Agentic Reasoning 2029: Wenn KI-Agenten wirklich planen statt nur antworten — eine neue Qualitätsstufe

Datum: 2029-08-03 | Post #56 | Serie: BERTA Lab Insights 2029

Es gibt einen Unterschied, der in den meisten KI-Demos verborgen bleibt: den Unterschied zwischen einem Agenten, der antwortet, und einem Agenten, der plant.

2025 waren praktisch alle produktiven KI-Agenten im Modus "Frage → Antwort". Der Kontext war eine Eingabe, die Ausgabe war eine Antwort. Der Agent beobachtete, dachte kurz nach, antwortete.

2029 arbeiten wir mit Systemen, die über mehrere Schritte, Iterationen und Rückkopplungsschleifen planen können — und die Qualität ist eine andere.

Hier ist, was sich verändert hat.

Was "Reasoning" wirklich bedeutet

Der Begriff wird überstrapaziert. Ich versuche eine pragmatische Definition:

Antworten: Das Modell verarbeitet den Prompt und gibt eine Ausgabe aus. Keine Iteration, kein internes Probieren.

Reasoning: Das Modell arbeitet sich durch ein Problem in Schritten — prüft Zwischenergebnisse, korrigiert sich selbst, verfolgt einen Gedankengang bevor es zur Ausgabe kommt.

Agentic Reasoning: Das Modell plant eine Sequenz von Aktionen, führt sie aus, beobachtet Ergebnisse, adaptiert den Plan — über mehrere Werkzeugaufrufe und Entscheidungspunkte.

Der Sprung von "Antworten" zu "Agentic Reasoning" ist nicht linear. Er ist qualitativ anders.

Was sich 2028-2029 verändert hat

Im BERTA Lab nutzen wir seit 2025 Extended Thinking-Modelle. Aber der Durchbruch im Reasoning-Verhalten kam erst in den letzten 12-18 Monaten.

Was wir beobachten:

1. Bessere Fehlerkorrektur: Reasoning-Modelle bemerken ihre eigenen Inkonsistenzen häufiger. Wenn ein Agent einen Berechnungsfehler macht, erkennt er ihn in der Selbstüberprüfungsphase — und korrigiert ihn, bevor er in die Ausgabe geht.

2. Stabilere Agenten-Pipelines: Früher mussten wir viele Sicherheitsprüfungen extern einbauen ("gib mir JSON, prüfe ob es valides JSON ist, retry bei Fehler"). Heute sind die Modelle stabiler in der Selbstkonsistenz.

3. Planungshorizont: Ein Agent, der eine komplexe Aufgabe bekommt, kann jetzt einen Mehrschritt-Plan entwerfen, diesen evaluieren, und erst dann ausführen — statt blindlings mit Schritt 1 anzufangen.

Konkretes Beispiel aus unserem Lab:

Unser IT-Ausschreibungsanalyse-System: Früher mussten wir die Pipeline explizit orchestrieren — Schritt A gibt an Schritt B, B an C, usw. Das Modell wusste nicht, was als nächstes kommt.

Heute haben wir einen Orchestrierungsagenten, der die gesamte Analyse-Pipeline plant: Welche Dokumente brauche ich? In welcher Reihenfolge analysiere ich sie? Was ist mein Bewertungsrahmen? Erst dann beginnt die Ausführung. Das Ergebnis ist konsistenter — und die Fehlerrate bei der Endergebnisqualität ist gesunken.

Die Schattenseite: Reasoning ist teuer

Länger denkende Modelle kosten mehr. Mehr Input-Token, mehr Compute, längere Latenz.

Für eine Anwendung wie die Ausschreibungsanalyse, die einmal pro Anfrage läuft, ist das akzeptabel. Für Echtzeitsysteme wie Bea (Voicebot) ist Latenz kritisch — dort setzen wir Reasoning gezielt nur für spezifische Entscheidungspunkte ein, nicht für jede Spracheingabe.

Die Kunst ist: Reasoning dort einsetzen, wo es sich lohnt. Nicht überall.

Was wir gelernt haben: Designing for Reasoning

Reasoning-Agenten brauchen andere Prompts als Antwort-Agenten.

Was funktioniert:
- Klare Problembeschreibung mit Zielzustand
- Explizite Erlaubnis, Zwischenschritte zu zeigen
- Feedback-Loops: Der Agent darf Fragen stellen, wenn er Informationen vermisst
- Strukturierte Ausgabeformate, die Reasoning-Schritte sichtbar machen

Was nicht funktioniert:
- Überkomplexe Multi-Schritt-Prompts in einem einzigen Request
- Erwartung, dass Reasoning automatisch die richtige Strategie wählt — sie braucht Leitplanken
- Ohne Eval-Framework arbeiten: Reasoning-Qualität ist schwerer zu messen als Antwortqualität

Die ehrliche Bilanz

Agentic Reasoning ist keine Universallösung. Es ist ein Werkzeug — das für bestimmte Aufgabenklassen einen erheblichen Qualitätssprung bringt.

Wo wir es erfolgreich einsetzen:
- Komplexe Analyse-Aufgaben mit mehreren Schritten
- Entscheidungsunterstützung mit mehreren Variablen
- Planung und Orchestrierung von Sub-Aufgaben

Wo wir Standard-Inference bevorzugen:
- Echtzeit-Interaktionen (Voicebot)
- Einfache Klassifizierungsaufgaben
- Situationen, wo Latenz geschäftskritisch ist

Was 2029 am Horizon steht

Die nächste Qualitätsstufe, die wir beobachten: Multi-Agenten-Reasoning. Nicht ein Agent, der denkt — sondern mehrere Agenten, die gemeinsam über ein Problem nachdenken, sich widersprechen, korrigieren und zu einem besseren Ergebnis kommen als jeder Einzelne.

Das ist keine Theorie. Wir haben erste Produktivimplementierungen im Lab. Die Ergebnisse sind vielversprechend — und die Komplexität der Fehlerdiagnose ist erwartungsgemäß gestiegen.

Agentic Reasoning war 2025 ein Forschungsthema. 2029 ist es ein Produktions-Feature. Was 2030 bringt: Kollektives KI-Reasoning in echten Enterprise-Workflows.

Wir sind dabei.

Daniel Röding ist IT-Consultant bei Bechtle Bremen und leitet das BERTA Lab. Für Fragen zu Reasoning-Architekturen und Agenten-Design: gerne vernetzen.

#AgenticAI #ReasoningAI #EnterpriseAI #KI #ArtificialIntelligence #BertaLab #AIAgents #Innovation