{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","canonicalLink":"https://www.snowflake.com/de/artificial-intelligence/agents/","robotsTags":[],"allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"description":"Erfahren Sie, wie KI-Agenten logisch schlussfolgern, Tools nutzen und über Workflows hinweg agieren. Lernen Sie wichtige Architekturmuster, Governance-Anforderungen und Enterprise-Anwendungsfälle kennen.","language":"de","title":"KI-Agenten: Architektur und Governance | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":type":"snowflake-site/components/structure/page",":mappedPath":"/de/artificial-intelligence/agents/",":items":{"root":{"columnCount":12,"columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"experiencefragment-banner":{"id":"experiencefragment-cbd957ff5b","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master.xfmodel.json"},"experiencefragment-header":{"id":"experiencefragment-dd51ba404c","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master.xfmodel.json","languageNavPath":"/content/snowflake-site/global/de/artificial-intelligence/agents.languagenav.json"},"responsivegrid":{"columnCount":12,"columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1158003461":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1398138236":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_topics_row2":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1377146023":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"flexible_column_cont":{"id":"flexible-column-container-66cb45479e","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-3bc3ff156f",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-36fda41d1e","items":[{"id":"breadcrumb-36fda41d1e-item-086a1ac238","link":{"valid":true,"url":"/de/"},"active":false,"current":false,"title":"Deutsch",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-36fda41d1e-item-b4dc78da23","link":{"valid":true,"url":"/de/artificial-intelligence/"},"active":false,"current":false,"title":"Künstliche Intelligenz",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-36fda41d1e-item-a88b96e604","link":{"valid":true,"url":"/de/artificial-intelligence/agents/"},"active":true,"current":true,"title":"KI-Agenten",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-868094e2ef","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-46ceba050d",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-2b213d59e7","additionalClasses":"hub-hero__headline","type":"heading1","lines":["KI-Agenten: Ein Leitfaden für Agentic AI-Architektur und Governance"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-ce090beb94","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EKI-Agenten heben Unternehmens-KI auf die nächste Stufe — weg von isolierten Prompts, hin zu autonomen Workflows, die selbstständig logisch schlussfolgern, Kontext abrufen, Tools nutzen und gezielt Aktionen ausführen können. Die zentrale Herausforderung liegt heute nicht mehr nur in der Entwicklung leistungsfähigerer Agenten, sondern in deren vertrauenswürdiger Anbindung an Unternehmensdaten, Applikationen und bestehende Governance-Systeme.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-b14eb94617",":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-1a75303fc2","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?quality=85&preferwebp=true","lazyEnabled":true,"alt":"Laurie MacPherson","isLcpImage":true,"width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","Technical Writer, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip_copy":{"id":"content-chip-10a1b44351","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/blog/authors/gulnaz-sharipova/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"512","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--f7c921fe-d10f-4d90-ac38-c79aff7cf132/gulnaz-photo.jpg?quality=85&preferwebp=true","lazyEnabled":true,"alt":"Gulnaz Sharipova ","isLcpImage":false,"width":"512",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Gulnaz Sharipova","Lokale Redakteurin, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip","content_chip_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-982a072945",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-9677143e8f","youtubeVideoId":"CtqKJV6gyGQ","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-c3bc36e69e","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-8ba7c0d2ee",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-f79875962b","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003EThemen rund um KI-Agenten:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-1623c048d6","additionalClasses":"related-topics ","text":"\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/agents/agent-evaluation/\"\u003EAgent Evaluation\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/agents/harness/\"\u003EAgent Harness\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/agents/agent-orchestration/\"\u003EAgent Orchestration\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/agents/agent-planning/\"\u003EAgent Planning\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/agents/autonomous-agents/\"\u003EAutonomous Agents\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/agents/coding-agents/\"\u003ECoding Agents\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text_894059747","text"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-2edc557291","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"callout__0":{"id":"text-dd5e0ac409","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EDEFINITION VON KI-AGENTEN\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EEin KI-Agent ist ein Softwaresystem, das ein KI-Modell innerhalb eines orchestrierten Workflows nutzt, um ein Ziel zu verfolgen, Kontext zu interpretieren, nächste Schritte zu beschließen, genehmigte Tools oder Datenquellen aufzurufen, Ergebnisse zu evaluieren und so lange fortzufahren, bis es die Aufgabe abschließt, eskaliert oder stoppt.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-76bfb8c2c4","text":"\u003Cp\u003EEnterprise-KI lässt das Zeitalter isolierter Prompt-Eingaben hinter sich. Noch vor einem Jahr konzentrierten sich viele KI-Initiativen darauf, Mitarbeitenden Zugang zu \u003Ca href=\"https://www.snowflake.com/en/fundamentals/ai-chatbots/\"\u003EChatbots\u003C/a\u003E zu verschaffen: eine Datei hochladen, eine Zusammenfassung anfordern, eine Frage stellen. Heute fordern Unternehmen Agentic AI-Systeme, die über Daten, Tools, Codebasen und Geschäfts-Workflows hinweg mit ausreichend Kontext und Kontrolle arbeiten können, um mehrstufige Tasks abzuschließen.\u003C/p\u003E\r\n\u003Cp\u003EEin KI-Agent darf jedoch nicht wie ein Chatbot mit erweiterten Berechtigungen behandelt werden. Er benötigt Zugriff auf Kontext, aber keinen uneingeschränkten Zugriff auf jedes System. Er benötigt Zugriff auf Tools, aber nicht die Freiheit, jedes beliebige Tool auf beliebige Weise zu nutzen. Er benötigt ausreichend Autonomie, um einen Task abzuarbeiten, aber auch genügend Kontrolle für das Unternehmen, um nachzuvollziehen, was er getan hat, welche Daten er verwendet hat und warum er eine bestimmte Maßnahme ergriffen hat.\u003C/p\u003E\r\n\u003Cp\u003EGartner prognostiziert, dass bis 2028 33 % der Enterprise-Softwareanwendungen Agentic AI integrieren werden – ein dramatischer Sprung von weniger als 1 % im Jahr 2024.\u003Csup\u003E1\u003C/sup\u003E Da Agenten Teil der Enterprise-Softwareschicht werden, besteht die praktische Herausforderung darin, Agenten über eine \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/\"\u003EGovernance\u003C/a\u003E-Schicht mit Daten, Tools und Workflows zu verbinden, die anbieterübergreifend funktioniert, Berechtigungen wahrt und Aktionen auditierbar hält.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-an-ai-agent":{"id":"title-v2-4fb2ead4ac","additionalClasses":"anchor-title anchor-title--what-is-an-ai-agent","type":"heading2","lines":["Was ist ein KI-Agent?"],":type":"snowflake-site/components/title-v2"},"text_what-is-an-ai-agent_0":{"id":"text-f4f820c23a","text":"\u003Cp\u003EEin KI-Agent ist ein Softwaresystem, das KI nutzt, um ein Ziel zu verfolgen, Entscheidungen zu treffen und über Anwendungen oder andere Systeme Maßnahmen zu ergreifen. Er arbeitet einen Task ab, indem er zunächst die Anfrage interpretiert und Kontext sammelt, dann entscheidet, was als Nächstes zu tun ist, das richtige Tool (oder die richtigen Tools) aufruft, die Ergebnisse überprüft und so lange fortfährt, bis er ein Ergebnis erzielt oder den Task an eine Person oder ein anderes System übergibt.