Begriffe aus unseren Artikeln, kurz erklärt

Agentic AI bezeichnet KI-Systeme, die nicht nur Antworten formulieren, sondern auf einen Auftrag hin eigenständig Schritte planen, Werkzeuge aufrufen und Zwischenergebnisse selbst bewerten. Statt eines isolierten Frage-Antwort-Spiels ergibt sich ein Ablauf: Plan, Aktion, Beobachtung, nächster Schritt.

Was Agentic AI ausmacht

• Werkzeugnutzung: das Modell kann APIs, Datenbanken oder Tools aufrufen (oft über MCP).
• Zwischenkontrolle: Ergebnisse werden geprüft, bevor der nächste Schritt erfolgt.
• Gedächtnis: zumindest kurzfristig hält der Agent Kontext über mehrere Schritte.
• Stoppkriterien: klare Bedingungen, wann der Auftrag als erfüllt gilt - oder eskaliert wird.

Praxisrelevanz

Im Tagesgeschäft löst Agentic AI Aufgaben, die für einen einzelnen Prompt zu groß sind: Recherche über mehrere Quellen, Vorbereitung von Schriftstücken, Auswertung von Eingangspost. Die Qualität steht und fällt mit der Werkzeugbeschreibung, sauberen Berechtigungen und einem klaren Abbruchverhalten bei Unsicherheit.

Abgrenzung

Ein Coding-Agent ist eine spezielle Form von Agentic AI für Softwareentwicklung. Ein einfacher Chatbot dagegen ist es nicht - sobald keine Werkzeuge oder Schritte im Spiel sind, fehlt der agentische Anteil.

Die DSGVO (Datenschutz-Grundverordnung) ist das EU-weite Regelwerk für den Umgang mit personenbezogenen Daten. Sie betrifft jeden Vorgang, in dem Namen, Kontaktdaten, Akten, Kundeninformationen oder ähnliche Daten verarbeitet werden - unabhängig davon, ob das in einer Cloud, lokal oder per Excel passiert.

Worauf sie zielt

• Zweckbindung: Daten werden nur für den Zweck verarbeitet, für den sie erhoben wurden.
• Datenminimierung: erhoben wird, was wirklich gebraucht wird, nicht mehr.
• Transparenz: Betroffene wissen, wer ihre Daten wofür nutzt.
• Rechte der Betroffenen: Auskunft, Berichtigung, Löschung, Datenübertragbarkeit.

Bezug zur IT

Bei Software-Projekten sind die zentralen Themen Auftragsverarbeitung, technisch-organisatorische Maßnahmen, Drittlandtransfer und das saubere Trennen von Test- und Produktivdaten. KI-Funktionen rücken zusätzlich Aspekte wie Trainingsdaten, Protokollierung und Modellbetreiberrolle in den Blick.

Praktischer Hebel

DSGVO-Tauglichkeit entsteht selten durch ein einzelnes Tool, sondern durch klare Verantwortlichkeiten, Datenflusspläne und kontrollierte Schnittstellen. Lokale KI und ein eigener RAG-Index sind oft Mittel, um eine eindeutige Datenhoheit überhaupt erst herzustellen.

Intelligent Document Processing (IDP) bezeichnet die automatisierte Verarbeitung von Dokumenten mit Hilfe von KI. Im Unterschied zur reinen OCR geht es nicht nur darum, Text aus einem Scan zu lesen, sondern den Inhalt zu verstehen, zu klassifizieren und in strukturierte Felder zu überführen.

Abgrenzung zu IdP (Identity Provider)

Die Abkürzung IDP wird in zwei sehr unterschiedlichen Welten verwendet. Hier ist Document Processing gemeint. Identity Provider (oft als IdP geschrieben) bezeichnen dagegen Systeme zur Authentifizierung und Single Sign-on.

