Aktuell kündigt sich ein Paradigmenwechsel an: „generative Agenten“ nutzen dieselben Modelle als Kern, erweitern sie jedoch um proaktive Fähigkeiten. Sie setzen Ziele, planen Schritte, verwenden Werkzeuge und lernen aus Erfahrungen. Eine Studie von McKinsey beschreibt die Entwicklung von reinen Wissenswerkzeugen hin zu Agenten, die komplexe mehrstufige Abläufe automatisiert durchführen[1].
Dieses Strategiepaper richtet sich an Innovations‑ und Digitalisierungsverantwortliche, Produktmanager im Technologie‑Sektor sowie Investoren, die nach der nächsten großen Sache suchen. Es bietet Orientierung bei der praktischen Einführung generativer Agenten als persönliche Assistenten auf Edge‑Geräten wie dem MAVERICK AI Laptop von AMERIA. Ziel ist es, Potenziale und Risiken zu beleuchten und konkrete Umsetzungsempfehlungen zu geben.
Definitionen: Agenten und generative KI
Klassische Agentenbegriffe
Nach Hassan Sawaf von aiXplain versteht man unter einem Agenten in der klassischen Informatik ein System, das seine Umgebung über Sensoren wahrnimmt und mithilfe von Aktuatoren darauf reagiert, um definierte Ziele zu erreichen. Es verfügt über internen Speicher, wodurch es vergangene Erfahrungen in künftige Handlungen einbezieht. Ein Agent kann proaktiv handeln oder nur auf Anstöße reagieren. Agenten müssen nicht zwingend auf Sprachmodellen basieren, sie können einfache regelbasierte Programme sein, heuristische Methoden oder auch anspruchsvolle Systeme, die mit sogenanntem Reinforcement Learning trainiert werden.
Ein „agentisches KI‑System“ betont die zielgerichtete Autonomie. Diese Systeme reagieren nicht nur, sondern verfolgen eigenständig Ziele und treffen Entscheidungen, wobei sie Speicherstrukturen nutzen. Generative KI („GenAI“) hingegen steht für Modelle wie GPT, die Inhalte wie Texte, Bilder oder Audio auf Basis von Trainingsdaten erzeugen. Diese Modelle arbeiten primär reaktiv, da sie von den Eingaben des Nutzers oder der Nutzerin abhängig sind. Eine „agentische Lösung“ kombiniert die Autonomie eines Agenten mit den generativen Fähigkeiten von GenAI. So entstehen Systeme, die komplexe Probleme mit minimaler Überwachung lösen. Co‑Pilots sind dagegen Werkzeuge, die den Menschen unterstützen, indem sie Vorschläge machen oder Abläufe automatisieren. Sie bleiben reaktiv. Ein „AI Assistant“ ist ebenfalls reaktiv und führt Befehle aus, ohne eigenständige Ziele zu verfolgen.
Abgrenzung zu Chatbots und Co‑Pilots
Chatbots arbeiten überwiegend dialogorientiert und beantworten Fragen. Co‑Pilots wie Microsoft 365 Copilot unterstützen bei Aufgaben und liefern Inhalte, reagieren jedoch immer auf Eingaben des Nutzers oder der Nutzerin. Generative Agenten gehen darüber hinaus: Sie können Aufgaben eigenständig anstoßen, ausführen und abschließen. Sie sind in der Lage, aus früheren Interaktionen zu lernen und Entscheidungen abzuleiten. Microsoft beschreibt Agenten als „neue Apps für eine KI‑getriebene Welt“ und betont, dass sie nicht nur unterstützen, sondern Aufgaben wirklich erledigen[2]. Agenten können mehrstufige Aufträge bearbeiten, zum Beispiel Bestellungen abwickeln, Termine koordinieren und Daten analysieren[3]. Voraussetzung ist eine Kombination aus generativer KI, Gedächtnis, Zugriffsrechten und Integration von Werkzeugen[4].
Fortschritte in generativer KI und agentischen Systemen
Von Sprache zu Aktion
McKinsey beschreibt, dass sich die Technologie von Wissens‑Tools zu Aktions‑Systemen entwickelt: Agenten nutzen große Sprachmodelle, um komplexe Workflows selbstständig auszuführen[1]. Sie können Aufgaben planen, Werkzeuge bedienen und mit anderen Agenten oder Menschen kooperieren[5]. Diese Systeme verwalten komplexe Abläufe, die für regelbasierte Automatisierung zu variabel sind[6]. Ein Geschäftsvorgang wie die Organisation eine Dienstreise – mit Flügen, Hotels und Mietwagen – erfordert viele Schritte. Agenten können diese Abläufe koordinieren und dynamisch anpassen[6].
