Wenn Ihnen im vergangenen Jahr der Begriff „agentische KI“ untergekommen ist, sind Sie nicht allein. Er ist das Schlagwort der Stunde, für Coding-Assistenten, für Kundenservice-Bots und, wie könnte es anders sein, für Projektmanagement-Tools. Anbieter versprechen Agenten, die „Ihre Workflows autonom verwalten“ und „Aufgaben proaktiv erledigen“. Bevor Sie das als Hype abtun (verlockend) oder sich voll darauf einlassen (riskant), lohnt es sich zu verstehen, was ein Agentic Loop eigentlich ist, woher die Idee stammt und warum sie plötzlich funktioniert. Gerade für Projektmanager ist das Muster überraschend vertraut, und wer es versteht, sieht klarer, wo KI helfen kann und wo nicht.
Der Loop, einfach erklärt
Im Grunde ist ein Agentic Loop ein Zyklus: Wahrnehmen → Überlegen → Handeln → Beobachten → Wiederholen
Der Agent nimmt Informationen aus seiner Umgebung auf. Er überlegt, was zu tun ist. Er handelt. Er beobachtet das Ergebnis. Dann beginnt der Loop von vorn: Er nimmt den neuen Zustand wahr, überlegt wieder, handelt wieder. Das ist alles. Die Stärke steckt in keinem einzelnen Schritt, sondern in der Wiederholung.
Nehmen Sie Claude Code beim Debuggen. Es liest die Fehlermeldung (wahrnehmen). Es stellt eine Vermutung an, was nicht stimmt, und beschließt, eine bestimmte Datei zu prüfen (überlegen). Es öffnet die Datei und sieht sich den Code an (handeln). Es stellt fest, dass die Funktionssignatur nicht zum Aufruf passt (beobachten). Jetzt beginnt der Loop von neuem: Mit dieser Information überlegt es sich eine Korrektur, nimmt eine Änderung vor, führt den Test noch einmal aus und beobachtet, ob der Fehler behoben ist.
Entscheidend ist, dass der Agent nicht versucht, das ganze Problem in einem Schritt zu lösen. Er macht einen kleinen Schritt, sieht, was passiert, und korrigiert sich. Jeder Durchlauf bringt neue Informationen, jede Iteration führt näher ans Ziel. Das unterscheidet sich grundlegend vom klassischen Automatisierungsmodell, bei dem Sie den gesamten Workflow vorab festlegen und das System ihn exakt ausführt. Klassische Automatisierung ist fragil: Sie versagt, sobald sich die Bedingungen ändern. Agentic Loops sind anpassungsfähig: Sie reagieren auf das, was sie vorfinden.
Woher das kommt
Das Konzept ist nicht neu. Es entstand in der KI-Forschung der 1980er und 1990er Jahre, als Forscher eine grundlegende Frage beantworten wollten: Wie baut man Systeme, die in unsicheren, dynamischen Umgebungen arbeiten können? Der frühe KI-Ansatz (symbolisches Schlussfolgern, Expertensysteme) ging davon aus, dass man die Welt vollständig modellieren und entsprechend planen kann. In eng begrenzten Domänen wie Schach funktionierte das. In der realen Welt, wo sich Bedingungen ändern, Informationen unvollständig sind und Handlungen unvorhersehbare Folgen haben, scheiterte es katastrophal.
Die Antwort war eine Hinwendung zu dem, was Forscher „situierte“ oder „reaktive“ Agenten nannten. Statt aufwendig zu planen, arbeiteten diese Systeme mit engen Feedback-Loops. Umgebung wahrnehmen, reagieren, wieder wahrnehmen. Rodney Brooks baute am MIT Roboter, die sich ohne interne Karten durch Räume bewegten: Sie reagierten einfach, Moment für Moment, auf das, was ihre Sensoren erfassten.