\u003C/p\u003E\r\n\u003Cp\u003EDie meisten aktuellen Enterprise-Agenten nutzen \u003Ca href=\"https://www.snowflake.com/de/fundamentals/large-language-model/\"\u003ELarge Language Models\u003C/a\u003E (LLMs) als ihre Reasoning-Schicht. Aber ein KI-Agent ist viel mehr als nur sein Modell. Er umfasst die Orchestrierungslogik rund um das Modell: die Anweisungen, die sein Verhalten prägen, die Planungsschleife, die den nächsten Schritt bestimmt, den Speicher oder Task-Status, auf den er verweisen kann, und die Konnektoren, mit denen er genehmigte Tools und Datenquellen aufrufen kann.\u003C/p\u003E\r\n\u003Ch3\u003EAgentic AI vs. generative KI vs. ML\u003C/h3\u003E\r\n\u003Cp\u003EWährend traditionelles \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/\"\u003Emaschinelles Lernen\u003C/a\u003E (ML) in automatisierte Workflows integriert und \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/generative-ai/\"\u003Egenerative KI\u003C/a\u003E mit Tools verbunden werden kann, ist keines von beiden für sich allein agentisch. Was ein KI-System agentisch macht, ist die zielgerichtete Schleife um das Modell herum: Kontext, Konnektivität, Tool-Nutzung, Status und ausreichend Autonomie, um einen mehrstufigen Task abzuarbeiten.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003ETraditionelles ML prognostiziert oder klassifiziert:\u003C/b\u003E Systeme für maschinelles Lernen werden in der Regel darauf trainiert, Muster in Daten zu erkennen und eine Prognose, Klassifizierung, einen Score oder eine Empfehlung zurückzugeben. Die Modellausgabe kann zwar in einen Workflow einfließen, der Workflow selbst wird jedoch außerhalb des Modells definiert.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EGenerative KI erstellt neue Inhalte:\u003C/b\u003E Generative KI-Modelle erzeugen Text, Bilder, Code, Audio oder andere Ausgaben anhand eines Prompts oder einer Eingabe. Ein:e Nutzer:in stellt eine Frage, fordert eine Zusammenfassung an oder gibt Anweisungen, und das Modell generiert eine Antwort. Die Interaktion kann in Form eines Gesprächs stattfinden, das System beschränkt sich jedoch in der Regel darauf, eine Ausgabe für die Nutzer:innen zu generieren.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EAgentic AI handelt zielgerichtet:\u003C/b\u003E Agentic AI nutzt Modelle innerhalb eines breiteren Systems, das Kontext abrufen, nächste Schritte auswählen, Tools aufrufen, Ergebnisse beobachten und fortfahren kann, bis es ein Ergebnis erzielt oder die Aufgabe übergibt. Das Modell kann logisches Denken oder Generierung bieten, aber das Agentic-System gibt diesem Modell Zugriff auf Kontext, einen Weg zum Handeln und einen Prozess zur Entscheidung über die nächsten Schritte.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Ch3\u003EKI-Agenten vs. Data Agents\u003C/h3\u003E\r\n\u003Cp\u003EEin Data Agent ist ein spezialisierter KI-Agent, der sich auf die Arbeit mit Daten konzentriert. Er verbindet natürliche Sprache, Geschäftskontext und Datensysteme, sodass Personen Fragen stellen, Abfragen generieren, Metadaten prüfen, die Qualität kontrollieren, Datensätze zusammenfassen oder Anomalien untersuchen können, ohne manuell zwischen Tools wechseln zu müssen.\u003C/p\u003E\r\n\u003Cp\u003EEin Data Agent benötigt kontrollierten Zugriff auf Daten. Er muss Metrikdefinitionen, die Aktualität von Tabellen, die Lineage auf Spaltenebene, Eigentumsverhältnisse, Zugriffsrichtlinien und genehmigte Abfragepfade verstehen. Wenn ein:e Nutzer:in beispielsweise nach der Kundenabwanderung nach Region fragt, sollte der Agent wissen, welche Abwanderungsdefinition genehmigt ist, welche Kundentabelle aktuell ist, ob der:die Nutzer:in Details auf Zeilenebene sehen darf und ob die Antwort aggregiert werden sollte.\u003C/p\u003E\r\n\u003Cp\u003E„Das Hinzufügen von Kontext ist derzeit das Schlachtfeld“, erklärt William Allen, Head of Product für CoWork & Agents bei Snowflake. „Die Frage ist, wie man dem Agenten bei jedem Schritt Kontext gibt, ohne ihn zu überfordern und ohne ihn auf Abwege zu führen.“\u003C/p\u003E\r\n\u003Cp\u003EData Agents müssen auch mit verschiedenen Arten von Daten arbeiten können. Eine Umsatzuntersuchung kann eine SQL-Tabelle, ein Vertrags-PDF, ein Support-Transkript und eine Dashboard-Definition umfassen. Ein KI-Data-Agent führt diese Objekte über eine kontrollierte Schnittstelle zusammen, sodass das Modell die Geschäftsfrage analysieren kann, ohne Zugriffskontrollen zu umgehen.\u003C/p\u003E\r\n\u003Cp\u003EAus diesem Grund erfordert die Einführung von KI-Agenten in Unternehmen Entscheidungen rund um die Datenarchitektur: Die Antwort des Agenten hängt von der Qualität, Aktualität, Semantik und den Berechtigungen der zugrunde liegenden Daten ab.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_what-is-an-ai-agent_0":{"id":"card-v2-40efaf34d6","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003ESimon AI nutzt Snowflake Cortex AI und Snowpark Container Services, um zusammensetzbare KI-Agenten zu betreiben. Diese helfen Marketer:innen dabei, kontextbezogene Personalisierung in großem Maßstab bereitzustellen, ohne Daten zu verschieben oder die Governance zu gefährden. Die Agenten von Simon laufen direkt in der AI Data Cloud von Snowflake und bieten Marketer:innen einen kontrollierten Echtzeitzugriff auf strukturierte und unstrukturierte Daten. So können Kund:innen kontextuell relevante Zielgruppen 90 % schneller aufbauen und über 100 neue, hochwertige Kundenkohorten identifizieren.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal","title":{"id":"title","type":"heading4","lines":["Customer Story: Simon AI"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Customer Story lesen (Englisch)"},"image":{"id":"image","height":"360","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--f01a3109-7d2d-4204-b008-cd075c87900a/simon-ai-logo-nav.png?quality=85&preferwebp=true","lazyEnabled":true,"alt":"Simon AI","isLcpImage":false,"width":"840",":type":"snowflake-site/components/image"},"type":"content-card"},"title_benefits-of-ai-agents":{"id":"title-v2-3374b0f35c","additionalClasses":"anchor-title anchor-title--benefits-of-ai-agents","type":"heading2","lines":["Vorteile von KI-Agenten"],":type":"snowflake-site/components/title-v2"},"text_benefits-of-ai-agents_0":{"id":"text-b79223b00f","text":"\u003Cp\u003EDer Mehrwert eines KI-Agenten gegenüber einem eigenständigen Modell liegt in seiner Fähigkeit, Schritte zu planen, Kontext beizubehalten oder abzurufen und Tools zu nutzen, um auf Informationen außerhalb des Modells selbst zu reagieren.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cstrong\u003EManuelle Orchestrierung reduzieren:\u003C/strong\u003E Nutzer:innen müssen nicht mehr selbst Kontext abrufen, ihn in einen Prompt einfügen, um eine Zusammenfassung bitten, die Antwort in ein anderes System kopieren, erneut nachfragen, wenn etwas fehlt, und jeden Schritt manuell überprüfen. Der Agent übernimmt einen größeren Teil der Schleife aus Abrufen, Schlussfolgern, Handeln und Überprüfen innerhalb des Workflows.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EDen Weg von der Frage zur datengestützten Antwort verkürzen:\u003C/strong\u003E Wer fragt, warum die Pipeline-Kosten gestiegen sind, sollte nicht wissen müssen, in welcher Tabelle der Nutzungsverlauf gespeichert ist, welcher View die genehmigte Kostenzuordnungslogik enthält oder welche:r Dashboard-Eigentümer:in die Berechnung geändert hat. Ein kontrollierter Data Agent kann die Frage in Daten-Tasks übersetzen, den richtigen Kontext abrufen und die Antwort in der Geschäftssprache präsentieren.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EWiederkehrende Entscheidungspunkte konsistenter gestalten:\u003C/strong\u003E Ticket-Triage, Datenqualitätsprüfungen, Protokollüberprüfungen und Zusammenfassungen von Kontorisiken hängen alle davon ab, dass derselbe Analyseprozess auf große Arbeitsvolumina angewendet wird. Menschliche Prüfer:innen sind nach wie vor wichtig, insbesondere bei Ausnahmen, aber der Agent übernimmt die wiederholbaren Teile über einen konsistenten Pfad.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EAdaptive Automatisierung ermöglichen:\u003C/strong\u003E Ein regelbasierter Workflow stoppt, wenn sich die Eingabe unerwartet ändert. Ein Agent kann die neue Bedingung prüfen, den Plan überarbeiten und einen anderen genehmigten Pfad wählen. Diese Anpassungsfähigkeit ist der Grund, warum Agenten so nützlich sind – und der Grund, warum die Governance nah an der Ausführungsebene angesiedelt sein muss.\u003C/li\u003E\n\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai-agents-across-the-enterprise":{"id":"title-v2-b6a1dd942f","additionalClasses":"anchor-title anchor-title--ai-agents-across-the-enterprise","type":"heading2","lines":["KI-Agenten im gesamten Unternehmen"],":type":"snowflake-site/components/title-v2"},"text_ai-agents-across-the-enterprise_0":{"id":"text-7b75d024cf","text":"\u003Cp\u003EDie besten frühen Anwendungsfälle für KI-Agenten sind nicht unbedingt die auffälligsten. Meistens handelt es sich um Workflows, bei denen die Arbeit repetitiv und kontextlastig ist sowie über mehrere Systeme verteilt stattfindet.