Agentic AI auf AWS: Autonome KI-Agenten mit Amazon Bedrock Agents bauen

Agentic AI: Warum jetzt der Wendepunkt ist

Generative AI hat sich in den letzten zwei Jahren von der Textgenerierung zur Prozessautomatisierung entwickelt. Der entscheidende Unterschied: Während ein klassischer Chatbot auf eine Frage reagiert und eine Antwort liefert, plant ein KI-Agent eigenständig eine Sequenz von Aktionen, um ein Ziel zu erreichen.

Der Markt für KI-Agenten wächst mit einer jährlichen Rate von 46,3 Prozent — von 7,84 Milliarden US-Dollar im Jahr 2025 auf prognostizierte 52,62 Milliarden bis 2030. IDC erwartet eine Verzehnfachung der Agentennutzung und ein tausendfaches Wachstum bei Inferenzanforderungen bis 2027.

Gleichzeitig warnt Gartner, dass über 40 Prozent der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden — aufgrund eskalierender Kosten, unklarem Business Value oder unzureichender Risikokontrolle (Gartner, Juni 2025). Das unterstreicht: Agentic AI erfordert nicht nur die richtige Technologie, sondern auch klare Governance von Anfang an.

Agent vs. Chatbot: Die entscheidende Abgrenzung

Die Verwechslung von Chatbots und KI-Agenten ist das häufigste Missverständnis in Enterprise-AI-Projekten. Die Unterschiede sind fundamental:

Ein Bedrock Agent empfängt eine Aufgabe, zerlegt sie in Teilschritte, entscheidet welche Tools er benötigt, ruft diese auf, evaluiert die Ergebnisse und iteriert — bis die Aufgabe gelöst ist. Dieses Verhalten nennt AWS Multi-Step Reasoning (AWS Docs: How Bedrock Agents works).

Amazon Bedrock Agents: Architektur und Konzepte

Amazon Bedrock Agents ist ein vollständig verwalteter Service für den Aufbau autonomer KI-Agenten auf AWS. Die Architektur basiert auf drei Kernkomponenten:

1. Action Groups — Die Werkzeuge des Agenten

Action Groups definieren, was ein Agent tun kann. Jede Action Group beschreibt eine API oder Lambda-Funktion mit ihren Parametern und Rückgabewerten. Der Agent entscheidet zur Laufzeit eigenständig, welche Action Group er aufruft.

• API-basiert: OpenAPI-Schema definiert verfügbare Endpunkte — der Agent wählt den passenden automatisch.
• Lambda-basiert: Beliebige Geschäftslogik als Lambda-Funktion — CRM-Updates, Ticket-Erstellung, E-Mail-Versand.
• Return Control: Agent gibt die Kontrolle an die Anwendung zurück, wenn menschliche Bestätigung nötig ist.

Beispiel: Ein Agent für IT-Support könnte Action Groups für „Ticket erstellen" (Jira API), „Wissensbasis durchsuchen" (Knowledge Base) und „E-Mail senden" (SES) haben (AWS Docs: Action Groups).

2. Knowledge Bases — Das Gedächtnis des Agenten

Agenten greifen über Bedrock Knowledge Bases auf Unternehmenswissen zu. Die Knowledge Base wird als Tool behandelt — der Agent entscheidet selbst, wann er eine Wissensbasis abfragen muss. Das ist die Verbindung von RAG-Architektur und Agentic AI.

3. Orchestrierung — Das Gehirn des Agenten

Die Orchestrierungsschicht nutzt ein Foundation Model (typischerweise Anthropic Claude) für das Reasoning. Der Agent durchläuft einen Zyklus aus Denken → Handeln → Beobachten → Denken, bis die Aufgabe abgeschlossen ist. AWS nennt diesen Zyklus ReAct (Reason + Act).

Multi-Agent-Systeme: Spezialisierte Agenten orchestrieren

Seit März 2025 unterstützt Amazon Bedrock Multi-Agent Collaboration — die Fähigkeit, mehrere spezialisierte Agenten unter einem Supervisor-Agenten zu koordinieren (AWS: Multi-Agent Collaboration GA).