Der daraus entstandene theoretische Rahmen, oft BDI-Modell genannt (Beliefs, Desires, Intentions), formalisierte, wie Agenten ihre Ziele gegen veränderte Umstände abwägen sollten. Russell und Norvigs Artificial Intelligence: A Modern Approach, seit 1995 das Standardlehrbuch des Fachs, schrieb den Loop als Grundstruktur rationaler Agenten fest. Es gab aber ein Problem: Diese Agenten waren eng spezialisiert. Ein Roboter konnte sich durch einen Raum bewegen, aber kein Gespräch führen. Eine Schach-Engine konnte über Stellungen nachdenken, ihr Denken aber nicht erklären. Wer einen Agenten bauen wollte, musste Wahrnehmung, Überlegung und Handlungsfähigkeit für jede einzelne Domäne von Hand programmieren. Die Idee stimmte. Der Motor war zu schwach.
Warum es jetzt funktioniert
Mit Large Language Models sieht die Rechnung anders aus. Ein LLM kann mehrdeutige Eingaben in natürlicher Sprache interpretieren: so, wie Menschen Probleme beschreiben, und nicht so, wie Datenbanken Daten speichern. Es kann domänenübergreifend schlussfolgern und greift dabei auf Muster aus Trainingsdaten zurück, die Code, Geschäftsdokumente, wissenschaftliche Arbeiten und ganz gewöhnliche Gespräche umfassen. Und, ganz entscheidend, es kann strukturierte Ausgaben erzeugen: Funktionsaufrufe, API-Requests, Tool-Aufrufe.
Das Paper, das den Durchbruch brachte, erschien 2022. Forscher von Princeton und Google stellten ReAct (Reasoning + Acting) vor, ein Muster, bei dem das Modell abwechselnd laut denkt und handelt. Statt auf einen Schlag zu antworten, überlegt das Modell, was es wissen muss, handelt, um an diese Information zu kommen, beobachtet das Ergebnis und überlegt wieder.
Damit wurde der Agentic Loop für allgemeine Aufgaben nutzbar. Das LLM wurde zu dem Denkmotor, den das Muster immer gebraucht hatte. Produktionsreife Tools folgten schnell. Claude Code, Cursor und der Agent Mode von GitHub Copilot setzen allesamt Varianten des Loops um. Sie nehmen wahr (lesen Dateien, Fehlermeldungen, Anfragen der Nutzer), überlegen (entscheiden, was sie untersuchen oder ändern), handeln (bearbeiten Code, führen Befehle aus, durchsuchen Dokumentation) und beobachten (prüfen Testergebnisse, lesen Ausgaben). Das wiederholen sie, bis die Aufgabe erledigt ist oder sie nicht mehr weiterkommen.
Die Ergebnisse beim Programmieren sind so beeindruckend, dass sich die Frage von selbst stellt: Wo passt dieses Muster sonst noch?
Warum Ihnen das bekannt vorkommen sollte
Wenn Sie Projekte geleitet haben, denken Sie längst in Loops. Der PDCA-Zyklus (Plan, Do, Check, Act) ist ein Grundpfeiler des Qualitätsmanagements, seit Deming ihn in den 1950er Jahren bekannt gemacht hat. Sie machen einen Plan, setzen ihn um, prüfen die Ergebnisse und korrigieren. Dann geht es von vorne los.
Agile Methoden sind ausdrücklich iterativ. Sprints sind Loops. Das Daily Standup ist ein Feedback-Mechanismus. Die Retrospektive ist Beobachtung, die in die nächste Iteration einfließt. Wenn das Agile Manifest „Reagieren auf Veränderung mehr als das Befolgen eines Plans“ bevorzugt, ist das genau die Philosophie hinter agentischen Systemen.
Selbst der OODA-Loop aus der Militärstrategie (Observe, Orient, Decide, Act) folgt derselben Struktur. Oberst John Boyd entwickelte ihn, um zu erklären, warum Kampfpiloten gewinnen: weil sie den Loop schneller durchlaufen als ihre Gegner, und nicht, weil sie die besseren Pläne haben.