\u003C/p\u003E\n\u003Ch3\u003EKundenservice\u003C/h3\u003E\n\u003Cp\u003EIm Kundenservice und Support übernehmen Agenten die Triage von Tickets, rufen den Kontokontext ab, klassifizieren Probleme, entwerfen Antworten und leiten Ausnahmen an eine:n menschliche:n Prüfer:in weiter. Der Agent ersetzt nicht den Eskalationspfad; er macht den Pfad selektiver, indem er die repetitive Kontextbeschaffung und die erste Lösungsfindung übernimmt.\u003C/p\u003E\n\u003Ch3\u003ESoftwareentwicklung (Software Development)\u003C/h3\u003E\n\u003Cp\u003EIn der Softwareentwicklung planen, schreiben, testen und überarbeiten \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/agents/coding-agents/\"\u003ECoding-Agenten\u003C/a\u003E Code über eine gesamte Codebasis hinweg. Der Unterschied zur Autovervollständigung ist der Umfang. Ein Coding-Agent benötigt Repository-Kontext, Issue-Kontext, Informationen zu Abhängigkeiten, Testergebnisse und projektspezifische Anweisungen. Zudem benötigt er Leitplanken, die festlegen, welchen Code er ändern darf, welche Befehle er ausführen kann und was eine menschliche Freigabe erfordert.\u003C/p\u003E\n\u003Ch3\u003EData Operations\u003C/h3\u003E\n\u003Cp\u003EIm Bereich Data Operations überwachen Agenten Pipelines, untersuchen Probleme mit der Datenqualität, verfolgen die Lineage und identifizieren betroffene nachgelagerte Assets. Eine fehlgeschlagene Aktualitätsprüfung wird nützlicher, wenn der Agent aufzeigen kann, welche Quelltabelle sich geändert hat, welche Transformation davon abhängt, welches Dashboard betroffen ist und wem der Workflow gehört.\u003C/p\u003E\n\u003Ch3\u003ESales Operations\u003C/h3\u003E\n\u003Cp\u003EIm Bereich Sales und Revenue Operations fassen Agenten Customer-Relationship-Management-Daten (CRM-Daten), Anrufprotokolle, den Kontoverlauf und die Produktnutzung zusammen, um gefährdete Konten zu markieren oder Kontaktaufnahmen zu entwerfen. Das nützliche Ergebnis ist keine generische Kontoübersicht. Es ist eine Empfehlung, die auf dem aktuellen Kundenkontext basiert und bei der die Quellsignale sichtbar sind.\u003C/p\u003E\n\u003Ch3\u003EIT und Security Operations\u003C/h3\u003E\n\u003Cp\u003EIm Bereich IT und Security Operations überprüfen Agenten Protokolle, korrelieren Warnmeldungen, rufen Asset-Kontext ab und helfen bei der Triage von Vorfällen. Diese Workflows erfordern eine strenge Governance, da der Agent möglicherweise auf sensible Systeme, Sicherheitstelemetrie und Aktionen mit großen Auswirkungen zugreift. Bei den sichersten frühen Bereitstellungen bleiben Menschen oft in der Freigabeschleife, während Agenten eingesetzt werden, um die Zeit für die Kontextbeschaffung zu verkürzen.\u003C/p\u003E\n\u003Cp\u003E\u003Ci\u003ESehen Sie sich an, wie der führende KI-Forscher Andrew Ng den Aufstieg von KI-Agenten und agentischem Denken untersucht:\u003C/i\u003E\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_ai-agents-across-the-enterprise_0":{"id":"embed-f9e9459c93","youtubeVideoId":"KrRD7r7y7NY","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_how-do-ai-agents-work":{"id":"title-v2-33c147f87a","additionalClasses":"anchor-title anchor-title--how-do-ai-agents-work","type":"heading2","lines":["Wie funktionieren KI-Agenten?"],":type":"snowflake-site/components/title-v2"},"text_how-do-ai-agents-work_0":{"id":"text-06b4ea11e0","text":"\u003Cp\u003EDie meisten KI-Agenten folgen einer Schleife: Wahrnehmen, Schlussfolgern, Planen, Koordinieren, Handeln und Verbessern. Die Bezeichnungen variieren je nach Framework, aber die Abfolge erfasst dasselbe Betriebsmuster.\u003C/p\u003E\n\u003Ch3\u003EWahrnehmen\u003C/h3\u003E\n\u003Cp\u003EDer Agent nimmt zunächst die Umgebung wahr. Das kann bedeuten, einen Benutzer-Prompt zu lesen, ein Dokument abzurufen, eine Tabelle zu überprüfen, ein Ereignis von einem Workflow-System zu empfangen oder die Ausgabe eines Tool-Aufrufs zu beobachten. Die Eingabe ist selten nur ein Satz; in Unternehmens-Workflows umfasst sie oft Metadaten, Berechtigungen, Quellkontext, Geschäftsregeln und den vorherigen Aufgabenstatus.\u003C/p\u003E\n\u003Ch3\u003ESchlussfolgern\u003C/h3\u003E\n\u003Cp\u003EAnschließend denkt der Agent über das Ziel und den verfügbaren Kontext nach. Er entscheidet, welche Informationen wichtig sind, was fehlt und welche Einschränkungen gelten. Für einen Data Agent könnte das die Bedeutung einer Metrik, die Aktualität einer Tabelle, die Zugriffsrechte des:der Nutzer:in und die Frage umfassen, ob die angeforderte Antwort die Verknüpfung sensibler Daten erfordert.\u003C/p\u003E\n\u003Ch3\u003EPlanung\u003C/h3\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/agents/agent-planning/\"\u003EPlanen\u003C/a\u003E verwandelt dieses Denken in einen Pfad. Der Agent entscheidet, welche Schritte er unternimmt, welche Tools er aufruft und welche Reihenfolge er einhält. In einem festen Workflow kann der Pfad vordefiniert sein. In einem autonomeren Workflow wählt der Agent den nächsten Schritt basierend auf dem, was er bereits beobachtet hat.\u003C/p\u003E\n\u003Ch3\u003EKoordinieren\u003C/h3\u003E\n\u003Cp\u003EKoordination wird wichtig, wenn mehrere Tools, Agenten oder Freigabeschritte involviert sind. Ein Agent könnte relevante Dokumente abrufen, während ein anderer Richtlinieneinschränkungen prüft. Ein Supervisor-Agent könnte Teilaufgaben delegieren, Ergebnisse vergleichen und entscheiden, ob ein:e menschliche:r Prüfer:in die nächste Aktion freigeben muss.\u003C/p\u003E\n\u003Ch3\u003EHandeln\u003C/h3\u003E\n\u003Cp\u003EDann handelt der Agent. Er ruft eine Funktion auf, führt eine Abfrage aus, aktualisiert ein Ticket, sendet eine Nachricht, entwirft Code, löst einen Workflow aus oder gibt eine Antwort zurück. In verwalteten Umgebungen sollte die Aktion detailliert genug protokolliert werden, um rekonstruieren zu können, was passiert ist: die Anfrage, die abgerufenen Daten, das verwendete Tool, die zurückgegebene Ausgabe und der Entscheidungspfad, der dorthin geführt hat.\u003C/p\u003E\n\u003Ch3\u003EVerbessern\u003C/h3\u003E\n\u003Cp\u003ESchließlich lernt der Agent im operativen Sinne: Er integriert Feedback, aktualisiert den Aufgabenstatus, speichert genehmigte Erinnerungen oder passt zukünftige Schritte an. Dieses Lernen bedeutet nicht zwangsläufig, dass das Foundation Model neu trainiert werden muss. Häufiger bedeutet es, das System rund um das Modell durch Speicheraktualisierungen, \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/agents/agent-evaluation/\"\u003EEvaluierungsergebnisse\u003C/a\u003E, Prompt-Änderungen, Richtlinienanpassung oder besseres Tool-Routing zu verbessern.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_reasoning-and-action-paradigms":{"id":"title-v2-f2d9eba28a","additionalClasses":"anchor-title anchor-title--reasoning-and-action-paradigms","type":"heading2","lines":["Paradigmen für Schlussfolgern und Handeln"],":type":"snowflake-site/components/title-v2"},"text_reasoning-and-action-paradigms_0":{"id":"text-cb85935fc8","text":"\u003Cp\u003EKI-Agenten können so konzipiert werden, dass sie auf unterschiedliche Weise denken und handeln. Bei einigen Workflows wird das Modell aufgefordert, ein Problem zu durchdenken, bevor es antwortet. Bei anderen interagiert der Agent mit Tools, beobachtet die Ergebnisse und überarbeitet seinen nächsten Schritt. Das richtige Muster hängt davon ab, wie vorhersehbar die Aufgabe ist, wie viel Feedback die Umgebung liefert und wie viel Kontrolle das Unternehmen über den Workflow benötigt.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cstrong\u003ESchrittweises Schlussfolgern:\u003C/strong\u003E Frühe Agentendesigns lehnten sich an Prompting-Techniken an, die für LLMs entwickelt wurden. Eine Vorläuferidee war das schrittweise Schlussfolgern, bei dem das Modell aufgefordert wird, ein Problem in Zwischenschritte zu zerlegen, bevor es eine Antwort liefert. In diesem Setup findet das Schlussfolgern vor der endgültigen Antwort oder Aktion statt. Das Modell überarbeitet seinen Pfad nicht anhand von externem Feedback, es sei denn, der Workflow räumt ihm einen weiteren Durchlauf ein.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EReAct:\u003C/strong\u003E ReAct (kurz für Reasoning and Action) ändert die Reihenfolge. Anstatt nur einmal im Voraus zu schlussfolgern, wechselt der Agent zwischen Schlussfolgern, Handeln und Beobachten. Er könnte entscheiden, eine Tabelle abzufragen, das Ergebnis zu überprüfen, festzustellen, dass die Metrikdefinition mehrdeutig ist, Metadaten abzurufen und dann seinen nächsten Schritt zu überarbeiten. Die Abweichung von Chain-of-Thought ist nicht einfach „mehr Schlussfolgern”, sondern ein Schlussfolgern, das sich ändert, nachdem der Agent mit einem Tool oder einer Umgebung interagiert hat.