Microsoft führt aus, dass Agenten über Gedächtnis, Berechtigungen und Werkzeuge verfügen müssen, um zuverlässig autonom zu handeln. Gedächtnis ist wichtig, damit Interaktionen den jeweiligen Kontext behalten. Berechtigungen regeln den sicheren Zugriff auf Daten und Anwendungen und Werkzeuge ermöglichen die Ausführung von Aktionen[4]. Diese drei Elemente bilden die Grundlage für proaktives Handeln.
Forschung zu generativen Agenten
Die Forschung zu agentischen Systemen entwickelt sich rasant. In einem bekannten, an der Universität Standford durchgeführten Experiment wurden „Generative Agents“ in einer simulierten Stadt angesiedelt. Die Agenten verfügen über ein Gedächtnis, können beobachten, planen und reflektieren. In der Simulation wachen sie auf, bereiten Frühstück, arbeiten, treffen sich und organisieren Feste. Die Autoren zeigen, dass ein solches System mithilfe eines großen Sprachmodells und einer Erinnerungsarchitektur glaubwürdige soziale Verhaltensweisen erzeugt[7].
Eine spätere Studie von Stanford HAI nutzte generative Agenten, um die Antworten von über tausend realen Personen bei sozialwissenschaftlichen Fragen zu simulieren. Die Agenten basierten auf Interviews und einem Sprachmodell. Sie reproduzierten die Antworten der realen Personen mit einer Genauigkeit von 85 Prozent[8]. Diese Forschung zeigt, dass Agenten nicht nur Prozesse automatisieren, sondern auch menschliches Verhalten realistisch nachbilden können.
Industrielle Entwicklungen
Neben Großkonzernen investieren auch Start‑ups in generative Agenten. EdgeRunner AI bietet eine generative Plattform, die Agenten für spezifische Aufgaben auf Edge‑Hardware bereitstellt. Diese Agenten arbeiten ohne Internetverbindung, um sensible Daten zu schützen. Das Unternehmen hat 2025 eine Finanzierung über 17,5 Millionen Dollar erhalten und entwickelt hyperpersonalisierte Assistenten, die unabhängig von der Internetverbindung Chat, Übersetzungen, RAG‑Suchfunktionen, Sprach‑zu‑Text und Code‑Generierung bereitstellen[9]. Durch den lokalen Betrieb sind die Agenten energieeffizient, kostenreduzierend und erhöhen Datenschutz und Zuverlässigkeit in Umgebungen mit eingeschränkter Konnektivität[10].
Anwendungsfälle für generative Agenten
Produktivität und Assistenz im Arbeitsalltag
Agenten können Routineaufgaben automatisieren. In der Microsoft‑Welt übernehmen sie zum Beispiel das Erstellen von E‑Mails, die Vorbereitung von Präsentationen und die Recherche[11]. Spezialisierte Agenten generieren Verkaufsleads, prüfen Bestellungen, stimmen Termine ab und entlasten Mitarbeitende[3]. Durch Gedächtnis und Kontextverarbeitung können sie sich langfristig an Projekte erinnern und proaktiv unterstützen[12].
Auf Geräten wie dem MAVERICKAI Laptop von AMERIA lässt sich diese Autonomie lokal realisieren. Der Laptop ist ein Edge‑Device mit integrierten Sensoren und KI‑Hardware, das eine dreidimensionale Benutzeroberfläche bietet. Er dient als persönlicher Assistent und erkennt Gesten, um Interaktion ohne Berührung zu ermöglichen. Nutzer sprechen mit einem Agenten, der verschiedene KI‑Dienste orchestriert und Aufgaben wie Terminplanung, Datenanalyse und Visualisierung ausführt[13]. Dank lokalem Betrieb bleiben Daten im Gerät, und der Assistent steht auch ohne Internetverbindung zur Verfügung.
Kundenservice und Wissensarbeit
In Branchen wie Einzelhandel, Telekommunikation und Industrie können Agenten Kundenanfragen und Retouren automatisch bearbeiten und Unterstützung leisten. Agenten können laut Microsoft Informationen aus Produktkatalogen abrufen und personalisierte Antworten generieren, wodurch sie den Kundenservice verbessern und die Produktivität steigern[3].
EdgeRunner AI richtet sich an militärische und industrielle Anwender. Seine Agenten bieten Chat, Zusammenfassungen und Übersetzungen, funktionieren aber komplett lokal und ohne Verbindung. Dies ist besonders für Umgebungen mit strengen Sicherheitsanforderungen oder eingeschränkter Infrastruktur relevant[14].
