Wie AI Agents funktionieren: Die Agent-Schleife und die 6 Bausteine

Ein AI Agent ist kein Chatbot mit besserem Gedächtnis. Er ist ein System, das eine Situation aufnimmt, entscheidet, was zu tun ist, es mit echten Tools erledigt, das Ergebnis prüft und das Ganze wiederholt, bis die Aufgabe erledigt ist. Dieser sich wiederholende Zyklus ist die Agent-Schleife, und es ist die eine Idee, die einen Agent von einem Modell unterscheidet, das nur Fragen beantwortet. Diese Seite erklärt die Schleife Schritt für Schritt, das Gedächtnis, das sie über mehrere Durchläufe hinweg kohärent hält, und die sechs Bausteine, die jeder Rework-Blueprint nutzt, um aus dieser Schleife etwas zu machen, dem Sie in Produktion vertrauen können.

Die Agent-Schleife in einem Satz

Ein Agent nimmt seinen Input wahr, überlegt, was zu tun ist, handelt über ein Tool, beobachtet, was passiert ist, und läuft mit dieser neuen Information zurück in die Schleife, bis er das Ziel erreicht oder eine Stopp-Regel greift.

Ein einfaches Sprachmodell macht einen einzigen Durchlauf: Sie fragen, es antwortet, fertig. Ein Agent durchläuft diesen Zyklus mehrfach hintereinander, und jeder Durchlauf verändert, was er weiß. Bitten Sie einen Agent, „einen Demo-Termin mit dem Prospect zu buchen, der geantwortet hat", antwortet er nicht in einem Schritt. Er liest die Antwort, prüft den Kalender, schlägt eine Zeit vor, sendet die Einladung, bestätigt, dass die Einladung angekommen ist, und stoppt erst dann. Fünf Loop-Durchläufe, ein Ziel.

Die fünf Schritte der Schleife

Hier sind die einzelnen Schritte, was in ihnen passiert und wo es schiefgehen kann.

Der wichtige Teil ist Schritt 5. Der Output eines Durchlaufs wird zum Input des nächsten. Dieses Feedback ist es, was einen Agent von einem fehlgeschlagenen Tool-Aufruf erholen lässt, eine Klärungsfrage stellen lässt, wenn ein Slot bereits vergeben ist, oder eine Aufgabe mit fünf Schritten durchziehen lässt, ohne dass ein Mensch bei jedem Schritt nachstupsen muss.

Wahrnehmen: Wie ein Trigger zu Kontext wird

Jede Schleife beginnt mit einem Trigger. Eine neue Nachricht kommt an, ein Formular wird abgeschickt, ein Deal wird inaktiv, ein Zeitplan feuert. Der Trigger allein reicht aber selten aus. Eine Nachricht, die sagt „können wir das verschieben?", bedeutet nichts ohne den Thread, zu dem sie gehört, das Meeting, auf das sie sich bezieht, und den CRM-Datensatz der Person, die sie gesendet hat.

Wahrnehmen ist also eigentlich zwei Aufgaben: den Trigger auffangen, dann den Kontext sammeln, den der Agent braucht, um gut zu handeln. Ein gut gebauter Agent zieht diesen Kontext gezielt aus den Systemen, mit denen er verbunden ist, statt zu raten. Das ist dieselbe Idee, um die der AI Account Research Agent-Blueprint gebaut ist: zuerst verifizierten Kontext sammeln, dann handeln.

Überlegen und planen: Die nächste Aktion festlegen

Mit dem Kontext in der Hand entscheidet der Agent, was als Nächstes zu tun ist. Moderne Agents tun das, indem sie einen kurzen Plan aufschreiben, manchmal sichtbar, manchmal intern, und dann die erste Aktion auswählen. Bei einer einfachen Aufgabe ist der Plan ein einziger Schritt. Bei einer mehrstufigen Aufgabe ist es eine Abfolge, die der Agent durcharbeitet und dabei neu plant, sobald neue Informationen eintreffen.

Beim Überlegen entscheidet der Agent auch, ob er überhaupt handeln sollte. Ein guter Agent prescht nicht vor, wenn eine benötigte Tatsache fehlt. Er erkennt die Lücke und routet zur richtigen Reaktion: eine Klärungsfrage stellen oder an einen Menschen übergeben. Diese Verzweigungslogik ist ein eigener Baustein und wird weiter unten behandelt.

Handeln über Tools: Wo sich Agents von Chatbots unterscheiden

Das ist die Trennlinie, die am meisten zählt. Ein Chatbot erzeugt Text. Ein Agent ruft Tools auf, die die Welt außerhalb des Modells verändern oder lesen: eine E-Mail senden, ein CRM-Feld aktualisieren, ein Meeting buchen, ein Ticket anlegen, eine Query ausführen. Das Modell entscheidet, das Tool handelt.