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EReflexion:\u003C/strong\u003E Reflexion fügt eine weitere Überprüfung hinzu. Der Agent überprüft seine eigene Antwort, seinen Plan oder das Tool-Ergebnis, bevor er die Ausgabe abschließt oder den Workflow fortsetzt. Ein Coding-Agent könnte einen Test generieren, ihn ausführen, den Fehler untersuchen und den von ihm geschriebenen Code kritisch prüfen. Ein Data Agent könnte eine SQL-Abfrage erstellen, das Ergebnis mit der Anfrage der Nutzer:innen vergleichen und feststellen, dass die Abfrage nach dem Buchungsdatum gefiltert hat, obwohl die Metrikdefinition das Transaktionsdatum erfordert.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EPlanungsbasiert und reaktiv:\u003C/strong\u003E Planungsbasierte und reaktive Agenten ziehen eine weitere Trennlinie. Ein planungsbasierter Agent erstellt vor dem Handeln einen mehrstufigen Plan, oft mit Checkpoints und Abhängigkeiten. Ein reaktiver Agent wählt einen Schritt nach dem anderen, wenn sich die Bedingungen ändern. Das in der Architektur definierte Planungsmodul bestimmt, wie viel Struktur vorhanden ist, bevor der Agent beginnt, und wie viel Freiheit er hat, den Pfad zu überarbeiten.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EPrompt Chaining:\u003C/strong\u003E Prompt Chaining zerlegt einen Task in eine Abfolge kleinerer Prompts. Ein Prompt extrahiert Entitäten, der nächste ruft Kontext ab, der nächste fasst die Ergebnisse zusammen und der nächste formatiert die endgültige Antwort. Chaining ist in der Regel fester und sequenzieller als ReAct. Es ist nützlich, wenn der Workflow im Voraus bekannt ist und jeder Schritt in den nächsten übergeht.\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EDie meisten Produktionsagenten verwenden eine Kombination dieser Paradigmen. Ein Workflow könnte mit einem Plan beginnen, ReAct verwenden, um fehlende Informationen zu sammeln, Reflexion vor einer risikoreichen Ausgabe anwenden und sich auf strukturierte Tool-Aufrufe verlassen, um genehmigte Funktionen, APIs, Workflow-Knoten oder über das \u003Ca href=\"https://modelcontextprotocol.io/docs/getting-started/intro\" target=\"_blank\"\u003EModel Context Protocol\u003C/a\u003E (MCP) verbundene Systeme aufzurufen. Die Designfrage ist nicht, welches Paradigma das beste ist, sondern wie viel Flexibilität, Feedback und Kontrolle der Task erfordert.\u003C/p\u003E\n\u003Ctable\u003E\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003EParadigma\u003C/th\u003E\u003Cth\u003EOptimal geeignet für\u003C/th\u003E\u003Cth\u003EZentraler Trade-off\u003C/th\u003E\u003C/tr\u003E\u003C/thead\u003E\u003Ctbody\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003ESchrittweises Schlussfolgern\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EProbleme, die vor einer Antwort zerlegt werden müssen\u003C/td\u003E\u003Ctd\u003EEingeschränkte Fähigkeit zur Überarbeitung ohne einen weiteren Workflow-Durchlauf\u003C/td\u003E\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EReAct\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ETasks, bei denen Tool-Ergebnisse den nächsten Schritt ändern sollten\u003C/td\u003E\u003Ctd\u003EHöhere Kosten, Latenz und Ausführungskomplexität\u003C/td\u003E\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EReflexion\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EAusgaben, die vor dem Abschluss überprüft werden müssen\u003C/td\u003E\u003Ctd\u003EFügt ein weiteres Modell oder einen weiteren Evaluierungsschritt hinzu\u003C/td\u003E\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EPlanungsbasierte Agenten\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EWorkflows mit Abhängigkeiten oder Freigabeprozessen\u003C/td\u003E\u003Ctd\u003EWeniger flexibel, wenn sich Bedingungen unerwartet ändern\u003C/td\u003E\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EReaktive Agenten\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EDynamische Workflows, bei denen die nächste Aktion von neuen Beobachtungen abhängt\u003C/td\u003E\u003Ctd\u003EKann ohne starkes Tracing schwerer zu prüfen sein\u003C/td\u003E\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EPrompt Chaining\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EBekannte, wiederholbare Workflows\u003C/td\u003E\u003Ctd\u003EWeniger anpassungsfähig als offene Agenten-Schleifen\u003C/td\u003E\u003C/tr\u003E\u003C/tbody\u003E\u003C/table\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-are-the-types-of-ai-agents":{"id":"title-v2-d79cd5c8b4","additionalClasses":"anchor-title anchor-title--what-are-the-types-of-ai-agents","type":"heading2","lines":["Welche Arten von KI-Agenten gibt es?"],":type":"snowflake-site/components/title-v2"},"text_what-are-the-types-of-ai-agents_0":{"id":"text-1e46a92be8","text":"\u003Cp\u003EKI-Agenten werden oft durch fünf kanonische Arten beschrieben: einfache Reflexagenten, modellbasierte Reflexagenten, zielbasierte Agenten, nutzenbasierte Agenten und lernende Agenten. Diese Kategorien stammen aus der früheren KI-Forschung, helfen aber immer noch dabei, die Designentscheidungen hinter modernen Agentensystemen zu erklären.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cstrong\u003EEin einfacher Reflexagent\u003C/strong\u003E reagiert anhand vordefinierter Regeln auf den aktuellen Status. Wenn die Bedingung erfüllt ist, führt er die entsprechende Aktion aus. Dieses Design eignet sich für eng gefasste Tasks mit stabilen Bedingungen, behält jedoch kein Modell der Welt bei und zieht keine zukünftigen Konsequenzen in Betracht.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EEin modellbasierter Reflex-Agent\u003C/strong\u003E behält eine interne Repräsentation der Umgebung bei. Anstatt nur auf die aktuelle Eingabe zu reagieren, nutzt er den gespeicherten Zustand, um zu entscheiden, was passiert. Ein Operations-Agent könnte beispielsweise den letzten bekannten Status einer Pipeline, die jüngste Schemaänderung und den mit der betroffenen Tabelle verknüpften Owner verfolgen, bevor er entscheidet, welcher Alert ausgelöst werden soll.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EEin zielbasierter Agent\u003C/strong\u003E bewertet Aktionen im Hinblick auf ein gewünschtes Ergebnis. Er gleicht nicht nur Bedingungen ab, sondern wählt auch Schritte aus, die das System einem Ziel näher bringen. Ein Kundensupport-Agent, der versucht, einen Rechnungsstreit zu lösen, könnte den Kontoverlauf erfassen, Richtlinien vergleichen, eine Antwort entwerfen und nur dann eskalieren, wenn der Task seine Befugnisse übersteigt.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EEin nutzenbasierter Agent\u003C/strong\u003E wägt verschiedene Ergebnisse ab. Er könnte Geschwindigkeit, Kosten, Konfidenz, Risiko und Business Value vergleichen, bevor er eine Aktion auswählt. Im Unternehmensumfeld ist der Nutzen entscheidend, wenn die schnellste Antwort nicht unbedingt die sicherste ist oder wenn ein teurerer Argumentationspfad nur für risikoreiche Entscheidungen gerechtfertigt ist.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EEin lernender Agent\u003C/strong\u003E verbessert sich durch Feedback. Dieses Feedback kann von Nutzer:innen, Evaluator:innen, Monitoring-Systemen oder früheren Task-Ergebnissen stammen. In der Produktion erfolgt die Verbesserung oft durch aktualisierte Prompts, Memory, Routing-Logik, Richtlinien und Evaluierungssets anstatt durch kontinuierliches Retraining des zugrunde liegenden Modells.\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EZwei fortgeschrittene Arten von Agenten sind für Unternehmens-Workflows besonders relevant:\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cstrong\u003EHierarchische Agenten\u003C/strong\u003E teilen die Arbeit über verschiedene Ebenen hinweg auf, wobei ein Supervisor-Agent Teilaufgaben an spezialisierte Agenten delegiert.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EMulti-Agenten-Systeme\u003C/strong\u003E koordinieren mehrere Agenten, die sequenziell, parallel oder unter einem gemeinsamen Orchestrator arbeiten können.\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EIn der Praxis klassifizieren viele Unternehmensbereitstellungen Agenten auch nach Autonomie: Vollautonome Agenten führen Tasks mit begrenztem menschlichem Eingreifen aus, während halbautonome Agenten vor risikoreichen Aktionen eine Genehmigung anfordern. Domänenspezifische Agenten schränken die Task-Oberfläche weiter ein, wie z. B. ein Data Agent, Coding-Agent, Security-Agent oder Sales-Operations-Agent.