Forschung und Simulation
Generative Agenten werden auch als Werkzeug in der Forschung eingesetzt. Die Stanford‑Studie zeigt, wie man mit generativen Agenten die Reaktionen von Menschen in sozialen Experimenten simulieren kann[8]. Unternehmen könnten solche Simulationen nutzen, um Produkte zu testen oder Marketingstrategien zu optimieren, ohne reale Kundendaten offenzulegen.
Technische Voraussetzungen
Hardware
Generative Agenten benötigen leistungsfähige Hardware. Moderne KI‑Laptops wie MAVERICKAI oder AI‑PCs enthalten Spezialprozessoren mit neuronalen Engines. Apple beschreibt für seinen M4‑Chip eine neuronale Engine mit 38 Billionen Operationen pro Sekunde, die speziell für maschinelles Lernen optimiert ist[15]. Solche Prozessoren erlauben es, Modelle lokal auszuführen, ohne auf die Cloud angewiesen zu sein. Edge‑Chips wie NVIDIAs Jetson‑Orin, Hailo‑8 oder Googles Edge TPU sind weitere Beispiele. Sie bieten zwischen 4 und 400 TOPS („Tera Operations per Second“) bei geringem Energieverbrauch[16]. Unternehmen müssen die Hardwareauswahl sorgfältig planen und auf die benötigte Leistungsfähigkeit und den Energieverbrauch achten.
Modelle und Software
Agenten basieren oft auf großen Sprachmodellen, die durch Distillation, Quantisierung und Kompression für den Einsatz auf Edge‑Geräten optimiert werden. Kompression reduziert Speicherbedarf und Rechenzeit, ohne die Genauigkeit wesentlich zu beeinträchtigen[17]. Wissenstransfer („Knowledge Distillation“) erlaubt es, ein kleineres Modell vom Verhalten eines großen Modells zu lernen. Firmen wie EdgeRunner verwenden mehrere Open‑Source‑LLMs, die für den lokalen Betrieb angepasst wurden[9].
Gedächtnis, Sicherheit und Integration
Um proaktiv zu arbeiten, benötigen Agenten Speicherstrukturen, die vergangene Interaktionen speichern und relevant abrufen können[12]. Gleichzeitig müssen sie Berechtigungen verwalten, um nur auf die Daten zuzugreifen, die erforderlich sind[18]. Sicherheitskonzepte wie Trusted Execution Environments, Homomorphe Verschlüsselung und Datenanonymisierung sind notwendig, um sensible Informationen zu schützen[19]. Federated Learning ermöglicht es, Modelle auf mehreren Geräten zu trainieren, ohne Daten zu zentralisieren.
Implikationen für Industrie und Arbeitsplatz
Produktivitätssteigerung und neue Geschäftsmodelle
Agentische KI‑Systeme versprechen erhebliche Produktivitätssteigerungen. Deloitte prognostiziert, dass ein Viertel der Unternehmen, die 2025 generative KI nutzen, Agenten‑Pilotprojekte starten wird; bis 2027 soll dieser Anteil auf 50 Prozent steigen[20]. Agenten können komplexe Abläufe automatisieren, die bisher hohe manuelle Anteile hatten, beispielsweise in der Softwareentwicklung, im Einkauf oder im Personalwesen[21]. Dadurch entstehen neue Geschäftsmodelle: Unternehmen können eigenständige Agentenplattformen anbieten, Abonnements für spezifische Agenten verkaufen oder Dienstleistungen rund um das Training und die Anpassung von Agenten anbieten. Investoren stecken bereits Milliarden in Start‑ups, die agentische Systeme entwickeln[22].
Arbeitsplatz und Qualifikationsanforderungen
Mit Agenten verändern sich Jobprofile. Routineaufgaben werden automatisiert, während der Mensch stärker in überwachende, kreative und strategische Rollen hineinwächst. Mitarbeitende müssen lernen, Aufgaben zu delegieren, Ergebnisse zu interpretieren und den Agenten klare Ziele zu setzen. Der Bedarf an Datenethik, Datenschutz und Aufsicht wird steigen. Gleichzeitig entstehen neue berufliche Felder rund um die Entwicklung, das Training und die Governance von Agenten.
Chancen für AMERIA
AMERIA positioniert sich mit dem MAVERICKAI als First Mover für lokale generative Agenten. Das Gerät kombiniert leistungsfähige Hardware mit einem integrierten 3D‑Interface und ermöglicht KI‑Anwendungen lokal direkt auf dem Gerät[13]. Für Unternehmen bietet dies die Möglichkeit, sensiblen Kundenservice oder interne Assistenzen ohne Cloud‑Abhängigkeit bereitzustellen. Investoren können in eine Kategorie investieren, die hohe Nachfrage durch Datenschutzanforderungen, Energieeffizienz und Robustheit verspricht.