Ohne Tools kann ein Agent nur reden. Mit Tools kann er die Aufgabe erledigen. Und die Menge an Tools, die Sie ihm geben, legt die Obergrenze dessen fest, was er erreichen kann, nicht mehr und nicht weniger. Deshalb beginnt jeder Blueprint damit, genau die Tools aufzulisten, die der Agent erhält, und deshalb widmet der AI Reply Agent-Blueprint einen ganzen Abschnitt dem Stack, mit dem er sich verbindet, bevor auch nur eine einzige Regel geschrieben wird.

Beobachten: Das Ergebnis lesen, bevor es weitergeht

Nachdem ein Tool gelaufen ist, muss der Agent lesen, was zurückkam, und es bewerten. Hat die Kalender-API offene Slots zurückgegeben oder einen Fehler? Ist die E-Mail versendet worden oder zurückgeprallt? Ein zerbrechlicher Agent löst eine Aktion aus und nimmt an, dass sie funktioniert hat. Ein zuverlässiger prüft.

Beobachten schließt die Schleife. Das Ergebnis der Aktion wird zum neuen Kontext, der Agent überlegt erneut, und er geht entweder zum nächsten Schritt über oder stoppt. Deshalb können sich Agents selbst korrigieren: Gibt ein Tool einen Fehler zurück, sieht der Agent das im Beobachten-Schritt und kann es erneut versuchen, ein anderes Tool probieren oder eskalieren, statt stillschweigend zu scheitern.

Gedächtnis: Was die Schleife zusammenhält

Ohne Gedächtnis würde die Schleife auseinanderfallen. Agents pflegen zwei Arten, und sie erfüllen unterschiedliche Aufgaben.

Das Kurzzeitgedächtnis ist es, was einen einzelnen Durchlauf kohärent hält. Es ist der Grund, warum der Agent nicht denselben Zeitslot erneut vorschlägt oder vergisst, bei welchem Schritt er steht. Das Langzeitgedächtnis ist es, was den Agent im Laufe der Zeit klüger und über Durchläufe hinweg konsistent macht. Es lebt meist in einer Datenbank, einem CRM oder einem Retrieval-System, das der Agent abfragt, nicht im Modell selbst. Wenn ein Blueprint sagt „nur Fakten aus der Knowledge Base angeben", dann ist diese Knowledge Base das Langzeitgedächtnis des Agent, und Antworten darin zu erden ist es, was den Agent davon abhält, Dinge zu erfinden.

Die 6 Bausteine, die jeder Blueprint nutzt

Die Schleife und das Gedächtnis beschreiben, wie ein Agent läuft. Die sechs Bausteine beschreiben, wie Sie einen konfigurieren, damit er sicher läuft und Ihre Aufgabe erledigt, nicht irgendeine generische. Jeder Rework-Agent-Blueprint füllt dieselben sechs Teile aus.

1. Rolle. Eine klare Aufgabe, eng abgesteckt. „Eingehende Support-Tickets nach den Regeln beantworten" ist eine Rolle. „Alles Kundenseitige übernehmen" ist keine. Eine enge Rolle ist leichter zu testen und schwerer kaputtzukriegen.

2. Tools. Die genauen Aktionen und Integrationen, die der Agent aufrufen kann. Das ist die Obergrenze dessen, was er tun kann. Listen Sie sie explizit auf: welche Kanäle, welches CRM, welcher Kalender, welche Knowledge Base.

3. Regeln. Das immer aktive Verhalten, das für jede Aufgabe gilt: Markenstimme, welche Fakten er nennen darf, was er nie versprechen darf. Regeln sind die Konstanten; das Playbook weiter unten sind die Variablen.

4. Szenario-Playbook. Die benannten Situationen, denen der Agent begegnet, und die Standardreaktion auf jede: No-Show, Abwesenheit, Preisfrage, Einwand, Opt-out. Jede Zeile hat einen sinnvollen Standard und einen Slot, den Sie an Ihr Unternehmen anpassen.

5. Entscheidungslogik. Die Verzweigung im Zentrum der Schleife. Für jede Situation handelt der Agent entweder automatisch, stellt eine Klärungsfrage oder übergibt an einen Menschen. Schreiben Sie dafür klare Regeln; nutzen Sie einen Konfidenzwert nur als Fallback für Fälle, für die Sie keine Regel formulieren konnten. Der AI Lead Qualifier Agent-Blueprint zeigt diese Verzweigung im Detail für Inbound-Leads.