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai-agent-architecture-core-components":{"id":"title-v2-b84e57a4d1","additionalClasses":"anchor-title anchor-title--ai-agent-architecture-core-components","type":"heading2","lines":["Architektur von KI-Agenten: Kernkomponenten"],":type":"snowflake-site/components/title-v2"},"text_ai-agent-architecture-core-components_0":{"id":"text-a27c158ae5","text":"\u003Cp\u003ENeben einem Foundation Model benötigt ein KI-Agent auch eine Orchestrierungsebene, ein Planungsmodul, eine Memory-Architektur, Tool-Integrationen und eine Control Plane, die die Ausführung steuert.\u003C/p\u003E\n\u003Ch3\u003EFoundation Model\u003C/h3\u003E\n\u003Cp\u003EDas Foundation Model bietet flexible Interpretation, Reasoning und Generierung. Viele aktuelle Systeme verwenden LLMs, obwohl Agenten nicht auf Sprachmodelle beschränkt sein müssen. Das Modell liefert flexibles Reasoning, während die umgebende Architektur bestimmt, was der Agent wissen darf, welche Tools er verwenden kann und was passiert, wenn sich der Task ändert.\u003C/p\u003E\n\u003Cp\u003EDie Wahl des Modells muss flexibel bleiben. Da Unternehmen Agenten über verschiedene Workflows hinweg entwickeln, kann die Bindung jedes Anwendungsfalls an ein einziges Foundation Model die Performance, Kostenkontrolle und Anpassungsfähigkeit einschränken. „Wenn Sie sich an einen einzigen Anbieter binden, könnten Sie in ein paar Monaten in Schwierigkeiten geraten“, sagt Allen. „Vielleicht taucht aus dem Nichts ein anderer Anbieter mit einer erstaunlichen neuen Innovation auf, und Sie würden sie verpassen. Wir glauben, dass Optionalität beim Modell-Routing von grundlegender Bedeutung ist.“\u003C/p\u003E\n\u003Ch3\u003EOrchestrierungsebene\u003C/h3\u003E\n\u003Cp\u003EDie Orchestrierungsebene verwaltet den Agenten-Loop. Sie übergibt Kontext an das Modell, leitet Tool-Aufrufe weiter, speichert den Zwischenzustand, verarbeitet Wiederholungsversuche und bestimmt, ob der Workflow fortgesetzt, gestoppt, eskaliert oder an einen anderen Agenten übergeben werden soll.\u003C/p\u003E\n\u003Ch3\u003EPlanungsmodul\u003C/h3\u003E\n\u003Cp\u003EDas Planungsmodul unterteilt ein Ziel in kleinere Schritte. Bei einer Anfrage wie „Finde heraus, warum der Umsatz in der Region Nordost gesunken ist“ könnte der Agent planen, die relevante Metrikdefinition zu identifizieren, den aktuellen Umsatz nach Segmenten abzufragen, ihn mit früheren Zeiträumen zu vergleichen, die Aktualität der Pipeline zu überprüfen und festzustellen, ob sich eine Quelltabelle geändert hat. Bei einem einfacheren Agenten erfolgt die Planung möglicherweise Schritt für Schritt. Bei einem komplexeren Agenten erstellt dieser im Voraus einen mehrstufigen Plan und überarbeitet ihn, sobald Tool-Ergebnisse vorliegen.\u003C/p\u003E\n\u003Ch3\u003EMemory-Architektur\u003C/h3\u003E\n\u003Cp\u003EMemory verleiht dem Agenten Kontinuität. Das Kurzzeitgedächtnis speichert den unmittelbaren Task-Zustand: die Anfrage des:der Nutzer:in, Tool-Ausgaben, Einschränkungen, abgerufene Dokumente und vorherige Runden in der Konversation. Das Langzeitgedächtnis speichert wiederverwendbares Wissen, wie z. B. Präferenzen von Nutzer:innen, frühere Entscheidungen, unternehmensspezifische Definitionen oder gelöste Probleme. Die Memory-Architektur bestimmt, was gespeichert wird, wie es abgerufen wird, wie lange es erhalten bleibt und welche Teile des Memorys welchem Agenten zur Verfügung stehen.\u003C/p\u003E\n\u003Ch3\u003ETool-Integration\u003C/h3\u003E\n\u003Cp\u003EDie Tool-Integration verbindet den Agenten mit den Systemen, in denen die Arbeit stattfindet. Zu diesen Tools können Datenbanken, Suchindizes, Code-Repositories, Ticketing-Systeme, CRM-Anwendungen, Workflow-Engines, Dokumentenspeicher oder interne APIs gehören. Function Calling bietet dem Modell eine strukturierte Möglichkeit, diese Tools aufzurufen, während Standards wie MCP entstehen, um zu standardisieren, wie Agenten externe Funktionen entdecken und nutzen.\u003C/p\u003E\n\u003Ch3\u003EControl Plane\u003C/h3\u003E\n\u003Cp\u003EDie Control Plane ist die kontrollierte Plattformebene, die Daten, Modelle, Tools und Unternehmens-Workflows verbindet und gleichzeitig Berechtigungen durchsetzt, Aktionen weiterleitet, Aktivitäten protokolliert und verwaltet, wie Agenten systemübergreifend agieren. Sie legt außerdem Kosten- und Latenzlimits fest und verwaltet menschliche Genehmigungen. Selbst wenn ein Agent mit kontrollierten Daten innerhalb einer Plattform wie Snowflake arbeitet, sollten abgerufene Inhalte, Prompts von Nutzer:innen und Tool-Ausgaben weiterhin als Eingaben für einen agentischen Workflow behandelt werden und nicht als Anweisungen, denen das Modell blind folgen kann.\u003C/p\u003E\n\u003Cp\u003EFür KI-Agenten in Unternehmen ist diese Schicht kein optionales Beiwerk. Sie macht einen modellgesteuerten Workflow zu etwas, das ein Unternehmen zuverlässig verwalten kann.\u003C/p\u003E\n\u003Ch3\u003EEvaluierungs- und Optimierungsumgebung\u003C/h3\u003E\n\u003Cp\u003EEine Evaluierungs- und Optimierungsumgebung testet, wie ein Agent bei echten Tasks abschneidet, verfolgt, wo er scheitert, und hilft Teams, das System zu verbessern, ohne sich auf einmalige manuelle Anpassung verlassen zu müssen. Anstatt den Agenten nur nach einer endgültigen Antwort zu beurteilen, kann die \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/agents/harness/\"\u003EUmgebung\u003C/a\u003E den Plan, den abgerufenen Kontext, die Tool-Aufrufe, die Zwischenergebnisse, die Kosten, die Latenz und das Endergebnis evaluieren.\u003C/p\u003E\n\u003Cp\u003EIn fortgeschritteneren Implementierungen kann die Umgebung auch Änderungen an den Anweisungen, Tools, semantischen Modellen, Prompts oder der Workflow-Konfiguration des Agenten vorschlagen und diese Änderungen dann anhand von Regressions- und Evaluierungssets testen, bevor sie in die Produktion übernommen werden. Dadurch wird die Verbesserung von Agenten zu einem gesteuerten Kreislauf: evaluieren, diagnostizieren, modifizieren, testen und nur die Änderungen beibehalten, die die Performance verbessern, ohne das bisher funktionierende Verhalten zu beeinträchtigen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_multi-agent-systems-and-orchestration":{"id":"title-v2-07b528d5ae","additionalClasses":"anchor-title anchor-title--multi-agent-systems-and-orchestration","type":"heading2","lines":["Multi-Agenten-Systeme und Orchestrierung"],":type":"snowflake-site/components/title-v2"},"text_multi-agent-systems-and-orchestration_0":{"id":"text-7b17c2641c","text":"\u003Cp\u003EEin Multi-Agenten-System verwendet mehr als einen Agenten, um einen Task abzuschließen. Der Mehrwert liegt in der Spezialisierung: Ein Agent ruft den Kontext ab, ein anderer analysiert Richtlinien, ein weiterer schreibt Code, noch einer validiert das Ergebnis und ein Orchestrator koordiniert den Workflow.\u003C/p\u003E\n\u003Cp\u003EDiese Spezialisierung ist oft der Hauptgrund für den Einsatz eines Multi-Agenten-Systems. Anstatt einen breit aufgestellten Agenten mit jeder Funktion zu betrauen, können Teams die Arbeit auf spezialisiertere Agenten mit klareren Verantwortlichkeiten aufteilen.\u003C/p\u003E\n\u003Cp\u003EDer Kompromiss ist der Koordinationsaufwand. Jede Übergabe erfordert Status, Berechtigungen, Fehlerbehandlung und eine klare Aufzeichnung darüber, was jeder Agent getan hat. In der Praxis geht es beim Multi-Agenten-Design weniger darum, mehr Agenten hinzuzufügen, sondern vielmehr darum, zu entscheiden, wo eine Spezialisierung das Ergebnis so weit verbessert, dass die zusätzliche Komplexität gerechtfertigt ist.\u003C/p\u003E\n\u003Ch3\u003ESequenzielle Orchestrierung\u003C/h3\u003E\n\u003Cp\u003EDie sequenzielle Orchestrierung funktioniert wie eine Pipeline. Ein Agent schließt einen Schritt ab und gibt seine Ausgabe an den nächsten weiter. Dies ist das Multi-Agenten-Äquivalent zum Prompt Chaining und funktioniert gut, wenn die Reihenfolge der Tasks vorhersehbar ist.\u003C/p\u003E\n\u003Cp\u003EEin Workflow zur Dokumentenverarbeitung könnte beispielsweise in einer festen Reihenfolge Entitäten extrahieren, das Dokument klassifizieren, Compliance-Regeln prüfen und eine Zusammenfassung entwerfen. Jeder Schritt hängt von der Ausgabe des vorherigen Schritts ab, sodass der Workflow als eine Kette von Zwischenentscheidungen überprüft werden kann.\u003C/p\u003E\n\u003Ch3\u003EHierarchische Orchestrierung\u003C/h3\u003E\n\u003Cp\u003EDie hierarchische Orchestrierung verwendet einen Supervisor-Agenten. Der Supervisor empfängt das Ziel, delegiert Teilaufgaben an spezialisierte Agenten und setzt das Endergebnis zusammen.\u003C/p\u003E\n\u003Cp\u003EFrameworks wie LangGraph unterstützen diese Art von Produktions-Workflow, da sich graphenbasierte Statusmodelle gut auf Checkpoints, Wiederholungsversuche und Wiederherstellungspunkte abbilden lassen. Rollenbasierte Frameworks wie CrewAI werden oft für Prototypen verwendet, bei denen Teams benannten Agenten schnell Tasks zuweisen möchten, bevor sie den Workflow härten.