Typische Schritte

• Klassifikation: Welcher Dokumenttyp liegt vor (Rechnung, Vertrag, Bescheid, Anschreiben)?
• Extraktion: Welche Felder sollen ausgelesen werden (Beträge, Datum, Vertragspartner, Aktenzeichen)?
• Validierung: Plausibilitätsprüfungen, Vier-Augen-Prozesse und Fallback bei unsicheren Ergebnissen.
• Übergabe: Bereitstellung der Ergebnisse an DMS, ERP, Fachverfahren oder Workflow-Engine.

Was den Unterschied macht

Eine zuverlässige IDP-Lösung steht und fällt mit der Datenqualität und dem Umgang mit Sonderfällen. Sauberer Eingangskanal, gute Trainingsdaten, klare Abbruchkriterien und ein menschlicher Prüfschritt für unsichere Fälle sind wichtiger als die Wahl des Modells.

Lokale KI bezeichnet Sprachmodelle und Werkzeuge, die im eigenen Rechenzentrum, auf einem eigenen Server oder auf einem Arbeitsplatzrechner laufen - nicht in der Cloud eines Anbieters. Daten verlassen damit das eigene Netz nicht zwingend, was für Kanzleien, Praxen und beratende Unternehmen oft das entscheidende Kriterium ist.

Wann lokale KI sinnvoll ist

• Vertrauliche Daten: Mandantenakten, Patientendaten, Finanzunterlagen.
• Vorgaben: Berufsrecht, Verträge mit Kunden, Branchenregulierung.
• Latenz: wiederkehrende Anfragen ohne Cloud-Roundtrip.

Was lokale KI in der Praxis bedeutet

Heute reicht für viele Aufgaben ein mittelgroßes Open-Source-Modell auf einer dedizierten GPU oder einem leistungsfähigen Server. Frameworks wie Ollama, vLLM oder llama.cpp betreiben das Modell, ein eigener RAG-Index hält die Wissensbasis bereit, ein MCP-Server stellt Werkzeuge zur Verfügung.

Was zu beachten ist

Lokale KI ist kein Selbstläufer: Modellpflege, GPU-Auslastung und Skalierung müssen begleitet werden. Dafür bleibt die Datenhoheit klar - und die Kosten sind über die Zeit besser planbar als bei API-Tarifen.

Das Model Context Protocol (MCP) ist ein offener Standard, der beschreibt, wie ein Sprachmodell oder ein Agent strukturiert mit externen Werkzeugen und Datenquellen sprechen kann. Statt jede Integration einzeln zu programmieren, beschreibt ein MCP-Server seine Fähigkeiten - und ein Client wie Claude oder ein eigener Agent kann sie sofort nutzen.

Worauf MCP zielt

Sprachmodelle werden erst dann nützlich im Tagesgeschäft, wenn sie eigene Daten lesen und Aktionen auslösen können: ins DMS schauen, in der Wissensbasis suchen, einen Termin in einem Kalender setzen. MCP definiert dafür eine standardisierte Schnittstelle, die unabhängig vom konkreten Modell ist.

Was ein MCP-Server bietet

• Werkzeuge (tools): klar beschriebene Aktionen, die der Agent aufrufen kann.
• Ressourcen: Daten, die der Agent lesen darf, etwa Dokumente oder Datensätze.
• Prompts: vorbereitete Bausteine, die ein Agent als Vorlage nutzen kann.

Praktische Bedeutung

Im Mittelstand reduziert MCP den Integrationsaufwand zwischen KI-Systemen und vorhandenen Anwendungen. Ein MCP-Server vor einer bestehenden API ist oft kürzer und stabiler als ein eigens gebauter Adapter pro KI-Werkzeug.

OPA (Open Policy Agent) ist eine Engine, die Entscheidungen über Zugriff und Verhalten von Anwendungen aus der eigentlichen Anwendung herauszieht. Regeln werden in der Sprache Rego beschrieben und zentral verwaltet, statt sie verstreut in Code, Konfigurationsdateien und Cloud-Konsolen zu pflegen.

