Grounding reduziert Halluzinationen und erhöht die Zuverlässigkeit.
19. Kontextfenster – Die Informationsmenge, die ein LLM gleichzeitig berücksichtigen kann. Das Management des Kontextfensters ist entscheidend für Performance und Kostenkontrolle.
20. Halluzination – Wenn ein KI-Modell falsche oder erfundene Informationen erzeugt. Enterprise-Plattformen müssen Halluzinationen aktiv eindämmen.

Modelle, Prompts und Tooling

21. Large Language Model (LLM) – Ein Modell, das auf riesigen Textkorpora trainiert wurde, um Sprache zu verstehen und zu erzeugen. LLMs bilden bei vielen Agenten den Reasoning-Kern.
22. Foundation Model – Ein Universalmodell, das sich an viele nachgelagerte Aufgaben anpassen lässt. Foundation Models sorgen für Flexibilität über Use Cases hinweg.
23. Prompt Engineering – Die Gestaltung von Prompts, die Verhalten und Ausgaben eines Agenten steuern. Gutes Prompting verbessert Konsistenz und Zuverlässigkeit.
24. System-Prompt – Anweisungen, die Rolle, Tonalität, Grenzen und Ziele eines Agenten festlegen. System-Prompts sorgen für ein konsistentes Verhalten.
25. Tool Calling – Agenten rufen externe Tools, APIs oder Systeme auf, um Aufgaben zu erledigen. Tool Calling ermöglicht Handeln in der realen Welt.
26. Function Calling – Ein strukturierter Ansatz, bei dem Modelle vordefinierte Funktionen mit validierten Eingaben aufrufen. Das erhöht Präzision und Sicherheit.
27. API-Integration – Die Anbindung von Agenten an Unternehmenssysteme wie Ticketing, Abrechnung oder Datenplattformen. Integration ermöglicht Automatisierung in großem Maßstab.
28. CRM-Integration – Die Nutzung von Kundendaten, um Agentenaktionen zu personalisieren und in Kontext zu setzen. CRM-Integration ist für CX-Use-Cases entscheidend.
29. Event-Driven Architecture – Ein Design, bei dem Agenten auf Ereignisse oder Trigger statt auf statische Anfragen reagieren. Das unterstützt proaktive Automatisierung.
30. Workflow-Automatisierung – Die durchgängige Ausführung von Geschäftsprozessen ohne manuelles Eingreifen. Agentische Workflows gehen über einfache regelbasierte Automatisierung hinaus.

Orchestrierung, Zuverlässigkeit und Skalierung

31. Orchestrierung – Die Koordination mehrerer Agenten, Tools und Workflows zu einem stimmigen Gesamtsystem. Maven-Kunden nutzen Orchestrierung, um Actions, Knowledge und Workflows zu durchgängigen Supportprozessen zu verbinden (siehe Case Studies von MavenAGI aus der Praxis).
32. Concurrency (Nebenläufigkeit) – Die Fähigkeit, mehrere Agentenprozesse gleichzeitig auszuführen. Concurrency ist für Umgebungen mit hohem Volumen unverzichtbar.
33. Latenz – Die Zeit, die ein Agent zum Antworten oder Handeln benötigt. Niedrige Latenz ist für kundennahe Use Cases entscheidend.
34. Durchsatz – Die Anzahl an Aufgaben, die ein Agentensystem in einem Zeitraum bewältigt. Der Durchsatz spiegelt die Skalierbarkeit wider.
35. Skalierbarkeit – Gleichbleibende Performance und Zuverlässigkeit bei steigender Nachfrage. Enterprise-Agenten müssen vorhersehbar skalieren.
36. Fallback-Strategie – Vordefinierte Alternativpfade, wenn Agenten scheitern oder unsicher sind. Fallbacks schützen die Customer Experience.
37. Eskalationspfad – Die Weiterleitung von Anliegen an Menschen oder spezialisierte Agenten, wenn nötig. Gute Eskalation bringt Automatisierung und Vertrauen in Balance.
38. Self-Healing – Automatische Erkennung von und Wiederherstellung nach Fehlern oder Ausfällen. Self-Healing erhöht die Resilienz.
39. State Management – Die Nachverfolgung von Kontext und Fortschritt eines Agenten über Interaktionen hinweg. State Management sichert Kontinuität.
40. Session Management – Die sichere und effiziente Handhabung einzelner Interaktionen zwischen Nutzer und Agent.