Empfehlungen für Entscheidungsträger und Investoren
- Pilotprojekte definieren: Unternehmen sollten konkrete Aufgaben identifizieren, die sich für agentische Automatisierung eignen. Termine koordinieren, Berichte erstellen oder Anfragen zusammenfassen sind gute Startpunkte.
- Hardware evaluieren: Edge‑Geräte mit spezialisierten KI‑Prozessoren ermöglichen lokale Ausführung. Entscheider sollten Leistungsfähigkeit, Energieverbrauch und Integration prüfen[16].
- Modelloptimierung einsetzen: Durch Kompression und Distillation lassen sich Modelle an die Kapazitäten von Edge‑Hardware anpassen[17].
- Datenschutz priorisieren: Datenschutzkonforme Agenten benötigen sichere Speicher, Zugriffskontrollen und Verschlüsselung[19]. Die Einhaltung der DSGVO ist dabei essenziell.
- Mitarbeitende schulen: Führungskräfte sollten Schulungen anbieten, damit Mitarbeitende lernen, mit Agenten zusammenzuarbeiten, Ergebnisse zu überprüfen und Verantwortung zu übernehmen.
- Partnerschaften aufbauen: Zusammenarbeit mit Anbietern wie AMERIA oder Start‑ups wie EdgeRunner ermöglicht Zugang zu Know‑how und beschleunigt die Einführung neuer Dienste.
- Governance etablieren: Eine klare KI‑Governance definiert Richtlinien für Nutzung, Datensicherheit und ethische Aspekte. Ein interdisziplinäres Team sollte die Entwicklung und den Einsatz überwachen.
Fazit
Generative Agenten markieren den Übergang von reaktiven Assistenten zu autonomen digitalen Begleitern. Sie verwenden große Sprachmodelle, Gedächtnisstrukturen und Werkzeugintegration, um komplexe Abläufe eigenständig zu bewältigen. Forschungen zeigen, dass Agenten überzeugend soziale Verhaltensweisen simulieren können und in der Lage sind, menschliches Handeln realistisch zu reproduzieren[7][8]. Unternehmen, die frühzeitig auf diese Technologie setzen, können ihre Produktivität steigern und neue Geschäftsmodelle entwickeln. In Kombination mit Edge‑Geräten wie MAVERICKAI Laptop bieten generative Agenten einen persönlichen Assistenten, der rund um die Uhr verfügbar ist – auch ohne Internetanbindung – und sich an die Bedürfnisse von Nutzerinnen und Nutzern anpasst[13]. Die nächsten Jahre werden zeigen, wie sich diese Systeme etablieren. Klar ist jedoch: Die Transformation hat begonnen, und wer jetzt handelt, gestaltet die Zukunft aktiv mit.
[1] [5] [6] Why AI agents are the next frontier of generative AI | McKinsey
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/why-agents-are-the-next-frontier-of-generative-ai
[2] [3] [4] [11] [12] [18] AI agents — what they are, and how they'll change the way we work - Source
https://news.microsoft.com/source/features/ai/ai-agents-what-they-are-and-how-theyll-change-the-way-we-work/
[7] [2304.03442] Generative Agents: Interactive Simulacra of Human Behavior
https://arxiv.org/abs/2304.03442
[8] Simulating Human Behavior with AI Agents | Stanford HAI
https://hai.stanford.edu/policy/simulating-human-behavior-with-ai-agents
[9] [10] [14] Newsroom | EdgeRunner Raises $17.5M to Develop Air-Gapped, On-Device AI for the Warfighter
https://www.edgerunnerai.com/news/edgerunner-raises-17-5m-to-develop-air-gapped-on-device-ai-for-the-warfighter
[13] AMERIA AG | MAVERICK AI | Our journey towards a Touchfree future for everyone.
https://www.ameria.com/maverickai
[15] Apple introduces M4 chip - Apple
https://www.apple.com/newsroom/2024/05/apple-introduces-m4-chip/
[16] Top 20 AI Chip Makers: NVIDIA & Its Competitors in 2025
https://research.aimultiple.com/ai-chip-makers/
[17] [19] Optimizing Edge AI: A Comprehensive Survey on Data, Model, and System Strategies
https://arxiv.org/html/2501.03265v1
[20] [21] [22] Autonomous generative AI agents | Deloitte Insights
https://www.deloitte.com/us/en/insights/industry/technology/technology-media-and-telecom-predictions/2025/autonomous-generative-ai-agents-still-under-development.html
-p-500.jpg)
