Agentic AI: Wenn Software anfängt zu handeln

#Dein Chatbot ist nutzlos.

Das klingt hart, aber in einem geschäftlichen Kontext ist es oft die Wahrheit. Chatbots, wie wir sie aus der ersten Welle des Hypes kennen, sind "Talkers". Sie können dir erklären, wie man eine Rechnung bezahlt. Aber sie können die Rechnung nicht bezahlen.

Wir verlassen gerade die Ära der Generative AI (die Inhalte erstellt) und betreten die Ära der Agentic AI (die Aktionen ausführt).

Für Schweizer Unternehmen bedeutet das: Wir bewegen uns weg von Software, die man bedient, hin zu Software, die handelt.

#Kapitel 1: The Architecture of Action

Was unterscheidet einen Agenten von einem LLM? Die Fähigkeit zur Interaktion mit der Welt.

Ein LLM ist ein Gehirn im Tank. Ein Agent ist ein Gehirn mit Armen und Beinen (Tools). Der Kern eines Agenten ist der ReAct-Loop (Reasoning + Acting).

1. Thought: Der Agent analysiert die Anfrage.
2. Plan: Er entscheidet, welches Tool er braucht.
3. Action: Er führt den Code aus (API Call, Datenbank-Query).
4. Observation: Er liest das Ergebnis und passt seinen Plan an.

Code-Beispiel: Function Calling in Python

Hier ist ein vereinfachtes Beispiel aus unserer Produktion, wie wir LiteLLM nutzen, um einem Agenten die Entscheidung zu überlassen, ob er eine Wetter-API aufruft.

import litellm
from pydantic import BaseModel, Field
 
# 1. Definiere das Tool (Arme & Beine)
class GetWeather(BaseModel):
    """Ruft das aktuelle Wetter für eine Stadt ab."""
    location: str = Field(..., description="Die Stadt, z.B. Zürich")
 
tools = [GetWeather]
 
# 2. Der Prompt (Das Gehirn)
messages = [{"role": "user", "content": "Soll ich heute in Bern einen Regenschirm mitnehmen?"}]
 
# 3. Die Entscheidung (Orchestration)
response = litellm.completion(
    model="gpt-4o",
    messages=messages,
    tools=tools,
    tool_choice="auto" # Die AI entscheidet selbstständig
)
 
# Wenn die AI entscheidet, das Tool zu nutzen, erhalten wir einen strukturierten Call zurück.
if response.choices[0].message.tool_calls:
    # Führe API Request aus...
    print("Agent hat entschieden: Wetter-API abfragen.")

Das ist der fundamentale Baustein. Wir verbinden Logik mit externen Systemen.

#Kapitel 2: Security & Sandboxing (Daytona)

Das größte Risiko bei Agentic AI ist Sicherheit. Wenn eine KI eigenen Code schreiben und ausführen kann (z.B. für Datenanalyse), darf dieser Code niemals direkt auf dem Produktionsserver laufen. Ein halluzinierter rm -rf / Befehl könnte katastrophal sein.

Deshalb nutzen wir bei Vibe Studio Daytona und Docker Sandboxes.

Jeder Agent, der Code ausführt, tut dies in einer isolierten, ephemeren (flüchtigen) Umgebung. Diese Sandbox lebt nur für die Dauer der Aufgabe und wird danach vernichtet. Sie hat keinen Zugriff auf das Host-System, nur auf die explizit freigegebenen Daten via MCP (Model Context Protocol).

Das ermöglicht Enterprise-Grade Sicherheit für autonome Systeme.

#Kapitel 3: Case Study – Primai.ch (Der Versicherungs-Agent)

Für Primai haben wir nicht einfach einen Chatbot gebaut, der Fragen zu Versicherungen beantwortet. Wir haben ein System gebaut, das den bürokratischen Prozess übernimmt.

Der Agentic Workflow:

1. Input: Der Nutzer gibt seine Versicherungsdaten ein.
2. Calculation: Der Agent nutzt Python (pandas), um Kündigungsfristen und Sparpotenziale zu berechnen.
3. Action (Generation): Der Agent generiert dynamisch ein rechtssicheres Kündigungsschreiben als PDF.
4. Action (Dispatch): Der Agent verbindet sich via API mit dem E-Mail-Provider und versendet das Dokument.

Das ist "Action, not just Talk". Es reduziert die administrative Last für den Nutzer auf Null.

#Kapitel 4: The Future (AnewEra)

Mit AnewEra.ch gehen wir einen Schritt weiter. Wir bauen eine Plattform, auf der Nutzer solche Agenten durch einfaches Prompting erstellen können.

Die Vision: Ein "App Store" für digitale Mitarbeiter. Ein Agent für die Buchhaltung, der Rechnungen parst und in bexio verbucht. Ein Agent für HR, der Kandidaten vorqualifiziert. Alles orchestriert durch unseren Python-Stack.

#Fazit: Automatisierung ist der neue Wettbewerbsvorteil

In einer Hochlohn-Ökonomie wie der Schweiz ist Effizienz alles. Agentic AI erlaubt es uns, komplexe, kognitive Back-Office-Aufgaben zu automatisieren, die bisher Menschen vorbehalten waren.

Wir reden hier nicht von Zukunftsmusik. Wir bauen diese Systeme heute. Mit Python, FastAPI, Docker und LLMs.

Hast du einen Prozess, der automatisiert werden muss?

Reden wir über System-Architektur.