Das Agentic Web: Wie autonome KI-Agenten die nächste Ära des Internets prägen könnten

Das Internet steht vor dem nächsten Umbruch. Nach den statischen Seiten des PC-Webs und der Flut mobiler Apps im letzten Jahrzehnt zeichnet sich eine dritte Ära ab. Sie wird nicht mehr davon bestimmt, dass Menschen Links anklicken oder durch Feeds scrollen, sondern von autonomen KI-Agenten, die in unserem Auftrag handeln. Forscher nennen diese nächste Entwicklung das Agentic Web: ein Internet aus zielgerichteten digitalen Agenten, die wahrnehmen, schlussfolgern und handeln, um die Absichten ihrer Nutzer zu erfüllen. In dieser Vorstellung ist Ihr künftiger Browser weniger ein Fenster zum Surfen von Hand als ein „Agenten-Browser“: ein proaktiver Partner, der allgemein formulierte Anfragen entgegennimmt („Plane meine Reise nach Tokio“) und eine komplexe Kette von Aktionen ausführt, um das Ergebnis zu liefern. Dieser Paradigmenwechsel könnte unseren Umgang mit Technik neu bestimmen: weg von der direkten Bedienung von Websites und Apps, hin zu delegierter Autonomie und zur Orchestrierung durch intelligente Software.

Dieser Artikel nimmt das Agentic Web genau unter die Lupe: was es ist, welcher Technologie-Stack es möglich macht und worin es sich von den bisherigen Epochen des Webs unterscheidet. Wir sehen uns die drei Säulen dieses neuen Webs an (Intelligenz, Interaktion und Wirtschaft), werfen einen Blick auf reale Anwendungen, die bereits entstehen, und befassen uns mit den gewaltigen technischen und gesellschaftlichen Herausforderungen, die ein Netz aus KI-Agenten mit sich bringt. Außerdem klären wir, wo sich diese Vision mit anderen Konzepten für das künftige Internet überschneidet und wo sie von ihnen abweicht, etwa vom dezentralen Web von Web3. Das Ziel ist ein umfassendes Bild von Architektur und Folgen des Agentic Web, und zwar so, dass Entwickler und Technikinteressierte damit etwas anfangen können, die die Entwicklung des Webs mit ebenso viel Begeisterung wie Vorsicht verfolgen.

Vom PC über Mobile zu Agentic: Wie sich das Web entwickelt hat

Das Agentic Web entsteht nicht im luftleeren Raum, es ist das nächste Kapitel einer laufenden Entwicklung. Um seine Bedeutung einzuschätzen, hilft der Vergleich mit dem PC-Web, mit dem alles begann, und mit der Ära von Mobile und Web 2.0, die heute dominiert. Jede Phase des Webs lässt sich daran festmachen, wie Nutzer interagieren, wie Informationen strukturiert sind und wie online Wert entsteht. Die folgende Tabelle fasst diese Verschiebungen zusammen:

Web-Ära	Vorherrschende Nutzerrolle	Interaktionsmodell	Wirtschaftlicher Schwerpunkt
PC-Web (1990er bis 2000er)	„Navigator“: Nutzer browsen und suchen von Hand	Zeigen und Klicken, Textanfragen (Desktop-Browser)	Auf die Suche ausgerichtet: statische Seiten, Hyperlinks, Suchanzeigen, die auf Nutzeranfragen zielen.
Mobiles Web (2010er)	„Operator“: Nutzer tippen und scrollen sich durch kuratierte Apps und Feeds	Touch-Oberflächen, mobile Apps, algorithmische Feeds	Aufmerksamkeitsökonomie: personalisierte Inhaltsströme und gezielte Werbung konkurrieren um menschliche Aufmerksamkeit.
Agentic Web (im Entstehen)	„Director“: Nutzer übertragen Ziele an KI-Agenten („Erledige das für mich“)	Gespräche und autonome Interaktionen von Agenten	Agent Attention Economy: Dienste konkurrieren darum, von den Agenten der Nutzer aufgerufen statt von Nutzern angeklickt zu werden; Wert entsteht durch Dienste zwischen Agenten und durch Ergebnisse.

In der Ära des PC-Webs, also im frühen World Wide Web, hatte der Nutzer die Navigation fest in der Hand. Sie mussten aktiv nach Informationen suchen (denken Sie an Yahoo! oder die Ergebnislisten von Google) und sich durch statische Seiten klicken. Die Informationen waren zwar über Hyperlinks verbunden, der Zugang blieb aber im Kern manuell und vom Nutzer gesteuert. Kommerziell brachte diese Ära Modelle wie die Suchmaschinenwerbung hervor (zum Beispiel Google AdWords), die den einfachen Weg von der Suchanfrage zum Ergebnis zu Geld machten.

Die Ära des mobilen Webs (grob die 2010er und frühen 2020er Jahre) verlagerte die Interaktion auf Smartphones und Apps und machte das Erlebnis deutlich dynamischer und persönlicher. Statt alles selbst abzufragen, bekamen Nutzer algorithmisch kuratierte Inhalte vorgesetzt: Social Feeds, Push-Benachrichtigungen und Empfehlungssysteme setzten sich durch. Das Smartphone machte das Web allgegenwärtig und ständig verfügbar, und Unternehmen lernten, in der Aufmerksamkeitsökonomie um jede zusätzliche Sekunde Ihrer Bildschirmzeit zu kämpfen. Empfehlungsalgorithmen und auf Engagement getrimmte Feeds wurden zu den neuen Machtzentren der Web-Wirtschaft.

Jetzt kommt die Ära des Agentic Web, die laut den Forschern gerade beginnt und diese Paradigmen grundlegend umstürzen könnte. In diesem neuen Modell treten Nutzer vom ständigen Klicken und Wischen zurück. Stattdessen übertragen wir Aufgaben an KI-gesteuerte Agenten, die im gesamten Web in unserem Auftrag handeln können. Stellen Sie sich vor, Sie sagen einem KI-Assistenten: „Plane eine 3-tägige Reise nach Peking.“ Er sucht selbständig Flüge und Hotels, prüft die Wettervorhersage, legt Routen für die Besichtigungen fest und legt Ihnen einen fertigen Reiseplan vor, ohne dass Sie etwas tun müssen. Dahinter steckt eine Verschiebung: Aus einem Web, das vor allem für den menschlichen Konsum gebaut ist, wird ein Web, in dem maschinelle Agenten gleichrangige Akteure sind.

Damit ändert sich auch, wer in der digitalen Wirtschaft um was konkurriert. In einer von Agenten geprägten Welt reicht es nicht mehr, mit Clickbait oder Werbung Blicke einzufangen. Es kommt darauf an, der Dienst oder die API zu sein, die der Agent eines Nutzers für eine Aufgabe auswählt. Die Forscher nennen das die „Agent Attention Economy“, analog zur menschlichen Aufmerksamkeitsökonomie von Web 2.0. So wie Websites einst um die Klicks der Nutzer kämpften, werden künftig Tools und Dienste von Drittanbietern darum konkurrieren, von Agenten aufgerufen zu werden. Mehrere Reisebuchungsdienste könnten zum Beispiel APIs anbieten, aber nur derjenige bekommt das „Geschäft“, den ein KI-Reiseagent für am besten geeignet hält, womöglich ohne dass ein Mensch die Alternativen je zu Gesicht bekommt. Für Webdienste entstehen damit neue Anreize, ihre Daten und APIs agentenfreundlich zu strukturieren und ihre Fähigkeiten in maschinenlesbarer Form zu bewerben.

Bevor wir tiefer einsteigen, sei angemerkt, dass diese Epochen nicht streng nacheinander mit harten Schnitten ablaufen. Elemente des PC- und des mobilen Webs bleiben bestehen und vermischen sich. Das Agentic Web ist aber ein qualitativer Sprung, weil es über dem Gewebe des Webs eine Autonomieschicht einzieht. Das Paper „Agentic Web: Weaving the Next Web with AI Agents“ (Yang et al., 2025) beschreibt das als Übergang des Internets von einem „passiven Informationsspeicher“ zu einer „dynamischen Handlungsumgebung“, bevölkert von autonomen Systemen, die Ziele planen und umsetzen. Das setzt die Entwicklung des Webs fort, könnte sich aber ebenso revolutionär anfühlen wie der Sprung vom Desktop-Web in die Welt der Smartphone-Apps.

Das Agentic Web: Agenten als Nutzer und als Schnittstellen

Was genau ist in diesem Zusammenhang ein „Agent“, und wie funktioniert das Agentic Web? Einfach gesagt ist ein Agent eine Software (oft KI-gestützt, vor allem durch Large Language Models), die in der digitalen Welt selbständig Aufgaben erledigen kann. Das reicht vom Abrufen von Informationen über Terminplanung und Einkäufe bis zur Zusammenarbeit mit anderen Agenten oder Diensten. Kennzeichnend ist, dass Agenten mit einem gewissen Maß an zielgerichteter Autonomie arbeiten. Sie reagieren nicht bloß auf eine einzelne Anfrage und hören dann auf, sondern können Pläne über mehrere Schritte ausführen und unterwegs Entscheidungen treffen, um das Ziel eines Nutzers zu erreichen.

Verstehen lässt sich das Agentic Web über zwei einander ergänzende Rollen, die KI-Agenten in diesem Ökosystem spielen:

• Agent als Nutzer (nach unten gerichtet): In dieser Rolle verhält sich ein KI-Agent im Web ähnlich wie ein menschlicher Nutzer. Er kann Websites aufrufen, Links oder Schaltflächen anklicken (über APIs oder geskriptete Interaktionen), Formulare ausfüllen sowie Inhalte lesen und auswerten, und das alles selbständig. Der Agent bewegt sich also im Auftrag eines Menschen durch Web-Ressourcen und nutzt sie. Forschungsprototypen haben bereits Agenten gezeigt, die zum Beispiel Web-Dokumentation lesen und Schritte einer Softwareinstallation ausführen oder Daten von E-Commerce-Seiten auslesen, so wie es ein Mensch täte, aber in Maschinentempo und 24/7. Dieser „Agent als Web-Nutzer“ kann also bestehende, für Menschen gebaute Weboberflächen verwenden (wenn auch nicht immer effizient, deshalb die neuen Protokolle, zu denen wir noch kommen). Er unterstützt oder ersetzt den Menschen beim routinemäßigen Browsen und bei Transaktionen.

• Agent als Schnittstelle (nach oben gerichtet): Hier ist der KI-Agent ein intelligenter Vermittler zwischen einem menschlichen Nutzer und dem Web. Statt selbst wissen zu müssen, welche Website oder App Sie wie verwenden, sprechen Sie mit einem persönlichen Agenten (etwa in natürlicher Sprache). Der Agent übersetzt Ihre allgemeine Anweisung in konkrete Schritte und orchestriert bei Bedarf mehrere Dienste. In dieser Rolle tritt der Agent als Ihr Assistent auf, als das Frontend, über das Dinge erledigt werden. Sagen Sie einem künftigen digitalen Assistenten etwa „Ich muss meine Hypothek umschulden“, könnte der Agent Bank-APIs abfragen, Zinssätze vergleichen, Formulare zusammentragen und Ihnen die besten Optionen vorlegen, alles über eine Gesprächsoberfläche. Für den Nutzer fühlt sich das wie Delegieren im Gespräch an und nicht wie mühsame Handarbeit von App zu App.

Diese beiden Rollen schließen einander nicht aus. Oft vereint ein einzelner Agent sogar beide zugleich. Ihr Agent kann in natürlicher Sprache mit Ihnen reden (Agent als Schnittstelle) und im Hintergrund gleichzeitig online browsen und Transaktionen durchführen (Agent als Nutzer). Damit wird der Agent zu einer Brücke in beide Richtungen: nach oben zum Menschen, für den er die Komplexität in einem freundlichen Dialog verbirgt, und nach unten zum Web, wo er in der freien Wildbahn des digitalen Ökosystems Aufgaben ausführt.