Das Prinzip: Statt einen einzelnen, universellen Agenten zu bauen, werden mehrere spezialisierte Agenten mit klar definierten Verantwortungsbereichen erstellt. Ein Supervisor-Agent koordiniert die Zusammenarbeit:

1. Supervisor-Agent empfängt die Benutzeranfrage und zerlegt sie in Teilaufgaben.
2. Spezialisierte Sub-Agenten bearbeiten ihre jeweilige Teilaufgabe (z. B. Datenrecherche, Berechnung, Dokumentenerstellung).
3. Ergebniszusammenführung — der Supervisor konsolidiert die Teilergebnisse zu einer Gesamtantwort.

Dieses Muster ist besonders wirksam für komplexe Geschäftsprozesse, die Fachwissen aus mehreren Domänen erfordern — etwa die Erstellung eines Kundenangebots, das Produktkatalog, Preiskalkulation und CRM-Daten kombiniert.

Praxisbeispiel: KI-gestützte B2B-Leadgenerierung bei honeysales

Ein konkretes Beispiel für den produktiven Einsatz von Agentic AI ist die KI-gestützte Leadgenerierung bei honeysales, die Storm Reply gemeinsam mit honeysales auf Amazon Bedrock umgesetzt hat.

Ausgangslage: honeysales benötigte einen skalierbaren Prozess, um CRM-Daten automatisch in qualifizierte Leads umzuwandeln — ein mehrstufiger Prozess, der ICP-Definition, Kundenprofilanalyse und automatisierte Ansprache umfasst.

Lösung: Ein Multi-Agent-System auf Amazon Bedrock AgentCore. Die KI-Agenten analysieren CRM-Daten automatisch, definieren ideale Kundenprofile und generieren qualifizierte Leads — ein Onboarding-Prozess, der zuvor Wochen dauerte, wurde auf Minuten reduziert.

Ergebnisse:

• Onboarding von Wochen auf Minuten reduziert
• CRM-Daten automatisch in qualifizierte Leads transformiert
• Skalierbares, cloud-natives Multi-Agent-System

Praxisbeispiel: Swat.io — Agentic Comment Management

Ein weiteres Storm Reply Kundenprojekt zeigt Agentic AI in der Content-Automatisierung: Swat.io entwickelte mit Storm Reply eine KI-Lösung zur automatisierten Verarbeitung von 65 Millionen Social-Media-Kommentaren pro Monat.

Die zweistufige KI-Architektur auf Amazon Bedrock klassifiziert Kommentare 3x schneller und generiert personalisierte Antworten 3,75x schneller — bei bis zu 90 Prozent Kostensenkung. Die Agenten nutzen Amazon Nova Micro für die Klassifizierung und Anthropic Claude für die Antwortgenerierung, wobei die Markenidentität jedes Kunden gewahrt bleibt.

Implementierung: Schritt für Schritt zum ersten Agenten

Der Aufbau eines Bedrock Agents folgt einem strukturierten Ablauf:

1. Use Case definieren: Welchen Geschäftsprozess soll der Agent automatisieren? Klarer Scope mit definierten Ein- und Ausgaben.
2. Action Groups entwerfen: Welche externen Systeme muss der Agent ansprechen? APIs als OpenAPI-Schema oder Lambda-Funktionen definieren.
3. Knowledge Base anbinden: Wenn der Agent auf Unternehmenswissen zugreifen muss — Bedrock Knowledge Base mit relevanten Dokumenten erstellen.
4. Foundation Model wählen: Anthropic Claude Sonnet für die meisten Agenten-Szenarien. Claude Opus für komplexe Reasoning-Aufgaben.
5. System-Prompt konfigurieren: Rolle, Verhaltensregeln und Ausgabeformat des Agenten definieren. Der System-Prompt steuert das Reasoning.
6. Guardrails aktivieren: Content-Filterung, PII-Erkennung, Topic-Restriction — bevor der Agent produktiv wird.
7. Testen und Iterieren: Bedrock Agent Console bietet eine integrierte Testumgebung. Trace-Logs zeigen jeden Reasoning-Schritt.