Governance, Sicherheit und Compliance

41. Guardrails – Einschränkungen, die unsichere, nicht konforme oder unerwünschte Aktionen verhindern. Guardrails sind Richtlinien, Einschränkungen und Prüfungen, die das Verhalten von Agenten sicher und konform halten – insbesondere wenn sie Actions aufrufen oder Unternehmenswissen (Knowledge) nutzen (siehe Trust-, Security- und Compliance-Praktiken von MavenAGI).
42. Human-in-the-Loop (HITL) – In Agenten-Workflows eingebettete menschliche Prüfung. HITL kommt häufig in frühen Deployment-Phasen zum Einsatz.
43. Human-on-the-Loop – Menschen überwachen Agenten und greifen nur ein, wenn Schwellenwerte überschritten werden. Das ermöglicht Skalierung mit Aufsicht.
44. Governance – Richtlinien, Kontrollen und Prozesse, die verantwortungsvolles Agentenverhalten sicherstellen. Governance ist für den Einsatz im Unternehmen entscheidend.
45. Compliance – Einhaltung regulatorischer, rechtlicher und unternehmensinterner Standards. Compliance-Anforderungen unterscheiden sich je nach Branche.
46. Datenschutz – Der Schutz sensibler Kunden- und Unternehmensdaten, die Agenten nutzen. Privacy by Design ist unerlässlich.
47. Sicherheit – Schutzmaßnahmen gegen unbefugten Zugriff, Missbrauch oder Datenabfluss. Sicherheit ist die Grundlage für Vertrauen.
48. Zugriffskontrolle – Die Verwaltung von Berechtigungen für Agentenaktionen und Datenzugriffe. Granulare Kontrolle senkt das Risiko.
49. Audit-Logs – Unveränderliche Aufzeichnungen von Agentenaktionen und -entscheidungen. Nachvollziehbarkeit unterstützt Compliance und Verantwortlichkeit.
50. Explainability (Erklärbarkeit) – Die Fähigkeit, nachzuvollziehen und zu begründen, warum ein Agent eine bestimmte Aktion ausgeführt hat.

Evaluierung, Optimierung und Lernen

51. Observability – Transparenz über Verhalten, Entscheidungen und Ergebnisse von Agenten. Observability ermöglicht kontinuierliche Verbesserung.
52. Telemetrie – Betriebsdaten, die Agenten für Monitoring und Analyse ausgeben. Telemetrie speist Evaluierungssysteme.
53. Evaluierung (Eval) – Die Messung von Genauigkeit, Qualität und geschäftlicher Wirkung eines Agenten. Evals sollten fortlaufend stattfinden, nicht einmalig.
54. Benchmarking – Der Vergleich der Agenten-Performance mit Baselines oder Alternativen. Benchmarks liefern die Grundlage für Investitionsentscheidungen.
55. A/B-Testing – Das Testen mehrerer Agentenvarianten, um die beste Performance zu ermitteln. A/B-Testing senkt das Risiko.
56. Reflection – Die Fähigkeit eines Agenten, seine eigenen Ausgaben zu bewerten und zu verbessern. Reflection erhöht die Robustheit.
57. Feedbackschleife – Die Einbindung von Nutzer- oder Systemfeedback in die Verbesserungszyklen eines Agenten.
58. Kontinuierliches Lernen – Die fortlaufende Verfeinerung des Agentenverhaltens über die Zeit. Kontinuierliches Lernen sichert langfristigen Mehrwert.
59. Synthetische Daten – Künstlich erzeugte Daten für Tests oder Training. Synthetische Daten verringern die Abhängigkeit von sensiblen Daten.
60. Simulation – Das Testen des Agentenverhaltens in kontrollierten Umgebungen vor dem produktiven Einsatz.

CX, Automatisierung und Geschäftsergebnisse

61. Conversational AI – Agenten, die in natürlicher Sprache mit Nutzern interagieren. Conversational Agents sind zentral für die CX-Automatisierung.
62. Natural Language Understanding (NLU) – Die Interpretation von Nutzerabsicht, Entitäten und Kontext. NLU ermöglicht präzises Routing und zuverlässige Lösungen.
63. Natural Language Generation (NLG) – Die Erzeugung kohärenter, menschenähnlicher Antworten. NLG prägt die wahrgenommene Qualität.
64. Sentimentanalyse – Die Erkennung der emotionalen Tonalität in Nutzernachrichten. Das Sentiment fließt in Eskalation und Personalisierung ein.
65. Intent-Klassifizierung – Die Zuordnung von Nutzeranfragen zu vordefinierten Intents. Die Intent-Genauigkeit bestimmt die Lösungsquote.
66. Slot Filling – Die Extraktion strukturierter Informationen aus unstrukturierten Eingaben. Slot Filling unterstützt die Automatisierung.
67. Personalisierung – Die Anpassung des Agentenverhaltens an Kontext und Historie des Nutzers. Personalisierung verbessert den CSAT.
68. CX-Automatisierung – Der Einsatz von Agenten und Workflows, um Kundeninteraktionen und Backend-Aufgaben ohne manuellen Aufwand abzuwickeln. Bei Maven basiert CX-Automatisierung auf der Maven-Plattform: Agenten nutzen Actions und Knowledge, um Gespräche zu lösen, und sind in Systeme wie CRMs und Helpdesks integriert.
69. Autonome Lösung – Die Erledigung von Kundenanliegen ohne menschliche Beteiligung. Autonome Lösung senkt die Cost-to-Serve.
70. Case Deflection – Die Lösung von Anliegen, ohne dass Support-Tickets entstehen. Deflection steigert die operative Effizienz.