Das verändert grundlegend, wer oder was die Interaktion steuert. Im herkömmlichen Modell ist der Webbrowser ein passives Werkzeug, das auf die Klicks und Tastatureingaben eines Nutzers wartet, um zu entscheiden, was als Nächstes geschieht. Im Modell des Agentic Web bekommen wir stattdessen einen „Agenten-Browser“, der den Prozess aktiv vorantreibt: Er nimmt Ihr Ziel entgegen und arbeitet es selbständig ab. In einem Abschnitt der Forschungsarbeit heißt es: „Herkömmliche Browser sind passive, vom Nutzer gesteuerte Werkzeuge … Ein Agenten-Browser hingegen arbeitet als proaktiver, zielorientierter Partner“, wodurch sich die Rolle des Nutzers vom Bediener, der selbst Hand anlegt, zum „strategischen Delegierenden“ wandelt. Das hat enorme Folgen für Oberflächendesign, Nutzervertrauen und Kontrolle: Wie lassen Sie den Nutzer einen autonomen Prozess überwachen oder in ihn eingreifen, ohne dessen Zweck zu untergraben? Mit diesen Fragen ringen die Forscher gerade.

Bevor wir uns den Herausforderungen zuwenden, schauen wir aber unter die Haube, auf die technische Architektur, die das Agentic Web ermöglicht. Warum wird diese neue Art der Web-Interaktion gerade jetzt möglich? Weil mehrere Fortschritte zusammentreffen: vor allem bei der KI (Large Language Models), aber auch bei neuen Kommunikationsprotokollen, bei Frameworks zur Orchestrierung komplexer Aufgaben und bei einem Systemdesign, das sich auf autonome Agenten einstellt.

Unter der Haube: der Technologie-Stack des Agentic Web

Ein Internet intelligenter Agenten braucht einen Stack aus Technologien, die zusammenspielen. Zu den Grundbausteinen gehören fortgeschrittene KI-Modelle (sie geben Agenten ein „Gehirn“), neue Kommunikationsprotokolle für Agenten (damit sie mit Diensten und untereinander sprechen können), Frameworks für die Orchestrierung (zur Koordination komplexer Workflows) und eine neu gedachte Systemarchitektur des Webs, in die sich diese Agenten einfügen. Das sind die wichtigsten Komponenten im Einzelnen:

• LLM-Agenten als „Gehirn“: Moderne KI-Agenten laufen oft auf Large Language Models (LLMs) wie GPT-4, Claude von Anthropic, PaLM von Google und ähnlichen. Diese Modelle liefern die Intelligenz: Sie verstehen Anweisungen in natürlicher Sprache, überlegen, wie sich eine Aufgabe lösen lässt, und erzeugen sogar Code oder Text, um Schritte auszuführen. Erst der Leistungssprung von früherer KI zu den heutigen LLMs macht das Konzept des Agentic Web realistisch. Vor zehn Jahren konnte ein „Bot“ im Web bestenfalls geskripteten Regeln folgen. Heute kann ein LLM-basierter Agent selbst herausfinden, wie er eine unbekannte Oberfläche bedient, indem er die Dokumentation liest, oder seine Strategie ändern, wenn ein Fehler auftritt. Diese geistige Beweglichkeit (oft verstärkt durch Prompt-Techniken wie Chain-of-Thought oder durch Frameworks wie ReAct, die Überlegen und Handeln verschränken) ist unverzichtbar. Agenten können sowohl auf internes Wissen zurückgreifen (die Trainingsdaten und das Schlussfolgerungsvermögen des Modells) als auch über APIs auf externe Tools und Ressourcen. Kennt das Modell eines Agenten zum Beispiel die neuesten Informationen nicht, kann es diesen Bedarf erkennen und eine Websuche oder eine Datenbankabfrage aufrufen. Damit verschiebt sich das Muster vom „passiven Abrufen“ (dem alten Suchparadigma) zur „proaktiven Informationsnutzung“, bei der ein Agent während seiner Aufgabe entscheidet, was er braucht und wann er es holt. Zu den zentralen Fähigkeiten von LLM-Agenten gehören langfristiges Planen (Pläne über mehrere Schritte entwerfen und unterwegs anpassen), das Verstehen verschiedenster Eingaben im Kontext (Webtext, Formulare, APIs) und sogar Selbstüberwachung oder Reflexion, um Fehler zu vermeiden. Die Forschung verbessert diese Fähigkeiten schnell (zum Beispiel mit spezialisierten Modellarchitekturen aus Planer und Ausführer), denn ein klügerer Agent ist ein sichererer und wirksamerer Agent.

• Kommunikationsprotokolle für Agenten (MCP und A2A): Wenn LLMs den Agenten ein Gehirn geben, geben ihnen Protokolle eine gemeinsame Sprache, sowohl im Umgang mit herkömmlichen Webdiensten als auch untereinander. Das heutige Web läuft auf Protokollen wie HTTP für die Client-Server-Kommunikation. Ein autonomer Agent hat aber Bedürfnisse, für die einfaches HTTP schlecht geeignet ist. Agenten führen womöglich lange Dialoge mit einem Dienst (statt einzelner Anfragen und Antworten), sie handeln Fähigkeiten aus oder streamen Updates, und mehrere Agenten koordinieren sich asynchron bei einer Aufgabe. Hier kommen neue offene Protokolle ins Spiel wie das Model Context Protocol (MCP) von Anthropic und das Agent-to-Agent-Protokoll (A2A) von Google, die als aussichtsreichste Kandidaten gelten, um die Kommunikation von Agenten in diesem neuen Web zu standardisieren. Was genau sind sie? MCP ist im Wesentlichen ein Protokoll, über das sich ein Agent (auf Basis eines LLM) strukturiert mit externen Tools, Datenquellen und Diensten verbindet. Ein Agent kann damit herausfinden, was eine API oder Datenbank kann, ein „Gespräch“ über mehrere Runden mit dieser Ressource führen und Operationen korrekt formatiert aufrufen. MCP gibt dem Agenten sozusagen einen genormten „Stecker“ (denken Sie an USB-C), mit dem er auf jedes Tool zugreifen kann, das ihn unterstützt. Braucht ein Agent zum Beispiel ein Bild, könnte er per MCP einen Bilderzeugungsdienst finden, die Parameter aushandeln und das Ergebnis abholen, alles in einer zusammenhängenden Sitzung. Anders als zustandslose API-Aufrufe hält MCP einen dauerhaften Kontext zu einem Tool, sodass der Agent mehrfach nachfassen kann (etwa um eine Abfrage zu verfeinern), ohne den Zustand zu verlieren. A2A dagegen regelt, wie Agenten mit anderen Agenten sprechen. Google hat das Agent-to-Agent-Protokoll im April 2025 als offene Spezifikation vorgestellt. Es legt fest, wie autonome Agenten einander sicher und organisiert rund um Aufgaben Nachrichten schicken können. Es führt strukturierte Nachrichtenformate ein, bei denen jede Nachricht an eine bestimmte Task-ID und einen Kontext gebunden ist, damit mehrere Agenten bei komplexen Workflows ohne Verwirrung zusammenarbeiten können. Im Mittelpunkt von A2A stehen Kontextverwaltung, asynchrone Updates und Dialoge über mehrere Runden zwischen Agenten. Startet Ihr Einkaufsagent zum Beispiel ein paar spezialisierte Agenten (einen, der Gutscheine sucht, einen, der Bewertungen vergleicht, und so weiter), können alle per A2A Informationen austauschen, Teilaufgaben verfolgen und den Hauptagenten über den Fortschritt informieren, mit einem gemeinsamen Verständnis von Task-IDs, Zustand und Kontext. Während sich MCP auf die Interaktion zwischen Agent und Tool konzentriert, geht es bei A2A um die Orchestrierung zwischen Agenten, mit Funktionen, die Nachrichten eng an Aufgaben koppeln und koordinierte Teamarbeit ermöglichen. Gemeinsam gelten diese Protokolle als grundlegende Infrastruktur des Agentic Web. Sie sollen für KI-Agenten leisten, was HTTP für Webseiten geleistet hat: eine universelle Art der Kommunikation festlegen. Eine Präsentation auf der Microsoft Build brachte es kürzlich auf den Punkt: „Offene Protokolle wie A2A und MCP sind der Schlüssel zum agentischen Web“. Diese Standards werden integriert, damit Agenten verschiedener Anbieter oder Plattformen von Haus aus zusammenarbeiten können. Microsoft kündigte sogar eigene MCP-Unterstützung für eine ganze Reihe seiner Produkte an (GitHub Copilot, Azure AI, Windows und andere) und nannte MCP den „USB-C-Anschluss für KI-Agenten“. Solcher Rückhalt aus der Branche deutet darauf hin, dass diese Protokolle (und ähnliche Bemühungen wie ACP von der Linux Foundation) das Rückgrat eines offenen Agenten-Ökosystems bilden dürften, so wie HTTP und TCP/IP beim herkömmlichen Web.

• Frameworks und Architekturen für die Orchestrierung von Agenten: Selbst mit klugen Modellen und Kommunikationskanälen ist es alles andere als trivial, mehrere Agenten und Dienste reibungslos zusammenarbeiten zu lassen. Wer hinter die Kulissen eines agentischen Systems schaut, findet eine Orchestrierungsschicht, die allgemeine Ziele in Teilaufgaben zerlegt, die passenden Agenten oder Tool-Aufrufe startet und die Ergebnisse zusammenführt. In unserem Beispiel mit dem Reiseplan steckte bereits eine solche Orchestrierung: Ein Teil des Systems wertete die Anfrage des Nutzers aus, ein anderer teilte die Arbeit in vier Teilaufgaben auf (Wetter, Sehenswürdigkeiten, Hotels, Routen), danach wurden die Ergebnisse wieder zusammengeführt. Das Paper beschreibt das als „Client-Agent-Server“-Modell, das die herkömmliche Client-Server-Architektur des Webs ablöst. In diesem Modell sitzt die Agentenschicht in der Mitte: auf der einen Seite die Schnittstelle zu Nutzern und Clients, auf der anderen die zu einer Vielzahl von Backend-Diensten. Für komplexe Workflows schlagen die Autoren spezialisierte Komponenten vor, etwa einen „Task Router“, der Aufgaben an geeignete Agenten verteilt (möglicherweise über ein verteiltes Netz von Agenten hinweg und zur Senkung der Latenz sogar mit Edge Computing). Eine weitere Komponente ist ein „Demand Skill Mapper“, der die Anforderungen einer Anwendung oder die Anfrage eines Nutzers in ein strukturiertes Format übersetzt, das Agenten und Tools verstehen (mit Embeddings oder Ontologien, die Aufgaben und Fähigkeiten einander zuordnen). Und die Autoren regen sogar ein agentenübergreifendes Abrechnungsbuch an, das Ressourcenverbrauch und Kosten erfasst, wenn mehrere Dienste und Agenten beteiligt sind (mehr dazu im Abschnitt über die Wirtschaft). Daneben entstehen Entwicklungs-Frameworks für Agenten auf hoher Abstraktionsebene, sowohl aus der Open-Source-Welt als auch von Unternehmen, die die Orchestrierung vereinfachen. Azure AI Foundry von Microsoft hat zum Beispiel einen Agent Service eingeführt, mit dem Entwickler „mehrere spezialisierte Agenten für komplexe Aufgaben“ zusammenstellen können. Dazu gibt es ein SDK, das Muster wie Plan-and-Act sowie Werkzeuge für Beobachtung und Tracing integriert. Unter der Haube setzt dieser Dienst für die Kommunikation auf A2A und MCP. Open-Source-Projekte wie LangChain oder Haystack boten schon früher die Möglichkeit, LLM-Aufrufe mit Tools zu verketten, doch inzwischen entstehen robustere Frameworks, die auch Nebenläufigkeit, lang laufende Aufgaben und Zuverlässigkeit bewältigen. Forscher untersuchen aktiv, wie sich Planung und Ausführung architektonisch trennen lassen (ein Modell plant die Gesamtstrategie, ein anderes führt Schritt für Schritt aus, was bei langen Aufgaben nachweislich besser funktioniert) und wie ein Agent dynamisch umplanen kann, wenn mitten in der Aufgabe etwas Unerwartetes passiert. Kurz: Ein System im Agentic Web ist weit komplexer als ein einzelner Nutzer, der eine einzelne Anfrage an einen Server schickt. Es gleicht eher einem Orchester aus Modellen und Diensten, und damit es im Takt spielt, braucht es neue Arten von Dirigenten.