Guardrails und Governance: Die unterschätzte Voraussetzung

Die hohe Abbruchquote bei Agentic-AI-Projekten (40 Prozent laut Gartner) hat einen klaren Grund: fehlende Governance. Amazon Bedrock Guardrails adressieren die kritischen Enterprise-Anforderungen:

• Content-Filterung: Guardrails blockieren bis zu 88 Prozent schädlicher Inhalte mit mathematisch verifizierbaren Erklärungen bei 99 Prozent Genauigkeit (AWS: Bedrock Guardrails).
• PII-Erkennung: Personenbezogene Daten werden automatisch erkannt und maskiert — entscheidend für DSGVO-Konformität.
• Topic Restriction: Agenten können auf definierte Themengebiete eingeschränkt werden — keine Off-Topic-Aktionen.
• IAM Policy Enforcement: Sicherheitsteams können Guardrails als obligatorische IAM-Policies durchsetzen — jeder Modellaufruf wird kontrolliert (AWS Blog: IAM Policy Enforcement).
• Return Control: Agenten können die Ausführung pausieren und menschliche Bestätigung anfordern — Human-in-the-Loop für kritische Aktionen.

Guardrails arbeiten konsistent über alle Foundation Models hinweg — ob Bedrock-native oder selbstgehostete Modelle.

AgentCore: Die Enterprise-Plattform für Agentic AI

Mit Amazon Bedrock AgentCore bietet AWS eine dedizierte Plattform für den Betrieb von KI-Agenten im Enterprise-Maßstab (AWS: Bedrock AgentCore). AgentCore adressiert die operativen Herausforderungen, die bei Single-Agent-Prototypen noch nicht sichtbar sind:

• Intelligent Memory: Agenten behalten Kontext über Sessions hinweg — relevant für mehrtägige Geschäftsprozesse.
• Secure Gateway: Kontrollierter Zugriff auf Tools und Datenquellen mit feingranularer Berechtigungssteuerung.
• Browser Runtime: Agenten können komplexe webbasierte Workflows ausführen — in einer gesicherten Laufzeitumgebung.
• Code Interpreter: Sichere Code-Ausführung für Berechnungen, Datenanalysen und Visualisierungen.

Regulatorische Aspekte: EU AI Act und DSGVO

Autonome KI-Agenten im Enterprise-Kontext erfordern besondere regulatorische Aufmerksamkeit:

• EU AI Act: Agentic AI, die Entscheidungen mit rechtlicher Wirkung beeinflusst (HR, Kredit, Compliance), fällt potenziell in die Hochrisiko-Kategorie. Transparenz- und Dokumentationspflichten müssen von Anfang an eingeplant werden.
• DSGVO: Bedrock verarbeitet Daten in der EU-Region Frankfurt. Kundendaten werden nicht für Modelltraining verwendet. PII-Erkennung in Guardrails unterstützt die Datenminimierung.
• Audit-Pflicht: CloudTrail-Logging aller Agent-Aktionen, Model Invocation Logging für vollständige Nachvollziehbarkeit jedes Reasoning-Schritts.

Amazon Bedrock ist konform mit ISO, SOC, CSA STAR Level 2 und GDPR — die technische Infrastruktur für regulatorisch konforme Agentic-AI-Deployments ist vorhanden.

Storm Reply Agentic-AI-Kompetenz

Storm Reply ist AWS Premier Consulting Partner mit AWS Generative AI Competency (Launch Partner 2024). Agentic AI ist ein Schwerpunkt des Storm Innovator GenAI Frameworks:

• Agent Design Workshops: Use-Case-Identifizierung, Action-Group-Design, Governance-Framework — in zwei Tagen zum validierten Agentenkonzept.
• Multi-Agent-Architekturen: Entwurf und Implementierung von Supervisor-Strukturen für komplexe Geschäftsprozesse.
• Guardrails-as-Code: Infrastructure-as-Code-Ansatz für Guardrails — versioniert, reproduzierbar, auditierbar.
• Produktive Kundenprojekte: honeysales (Multi-Agent-Leadgenerierung), Swat.io (Agentic Comment Management), STP.One (Legal Twin) — nachweisbare Enterprise-Deployments.

