Künstliche Intelligenz verändert die Kommunikation nachhaltig. Eine zentrale Rolle spielen dabei sogenannte KI-Agenten. Diese autonomen Softwarelösungen können selbstständig komplexe Aufgaben übernehmen, Daten analysieren, Inhalte erstellen und mit Nutzern interagieren. Ende März präsentierte Amar Hekalo, AI Engineer und Data Scientist bei RLVNT.AI, beim Convento PR-Impuls vor über 300 interessierten Teilnehmern, wie KI-Agenten die Unternehmenskommunikation verändern. Von der automatisierten Content-Erstellung über intelligentes News-Monitoring bis hin zu agentengestützter Strategieplanung zeigte er anhand konkreter Live-Demos, was heute bereits möglich ist und worauf es bei der Umsetzung ankommt.
Ein Markt im Umbruch
Die Dynamik ist enorm: Laut Gartner werden 40 Prozent aller Enterprise-Anwendungen bis 2026 aufgabenspezifische KI-Agenten beinhalten. 2025 waren es noch unter fünf Prozent. Für Kommunikationsverantwortliche bedeutet das einen fundamentalen Wandel. KI-Agenten sind keine Zukunftsmusik mehr, sondern bereits produktiv im Einsatz, in Bereichen wie Content-Erstellung, Social Media Management, PR und Medienarbeit, Kundenkommunikation, Marketing, Prozessautomatisierung, Analyse und Monitoring bis hin zu Predictive AI und Generative Engine Optimization (GEO). Gerade GEO, also die Optimierung von Inhalten für KI-generierte Suchantworten in Google AI Overviews, ChatGPT Search oder Bing Copilot, wird für PR- und Kommunikationsprofis zunehmend geschäftskritisch.
Was KI-Agenten von klassischen Assistenten unterscheidet
Amar Hekalo machte den entscheidenden Unterschied greifbar: Ein KI-Assistent reagiert auf Eingaben in einer Chatoberfläche, arbeitet mit begrenzten Tools und benötigt bei jedem Schritt menschlichen Input. Ein KI-Agent hingegen nimmt seine Umgebung über Sensoren wahr, verarbeitet Informationen eigenständig und handelt über Akteure. Er versendet E-Mails, erstellt Dokumente, durchsucht das Web oder orchestriert weitere Workflows. Entscheidend dabei: Auch klassische Assistenten können mit agentischen Eigenschaften erweitert werden. Die Grenze ist fließend.
Die Architektur eines LLM-Agenten
Ein KI-Agent, der auf einem Large Language Model basiert, besteht aus drei Kernkomponenten: Sensoren nehmen Eingaben auf, darunter Dokumente, Nutzeranfragen, Bilder oder strukturierte Daten wie RAG-Inhalte und Instruktionen. Das Reasoning des Agenten umfasst Problemlösung, Selbstreflexion und Aufgabenstrukturierung, bis hin zur Kollaboration mit anderen Agenten. Über Akteure interagiert der Agent schließlich mit seiner Umgebung, etwa durch Websuche, Mailversand, Dokumentenerstellung oder die Anbindung an Live-Daten. Hinzu kommen ein Gedächtnis in Form des Chat-Verlaufs sowie Kontext, der über einen strukturierten Prompt bereitgestellt wird.
Frameworks und Tools: Was ist aktuell verfügbar?
Die aktuelle Landschaft der Agenten-Tools lässt sich in drei Kategorien einteilen: Single-Agent-Systeme wie ChatGPT, Claude oder Gemini bieten einzelne Agenten mit Chat-Interface und Tool-Zugriff. Workflow-Tools wie n8n, Make oder Zapier ermöglichen visuelle Prozessautomatisierung mit KI-Integration. Agenten-Frameworks wie LangChain oder CrewAI richten sich an Entwicklerteams, die komplexe Agentensysteme individuell implementieren möchten. Plattformen wie Langdock oder Microsoft Copilot Studio bewegen sich dabei zunehmend zwischen den ersten beiden Kategorien: Sie bieten einerseits einfache Chat-basierte Agenten, erweitern ihr Angebot aber stetig um Workflow- und Orchestrierungsfunktionen, ohne dabei Programmierkenntnisse vorauszusetzen. Die Empfehlung von RLVNT.AI: n8n für Workflow-Automatisierung, Langdock als Agenten-Plattform und Claude als bevorzugtes LLM. Alle drei bieten sowohl Cloud- als auch Self-hosted-Optionen und sind datenschutzkonform einsetzbar.
Drei Praxisbeispiele aus dem Arbeitsalltag
Besonders greifbar wurde der Vortrag durch drei Live-Demonstrationen, die zeigten, wie KI-Agenten heute bereits produktiv eingesetzt werden können.
- Strategieplanung: ChatGPT Thinking vs. Agent Mode
Im direkten Vergleich anhand eines fiktiven Szenarios zeigte sich ein entscheidender Unterschied: Der Agent Mode verstand die Aufgabenstellung tiefgreifender, erkannte das fiktive Szenario als solches und schlug entsprechend realistische, kontextbezogene Maßnahmen vor. Der Thinking Mode hingegen neigte zu Halluzinationen und behandelte das fiktive Beispiel als realen Fall. Ein eindrückliches Beispiel dafür, wie unterschiedlich verschiedene KI-Modi mit komplexen Aufgabenstellungen umgehen.
- AI-News Monitoring und Briefing: Multi-Agenten-Workflow
Das zweite Beispiel demonstrierte einen automatisierten Research-Workflow, bei dem vier spezialisierte Agenten zusammenarbeiten: Der Topic-Extractor identifiziert relevante Themen, der Topic-Consolidator fasst sie zusammen, der Relevance-Analyst bewertet ihre Relevanz für das eigene Unternehmen und der Deep Research Agent liefert vertiefte Analysen. Das Ergebnis: ein fertiges, hochwertiges Briefing ohne manuellen Aufwand. Ein Paradebeispiel für die Leistungsfähigkeit von Multi-Agenten-Systemen.
- Content Creation mit Asana: Human-in-the-Loop
Das dritte Beispiel zeigte, wie Automatisierung und menschliche Kontrolle bewusst kombiniert werden können. In zwei verketteten Workflows erstellt zunächst ein Content-Briefer automatisch Briefings und legt diese als Aufgaben in Asana an. Nach menschlicher Prüfung und Freigabe übernimmt im zweiten Workflow ein Creation-Agent die eigentliche Content-Erstellung. Der Human-in-the-Loop über Asana stellt sicher, dass Qualität und redaktionelle Kontrolle gewährleistet bleiben.
Fazit: Klare Tools, die klare Anweisungen brauchen
Amar Hekalo machte deutlich: Agentensysteme entwickeln sich rasant weiter. Die Autonomie steigt stetig, wird aber vermutlich nie 100 Prozent erreichen. Robustheit bleibt ein essenzieller Faktor, denn Agenten müssen zuverlässig und nachvollziehbar arbeiten. Sie sind klare Tools, die genaue Anweisungen und den richtigen Einsatz vorhandener Daten benötigen. Immer mehr Unternehmen setzen KI-Agenten ein und profitieren davon. Der Schlüssel liegt darin, sie sinnvoll und strukturiert zu nutzen, nicht als Spielerei, sondern als echten Bestandteil der Kommunikationsstrategie.
Vielen Dank für diesen praxisnahen und technisch fundierten Input, lieber Amar! Gerne wieder, um die rasante Entwicklung bei KI-Agenten weiter zu begleiten und zu zeigen, wie Kommunikationsteams konkret davon profitieren können?