• Interoperabilität durch Semantik und strukturierte Daten: Erwähnenswert ist auch, dass Informationen im Web künftig wohl in Formaten bereitstehen müssen, die Agenten leichter verarbeiten können. Agenten leben von strukturierten Daten und klarer Semantik. Herkömmliche Webseiten für menschliche Augen (voller unstrukturierter Texte oder Bilder) kann KI bis zu einem gewissen Grad auswerten, aber das ist fehleranfällig. Das Agentic Web wird Trends wie Web-APIs für alles, Datenschemata und Knowledge Graphs beschleunigen und vielleicht sogar neue Auszeichnungsstandards hervorbringen, mit denen Agenten leicht erkennen, was eine Seite oder ein Dienst bietet. Schon die neuen Protokolle (MCP, A2A) drängen Dienste in diese Richtung: Unter MCP wird zum Beispiel erwartet, dass ein externes Tool eine Beschreibung seiner Fähigkeiten bereitstellt, die ein Agent abrufen kann, im Grunde ein Manifest nach dem Motto „Das kann ich, und so rufen Sie mich auf“. Das erinnert daran, wie Websites Sitemaps für Suchmaschinen bereitgestellt haben. Künftig liefern sie vielleicht „Agent Cards“ oder JSON-Manifeste für Agenten. Tatsächlich beschreibt ein Beispiel aus dem A2A-Umfeld, wie ein Agent „Agent Cards im JSON-Format von einer öffentlichen URL abruft, um entfernte Agenten zu finden, deren Fähigkeiten zur Aufgabe passen“. Es ist leicht vorstellbar, dass eine Art „Gelbe Seiten für Agenten“ entsteht: Verzeichnisse oder Register, in denen Agenten ihre Fähigkeiten bekannt machen und einander finden (das Agent Communication Protocol (ACP) der Linux Foundation geht eine Form davon für Auffindbarkeit und Interoperabilität an). Das Agentic Web verlangt also, dass die Daten des Webs von vornherein maschinenfreundlich sind und nicht erst nachträglich. Manches davon wird auf bestehenden Standards aufbauen (zum Beispiel JSON-LD, schema.org-Metadaten, GraphQL-Endpunkte), manches könnten neue Standards speziell für die Auffindbarkeit von Agenten und für Verhandlungen zwischen ihnen sein.

All diese Elemente (kluge LLMs, offene Protokolle wie MCP/A2A, Frameworks für die Orchestrierung, semantische Datenschichten) bilden die Infrastruktur des Agentic Web. Das ähnelt einem Stack: ganz unten Netz- und Cloud-Ressourcen, auf denen die Agenten laufen, darüber die Protokolle, über die sie kommunizieren, dann die Modelle, mit denen die Agenten schlussfolgern, und ganz oben die Anwendungen, die Agenten sinnvoll zu den Endnutzern bringen. Auf diesem Fundament können wir uns dem konzeptionellen Modell zuwenden, mit dem die Forscher die Fähigkeiten des Agentic Web einordnen: einem dreidimensionalen Rahmen aus Intelligenz, Interaktion und Wirtschaft.

Die drei Dimensionen des Agentic Web: Intelligenz, Interaktion, Wirtschaft

Yang et al. (2025) schlagen vor, das Agentic Web entlang von drei zentralen Dimensionen zu verstehen, die jeweils zeigen, wo sich dieses neue Paradigma von den früheren Epochen des Webs entfernt. Es sind die Dimension der Intelligenz, die Dimension der Interaktion und die wirtschaftliche Dimension. Stellen Sie sich diese als Schichten vor: Intelligenz (die Fähigkeiten der KI) ermöglicht reichere Formen der Interaktion, und beide zusammen ermöglichen neue wirtschaftliche Strukturen im Ökosystem des Webs. Sehen wir uns jede davon an.

Intelligenz: von statischen Inhalten zu autonomem Schlussfolgern

Bei der Dimension der Intelligenz geht es darum, welche Art von „Köpfchen“ ein Agent braucht, um online selbständig zu arbeiten. Im herkömmlichen Web lag die „Intelligenz“ meist auf der Seite der Nutzer (menschliche Gehirne, die Informationen deuten) oder beschränkte sich auf eng gefasste KI wie die Ranking-Algorithmen von Suchmaschinen. Im Agentic Web tragen die Agenten selbst einen erheblichen Teil der geistigen Last. Sie müssen eine große Vielfalt an Eingaben verstehen und laufend komplexe Entscheidungen treffen, ohne dass ein Mensch sie bei jedem Schritt anleitet.

Zu den zentralen Fähigkeiten in dieser Dimension gehören:

• Sprach- und Kontextverständnis: Agenten sollten neben Text auch halbstrukturierte Daten, Benutzeroberflächen, API-Dokumentation und anderes auswerten, und zwar im Kontext. Ein Agent, der eine Reise-Website liest, muss zum Beispiel Preise, Orte und Verfügbarkeiten herausziehen, also Informationsextraktion im laufenden Betrieb betreiben. Anders als bei einer Stichwortsuche muss der Agent womöglich den Aufbau der Webseite eines Anbieters oder ein PDF-Formular verstehen, um an das Gewünschte zu kommen. Fortschritte bei der Sprachverarbeitung und bei multimodalen Modellen machen das möglich: Heutige Agenten können mit Modellen für Bild und Sprache einen Screenshot einer Webseite „sehen“ oder PDFs per OCR lesen und so mehrere Modalitäten verbinden.

• Langfristiges und anpassungsfähiges Planen: Viele Ziele verlangen mehr als die Antwort auf eine einzelne Anfrage, nämlich eine Strategie über mehrere Schritte. Agenten müssen mehrere Züge vorausplanen (etwa: „Für die Rückerstattung brauche ich zuerst die Bestellnummer, also muss ich mich im E-Mail-Konto anmelden und die Quittung finden …“). Die Fähigkeit, Pläne zu entwerfen, auszuführen und zu überarbeiten, ist unverzichtbar. Forschungsarbeiten wie das Framework Plan-and-Act trennen deshalb ausdrücklich ein Planungsmodell auf hoher Ebene von einem Ausführungsmodell auf niedriger Ebene, was ein dynamisches Umplanen nach jedem Schritt erlaubt. Praktisch heißt das: Ein Agent sollte sich anpassen, wenn zum Beispiel ein Dienst ausgefallen ist, und auf eine Alternative ausweichen oder es später erneut versuchen, statt einfach zu scheitern.

• Lernen und Anpassung: Statische Agenten wären nicht besonders „agentisch“. Sie sollten aus Erfahrung lernen und sich mit der Zeit an die Vorlieben eines Nutzers oder an neue Informationen anpassen. Ein Einkaufsagent könnte zum Beispiel bemerken, dass Sie immer umweltfreundliche Optionen bevorzugen, und das in seine Entscheidungen einbeziehen. Das kann Online-Lernen bedeuten (einen internen Zustand aktualisieren oder im laufenden Betrieb Feintuning betreiben) oder einfacher das Merken früherer Interaktionen (dauerhafter Speicher). Die Dimension der Intelligenz sieht also einen dauerhaften Agentenzustand vor: Anders als eine zustandslose Websuche kann ein Agent Kontext über mehrere Sitzungen hinweg mitnehmen, was mächtig und potenziell riskant ist (wie wir bei den Sicherheitsfragen sehen werden).

• Selbstüberwachung und Korrektur: Um verlässlich zu sein, brauchen Agenten ein gewisses Maß an Metakognition, also die Fähigkeit, ihr eigenes Schlussfolgern zu überwachen und Fehler oder Auffälligkeiten zu bemerken. Hier kommen Techniken wie Chain-of-Thought-Prompting (das Modell erklärt seinen Gedankengang) und Prüfschritte ins Spiel. Bucht ein Agent eine Reise und „denkt“ die Schritte durch, prüft er vielleicht noch einmal, ob Flug und Hotel im selben Zeitraum liegen, und fängt so einen möglichen Fehler ab. Die Autoren betonen, dass Agenten „ihr eigenes Schlussfolgern überwachen und reflektieren, Fehler oder suboptimales Verhalten erkennen und ihre Strategien anpassen“ sollten. Das ist vergleichbar mit einem Menschen, der einen Schritt zurücktritt und seine Arbeit noch einmal prüft, nur automatisiert.

• Multimodale Integration: Viele Aufgaben umfassen mehr als Text, denken Sie an Diagramme, Karten oder Bilder. Agenten müssen zusätzlich zu Text auch Bild, Sprache und andere Modalitäten nutzen können. Ein Agent für Reparaturen im Haushalt könnte zum Beispiel das Foto eines kaputten Geräts auswerten, um das nötige Ersatzteil zu finden und zu bestellen. Multimodale KI-Modelle machen das zunehmend machbar. Im Web bedeutet das: Ein Agent nutzt eine Mischung aus API-Daten, HTML-Seiten und visuellen Inhalten, um ein Ziel zu erreichen.

Die Dimension der Intelligenz führt uns also von einem Internet, das Menschen einfach Daten liefert, zu einem Internet, in dem maschinelle Agenten Daten selbst deuten und nutzen. Das ist der Unterschied zwischen einer KI, die nur auf Nachfrage eine Frage beantwortet (generative KI), und einer KI, die selbst herausfindet, welche Fragen zu stellen und welche Schritte als Nächstes zu tun sind (agentische KI). Ohne genügend Intelligenz wäre ein Agent ein brüchiges Skript. Mit ihr wird er zum flexiblen Problemlöser, im Grunde zu einem autonomen Mini-CEO für jede einzelne Aufgabe.

Interaktion: neue Protokolle und die Zusammenarbeit zwischen Agenten

Die Dimension der Interaktion betrifft die Art, wie Agenten mit der digitalen Umgebung und untereinander umgehen. Hier kommen die neuen Protokolle und Frameworks ins Spiel: Sie verwandeln das Web von einem Interaktionsraum, den Menschen vermitteln, in einen, der für Maschinen gemacht ist. Mehrere Verschiebungen kennzeichnen diese Dimension:

• Von Hyperlinks zu semantischen, dynamischen Verknüpfungen: Bisher läuft die Interaktion im Web über Hyperlinks, die Nutzer anklicken, und über APIs, die fest vorgegebene Skripte aufrufen. Im Agentic Web brauchen Agenten niemanden, der Links anklickt. Sie finden passende Ressourcen auf dynamischere Weise, etwa über die Abfrage eines Dienstregisters oder über eine API-Beschreibung. Die Interaktion wird semantisch: Ein Agent könnte fragen „Wer kann Wetterdaten liefern?“ und einen Dienst finden, statt einem statischen Link zu folgen. Die Entwicklung geht in Richtung einer Dienstsuche zur Laufzeit, bei der Agenten flexibel finden und verbinden, was sie gerade brauchen. Protokolle, die das Ermitteln von Fähigkeiten erlauben, unterstützen das. MCP bietet zum Beispiel „dynamische Erkennung von Fähigkeiten“: Ein Agent kann einen Dienst fragen, welche Funktionen er anbietet, was weit flexibler ist als ein fester API-Vertrag. Unterm Strich sind Interaktionen nicht mehr fest einprogrammiert, sondern ergeben sich zur Laufzeit über reichhaltigere Protokolle.