\u003C/p\u003E\n\u003Ch3\u003EParallele Orchestrierung\u003C/h3\u003E\n\u003Cp\u003EBei der parallelen Orchestrierung wird dasselbe Problem an mehrere Agenten gleichzeitig gesendet und anschließend werden die Ausgaben zusammengeführt oder verglichen. Dieses Muster ist heute in der Produktion weniger verbreitet, da es die Kosten, die Latenz und die Komplexität der Abstimmung erhöht.\u003C/p\u003E\n\u003Cp\u003EEs kann dennoch in evaluierungslastigen Workflows nützlich sein, in denen unabhängige Antworten die Zuverlässigkeit erhöhen. Beispielsweise könnten mehrere Agenten dieselbe vorgeschlagene Antwort überprüfen, verschiedene Annahmen testen oder das Ergebnis mit separaten Quellen abgleichen, bevor eine endgültige Antwort zusammengestellt wird.\u003C/p\u003E\n\u003Ch3\u003EStandards für die Tool- und Agentenkommunikation\u003C/h3\u003E\n\u003Cp\u003EMCP und aufkommende Agent-to-Agent-Kommunikationsprotokolle sind Teil dieser Orchestrierungsschicht. MCP standardisiert, wie sich Agenten und KI-Anwendungen mit Tools und Datenquellen verbinden. Agent-to-Agent-Kommunikationsprotokolle konzentrieren sich darauf, wie Agenten Nachrichten, Status und Task-Ausgaben untereinander austauschen.\u003C/p\u003E\n\u003Cp\u003EDiese Standards helfen Teams bei der Beantwortung der Frage, ob und wie das Unternehmen verwalten kann, welcher Agent welches Tool aufgerufen hat, mit wessen Berechtigungen, für welchen Task und mit welchem Ergebnis.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_agent-autonomy-and-guardrails":{"id":"title-v2-032cb2e010","additionalClasses":"anchor-title anchor-title--agent-autonomy-and-guardrails","type":"heading2","lines":["Autonomie von Agenten und Leitplanken"],":type":"snowflake-site/components/title-v2"},"text_agent-autonomy-and-guardrails_0":{"id":"text-ae45382c6f","text":"\u003Cp\u003EAutonomie ist ein Spektrum. Ein KI-Agent kann in einem Teil eines Workflows autonom und in einem anderen stark eingeschränkt sein. Er könnte selbstständig Dokumente abrufen, Metadaten prüfen und eine Empfehlung entwerfen, dann aber eine menschliche Genehmigung erfordern, bevor er ein System aktualisiert, eine Nachricht sendet oder eine Änderung an einer Pipeline vornimmt. Das Gleichgewicht variiert auch je nach Anwendungsfall.\u003C/p\u003E\n\u003Cp\u003EDas Maß an Leitplanken, das ein Workflow benötigt, hängt sowohl von den Konsequenzen eines Fehlers ab (was passiert, wenn der Agent einen Fehler macht, und wie schwer dieser rückgängig zu machen ist) als auch von dem Punkt, an dem ein Fehler wahrscheinlich auftritt. Eine breit angelegte Genehmigungsregel kann zwar das Risiko verringern, aber auch risikoarme Schritte verlangsamen, die der Agent bereits gut bewältigt. Eine engere Leitplanke, die an dem Punkt ansetzt, an dem der Agent dazu neigt, schwachen Kontext abzurufen, das falsche Tool auszuwählen oder seine Zuverlässigkeit zu überschätzen, kann die Verlässlichkeit verbessern, ohne den gesamten Workflow in eine manuelle Überprüfung zu verwandeln.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_agent-autonomy-and-guardrails_0":{"id":"text-cf9fa8d65d","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003EHÄUFIGER FALLSTRICK\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EEin häufiger Fehler besteht darin, einem Agenten zu viel Handlungsspielraum zu geben, bevor der Workflow richtig verstanden wurde. Der bessere Weg ist, mit einem Task zu beginnen, bei dem die Eingaben, Tools, Genehmigungen und Fehlerpunkte sichtbar sind, und dann die Autonomie zu erweitern, während das Team lernt, wo der Agent zuverlässig arbeitet und wo er noch Einschränkungen benötigt.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_ai-agent-challenges-and-governance":{"id":"title-v2-203bf82b18","additionalClasses":"anchor-title anchor-title--ai-agent-challenges-and-governance","type":"heading2","lines":["Herausforderungen für KI-Agenten und Governance"],":type":"snowflake-site/components/title-v2"},"text_ai-agent-challenges-and-governance_0":{"id":"text-8caae92841","text":"\u003Cp\u003EDie Agenten-Governance muss Konsequenzen berücksichtigen, nicht nur Ergebnisse. Sobald ein KI-System Daten abrufen, Tools aufrufen und über Workflows hinweg agieren kann, beschränken sich Fehler nicht mehr auf eine ungenaue Antwort. Der Agent könnte unautorisierten Kontext verwenden, sensible Informationen preisgeben oder eine Aktion mit nachgelagerten Auswirkungen ausführen, die kostspielig sind oder sich nicht mehr rückgängig machen lassen.\u003C/p\u003E\n\u003Ch3\u003EGenauigkeit (Korrektheit)\u003C/h3\u003E\n\u003Cp\u003EGenauigkeit ist ein zentrales Anliegen. Im Finanzwesen, in der Technik, im Gesundheitswesen, in der Sicherheit und in anderen Hochrisikobereichen muss der Agent den richtigen Kontext abrufen, die richtige Definition verwenden, die richtige Richtlinie anwenden und wissen, wann seine Konfidenz zu gering ist, um fortzufahren. Die Evaluierung muss die Aufgabe widerspiegeln. Ein generischer LLM-Benchmark zeigt beispielsweise nicht, ob ein Agent die Regeln eines Unternehmens zur Umsatzrealisierung korrekt anwendet oder die richtige Sicherheitswarnung eskaliert.\u003C/p\u003E\n\u003Ch3\u003EGovernance\u003C/h3\u003E\n\u003Cp\u003EDer Zugriff auf kontrollierte Daten hat ebenfalls hohe Priorität. Agenten müssen oft übergreifend mit strukturierten Daten, Dokumenten, Audio, Protokollen, Bildern, Tickets und Code arbeiten. Diese Quellen liegen hinter verschiedenen Zugriffsmodellen, und die Handlungsfähigkeit des Agenten sollte die Berechtigungen der Nutzer:innen nicht überschreiten. Ein kontrollierter Agent benötigt Identitätsweitergabe, Richtliniendurchsetzung, Abfragekontrollen und Audit-Trails, die zeigen, welche Daten verwendet wurden.\u003C/p\u003E\n\u003Cp\u003EAllen argumentiert jedoch, dass Unternehmen nicht warten sollten, bis jede Governance-Frage geklärt ist, bevor sie beginnen. „Sie müssen die Richtlinien festlegen, alles steuern und kontrollieren. Aber haben Sie keine Angst davor, schneller voranzugehen – tun Sie es einfach mit einem vertrauenswürdigen Partner, der die Governance-Seite versteht.“\u003C/p\u003E\n\u003Ch3\u003EVertrauen und Sicherheit\u003C/h3\u003E\n\u003Cp\u003EVertrauen und Sicherheit werden komplexer, sobald Agenten beginnen, Tools zu nutzen. Prompt Injection, übermäßige Berechtigungen, unsichere Tool-Aufrufe, Datenlecks und unautorisierte Schreibaktionen werden zu praktischen Risiken. Das Sicherheits-Framework muss sowohl das Verhalten des Modells als auch die Systeme, die es erreichen kann, berücksichtigen.\u003C/p\u003E\n\u003Ch3\u003EKosten und Latenz\u003C/h3\u003E\n\u003Cp\u003EKosten und Latenz sind oft das erste operative Hindernis. Eine einzelne Prompt-Antwort-Interaktion erfordert möglicherweise einen Modellaufruf. Ein mehrstufiger agentenbasierter Workflow kann Planung, Abruf, Tool-Aufrufe, Reflexion, einen weiteren Abrufschritt und eine endgültige Antwort umfassen. Jeder Schritt bedeutet zusätzlichen Zeit- und Kostenaufwand. Reflexion, ReAct-Schleifen und Multi-Agenten-Orchestrierung sind nützlich, wenn die Aufgabe sie rechtfertigt, aber es gibt bewusste Kompromisse bei Kosten und Genauigkeit.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_how-to-deploy-ai-agents":{"id":"title-v2-87c024f339","additionalClasses":"anchor-title anchor-title--how-to-deploy-ai-agents","type":"heading2","lines":["So stellen Sie KI-Agenten bereit"],":type":"snowflake-site/components/title-v2"},"text_how-to-deploy-ai-agents_0":{"id":"text-962d31214e","text":"\u003Cp\u003EBevor ein Agent in der Produktion agieren kann, müssen Teams definieren, auf welche Daten er zugreifen kann, welche Tools er nutzen darf, welche Aktionen er ausführen kann, welche Genehmigungen er benötigt und welche Nachweise erforderlich sind, um das Geschehene zu prüfen. Das Ziel ist nicht einfach, ein Modell mit mehr Systemen zu verbinden, sondern einen kontrollierten Ausführungspfad von der Nutzeranfrage bis zur Agentenaktion zu schaffen.\u003C/p\u003E\n\u003Ch3\u003EBeginnen Sie mit dem Datenzugriff\u003C/h3\u003E\n\u003Cp\u003EBevor ein Agent Produktionsdaten berührt, sollten Sie definieren, was er lesen darf, was er schreiben darf und welche Schnittstelle er verwenden muss. In einer kontrollierten Architektur sollte der Agent keinen direkten, uneingeschränkten Tabellenzugriff erhalten. Er sollte über genehmigte Abfrageebenen, APIs, semantische Modelle oder Abrufsysteme operieren, die Identität, Richtlinien und Kontext durchsetzen.\u003C/p\u003E\n\u003Ch3\u003EDefinieren Sie Governance auf der Control-Plane-Ebene\u003C/h3\u003E\n\u003Cp\u003EDie Control Plane sollte Berechtigungen durchsetzen, Tool-Aufrufe weiterleiten, Aktionen protokollieren, Genehmigungen verwalten und Workflows stoppen, die definierte Grenzen überschreiten. Wenn ein Agent ein Ticket aktualisieren, eine Nachricht senden, eine Pipeline ändern oder eine Abfrage für sensible Daten ausführen kann, sollte der Genehmigungs- und Prüfpfad klar sein, bevor die produktive Nutzung beginnt.