Vorteile und Herausforderungen

Vorteile von Agentic AI auf Bedrock

• Vollständig verwaltet: Kein eigener Orchestrierungs-Code — Bedrock übernimmt Reasoning, Tool-Aufruf und Session Management.
• Enterprise-Governance: Guardrails, IAM-Enforcement, Human-in-the-Loop und vollständiges Audit-Logging.
• Multi-Agent-Skalierung: Spezialisierte Agenten statt monolithischer Alles-Könner — bessere Wartbarkeit und Testbarkeit.
• Modell-Flexibilität: Foundation Model jederzeit austauschbar — Claude, Titan, Llama — ohne Änderung der Agentenlogik.
• DSGVO-Konformität: EU-Region, kein Training auf Kundendaten, PII-Erkennung eingebaut.

Herausforderungen und Limitierungen

• Reasoning-Kosten: Agenten generieren mehr Token als einfache Prompt-Response-Interaktionen. Multi-Step Reasoning kann kostenintensiv sein.
• Latenz: Mehrstufige Agent-Zyklen addieren Sekunden zur Antwortzeit. Für Echtzeit-Anwendungen kann das relevant sein.
• Debugging-Komplexität: Agenten-Verhalten ist weniger vorhersagbar als regelbasierte Systeme. Trace-Logs sind essenziell.
• Governance-Aufwand: Enterprise-Agentic-AI erfordert Guardrails, Monitoring und Eskalationsprozesse — kein Self-Service-Deployment.
• Scope-Kontrolle: Ohne klare Action-Group-Grenzen können Agenten unerwartete Aktionen ausführen. Return Control und Topic Restriction sind Pflicht.

Häufige Fragen zu Agentic AI auf Bedrock

Was ist der Unterschied zwischen einem KI-Agenten und einem Chatbot?

Ein Chatbot reagiert auf einzelne Anfragen. Ein KI-Agent plant eigenständig mehrstufige Aktionen, nutzt externe Tools und führt Geschäftsprozesse autonom aus. Der entscheidende Unterschied ist die Fähigkeit zum Multi-Step Reasoning und Tool Use.

Wie funktionieren Action Groups in Amazon Bedrock Agents?

Action Groups definieren die Aktionen, die ein Agent ausführen kann. Jede Action Group beschreibt eine API oder Lambda-Funktion mit Parametern und Rückgabewerten. Der Agent entscheidet zur Laufzeit, welche Action Group er aufruft, um die Benutzeranfrage zu erfüllen.

Welches Foundation Model empfiehlt Storm Reply für Agenten?

Anthropic Claude Sonnet für die meisten Agenten-Szenarien — schnelles Reasoning bei gutem Preis-Leistungs-Verhältnis. Claude Opus für komplexe, mehrstufige Reasoning-Aufgaben. Amazon Nova für kostenoptimierte Klassifizierungsaufgaben innerhalb eines Multi-Agent-Systems.

Ausblick: Agentic AI wird zum Betriebsmodell

Agentic AI entwickelt sich von isolierten Agenten zu vernetzten Multi-Agent-Systemen, die ganze Geschäftsprozesse end-to-end automatisieren. Die Kombination aus Bedrock Agents, Knowledge Bases und AgentCore schafft eine Plattform, auf der Unternehmen nicht einzelne Aufgaben, sondern Prozesse an KI delegieren.

Gartner erwartet, dass Agentic AI bis 2035 rund 30 Prozent des Umsatzes mit Enterprise-Anwendungssoftware ausmachen könnte — über 450 Milliarden US-Dollar. Für DACH-Unternehmen bedeutet das: Der Zeitpunkt, Agentic-AI-Kompetenz aufzubauen, ist jetzt. Die Technologie ist verfügbar, die Governance-Tools sind reif, und die ersten produktiven Use Cases zeigen messbare Ergebnisse.