• Dauerhafte, dialogische Austausche statt einmaliger Aufrufe: Bei menschlichen Web-Interaktionen gibt es oft Sitzungen (Sie melden sich an, Sie haben ein Sitzungs-Cookie), doch ein großer Teil der Maschinenkommunikation (REST-APIs und ähnliches) war bisher zustandslos. Agenten profitieren aber oft davon, einen Dialog mit Diensten zu führen und den Kontext zwischen den Aufrufen zu halten. MCP ermöglicht, wie erwähnt, dauerhafte, zusammenhängende Dialoge zwischen einem Agenten (dem LLM-Host) und einem Dienst. Ein Agent könnte zum Beispiel eine Sitzung mit einem Cloud-Speicherdienst beginnen, Dateien auflisten, die Abfrage verfeinern und etwas herunterladen, alles in einem zusammenhängenden Kontext. Das ist effizienter und leistungsfähiger als wiederholte isolierte API-Aufrufe und ähnelt dem Vorgehen eines Menschen (etwa einem Gespräch über mehrere Runden mit einem Kundendienst-Chatbot, nur dass hier der Agent zustandsbehaftet mit einer API spricht). Auch A2A behandelt Gespräche zwischen Agenten über mehrere Runden als Normalfall, wobei Kontextkennungen für Kontinuität sorgen.

• Koordination mehrerer Agenten: Wichtig ist, dass die Interaktion viele mit vielen verbindet und nicht bloß einen Agenten mit einem Server. Agenten werden mit anderen Agenten sprechen, um sich abzustimmen. Erste Anzeichen dafür gibt es bei Projekten wie AutoGPT (einem experimentellen Open-Source-Agenten, der Sub-Agenten starten konnte) und bei ausgereifteren Umsetzungen in Unternehmenssoftware, wo sich zum Beispiel ein Vertriebs-Bot mit einem Finanz-Bot abstimmt, um einen Abschluss zu erzielen. Das A2A-Protokoll zielt ausdrücklich auf die Zusammenarbeit unterschiedlicher Agenten und sorgt dafür, dass Kontext und Aufgaben in einem Team von Agenten einheitlich geteilt werden. Ein Agent kann also an andere delegieren, so wie eine menschliche Führungskraft Aufgaben an ein Team verteilt. Für das Web könnte das heißen, dass ein Agent eine komplexe Aufgabe in Teile zerlegt: Ein Agent sammelt Daten, ein anderer rechnet, ein weiterer kümmert sich um die Schnittstelle zu einem Altsystem und so weiter, danach führen sie die Ergebnisse zusammen. Multi-Agenten-Systeme sind in der Informatik nichts Neues, neu ist aber, ihre Kommunikation zu standardisieren (A2A) und sie mit dem Web zu verbinden.

• Agenten als Dienste: Agenten können auch selbst Schnittstellen für andere Agenten anbieten. Sie könnten zum Beispiel einen persönlichen Agenten haben, der Ihre Vorlieben kennt, und ein KI-Reiseagent fragt diesen während der Planung nach Ihren Präferenzen. Agenten können also anderen Agenten APIs bereitstellen. Damit verwischt die Grenze zwischen „Dienst“ und „Agent“. Im Agentic Web könnte jede autonome Einheit sowohl Dienste nutzen als auch anbieten. Das ist ein Schritt zu einem stärker von Peer-to-Peer geprägten Interaktionsmodell, wenn auch über strukturierte Protokolle orchestriert. Es erinnert an manche Visionen eines dezentralen Webs (in dem jeder Nutzer auch Server ist), nur dass hier jeder Agent ein Dienst-Endpunkt sein kann. Die erwähnten Agentenregister oder -verzeichnisse würden das unterstützen: Ein Agent könnte dort etwa bekannt geben „Ich kann Terminplanung übernehmen“, damit andere Agenten ihn finden und aufrufen können.

Bei der Dimension der Interaktion geht es im Kern darum, die Kommunikationsgrundlage für all diese autonomen Transaktionen zu schaffen. Das ist, als würde man Straßen und Verkehrsregeln für eine neue Art von Verkehr entwerfen (KI-gesteuerte Autos auf den Straßen des Internets, um die Metapher etwas zu strapazieren). Ohne sie hätten wir einen Wilden Westen aus Bots, die HTML auslesen, und brüchigen Notlösungen. Mit passenden Protokollen und Standards kommen wir zu einem geordneteren, interoperablen Agenten-Ökosystem. Dass sich Microsoft auf der Build 2025 zu offenen agentischen Protokollen bekannte, zeigt, wie wichtig diese Schicht ist. Das Unternehmen führte sogar Funktionen wie die „Agent ID“ von Azure ein (eine Art Identitäts- und Berechtigungssystem für Agenten), um diese Interaktionen zu verwalten und abzusichern. Das deutet auf eine weitere Herausforderung hin: Interaktionen müssen sicher und geregelt ablaufen. Darauf kommen wir später zurück.

Wirtschaft: autonome Dienste und die Verschiebung zur „Agent Attention“

Die wirtschaftliche Dimension schließlich befasst sich damit, wie sich Geschäft und Wertschöpfung im Web ändern, wenn autonome Agenten zu wichtigen Akteuren werden. In den früheren Epochen entstand wirtschaftlicher Wert im Web vor allem durch menschliche Aufmerksamkeit und durch Transaktionen, die Menschen auslösten. Im Agentic Web erwarten wir maschinengetriebene Wirtschaftstätigkeit: Agenten, die selbst Transaktionen auslösen, Geschäfte aushandeln oder Inhalte und Werte für andere Agenten oder Nutzer erzeugen.

Mehrere Punkte sind in dieser Dimension wichtig:

• Agenten als wirtschaftliche Akteure: Sobald Agenten ohne direktes menschliches Zutun Transaktionen auslösen können, werden sie im Grunde zu eigenständigen Wirtschaftsakteuren. Ein Agent könnte dann in Ihrem Auftrag Dienste oder Waren kaufen (mit einem festgelegten Ausgabenlimit oder nach bestimmten Kriterien). Ihr IoT-Agent zu Hause könnte zum Beispiel automatisch Lebensmittel nachbestellen oder den Einkauf von Energie aushandeln. Agenten könnten auch Verträge schließen, vielleicht in Form von Smart Contracts auf einer Blockchain (einige Forscher untersuchen bereits, wie sich Agenten mit der Blockchain verbinden lassen, um Vertrauen und Automatisierung zu schaffen). Im Agentic Web könnten maschinennative Märkte entstehen, auf denen Agenten andere Agenten für Informationen oder Dienste bezahlen. Stellen Sie sich einen Agenten vor, der für eine Rechercheaufgabe kleine Beträge an verschiedene Datenanbieter zahlt, um an die nötigen Informationen zu kommen, und das alles selbst entscheidet. Das geht über unser heutiges Werbe- oder Abomodell hinaus und bringt die Idee autonomer wirtschaftlicher Entscheidungen ins Spiel.

• Wertschöpfung durch Agenten: Agenten konsumieren nicht nur, sie können auch wertvolle Ergebnisse erzeugen. Das Paper merkt an, dass Agenten Artefakte wie ausführbare Workflows, Tool-Manifeste oder Datensätze eigens für andere Agenten erzeugen können. Agenten schaffen also womöglich Dinge, die gar nicht für Menschen gedacht sind, aber das maschinelle Ökosystem verbessern. Ein Agent könnte zum Beispiel ein langes Dokument so strukturiert zusammenfassen, dass andere Agenten es leicht aufnehmen können, also für andere einen Datensatz schaffen. Das ähnelt der Art, wie Menschen Inhalte für andere erstellen, hier aber im geschlossenen Kreislauf: Agenten produzieren für Agenten. Solche „maschinenorientierten Artefakte ermöglichen geschlossene Kreisläufe aus Erzeugung und Konsum“ und führen zu einem sich selbst tragenden Zyklus autonomer Wertschöpfung. Eine faszinierende Vorstellung: In Teilen des Webs könnten Agenten fortlaufend miteinander kooperieren und Geschäfte machen, mit minimaler menschlicher Aufsicht, und dabei ihre Ergebnisse optimieren und verfeinern.

• Dezentrale autonome Ökonomien: Wenn viele Agenten Transaktionen tätigen, entsteht so etwas wie eine digitale Wirtschaft der Bots. Manche rechnen mit dezentralen Wirtschaftsnetzen, in denen Agenten algorithmisch Dienste finden, Konditionen aushandeln und Ergebnisse optimieren. Diese könnten in Geschwindigkeiten und Größenordnungen jenseits menschlicher Möglichkeiten arbeiten: Mikrotransaktionen in Millisekunden, dynamische Preisanpassungen und anderes, alles von KI erledigt. Das knüpft an Ideen aus der dezentralen Finanzwelt (DeFi) und Web3 an. Die Annäherung von Web3 und agentischer KI ist sogar schon im Gange: Projekte wie ChainOpera haben gezeigt, wie sich Smart Contracts auf der Blockchain mit KI-Agenten verbinden lassen, sodass Agenten in einer vertrauenslosen Umgebung interagieren und sogar selbständig mit digitalen Vermögenswerten handeln können. Die Überschneidung zwischen dem Agentic Web und dem dezentralen Web von Web3 ist hier besonders deutlich: Die Blockchain kann eine Vertrauens- und Abwicklungsschicht für autonome Agenten sein, die einander nicht von vornherein vertrauen. Das könnte neue Formen autonomer Organisationen oder Marktplätze ermöglichen, die von KI-Agenten betrieben werden (DAO trifft KI). Anders als die reine Vision von Web3 ist das Agentic Web aber nicht an die Blockchain gebunden. Viele Agenten-Ökonomien könnten auch auf herkömmlichen Datenbanken und zentralen Systemen laufen. Wichtig ist, dass die Entscheidungen autonom fallen; die Infrastruktur kann je nach Entwurf zentral oder dezentral sein.

• Die Agent Attention Economy, noch einmal: Auf der kommerziellen Seite betrifft eine unmittelbare Umwälzung die digitale Werbung und das Marketing. Wenn Ihr KI-Assistent alle Informationen filtert und entscheidet, welche Optionen er Ihnen zeigt, müssen Unternehmen Ihren Agenten ebenso überzeugen, wie sie es heute bei Ihnen versuchen. Das ist die bereits erwähnte Agent Attention Economy: Drittanbieter konkurrieren um Aufrufe durch Agenten statt um direkte menschliche Klicks. In der Praxis könnte das neue Formen von SEO bedeuten (Agenten dazu bringen, einen Dienst höher zu reihen oder auszuwählen) oder sogar Zahlungen an Agenten für bevorzugte Behandlung (was ethische Fragen aufwirft). Auch das Werbemodell könnte sich umkehren: Vielleicht bekommt Ihr Agent Kleinstbeträge dafür, dass er stellvertretend für Sie auf Marketing achtet. Noch wissen wir es nicht, aber wenn ein großer Teil der Nutzerinteraktionen über Agenten läuft, werden sich Unternehmen klar darauf einstellen und diese Agenten ansprechen. Das Paper hält fest: „Neue Protokolle wie MCP ermöglichen es Agenten, Dienste aus einem modularen Ökosystem dynamisch zusammenzustellen und zu orchestrieren, was zur Entwicklung agentengetriebener Geschäftsmodelle führt.“ Statt dass ein Nutzer einen Dienst auswählt und Werbung sieht, könnte also ein Agent eine Lösung aus vielen Diensten zusammensetzen und dabei womöglich spontan Preis oder Qualität vergleichen. Das könnte bestimmte Dienste zur austauschbaren Ware machen: Wählt Ihr Agent zum Beispiel immer die günstigste Wetter-API, die die Kriterien erfüllt, konkurrieren Wetteranbieter vor allem über günstige Preise für Agenten und Zuverlässigkeit, nicht mehr über die Marke.