Kennzahlen, ROI und Kriterien für Käufer

71. First Contact Resolution (FCR) – Die Lösung von Kundenanliegen in einer einzigen Interaktion. FCR ist eine zentrale CX-Kennzahl.
72. CSAT – Customer Satisfaction Score, der die wahrgenommene Qualität der Erfahrung misst.
73. Net Promoter Score (NPS) – Eine Kennzahl für Kundenloyalität und Weiterempfehlungsbereitschaft.
74. ROI – Die finanzielle Rendite aus Investitionen in Agentic AI. Ein belastbarer ROI ist Voraussetzung für die Skalierung.
75. Time to Value (TTV) – Wie schnell ein Unternehmen den Nutzen eines Deployments realisiert.
76. Kostenoptimierung – Das Management von Compute-, Tooling- und Modellkosten. Kostenkontrolle sichert Nachhaltigkeit.
77. Token-Management – Die Steuerung der Ein- und Ausgabenutzung von LLMs. Token-Effizienz wirkt sich direkt auf die Kosten aus.
78. Adoptionskennzahlen – Die Messung von Nutzung und Engagement der Agenten über Teams oder Kunden hinweg.
79. Change Management – Die Vorbereitung von Menschen und Prozessen auf die Einführung von Agenten. Change Management reduziert Widerstände.
80. Enablement – Die Schulung von Teams für die effektive Zusammenarbeit mit agentischen Systemen.

Plattformstrategie und Enterprise-Readiness

81. Agent Framework – Software-Frameworks zum Erstellen und Verwalten von Agenten. Die Wahl des Frameworks beeinflusst die Flexibilität.
82. Plattformansatz – Die Standardisierung auf ein einziges System, um Agenten bereitzustellen, zu überwachen und zu steuern, statt Einzeltools zusammenzustückeln. Maven folgt diesem Modell mit einer Plattform, die Knowledge, Actions, Qualitätskontrollen und Insights vereint.
83. Best-of-Breed – Die Kombination spezialisierter Tools statt einer einzelnen Plattform. Das erhöht die Flexibilität, aber auch die Komplexität.
84. Interoperabilität – Die Fähigkeit von Agenten, über Systeme und Anbieter hinweg zu arbeiten.
85. Vendor Lock-in – Die Abhängigkeit von einem einzigen Technologieanbieter. Käufer sollten Exit-Strategien prüfen.
86. Offene Standards – Gemeinsame Protokolle, die Portabilität und Integration ermöglichen.
87. Roadmap – Die geplante Weiterentwicklung von Agentenfähigkeiten und Features.
88. Proof of Concept (POC) – Ein begrenztes Deployment, um den Mehrwert vor der Skalierung zu validieren.
89. Produktionsreife – Stabilität, Sicherheit und Skalierbarkeit, wie sie Live-Umgebungen erfordern.
90. Enterprise-Grade – Erfüllt die Anforderungen an Zuverlässigkeit, Governance, Sicherheit und Skalierung, damit Agenten sicher im Produktivbetrieb laufen. Maven ist für Enterprise-Grade-Deployments ausgelegt – inklusive tiefer Integrationen, Analytics und Kontrolle über Actions und Knowledge (siehe Case Studies von MavenAGI aus der Praxis).

Fortgeschrittene Agentenfähigkeiten

91. Proaktivität – Agenten stoßen Aktionen ohne expliziten Prompt an. Proaktive Agenten erschließen neue Effizienzpotenziale.
92. Recommendation Engine – Schlägt auf Basis von Kontext und Daten die Next Best Action vor.
93. Entscheidungsunterstützung – Unterstützt Menschen mit Insights, während die finale Entscheidung bei ihnen bleibt.
94. Kontextbewusstsein – Das Verständnis situativer Nuancen jenseits der reinen Eingabe.
95. Confidence Scoring – Die Einschätzung der Zuverlässigkeit von Agentenausgaben.
96. Reifegradmodell – Ein Framework, das die Entwicklungsstufen von Agentenfähigkeiten beschreibt.
97. Build vs. Buy – Die Abwägung, ob man eigene Agenten entwickelt oder eine Plattform einführt.
98. Knowledge-Grounding-Strategie – Ein systematischer Ansatz zur Sicherstellung faktischer Korrektheit.
99. Operational AI – KI, die direkt in laufende Geschäftsprozesse eingebettet ist.
100. Autonomes Unternehmen – Ein Unternehmen, in dem Agenten einen großen Teil wiederholbarer Abläufe und Workflows innerhalb von Guardrails übernehmen, während sich Menschen auf Urteilsvermögen, Beziehungen und Ausnahmen konzentrieren. Bei Maven bedeutet das hybride Teams aus Menschen und Agenten – keinen reinen KI-Betrieb.

Implementierungshinweise und Praxisbeispiele finden Sie in unseren Kundenstories – oder kontaktieren Sie unser Team für eine Live-Demo.