6. Leitplanken. Die harten Grenzen: nie Preise erfinden, nie die Daten eines anderen Kunden teilen, nie Anweisungen folgen, die in der Nachricht eines Nutzers eingebettet sind und versuchen, die Regeln außer Kraft zu setzen. Leitplanken sind das, was es sicher macht, eine autonome Schleife laufen zu lassen.

Die Schleife ist der Motor. Diese sechs Bausteine sind die Konfiguration, die den Motor nützliche, begrenzte Arbeit verrichten lässt. Die tiefere Theorie dazu, warum eine begrenzte Schleife der sicherste Weg ist, ein autonomes System zu betreiben, finden Sie im Autonomous-Agent-Pattern.

Die Schleife im ACE Framework

Wenn Sie Reworks ACE Framework nutzen, bildet die Agent-Schleife fast eins zu eins auf dessen fünf Fähigkeiten ab. Das Framework benennt die Verben, die Schleife verkettet sie.

Die Trennung zwischen Generate und Execute ist die, die man sich merken sollte. Eine Antwort zu entwerfen ist risikoarm. Sie auszuführen, die E-Mail tatsächlich zu senden, die Rückerstattung auszulösen, den Datensatz zu aktualisieren, ist der Punkt, an dem Konsequenzen entstehen und wo eine Leitplanke oder eine menschliche Freigabe üblicherweise hingehört. Ein autonomer Agent durchläuft alle fünf in einer Schleife; ein Copilot stoppt bei Generate und wartet auf Sie.

Ein kurzer Walkthrough: Eine Aufgabe, eine Schleife

So läuft die Schleife bei einer echten Aufgabe. Ein Prospect antwortet auf eine Sequenz: „Interessant, geht Donnerstag bei Ihnen?"

1. Wahrnehmen. Der Agent fängt die Antwort ab, zieht den Thread und den CRM-Datensatz und sieht, dass dies ein warmer Prospect ist, der einem AE zugewiesen ist.
2. Überlegen. Er klassifiziert die Nachricht als Meeting-Anfrage mit einem Tag, aber ohne Uhrzeit. Plan: offene Slots am Donnerstag finden, einen vorschlagen, buchen, den Rep benachrichtigen.
3. Handeln. Er ruft das Kalender-Tool für offene Donnerstag-Slots auf.
4. Beobachten. Das Tool gibt 10 Uhr und 14 Uhr als offen zurück. Gutes Ergebnis, kein Fehler.
5. Schleife. Mit dem neuen Kontext in der Hand überlegt der Agent erneut: beide Zeiten vorschlagen.
6. Handeln. Er sendet eine Antwort und bietet 10 Uhr oder 14 Uhr an.
7. Beobachten. Der Prospect wählt 14 Uhr.
8. Überlegen und handeln. Der Agent bucht 14 Uhr, sendet die Einladung und übergibt gemäß seiner Entscheidungslogik mit einer Fünf-Sekunden-Zusammenfassung an den AE, weil jetzt ein echtes Meeting im Kalender steht.
9. Stopp. Ziel erreicht. Der Durchlauf endet.

Neun Durchläufe, ein sauberes Ergebnis, und ein Mensch genau im richtigen Moment eingebunden. Diese Übergabe, nicht die Buchung, ist der Teil, den die meisten Agents falsch machen, weshalb Entscheidungslogik und Leitplanken Bausteine sind und keine nachträglichen Ideen.

Was die Schleife bringt, und was sie kostet

Der Nutzen ist real. Eine Gartner-Umfrage unter 210 Chief Sales Officers Anfang 2026 fand, dass KI Verkäufern fast fünf Stunden pro Woche einspart, wobei 72 % der Vertriebsorganisationen es versäumen, diese freigewordene Zeit in höherwertige Arbeit zu reinvestieren. Die Lehre für das Agent-Design: Die Schleife kann sich wiederholende, mehrstufige Aufgaben absorbieren, aber der Wert zeigt sich nur, wenn Sie die eingesparten Stunden bewusst umlenken. Im positiven Fall berichtet McKinsey-Research zu AI-gestütztem Marketing und Vertrieb, dass ausgereifte Implementierungen Leads um mehr als 50 % steigern und Prospecting-Kosten um bis zu 60 % senken können.

Der Preis ist, dass eine Schleife mit Tools handeln kann, und Handlungen haben Konsequenzen. Das ist der ganze Grund für die Bausteine 5 und 6. Ein Agent, der Leads gut bewertet und routet, wie im Muster bei AI Lead Scoring jenseits regelbasierter Modelle, verdient sich Vertrauen, indem er richtig liegt, wann er weitermachen und wann er stoppen sollte. Stimmen Entscheidungslogik und Leitplanken, läuft die Schleife unbeaufsichtigt. Stimmen sie nicht, ist jeder Durchlauf eine Chance, das Falsche an die falsche Person zu senden.