• Herausforderungen für Wirtschaft & Governance: Wenn Agenten wirtschaftliche Entscheidungen treffen, stellen sich neue Fragen der Haftung und Governance. Wer ist verantwortlich, wenn ein KI-Agent zu viel von Ihrem Geld ausgibt oder einen schlechten Handel abschließt? Könnten Agenten durch Absprachen (absichtlich oder unabsichtlich) Märkte manipulieren? Die Forschung weist auf Bedenken zu Rechenschaft, Transparenz und Ausrichtung von Agenten bei folgenschweren Entscheidungen hin. Regulierungsbehörden müssen womöglich Regeln für autonome Transaktionen von Agenten aufstellen, und Nutzer werden Transparenz verlangen, etwa: „Hat mein Agent für die Wahl dieses Produkts eine Provision bekommen?“ Außerdem braucht es Prüfpfade für Entscheidungen von Agenten und möglicherweise Beschränkungen wie Ausgabengrenzen oder eine verpflichtende menschliche Freigabe ab bestimmten Schwellenwerten. Dass Microsoft Tools wie Entra Agent ID (Identitäten für Unternehmen) einführt und bei Azure AI Foundry die Governance betont, legt nahe, dass die Branche bereits darüber nachdenkt, wie sich ein Wildwuchs an Agenten („Agent Sprawl“) verhindern und die Aufsicht sicherstellen lässt, wenn Unternehmen diese autonomen Agenten einsetzen.

Die wirtschaftliche Dimension des Agentic Web beschreibt also den Übergang von einer Internetwirtschaft, die sich um menschliche Aufmerksamkeit und zentrale Plattformen dreht, zu einer, in der autonome Agenten Wertschöpfung und Austausch vorantreiben. Das könnte enorme Produktivität freisetzen: Stellen Sie sich Unternehmen vor, in denen ganze Flotten von Agenten die eintönigen Abläufe vollständig übernehmen und Menschen Zeit für kreative Arbeit haben. Es könnte aber auch Verwerfungen auslösen: Manche Arbeitsplätze könnten verschwinden, zwischen denen mit und denen ohne fortgeschrittene Agenten könnten neue Ungleichheiten entstehen, und die Folgen für Arbeit und Märkte sind schwer vorherzusagen. Wie bei jeder mächtigen Technik wird es darauf ankommen, den Nutzen zu maximieren und die Nachteile zu begrenzen.

Nachdem wir Architektur und zentrale Paradigmen des Agentic Web behandelt haben, sehen wir uns an, wie es in der Praxis Gestalt annimmt und welche Herausforderungen beim weiteren Aufbau warten.

Agenten im Einsatz: erste Anwendungen und Anwendungsfälle

Das Agentic Web steckt zwar noch in den Kinderschuhen, doch schon jetzt sprießen reale Anwendungen, die sein Potenzial erahnen lassen. Technologieunternehmen und Open-Source-Projekte bauen agentische Konzepte zunehmend in Produkte ein. Hier sind einige bemerkenswerte Bereiche, in denen agentenbasierte Systeme entstehen:

1. Persönliche KI-Assistenten als universelle Schnittstellen: Der wohl sichtbarste frühe Schritt zum Agentic Web sind leistungsfähigere persönliche Assistenten, die über Siri und Alexa hinausgehen und wirklich Aufgaben über mehrere Schritte und Apps hinweg erledigen. Microsoft und Google liefern sich hier ein Rennen. Microsoft hat zum Beispiel Windows Copilot in Windows 11 integriert und sieht darin mehr als einen Chatbot, nämlich einen Orchestrator, der komplexe Anfragen entgegennimmt und in mehreren Apps oder Diensten Aktionen ausführt. Auf der Build 2025 zeigte Microsoft die Multi-Agenten-Orchestrierung von Copilot Studio, mit der ein Copilot spezialisierte Sub-Agenten aufrufen kann (einer plant zum Beispiel Besprechungen, ein anderer wertet Dokumente aus). Der Copilot ist damit im Grunde ein Agent der Agenten, der verschiedene Teile koordiniert, um ein übergeordnetes Anliegen eines Nutzers zu erfüllen. Google wiederum hat Pläne für einen aufgewerteten Google Assistant mit Bard angekündigt. Der Assistent soll zum Beispiel einen Flug von Anfang bis Ende für Sie buchen können, statt Ihnen nur die Flugoptionen zu nennen.

Agentische Oberflächen gibt es auch in einzelnen Bereichen, zum Beispiel in den Kreativwerkzeugen von Adobe: Der kommende „Adobe Assistant“ soll es ermöglichen, Designänderungen oder neue Inhalte in natürlicher Sprache anzufordern, und führt dann automatisch Abfolgen von Operationen in Photoshop oder Express aus. Das ist das Muster „Agent als Schnittstelle“: Der Nutzer äußert eine Absicht, die Software (der Agent) führt die Schritte aus. Menüklicks und stupide Routineaufgaben verschwinden dahinter. Ähnlich in der Unternehmenssoftware: Salesforce arbeitet an KI-Agenten (EinsteinGPT und anderen), die CRM-Daten durchgehen und über einfache Prompts Aktionen ausführen können (etwa einen Anruf protokollieren oder Folgetermine ansetzen). All das sind frühe Ausschnitte der Idee des Agentic Web, die derzeit auf bestimmte Anwendungen beschränkt sind, sich aber allmählich nach außen vernetzen, sobald diese Agenten an mehr externe Tools angebunden werden.

Auch der Webbrowser selbst entwickelt sich zu einer agentischen Anwendung. Neben Microsofts Integration von Copilot in den Edge-Browser ziehen andere Browser nach. Opera (auch in der Forschungsarbeit zitiert) hat eine KI-Seitenleiste eingeführt und experimentiert mit einer KI, die für Sie durch Seiten navigiert. Wir steuern auf einen Browser zu, der eine Anfrage wie „Finde mir einen alten Plattenspieler unter 200 Dollar und kaufe ihn“ annimmt, automatisch die Suchergebnisse durchgeht, Preise auf Shopping-Seiten vergleicht und vielleicht sogar die Bestellung aufgibt, während Sie zusehen oder am Ende eine Zusammenfassung bekommen. Das unterscheidet sich grundlegend von unserem heutigen Ritual aus Suchen und Klicken. Bezeichnend ist, dass Unternehmen Agenten sogar auf Betriebssystemebene integrieren (Windows AI Foundry in Windows 11 stellt zum Beispiel die Infrastruktur für lokal laufende LLMs und Agenten bereit). Ihr künftiges Betriebssystem könnte also einen eingebauten persönlichen Agenten mitbringen, der Ihre Dateien, Apps und Vorlieben versteht: ein lokales „Web“, auf dem er für Sie arbeiten kann.

2. Autonome Aufgabenorchestrierung und Multi-Agenten-Workflows: Eine weitere aufstrebende Anwendung könnte man „Autovervollständigung für Aufgaben“ nennen: Systeme, die eine allgemein formulierte Aufgabe entgegennehmen, sie zerlegen und Schritt für Schritt ausführen. Frühe Enthusiasten machten 2023 Projekte wie Auto-GPT und BabyAGI bekannt, im Grunde Python-Skripte, die ein LLM kapseln und es per Prompt iterativ planen und ausführen lassen, oft mit neuen „Agenten“-Threads für Teilaufgaben. Diese Open-Source-Experimente waren häufig brüchig, lieferten aber eine Art Machbarkeitsnachweis für autonome Agenten über mehrere Schritte. Auto-GPT konnte zum Beispiel bekanntermaßen ein Ziel wie „Recherchiere und kaufe einen günstigen Staubsauger“ entgegennehmen, dann selbständig nach Staubsaugern suchen, Eigenschaften vergleichen, Notizen führen und einen Kauf versuchen (mit menschlicher Aufsicht beim letzten Schritt). Das zeigte die Möglichkeiten ebenso wie die Schwierigkeiten: Manchmal blieb es hängen oder entschied schlecht, aber es ließ Agenten erahnen, die aus eigenem Antrieb anspruchsvolle Aufgaben erledigen.

Darauf aufbauend betten Unternehmen nun robustere Versionen dieser Orchestrierung ein. Der bereits erwähnte Azure AI Foundry Agent Service von Microsoft ist im Grunde eine Plattform, um solche Orchestrierungen sicher und skalierbar zu bauen. Microsoft hebt hervor, dass sich mehrere Agenten und Tools zu durchgängigen Geschäftsprozessen verketten lassen: Denken Sie an eine automatisierte Pipeline für die Kreditbearbeitung oder einen IT-Support-Workflow mit minimalem menschlichem Eingreifen. In solchen Fällen antwortet der Agent nicht bloß im Chat, er greift womöglich selbständig auf Datenbanken zu, verschickt E-Mails, holt Datensätze und aktualisiert Systeme. Microsoft hat dafür auch das Konzept einer Agent ID und Governance eingeführt, denn wenn Agenten nennenswerte Geschäftsvorgänge übernehmen, wollen Sie nachverfolgen, welcher Agent was getan hat (für Audits), und sicherstellen, dass sie sich nicht unkontrolliert vermehren.

Ein konkretes Beispiel aus dem Paper ist der schon besprochene Workflow für den Reiseplan. Dort wertete ein Agent die Anfrage des Nutzers aus, ein Planungsagent teilte die Aufgabe auf und rief per MCP vier verschiedene Dienste auf (Wetter, Sehenswürdigkeiten, Hotels, Karten), und ein Syntheseagent fügte die Ergebnisse zum fertigen Reiseplan zusammen. Diese Art der autonomen Orchestrierung von Diensten ist ein früher realer Anwendungsfall. Ähnliche Abläufe sind leicht vorstellbar: etwa ein „Agenten-Concierge“, der Ihren Abend plant, bei Restaurant-APIs nach Reservierungen sucht, Kinokarten kauft und einen Fahrdienst bestellt, alles unsichtbar koordiniert. Oder im Unternehmen: ein „DevOps-Assistent als Agent“, der eine App überwacht, ein Problem erkennt, ein Ticket anlegt, eine bekannte Korrektur einspielt oder ein fehlerhaftes Deployment zurückrollt und das Team benachrichtigt, also Aufgaben über mehrere Systeme hinweg erledigt.

Diese Workflows mit mehreren Agenten oder Diensten sind im Grunde autonome Integrationen. Früher hätte man so etwas mit von Hand geschriebenen Skripten gemacht oder mit RPA-Software (Robotic Process Automation), die auf Schaltflächen in grafischen Oberflächen klickt. Mit LLM-gestützten Agenten kann die Integrationslogik jetzt flexibler sein, und der Agent kann mit unerwarteten Ergebnissen umgehen oder bei Bedarf nachfragen (dank des Sprachverständnisses großer Modelle). Es ist noch früh, und diese Systeme müssen viel getestet werden, um verlässlich zu sein, aber in vielen Unternehmen laufen bereits Pilotprojekte.