\u003C/p\u003E\n\u003Ch3\u003EEvaluierung kommt vor der Bereitstellung\u003C/h3\u003E\n\u003Cp\u003EDer Agent sollte anhand aufgabenspezifischer Benchmarks getestet werden, die die Arbeit widerspiegeln, die er ausführen wird. Für einen Data Agent könnte dies Fragen mit mehrdeutigen Metrikdefinitionen, veralteten Tabellen, widersprüchlichen Dokumenten, zugriffsbeschränkten Feldern und bekannten Randfällen umfassen. Die Schwellenwerte für die Genauigkeit sollten dem Risiko des Workflows entsprechen. Ein interner Wissensassistent toleriert möglicherweise mehr Unsicherheit als ein Engineering-Agent, der die Infrastruktur ändert, oder ein Finance-Agent, der Daten für das Reporting liefert.\u003C/p\u003E\n\u003Ch3\u003EDas Monitoring wird nach der Bereitstellung fortgesetzt\u003C/h3\u003E\n\u003Cp\u003ETeams benötigen Traces, die jeden Schritt im Workflow des Agenten zeigen: abgerufener Kontext, Tool-Aufrufe, Zwischenergebnisse, Genehmigungen, Latenz, Kosten und endgültige Aktionen. Drift-Erkennung, Audit-Trails für Aktionen und Human-in-the-Loop-Eskalationspfade helfen Teams zu verstehen, wann sich das Verhalten des Agenten ändert, wann sich seine Eingaben verschlechtern oder wann eine Entscheidung mit geringer Konfidenz überprüft werden muss.\u003C/p\u003E\n\u003Cp\u003EIn produktiven Agentensystemen benötigen Teams außerdem ein Test-Harness, das zeigen kann, welche Fragen, Tools, Abrufpfade oder Workflow-Schritte Fehler verursachen, und dann vorgeschlagene Korrekturen sowohl an gezielten Fällen als auch an Regressionssets testen kann. Snowflakes \u003Ca href=\"https://www.snowflake.com/en/blog/engineering/optimize-snowflake-ai-systems-cocoevolve/\"\u003ECoCoEvolve ist ein Beispiel\u003C/a\u003E: Das System legt sich um ein KI-Artefakt, schlägt Änderungen vor, bewertet, ob sie helfen, behält erfolgreiche Änderungen bei und verwirft erfolglose.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_how-to-deploy-ai-agents_0":{"id":"text-ce5c4e601c","additionalClasses":"callout callout--tip","text":"\u003Cp\u003E\u003Cstrong\u003EKURZER TIPP\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EBeginnen Sie mit einem eng gefassten, wiederholbaren Workflow, bei dem die Datenquellen, zulässigen Aktionen und Eskalationspunkte klar sind. Es ist einfacher, einen kontrollierten Agenten zu erweitern, als Governance bei einem Agenten nachzurüsten, der bereits umfassenden Zugriff auf verschiedene Systeme hat.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_the-future-of-ai-agents":{"id":"title-v2-8aea15a023","additionalClasses":"anchor-title anchor-title--the-future-of-ai-agents","type":"heading2","lines":["Die Zukunft von AI Agents"],":type":"snowflake-site/components/title-v2"},"text_the-future-of-ai-agents_0":{"id":"text-2fa53b766d","text":"\u003Cp\u003EDie Zukunft von KI-Agenten wird wahrscheinlich weniger von isolierten Modellverbesserungen geprägt sein als vielmehr von den Systemen, die Kontext liefern, Aktionen kontrollieren und die Arbeit über Tools hinweg koordinieren. Wenn Agenten von Chat-Fenstern in operative Workflows wechseln, benötigen Unternehmen Architekturen, die die richtigen Daten zur richtigen Zeit bereitstellen, Nutzerberechtigungen wahren und aufzeichnen, was bei jedem Schritt passiert ist.\u003C/p\u003E\n\u003Cp\u003EFür Unternehmensteams hängt diese Architektur oft davon ab, die KI näher an kontrollierte Daten heranzubringen, anstatt Daten in eine separate KI-Umgebung zu kopieren. „Sie müssen in der Lage sein, die KI zu den Daten zu bringen und diese Daten nicht wegen der gesamten Governance auszulagern“, sagt Allen. „Lassen Sie Ihre Daten dort, wo sie sind, und nutzen Sie dann KI, um Agenten zu entwickeln, die über diesen Kontext verfügen.“\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_the-future-of-ai-agents_0":{"id":"quote-item-a519a6a23b","alignment":"left","layout":"simple","quoteSourceName":"William Allen","quoteSourceTitle":"Head of Product for CoWork & Agents, Snowflake","showQuoteIcon":true,"quote":"“You need to be able to bring AI to the data … keep your data where it is, and then leverage AI to build agents that have that context.”","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_the-future-of-ai-agents_1":{"id":"text-1f10751bdf","text":"\u003Cp\u003EDiese Anforderung ist auch der Grund, warum Protokolle wie MCP immer wichtiger werden. Agenten benötigen eine konsistente Möglichkeit, Tools, Datenquellen und Anwendungen zu entdecken und zu nutzen, ohne dass jede Verbindung auf einer benutzerdefinierten Integration beruht. \u003Ca href=\"https://www.anthropic.com/news/donating-the-model-context-protocol-and-establishing-of-the-agentic-ai-foundation\" target=\"_blank\"\u003EAnthropic führte MCP\u003C/a\u003E im November 2024 als offenen Standard für die Verbindung von KI-Anwendungen mit externen Systemen ein und spendete ihn dann im Dezember 2025 an die Agentic AI Foundation unter der Linux Foundation. Seitdem hat sich MCP über lokale Tools hinaus entwickelt und wird \u003Ca href=\"https://blog.modelcontextprotocol.io/posts/2026-mcp-roadmap/\" target=\"_blank\"\u003Evon einer wachsenden Zahl von Unternehmen in der Produktion eingesetzt\u003C/a\u003E.\u003C/p\u003E\n\u003Cp\u003EDas Wachstum von MCP deutet auf ein stärker vernetztes Agentic-Ökosystem hin, aber die Verbindung allein löst die Herausforderungen von Unternehmen nicht. Die nächste Phase wird auch von einer kontrollierten Interoperabilität abhängen: Agenten, die Tools entdecken, sie mit der richtigen Identität nutzen, Richtlinien respektieren, den Kontext bewahren und die Arbeit systemübergreifend übergeben können, ohne den Audit-Trail zu verlieren.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_the-future-of-ai-agents_0":{"id":"text-5eaec23d84","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EWICHTIGSTE ERKENNTNIS\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EDie Zukunft von Unternehmensagenten ist nicht einfach mehr Autonomie, sondern eine besser kontrollierte Autonomie: Agenten, die über Daten, Tools und Workflows hinweg logisch schlussfolgern können, während das Unternehmen die Kontrolle über Zugriff, Richtlinien, Genehmigungen und Verantwortlichkeit behält.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_the-future-of-ai-agents_2":{"id":"text-6606b1844c","text":"\u003Cp\u003E\u003Csup\u003E1. Gartner-Webinar, \u003Ca rel=\"noopener noreferrer\" href=\"https://www.gartner.com/en/webinar/784381/1775526-gartner-agentic-compass-for-ai-success-aligning-innovation-with-enterprise-needs\" target=\"_blank\"\u003EGartner Agentic Compass for AI Success: Aligning Innovation with Enterprise Needs\u003C/a\u003E | Gartner Webinars. GARTNER ist eine Marke von Gartner, Inc. und/oder seinen verbundenen Unternehmen.\u003C/sup\u003E\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["callout__0","text__0","title_what-is-an-ai-agent","text_what-is-an-ai-agent_0","card_v2_what-is-an-ai-agent_0","title_benefits-of-ai-agents","text_benefits-of-ai-agents_0","title_ai-agents-across-the-enterprise","text_ai-agents-across-the-enterprise_0","yt_ai-agents-across-the-enterprise_0","title_how-do-ai-agents-work","text_how-do-ai-agents-work_0","title_reasoning-and-action-paradigms","text_reasoning-and-action-paradigms_0","title_what-are-the-types-of-ai-agents","text_what-are-the-types-of-ai-agents_0","title_ai-agent-architecture-core-components","text_ai-agent-architecture-core-components_0","title_multi-agent-systems-and-orchestration","text_multi-agent-systems-and-orchestration_0","title_agent-autonomy-and-guardrails","text_agent-autonomy-and-guardrails_0","callout_agent-autonomy-and-guardrails_0","title_ai-agent-challenges-and-governance","text_ai-agent-challenges-and-governance_0","title_how-to-deploy-ai-agents","text_how-to-deploy-ai-agents_0","callout_how-to-deploy-ai-agents_0","title_the-future-of-ai-agents","text_the-future-of-ai-agents_0","quote_the-future-of-ai-agents_0","text_the-future-of-ai-agents_1","callout_the-future-of-ai-agents_0","text_the-future-of-ai-agents_2"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-f0d5a933ba",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-9bd1e35675","additionalClasses":"eyebrow-text","text":"\u003Cp\u003EIn diesem Leitfaden\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-ba716118e6","additionalClasses":"page-toc","text":"\u003Cul\u003E\u003Cli data-anchor=\"what-is-an-ai-agent\"\u003EWas ist ein KI-Agent?\u003C/li\u003E\u003Cli data-anchor=\"benefits-of-ai-agents\"\u003EVorteile von KI-Agenten\u003C/li\u003E\u003Cli data-anchor=\"ai-agents-across-the-enterprise\"\u003EKI-Agenten im gesamten Unternehmen\u003C/li\u003E\u003Cli data-anchor=\"how-do-ai-agents-work\"\u003EWie funktionieren KI-Agenten?