Wofür OPA gedacht ist

• Zugriffskontrolle: Wer darf eine Aktion ausführen, auf welcher Ressource, unter welchen Bedingungen.
• Compliance-Regeln: technische Vorgaben, etwa welche Container-Images erlaubt sind oder welche Tags ein Deployment haben muss.
• Datenfilter: Welche Datensätze ein Aufrufer überhaupt sehen darf.

Warum das im Mittelstand nützlich ist

In gewachsenen Systemen sind Regeln oft im Code verstreut. OPA macht sie sichtbar, prüfbar und versionierbar. Eine Änderung der Berechtigungspolitik wird damit zu einem nachvollziehbaren Vorgang - statt zu einer Suche in zehn Repositories.

Verwandte Konzepte

OPA ist nicht das einzige Werkzeug für Policy-as-Code, aber das verbreitetste. In Kubernetes-Umgebungen begegnet es einem häufig als Gatekeeper, in API-Gateways als Sidecar oder Library.

Eine PWA (Progressive Web App) ist eine Webanwendung, die im Browser läuft, sich aber wie eine native App anfühlt: installierbar auf dem Startbildschirm, lauffähig ohne dauerhafte Verbindung, integriert mit dem Betriebssystem für Push-Benachrichtigungen oder Hintergrunddaten.

Was eine PWA ausmacht

• Manifest: beschreibt Name, Icon und Startverhalten der App.
• Service Worker: ein Skript im Hintergrund, das Caches verwaltet und Offline-Verhalten ermöglicht.
• HTTPS: Voraussetzung, damit moderne Browser-APIs überhaupt freigeschaltet werden.

Wann eine PWA passt

PWAs eignen sich gut, wenn dieselbe Funktion auf Desktop, Tablet und Smartphone benötigt wird, ohne für jede Plattform einen eigenen Build zu pflegen. Klassische Einsatzfelder sind interne Werkzeuge, Kundenportale, Buchungs- und Auftragsanwendungen.

Abgrenzung zur nativen App

Native Apps sind unverzichtbar, wenn tiefe Geräteintegration, Bluetooth, Sensorik oder besondere Performance gefragt sind. Für die meisten geschäftlichen Anwendungen genügt eine PWA - bei deutlich geringeren Kosten und ohne Store-Freigabe-Prozess.

Bei Retrieval-Augmented Generation (RAG) ergänzt ein Sprachmodell seine Antwort um Inhalte aus einer eigenen Dokumentenquelle. Statt sich allein auf das im Modell gespeicherte Wissen zu verlassen, wird zur Frage zuerst eine kleine Auswahl passender Textstellen aus einem Index gesucht (Retrieval). Anschließend antwortet das Modell auf Basis dieser Belegstellen (Generation).

Warum das relevant ist

In Unternehmen liegt das relevante Wissen selten im Modell, sondern in Akten, Verträgen, Wikis und Mailverläufen. RAG verbindet beides: das Sprachverständnis des Modells mit der konkreten, aktuellen Quelle aus dem eigenen Bestand. Das senkt das Risiko frei erfundener Antworten und erlaubt belegbare Aussagen.

Typische Bestandteile

• Ingest-Pipeline: Extraktion und Aufbereitung der Dokumente, oft mit OCR und Bereinigung.
• Chunking: Aufteilung in Textabschnitte, die einzeln durchsuchbar sind.
• Embedding-Index: Vektor-Repräsentation der Chunks in einer Vektor-Datenbank.
• Retrieval-Schritt: semantische Suche nach passenden Chunks, oft mit Re-Ranking.
• Generierung mit Belegen: das Modell erzeugt die Antwort und verweist auf die zugrunde liegenden Stellen.

Häufige Stolpersteine

Ein Pilot mit Musterdaten ist deutlich einfacher als der Regelbetrieb. Berechtigungen, Versionen, OCR-Qualität und nachvollziehbare Belege bestimmen, ob ein RAG-System im Tagesgeschäft akzeptiert wird.