3. Autonome Agenten für einzelne Branchen: Auch in einzelnen Branchen werden agentische Ideen angewendet. Im Finanzwesen gibt es zum Beispiel Interesse an autonomen Handels- oder Rechercheagenten (angesichts der Risiken allerdings unter strenger Aufsicht). BloombergGPT, ein auf Finanzen ausgerichtetes LLM, deutet auf künftige Finanzanalyse-Agenten hin, die Nachrichten lesen und innerhalb vorgegebener Grenzen Geschäfte ausführen könnten. In Spielen und virtuellen Welten haben Forscher generative Agenten geschaffen, die in simulierten Städten leben und miteinander interagieren. Das ist zwar nicht das Web, zeigt aber, wie Agenten dauerhaft existieren und selbständig sozial interagieren können (manche dieser Ideen ließen sich auf eine Online-Community übertragen, die von NPC-ähnlichen Agenten betreut wird). Ein weiterer Bereich ist der Kundenservice: Statt Chatbots, die nur Skripten folgen, erproben Unternehmen Support-Agenten, die Kundenprobleme lösen, indem sie interne Wissensdatenbanken durchgehen, Tickets anlegen, Reparaturen planen und anderes erledigen, mit minimalem menschlichem Zutun.

E-Commerce-Plattformen erkunden Einkaufsagenten: Sie geben einen Prompt ein wie „Ich brauche ein Geschenk für einen 5-Jährigen, der Dinosaurier mag“, und ein Agent durchsucht den Katalog, vergleicht Bewertungen, prüft vielleicht sogar externe Seiten auf Preisunterschiede und gibt Ihnen dann eine Empfehlung oder legt Artikel in Ihren Warenkorb. Amazon hat angedeutet, dass solche KI-Einkaufsassistenten in Entwicklung sind. Das sind frühe Anwender von Konzepten des Agentic Web, bei denen der Agent Web-Inhalte (Produktlisten, Bewertungen) und die Bedürfnisse des Nutzers verbindet.

Eine weitere neue Anwendung betrifft Informationssuche und Recherche, die sogenannte agentische Suche. Statt eine Liste von Links zurückzugeben, könnte ein KI-Agent diese Links selbst öffnen, lesen, die Erkenntnisse zusammenfassen und Ihnen eine zusammengeführte Antwort mit Quellen liefern. Tools wie der KI-Chat von Bing und der Summarizer von Brave gehen in diese Richtung: Sie holen schon jetzt Inhalte von mehreren Seiten, um Ihre Frage zu beantworten, was ein Schritt hin zu einem Agenten ist, der für Sie liest. Forscher sprechen ausdrücklich vom Übergang von der „nutzerzentrierten Suche zur agentischen Informationsbeschaffung, vom reaktiven Nachschlagen zum autonomen, kontextbewussten Sammeln von Daten“. Bald könnten wir einen KI-Rechercheagenten haben, der zu einem Thema Datenbanken durchforstet, einen Bericht zusammenstellt und sogar Diagramme erzeugt, alles im Hintergrund orchestriert.

Viele dieser frühen Anwendungen beziehen an kritischen Punkten noch einen Menschen ein, entweder zur Prüfung der letzten Aktion (etwa zur Bestätigung eines Kaufs) oder für zusätzliche Angaben, wenn der Agent unsicher ist. Völlig selbständige Autonomie, vor allem bei folgenschweren Dingen, gehen die meisten Entwickler derzeit vorsichtig an (aus gutem Grund). Mit wachsendem Vertrauen in diese Systeme könnte sich der Spielraum aber allmählich erweitern und mehr Autonomie gewährt werden.

Herausforderungen und offene Fragen

Bei aller Begeisterung für das Agentic Web bleibt eine lange Liste technischer, ethischer und praktischer Herausforderungen, die wir auf dem Weg in diese neue Ära lösen müssen. Hier die drängendsten, an denen Forscher und Fachleute aus der Branche derzeit arbeiten:

1. Koordination und Komplexität: Agentische Systeme zu bauen und zu betreiben ist von Natur aus komplexer als bei herkömmlichen Web-Apps. Mehrere Agenten und Dienste so zu orchestrieren, dass nichts schiefgeht, ist eine ernste Herausforderung. Es droht das „Orchestrierungsproblem bei Agenten“: Wie koordinieren wir viele bewegliche Teile (Agenten) verlässlich, vor allem wenn sie sich anpassen und ihr Verhalten ändern können? Race Conditions, Deadlocks oder Endlosschleifen zwischen Agenten sind neue Fehlerarten, die man bedenken muss (zwei Agenten könnten zum Beispiel, wenn es schlecht entworfen ist, in einer Schleife hängen bleiben und sich eine Aufgabe gegenseitig zuschieben). Der vorgeschlagene Umbau zu einem Client-Agent-Server-Modell führt eine ganz neue Middleware-Schicht ein, die selbst skalierbar und robust sein muss. Techniken aus verteilten Systemen (etwa Leader Election, Konsens oder Transaktionsverwaltung) müssen im Kontext von Agenten womöglich neu gedacht werden. Ein Forschungsgebiet ist die Formalisierung von Protokollen und Garantien für Agenten-Interaktionen, die zum Beispiel sicherstellen, dass Aufgaben irgendwann enden oder dass der Ressourcenverbrauch nicht aus dem Ruder läuft, wenn ein Agent durchdreht.

2. Skalierbarkeit und Leistung: Ein Web voller Agenten wirft an mehreren Fronten Fragen der Skalierbarkeit auf. Erstens ist der Betrieb von Agenten auf Basis großer Sprachmodelle rechenintensiv. Hat jeder Nutzer einen KI-Agenten, der ständig etwas tut, sind das potenziell Milliarden ML-Inferenzen, weit mehr als die Last des heutigen Webs (das die Rechenarbeit meist an den Client abgibt oder schlanke API-Aufrufe nutzt). Das zeigt sich schon an den Kosten von Diensten wie ChatGPT. An optimierten Laufzeiten für Modelle und an kleineren, spezialisierten Modellen für Teilaufgaben wird intensiv gearbeitet, trotzdem bleibt Autonomie teuer. Besonders heikel sind Abrechnung und Kostentransparenz. Anders als ein einfaches Monatsabo für eine App kann die Tätigkeit eines Agenten schwankende Kosten verursachen (API-Gebühren, Rechenzeit), die sich im Voraus kaum abschätzen lassen. Die Forschung benennt ausdrücklich die „Abrechnungsherausforderung“: Wie lassen sich tragfähige Preismodelle für Agentendienste schaffen, damit Nutzer nach dem Delegieren einer komplexen Aufgabe nicht von einer riesigen Rechnung überrascht werden? Microsofts Agentendienst für Azure wird vermutlich neue Abrechnungsmodelle entwickeln (vielleicht nach Nutzung oder nach Ergebnis). Dazu kommt die Skalierbarkeit der Web-Infrastruktur: Wenn Agenten Seiten aggressiver auslesen oder APIs öfter aufrufen als Menschen (weil sie schneller und 24/7 arbeiten), könnte das bei unvorbereiteten Websites wie ein von Agenten verursachter DDoS wirken? Web-Anbieter müssen sich womöglich anpassen und etwa eine Authentifizierung für Agenten-Traffic verlangen oder eigene „Spuren für Agenten“ in ihren Diensten einrichten.

3. Auffindbarkeit und Vertrauen in einem Agenten-Ökosystem: Wie erwähnt, müssen Agenten andere Agenten und Dienste finden. Aber wie stellt man sicher, dass ein Agent den richtigen Helfer oder die richtige API für eine Aufgabe findet? Wenn mehrere konkurrierende Standards für die Suche existieren, droht Zersplitterung. Es könnte eine universelle „Suchmaschine für Agenten“ nötig werden, vielleicht ein Verzeichnis nach dem Vorbild von DNS oder von Paketregistern (npm/PyPI für Dienste). Das Agent Communication Protocol (ACP) einer Gruppe der Linux Foundation deutet eine Zukunft an, in der man ein Register etwa nach einem „Wettervorhersagedienst“ fragt und eine Liste von Optionen bekommt, auf die Agenten zugreifen können. Auffindbarkeit hängt aber eng mit Vertrauen zusammen: Woher weiß Ihr Agent, welchem Dienst er vertrauen kann oder welcher andere Agent zuverlässig ist? Es könnten Reputationssysteme für Agenten entstehen. Microsofts Idee, Unternehmensagenten eine überprüfbare Identität zu geben (Entra Agent ID), ist ein Ansatz innerhalb von Organisationen. Im offenen Internet sehen wir vielleicht kryptografische Signaturen für Agentenidentitäten oder Reputationswerte. Das berührt auch die Sicherheit, denn ein Agent unter falscher Identität oder ein bösartiger Dienst könnte andere Agenten täuschen: Ein gefälschter „Wetterdienst“ könnte etwa falsche Daten liefern, um den Planungsagenten eines Konkurrenten zu sabotieren.

4. Sicherheit und Schutz: Das ist wohl die größte Sorge. Wenn autonome Agenten durchs Web streifen und handeln können (auch Geld ausgeben, Daten ändern oder breit kommunizieren), explodiert das Bedrohungsmodell. Forscher katalogisieren neuartige Bedrohungen, die mit der Autonomie von Agenten einhergehen. Ein umfassendes Bedrohungsmodell für agentische KI aus dem Jahr 2025 nennt zum Beispiel das Überreden oder Manipulieren von Agenten durch subtile Tricks in Oberfläche oder Inhalt, ähnlich wie Phishing bei Menschen, nur dass hier die KI gephisht wird. Als Beispiel dienen UX-Muster, die die Entscheidungen eines Agenten allmählich lenken (etwa eine Website, die einen Agenten zur Buchung teurer Optionen drängt). Dazu kommt Data Poisoning: Böswillige könnten Websites voller falscher oder irreführender Informationen erstellen, die gezielt Agenten in die Irre führen (Agenten haben womöglich nicht denselben gesunden Menschenverstand als Filter wie Menschen). Ein Agent könnte dieses Gift unbemerkt in seinen Plan aufnehmen: Stellen Sie sich einen Agenten vor, der wegen schlechter Kartendaten eine Route plant, die ein selbstfahrendes Auto in eine Falle führt. Eine weitere Bedrohung ist Prompt Injection: Liest ein Agent Inhalte, die Anweisungen enthalten, könnte ein geschickter Angreifer versteckte Befehle einbetten, die der Agent dann ausführt (das wurde bei Prompt-basierten Systemen bereits demonstriert). Auch der dauerhafte Zustand eines Agenten lässt sich ausnutzen: Das Gedächtnis eines Agenten könnte mit der Zeit durch subtile Verzerrungen verfälscht werden (ähnlich wie das Vergiften von Trainingsdaten, aber über Interaktionen).

Die Sicherheitsprobleme ziehen sich durch alle Schichten: die kognitive (das Schlussfolgern des Agenten täuschen), die Protokollebene (Kommunikationskanäle ausnutzen) und die wirtschaftliche (ihn zu unerlaubten Transaktionen verleiten). Sie können sich kaskadenartig verstärken: Eine kleine Manipulation bei der Wahrnehmung kann zu einer falschen Entscheidung und dann zu einem finanziellen Verlust führen. Deshalb fließt viel Aufwand in robustere Agenten: Red Teaming, um herauszufinden, wie sich Agenten aushebeln lassen, Leitplanken, die ihre Aktionen begrenzen (zum Beispiel eine verpflichtende Bestätigung vor bestimmten riskanten Aktionen), und die Überwachung ihres Verhaltens durch Anomalieerkennung. Ein vielversprechender Ansatz ist Sandboxing: Agenten laufen in kontrollierten Umgebungen, in denen sie nur auf bestimmte Tools zugreifen und etwa Ihre Kernsysteme nur nach bestandenen Prüfungen berühren dürfen. Microsofts Integration von Compliance-Kontrollen und Beobachtbarkeit (Trace-Protokolle der Entscheidungen von Agenten) in Azure Foundry ist ein Beispiel dafür: Entwickler können Schritt für Schritt sehen, was ein Agent tut, um Fehler zu suchen oder Probleme abzufangen.