\u003C/li\u003E\u003Cli data-anchor=\"reasoning-and-action-paradigms\"\u003EParadigmen für Schlussfolgern und Handeln\u003C/li\u003E\u003Cli data-anchor=\"what-are-the-types-of-ai-agents\"\u003EWelche Arten von KI-Agenten gibt es?\u003C/li\u003E\u003Cli data-anchor=\"ai-agent-architecture-core-components\"\u003EArchitektur von KI-Agenten: Kernkomponenten\u003C/li\u003E\u003Cli data-anchor=\"multi-agent-systems-and-orchestration\"\u003EMulti-Agenten-Systeme und Orchestrierung\u003C/li\u003E\u003Cli data-anchor=\"agent-autonomy-and-guardrails\"\u003EAutonomie von Agenten und Leitplanken\u003C/li\u003E\u003Cli data-anchor=\"ai-agent-challenges-and-governance\"\u003EHerausforderungen für KI-Agenten und Governance\u003C/li\u003E\u003Cli data-anchor=\"how-to-deploy-ai-agents\"\u003ESo stellen Sie KI-Agenten bereit\u003C/li\u003E\u003Cli data-anchor=\"the-future-of-ai-agents\"\u003EDie Zukunft von AI Agents\u003C/li\u003E\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-a9f9725613","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-04f612cc80","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Häufig gestellte Fragen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-6ce48cb5c9","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EIhre häufigsten Fragen zu KI-Agenten – beantwortet von Snowflake-Expert:innen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-c6b216a956","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Was ist der Unterschied zwischen einem KI-Agenten und einem Chatbot?","richText":"\u003Cp\u003EEin Chatbot antwortet auf Benutzernachrichten in einer dialogorientierten Benutzerschnittstelle. Ein KI-Agent nutzt KI, um ein Ziel zu verfolgen, Entscheidungen zu treffen und über Tools oder Systeme hinweg Maßnahmen zu ergreifen. Ein Chatbot kann agentisch werden, wenn er über Planung, Gedächtnis, Tool-Nutzung und kontrollierten Zugriff auf externe Systeme verfügt.\u003C/p\u003E"},{"title":"Was sind die wichtigsten Arten von KI-Agenten?","richText":"\u003Cp\u003EDie fünf klassischen Arten sind einfache Reflexagenten, modellbasierte Reflexagenten, zielbasierte Agenten, nutzenbasierte Agenten und lernende Agenten. Unternehmensteams nutzen auch hierarchische Agenten und Multi-Agenten-Systeme für komplexere Workflows.\u003C/p\u003E"},{"title":"Was ist Agentic AI?","richText":"\u003Cp\u003EAgentic AI bezieht sich auf KI-Systeme, die über Ziele logisch schlussfolgern, Entscheidungen treffen und mit einem gewissen Grad an Autonomie handeln. Im Gegensatz zu einem einfachen Prompt-Response-System kann ein agentisches System Schritte planen, Tools aufrufen, Ergebnisse beobachten und seinen Ansatz überarbeiten.\u003C/p\u003E"},{"title":"Wie greifen KI-Agenten sicher auf Unternehmensdaten zu?","richText":"\u003Cp\u003EKI-Agenten greifen über kontrollierte Schnittstellen, die Berechtigungen, Richtlinien und Überprüfbarkeit durchsetzen, sicher auf Unternehmensdaten zu. In der Praxis bedeutet dies die Verwendung genehmigter Abfrageebenen, APIs, Retrieval-Systeme, semantischer Modelle und Control-Plane-Richtlinien, anstatt Agenten uneingeschränkten Zugriff auf die zugrunde liegenden Daten zu gewähren.\u003C/p\u003E"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-8cccea3e62","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-629739fa15",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-d90fb1dbf5","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["KI-Ressourcen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-23cc270502","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-0922b62bbf","tagText":"BERICHT","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/lp/radical-roi-generative-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"headline":{"id":"title","type":"heading5","lines":["Der ROI von generativer KI und KI-Agenten 2026"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-1d99aa9327","tagText":"WHITEPAPER","tagColor":"#FFD9AF","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/resources/white-paper/ai-at-work-from-productivity-hacks-to-organizational-transformation/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"headline":{"id":"title","type":"heading5","lines":["KI am Arbeitsplatz: Von Produktivitäts-Hacks zur Unternehmenstransformation"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-c418b7adee","tagText":"BERICHT","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/lp/building-startup-ai-age/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"headline":{"id":"title","type":"heading5","lines":["KI-Agenten im Unternehmenseinsatz"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-4f9bb3b916","tagText":"LEITFADEN","tagColor":"#AAE5EA","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/developers/guides/getting-started-with-snowflake-mcp-server/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"headline":{"id":"title","type":"heading5","lines":["Erste Schritte mit Managed Snowflake MCP Server"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-bf285f64a8","propertiesId":"hub-explore-topics-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-3ef4d86d88",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-b7e48fbf13","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["KI-Themen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-d45480d5ea","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003EDetaillierte Einblicke in jeden Aspekt der künstlichen Intelligenz\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy_copy","text_copy_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-399a60a0d7","propertiesId":"hub-explore-topics-grid","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-c79d0397cf",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-493140da0c","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EGrundlegender Leitfaden für Unternehmens-KI: Wie sie funktioniert, wohin sie sich entwickelt und was sie für Ihr Unternehmen bedeutet.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["Künstliche Intelligenz"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/de/artificial-intelligence/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Hier mehr erfahren"},"type":"content-card"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-07210f1020",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-bd63610bba","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EFrameworks, Richtlinien und Aufsichtsmodelle für das Management von KI-Risiken, Verantwortlichkeiten, Compliance und betrieblicher Kontrolle.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["KI-Governance"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Hier mehr erfahren"},"type":"content-card"}},":itemsOrder":["topic_card_1"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-f03d2a41fd",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-36c61c9785","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EAlgorithmen verstehen, die automatisch aus Erfahrung lernen und sich verbessern.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["Maschinelles Lernen"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/de/artificial-intelligence/machine-learning/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Hier mehr erfahren"},"type":"content-card"}},":itemsOrder":["topic_card_2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_topics_row2":{"id":"flexible-column-container-bad0f1d209","propertiesId":"hub-explore-topics-grid-row2","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none",":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023","flexible_column_cont_topics_row2"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-ed2d330274",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-4845613b04","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-2732605119","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-2051e8188f","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-0705f63346","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master.xfmodel.json"},"experiencefragment":{"id":"experiencefragment-d8239be150","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master.xfmodel.json"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],":path":"/content/snowflake-site/global/de/artificial-intelligence/agents",":hierarchyType":"page","analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"],"analyticsEnabled":true,"coveoConfig":{"apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn","searchHub":"snowflake.com","pipeline":"snowflake.com"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/de/artificial-intelligence/agents","language":"de","category":"general","pageName":"KI-Agenten: Ein Leitfaden für Agentic AI-Architektur und Governance","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},"isPasswordProtected":false,"locale":"de"}