Auch die Sicherheit der zugrunde liegenden Protokolle ist unverzichtbar. Wenn A2A oder MCP zum Normalfall werden, müssen sie gehärtet werden. Die MCP-Spezifikation von Anthropic hat bereits Überarbeitungen durchlaufen, die OAuth und Autorisierungsmechanismen hinzugefügt haben, damit Agenten nur auf das zugreifen, was ihnen erlaubt ist. Im Gespräch ist auch ein Register für MCP-Server, um das Vertrauen in verfügbare Tools zu regeln. Womöglich brauchen wir neue Sicherheits-Frameworks speziell für agentische Abläufe: Ein Agent könnte zum Beispiel einen Token mitführen, der seine Ausgaben oder seinen Handlungsspielraum begrenzt (eine Art Capability Token).

Schließlich gibt es die soziale und ethische Sicherheit, also die Verhinderung von Missbrauch. Agenten könnten eingesetzt werden, um Desinformation in großem Maßstab zu erzeugen oder Cyberangriffe zu automatisieren (stellen Sie sich Spearphishing-Mails vor, die ein Agent schreibt und verschickt, der zur Personalisierung auch sämtliche Social-Media-Beiträge des Ziels liest). Umgekehrt können Agenten auch als Verteidiger dienen, etwa als Agent, der Systeme auf Einbrüche überwacht oder gefundene Schwachstellen rasch schließt. Es ist das übliche Wettrüsten, nur jetzt weitgehend automatisiert.

5. Nutzervertrauen und Akzeptanz: Selbst wenn die Technik funktioniert: Werden Menschen sich damit wohlfühlen, Teile ihres digitalen Lebens autonomen Agenten zu überlassen? Das ist ebenso eine Frage der UX wie der Technik. Nutzer brauchen klare mentale Modelle davon, was ihre Agenten können, und Möglichkeiten, sie zu steuern oder zu korrigieren. Es besteht die Gefahr übermäßigen Vertrauens („Automation Complacency“): Der Nutzer passt nicht mehr auf, und der Agent macht einen Fehler. Ist der Agent umgekehrt zu zurückhaltend und fragt ständig um Erlaubnis, verliert er seinen Komfort. Designer erproben Oberflächen, in denen der Agent seine Überlegungen erklärt oder eine Zusammenfassung der geplanten Aktionen zeigt, bevor er sie ausführt, um Vertrauen aufzubauen. Das ist ein schwieriger Balanceakt: Bei zu viel Transparenz könnte der Nutzer es gleich selbst machen, bei zu wenig fühlt es sich wie eine Blackbox an. Die Forschung stellt Fragen wie: „Welche neuen Interaktionsprimitive braucht es, um sinnvolle menschliche Aufsicht zu ermöglichen, ohne die Autonomie des Agenten zu untergraben?“ Funktionen wie ein „KI-Befehlsprotokoll“ oder ein „Probelauf-Modus“, in dem ein Agent Ihnen sagt, was er tun würde, können Nutzern helfen, Vertrauen zu gewinnen.

Dazu kommt die ethische Ausrichtung: Agenten sollen im besten Interesse des Nutzers und nach seinen Werten handeln. Wenn Ihr Agent Nachrichten für Sie sucht, soll er bestimmte Inhalte herausfiltern oder nicht? Wenn er auf einem Marktplatz für Sie auftritt, soll er hart verhandeln oder höflich bleiben? Menschen müssen ihre persönlichen Agenten womöglich auf ihre Vorlieben trainieren, was eine neue Art der Personalisierung ist (es geht dabei um den Entscheidungsstil und nicht bloß um Inhaltsvorlieben).

6. Interoperabilität und Kämpfe um Standards: Die Gefahr der Zersplitterung müssen wir eingestehen. Derzeit treiben mehrere große Akteure ihre eigenen Visionen voran: OpenAI hat sein Ökosystem (Plugins und anderes), Microsoft und Anthropic setzen sich für offene Protokolle ein, Google hat sein A2A, und weitere werden folgen. Damit das Agentic Web wie das ursprüngliche Web wirklich aufblüht, braucht es starke offene Standards (analog zu HTTP, HTML und anderen), damit ein Agent im ganzen Internet arbeiten kann und nicht bloß in abgeschotteten Ökosystemen. Die frühen Zeichen sind vielversprechend, große Unternehmen arbeiten überraschend zusammen (Microsoft ist zum Beispiel neben Anthropic dem Steering Committee von MCP beigetreten, und Googles A2A ist offen). Es könnten aber konkurrierende Ansätze entstehen, vielleicht Agenten eines Unternehmens, die nur mit dessen Cloud oder App Store voll funktionieren. Die Community (Entwickler, vielleicht angeleitet von Gruppen wie dem W3C oder einem neuen Gremium) wird auf Interoperabilität drängen müssen, damit Ihre „persönliche KI“ am Ende nicht so abgeschottet ist wie etwa Siri auf iOS gegenüber dem Assistant auf Android, ohne Zugang zu bestimmten Diensten wegen proprietärer Sperren. Die Geschichte des Webs legt nahe, dass Offenheit langfristig meist gewinnt, die Geschichte von Mobile hingegen, dass Plattformen an ihrer Kontrolle festhalten wollen. Im Agentic Web könnte sich manches davon wiederholen.

Agentic Web gegen Web3 und das dezentrale Web: Annäherung oder Konkurrenz?

Es lohnt sich, die Vision des Agentic Web mit anderen Bewegungen für die „Zukunft des Internets“ zu vergleichen, vor allem mit Web3 (dem dezentralen Web), aber auch mit den breiteren Bemühungen um ein dezentrales Web wie Solid oder IPFS. Auf den ersten Blick sind das verschiedene Dinge: Bei Web3 geht es darum, wem das Web gehört und wer es betreibt (mit dem Ziel, Daten zu dezentralisieren und Vertrauen auf die Blockchain zu gründen), beim Agentic Web darum, wie das Web genutzt wird (autonom, durch KI-Agenten). Es gibt aber interessante Überschneidungen und mögliche Synergien, ebenso wie Unterschiede.

Überschneidungen und Ergänzungen: Beide Visionen sind Reaktionen auf das heutige zentralisierte, von Plattformen beherrschte Web, und beide wollen Endnutzer stärken. Die Befürworter von Web3 wollen Nutzern durch Dezentralisierung und Kryptografie die Kontrolle über ihre Daten, Identität und Finanzen geben. Die Befürworter des Agentic Web wollen Nutzern die Kontrolle über ihre Zeit und Aufgaben geben, indem sie Arbeit an intelligente Agenten abgeben. Im Idealfall ergänzen sich diese beiden Visionen: Stellen Sie sich ein offenes Agentic Web auf dezentraler Infrastruktur vor. Ihr Agent könnte sich zum Beispiel mit einer dezentralen Identität (DID) für Sie ausweisen, mit Krypto-Wallets für Dienste bezahlen und Daten in verteilten Netzen wie IPFS oder Filecoin speichern, alles ohne die Erlaubnis eines zentralen Unternehmens. Das Paper hält fest, dass „die Integration der Blockchain vielversprechende Möglichkeiten bietet“ für das wirtschaftliche Fundament des Agentic Web, weil sie vertrauenslose Interaktionen und autonome Transaktionen zwischen Agenten ermöglicht. Projekte wie ChainOpera, die Web3 und agentische KI verbinden, zeigen, dass ein Agent mit Smart Contracts auf einer Blockchain interagieren kann und so potenziell selbstausführende Vereinbarungen zwischen Agenten entstehen. Vorstellbar ist also eine Zukunft, in der ein Agent einen Dienst findet und statt eines herkömmlichen API Keys einen Blockchain-basierten Token verwendet, um darauf zuzugreifen, und pro Aufruf in Krypto bezahlt, alles transparent On-Chain protokolliert. Das könnte manche Vertrauensprobleme lösen (weil Transaktionen öffentlich und überprüfbar sind) und die Interaktionen von Agenten offener machen.

Eine weitere Überschneidung ist der Fokus auf offene Protokolle. Web3 beruht auf offenen Standards (den Protokollen von Ethereum und anderen), und wie wir gesehen haben, setzt auch das Agentic Web auf offene Protokolle wie A2A und MCP. Beide bauen darauf, dass Interoperabilität unverzichtbar ist: bei Web3 zwischen Blockchain-Anwendungen (Composability), beim Agentic Web zwischen Agenten und Diensten. Interessant ist sogar die Aussicht, Agenten selbst dezentral zu betreiben, zum Beispiel indem mehrere Knoten gemeinsam eine Agenten-KI ausführen, um nicht von einem einzelnen Cloud-Anbieter abzuhängen (auch wenn die Verteilung eines LLM technisch alles andere als trivial ist). Einige frühe Vorhaben wie Blockchain-basierte KI-Marktplätze (SingularityNET und andere) versuchten, KI-Dienste mit dezentralem Hosting zu verbinden, wurden aber von der damaligen KI-Technik gebremst. Mit LLMs und mehr Einigkeit über Standards sehen wir vielleicht dezentrale Netze von Agenten, zu denen jeder beitragen und von denen jeder profitieren kann.

Unterschiede und Konflikte: Andererseits setzen Web3 und das Agentic Web andere Hauptschwerpunkte und könnten in mancher Hinsicht als konkurrierende Prioritäten gelten. Das Ethos von Web3 sind Dezentralisierung und Vertrauenslosigkeit, also das Ausschalten von Vermittlern. Das Agentic Web, wie es derzeit gedacht wird, verlangt nicht zwingend Dezentralisierung. Ein Agent könnte vollständig von einem großen Unternehmen auf proprietären Modellen betrieben werden und damit im Grunde weitere Vermittler hinzufügen (Ihr Agent wird womöglich der neue Vermittler zwischen Ihnen und verschiedenen Diensten). Ohne bewusste Anstrengung könnte das Agentic Web die Macht derer stärken, die die besten Agenten anbieten: Wenn sich alle bei ihren Aufgaben auf die KI von Unternehmen X verlassen, wird dieses Unternehmen extrem einflussreich (wie eine ultimative „Plattform“). Web3 dagegen wollte Plattform-Monopole mit Technik wie der Blockchain aufbrechen. Philosophisch besteht ein gewisser Unterschied: Web3 betont oft die Souveränität der Nutzer (Ihre Daten, Ihre Schlüssel), das Agentic Web den Komfort der Nutzer durch Autonomie. Idealerweise wollen wir beides, aber Spannungen sind absehbar: Ein Agent könnte im Sinne des Komforts zentrale Dienste nutzen, die einfacher oder billiger sind, und eine dezentralere, aber langsamere Option links liegen lassen.

Ein weiterer Unterschied betrifft die Wirtschaftsmodelle. Web3 hat Dinge wie Tokens, Krypto-Anreize und dezentrale Finanzen eingeführt. Die wirtschaftliche Dimension des Agentic Web sieht, wie besprochen, Agenten, die so etwas womöglich nutzen, aber vielleicht auch einfach über APIs mit herkömmlichen Währungen arbeiten. Nicht jedes Szenario des Agentic Web braucht eine Blockchain, viele kommen mit Fiat-Geld und zentralen Datenbanken aus. Ihr Agent kann zum Beispiel problemlos Ihre Kreditkarte auf einer Website verwenden, ganz ohne Blockchain. Es wäre also eine agentengetriebene Zukunft denkbar, die weiterhin überwiegend auf Web2-Infrastruktur läuft und damit nicht die Dezentralisierung erreicht, die Befürworter von Web3 für Privatsphäre und Freiheit für unverzichtbar halten. Umgekehrt haben die dezentralen Anwendungen (dApps) von Web3 derzeit oft Probleme mit der Benutzbarkeit, und Agenten könnten da sogar helfen. Krypto-Wallets und DeFi zu verwalten ist für Menschen zum Beispiel kompliziert; ein Agent könnte das für Sie übernehmen und Web3 zugänglicher machen.

Auch Community und Entwicklungsstil unterscheiden sich: Web3 wird von der Community getragen, stark von Open Source geprägt und liegt manchmal mit Regulierern im Streit. Das Agentic Web treiben bisher sowohl die Wissenschaft als auch große Branchenakteure wie Microsoft, Google und Anthropic voran. Dahinter steht derzeit mehr Unternehmensgewicht (gut für Ressourcen und Standardisierung, aber ohne Gegengewicht womöglich der Weg zu mehr Unternehmenskontrolle). Web3-Anhänger befürchten vielleicht, dass das Agentic Web bloß „KI-Vermittler von Big Tech, die noch mehr von unserem digitalen Leben kontrollieren“ bedeutet. Umgekehrt sehen Vertreter des Agentic Web manche Web3-Technik vielleicht als nützliches Werkzeug, aber nicht als Endziel: Sie übernehmen, was sinnvoll ist (etwa die Blockchain für Transaktionen oder Identität), ohne sich der ganzen Philosophie des Dezentralisierens von allem zu verschreiben.

Wahrscheinlich werden sich diese Visionen teilweise annähern. Wir werden Mischformen sehen wie autonome Agenten in der dezentralen Finanzwelt (bereits Gegenstand von Studien, wie sie etwa Ante 2024 zu autonomer KI in DeFi anführt) und persönliche Agenten, die dezentrale Identität und Speicher nutzen. Es wird aber auch Bereiche geben, in denen sie auseinandergehen: Ein Agentennetz im Unternehmen kommt vielleicht ganz ohne Blockchain oder Dezentralisierung aus und liegt vollständig hinter den Mauern einer Firma, ist in seiner Funktion aber trotzdem „agentisch“. Die Befürworter des dezentralen Webs wiederum bauen womöglich agentische Schichten, die zentrale KI-Modelle meiden (vielleicht mit Open-Source-Modellen, die lokal oder auf dezentraler Rechenleistung laufen).

Bei den Zielen überschneiden sich beide darin, dass sie ein Web wollen, das stärker auf die Nutzer ausgerichtet ist und in dem weniger riesige Plattformen als Mittelsmänner die Bedingungen diktieren. Sie gehen es nur anders an: Web3 sagt „Macht Plattformen durch verteiltes Vertrauen überflüssig“, das Agentic Web sagt „Macht Oberflächen durch Automatisierung überflüssig“. Vielleicht verbindet die Zukunft am Ende beides: Plattformen werden zu Protokollen (wie Web3 es will), und Interaktionen werden automatisiert (wie es das Agentic Web will). Das wäre tatsächlich ein ganz anderes Web: offen, intelligent und automatisiert. Der Weg dorthin ist aber lang, er verlangt Brücken zwischen den Communitys und dass die Lösungen der einen Seite in die andere einfließen. Das Agentic Web braucht zum Beispiel Lösungen für Vertrauen und Überprüfung, und Web3 hat dafür einige Antworten (etwa unveränderliche Logs und Smart Contracts), Zusammenarbeit könnte sich also lohnen.

Fazit: Das nächste Web weben

Die Idee des Agentic Web denkt kühn neu, wozu das Internet da ist und wie es funktioniert. Statt eines globalen Netzes, das vor allem Menschen mit Informationen verbindet, entsteht eines, das intelligente Agenten mit Aufgaben und Diensten verbindet. Menschen geben die grobe Richtung vor und überlassen die Kleinarbeit zunehmend ihren digitalen Stellvertretern. In gewisser Weise entwickelt sich das Internet damit endlich von einem Lese- und Schreibmedium aus Dokumenten und Klicks zu einer handlungsorientierten Umgebung, in der im Hintergrund Dinge für uns erledigt werden. Dieser Umbruch ist ebenso bedeutend wie der Schritt von statischen HTML-Seiten zum dynamischen, von Apps geprägten Web.

Der mögliche Nutzen ist immens: Stellen Sie sich vor, Sie gewinnen täglich Stunden zurück, weil Ihre Agenten Routine-E-Mails, das Ausfüllen von Formularen, Einkaufsvergleiche oder Terminplanung übernehmen. Stellen Sie sich Unternehmen vor, die 24/7 laufen, während KI-Agenten Lieferketten, Kundensupport und Analysen in einem reibungslosen Fluss koordinieren. Das Web könnte produktiver und persönlicher werden, mit weniger Warten auf menschliche Antworten und weniger manuellen Hürden. Es könnte auch inklusiver werden: Wer sich mit Technik nicht gut auskennt, könnte komplexe Online-Aufgaben trotzdem erledigen, indem er einem Agenten in einfacher Sprache sagt, was er braucht.

Diese Zukunft hat aber erhebliche Haken. Um Agenten unsere Ziele wirklich anzuvertrauen, von den belanglosen bis zu den lebenswichtigen, müssen sie robust und sicher sein und in unserem Interesse handeln. Die besprochenen Herausforderungen bei Koordination, Sicherheit und ethischem Design sind nicht trivial. Sie verlangen sorgfältiges Engineering, interdisziplinäre Forschung und wahrscheinlich neue rechtliche Rahmen. Dazu kommen breitere gesellschaftliche Fragen: Was bedeutet das für Berufe, die mit Online-Arbeit zu tun haben (Reisekaufleute, persönliche Assistenten, sogar Softwareentwickler)? Riskieren wir eine Klasse von „KI-Mittelsmännern“, die den Zugang zu Informationen und Diensten kontrollieren? Wie stellen wir sicher, dass Nutzer die letzte Kontrolle behalten und Agenten, die aus dem Ruder laufen, übersteuern oder abschalten können? Diese Fragen erinnern an frühere technische Umwälzungen, bekommen durch die Autonomie von Agenten aber eine neue Wendung.

Ein mögliches Ergebnis ist ein offenes Agentic Web, das so gedeiht wie einst das frühe Web, mit gemeinsamen Standards, die gleiche Bedingungen schaffen, sodass der Agent von jedem mit dem Dienst von jedem sprechen kann. In diesem Szenario könnten wir eine Blüte an Innovation erleben, mit unzähligen spezialisierten Agenten und Diensten in einem reichen Ökosystem. Ein anderes Ergebnis, vor dem wir uns hüten müssen, ist eine stärker abgeschottete Agentenwelt, in der eine Handvoll KI-Plattformen die meisten Interaktionen von Agenten vermittelt (stellen Sie sich vor, Ihre persönliche KI funktioniert nur im Ökosystem eines einzigen Unternehmens gut). Dass Unternehmen Protokolle als Open Source veröffentlichen und zusammenarbeiten, ist ein gutes Zeichen, aber es wird weiterhin Einsatz für Offenheit brauchen.

Mitte der 1990er Jahre sprachen die Erfinder des ursprünglichen Webs vom „Weben des Webs“ und stellten sich eine vernetzte Welt der Informationen vor (Tim Berners-Lee nannte sein Buch bekanntlich Weaving the Web). Heute, im Jahr 2025, beginnen wir, ein neues Web zu weben, das aus mehr als verlinkten Dokumenten besteht, nämlich aus miteinander verbundenen intelligenten Agenten. Die Fäden dieses Webs sind Protokolle wie MCP/A2A, KI-Modelle und Frameworks für die Zusammenarbeit; der Stoff entsteht gerade erst, durch Forschung und Experimente. Ein Übersichtspaper formulierte es so: Dies ist der Sprung von einer KI, die bloß auf Prompts antwortet, zu „agentischer KI“, die sich durch proaktives, unabhängiges Entscheiden und Ausführen auszeichnet. Für diesen Sprung braucht es technischen Einfallsreichtum und auch die Weitsicht, dafür zu sorgen, dass er der Menschheit dient.

Die nächsten Jahre werden wahrscheinlich rasche Fortschritte bringen. Wir werden mehr Funktionen mit Agenten in den Apps und Geräten sehen, die wir nutzen. Vermutlich werden wir auch öffentlichkeitswirksame Fehltritte erleben, einen Agenten, der etwas Peinliches oder Schädliches tut, und solche Erfahrungen werden wichtig sein, um Grenzen und Schutzmaßnahmen zu schärfen. Entwickler und Nutzer müssen dabei informiert und engagiert bleiben. So wie der Wechsel zum mobilen Computing ein Umdenken bei Design und Sicherheit verlangte (etwa Responsive Design und App-Berechtigungen), wird auch der Wechsel zum agentischen Computing neue mentale Modelle und bewährte Verfahren erfordern.

Für Entwickler könnte das bedeuten, neue Frameworks für Prompt Engineering, Agenten-Orchestrierung und Protokollintegration zu lernen. Für Nutzer bedeutet es zu lernen, wirksam an eine KI zu delegieren (welche Anweisungen die besten Ergebnisse bringen, wie man die Arbeit einer KI prüft). Für die Politik bedeutet es, Gesetze für digitale Agenten anzupassen (Haftung zuweisen, Transparenz sicherstellen, vielleicht manche KI-Entscheidungen im Recht ähnlich wie menschliche behandeln).

An diesem Wendepunkt kann man nicht anders, als zugleich begeistert und etwas beklommen zu sein. Das Agentic Web hat etwas von Science-Fiction, die Wirklichkeit wird: der lang erträumte „digitale Butler“ oder der „Autopilot fürs Leben“ nimmt Gestalt an. Es verspricht, uns von digitaler Plackerei zu befreien und zu erweitern, was wir erreichen können. Wie bei jedem mächtigen Werkzeug entscheidet aber der Umgang damit über das Ergebnis. Wenn wir dieses neue Web klug weben (mit offenen Standards, Sicherheit und den Interessen der Menschheit im Vordergrund), könnte es tatsächlich die nächste große Phase des Internets werden, eine Ära, in der Agenten menschliche Fähigkeiten weltweit erweitern. Der Webstuhl läuft. Das Muster, das wir jetzt knüpfen, wird den Stoff unseres digitalen Lebens auf Jahrzehnte prägen.

Quellen:

• Yang et al., „Agentic Web: Weaving the Next Web with AI Agents“, arXiv-Preprint (Juli 2025).

• Ankündigungen von Microsoft Build 2025 zum offenen agentischen Web und zu den Agentendiensten von Azure AI.

• Die Einführung des Model Context Protocol (MCP) durch Anthropic und die Agent-to-Agent-Spezifikation (A2A) von Google, zusammengefasst in Can Demir, „MCP × A2A × RAG — The Trio Conducting the Agentic Web“ (Medium, Jul 2025).

• Schutz- und Sicherheitsanalyse von Narajala & Narayan, „Securing Agentic AI“, und Yang et al. zu neuartigen Bedrohungen.

• Adobe Blog, „Our vision for accelerating creativity and productivity with agentic AI“ (April 2025), zur Sicht der Branche auf agentische KI in Kreativwerkzeugen.

Aus dem Englischen übersetzt: zum Originalbeitrag