Der Agentic Loop der KI ist dasselbe Muster, nur in Maschinengeschwindigkeit. Deshalb lässt sich die Architektur so selbstverständlich aufs Projektmanagement übertragen. Die Arbeit eines PM besteht im Wesentlichen aus Loops: Status überwachen, Probleme erkennen, über Reaktionen entscheiden, handeln, wieder überwachen. Die Frage ist nicht, ob Loops hier greifen, sondern welche schneller laufen können und welche menschliches Urteilsvermögen brauchen.
Die Stärken des Loops
Warum funktioniert dieses Muster so gut? Drei Gründe stechen heraus:
Es kommt mit Unsicherheit zurecht. Reale Umgebungen sind unberechenbar. Anforderungen ändern sich. Stakeholder setzen neue Prioritäten. Systeme verhalten sich unerwartet. Ein Loop-basierter Ansatz braucht keine perfekte Voraussicht: Er erkennt die Bedingungen unterwegs und passt sich an.
Es macht Fortschritt nachvollziehbar. Jede Iteration liefert beobachtbare Ergebnisse. Sie sehen, was der Agent versucht hat, was er gelernt hat und wie sich sein Vorgehen entwickelt hat. Das lässt sich weit besser prüfen als ein Blackbox-System, das Antworten ohne sichtbare Begründung liefert.
Es begrenzt Fehlschläge. Scheitert eine einzelne Aktion, kann der Loop das erkennen und etwas anderes versuchen. Fehler bleiben lokal und werden nicht zur Katastrophe. Bei einem durchgeplanten Ansatz dagegen entwertet eine falsche Annahme in Schritt drei alles, was danach kommt.
Für PMs entsprechen diese Stärken direkt dem, was gute Projekte ausmacht. Sie planen nicht jedes Detail im Voraus, weil Sie wissen, dass sich die Bedingungen ändern werden. Sie bauen Checkpoints ein, weil Transparenz zählt. Sie sehen von Anfang an vor, wie es nach einer Panne weitergeht, weil Dinge schiefgehen. Der Agentic Loop ist die formalisierte Form adaptiver Praxis.
Was das für KI im Projektmanagement bedeutet
Wer den Loop versteht, sieht klarer, was KI-Tools können und was nicht. Sie können schnelle, enge Iterationen bei klar definierten Aufgaben mit eindeutigen Feedback-Signalen durchlaufen. Den Status aus fünf Systemen in einem Bericht zusammenführen: Das ist ein Loop mit definierbarem Ziel und beobachtbarem Ergebnis. Eine E-Mail an Stakeholder entwerfen: Das ist ein Loop, der an Ton und Inhalt feilen kann, bis die Kriterien erfüllt sind.
Schwer tun sie sich mit langsamen, mehrdeutigen Loops, in denen das Feedback spät kommt oder politisch ist. Einschätzen, ob der Lenkungsausschuss den Change Request genehmigen wird: Das erfordert Kontext, zu dem keine KI Zugang hat, und das Feedback braucht Wochen, nicht Sekunden.
Die architektonische Einsicht aus dem vorigen Artikel bleibt gültig: Projektmanagement besteht aus verschachtelten Loops. Schnelle innere Loops (Status, Kommunikation, Risikoüberwachung) können in Maschinengeschwindigkeit laufen. Der langsame äußere Loop (Projektlebenszyklus, Stakeholder-Beziehungen, strategisches Urteil) bleibt beim Menschen. KI ersetzt den PM nicht. Sie betreibt die inneren Loops und liefert ihre Erkenntnisse nach oben an den Menschen, der den äußeren Loop betreibt und Entscheidungen nach unten gibt. Das agentische Muster macht das möglich, weil es die Grenze ausdrücklich zieht: Loops mit schnellem, klarem Feedback gehen an die Maschine, Loops mit langsamem, mehrdeutigem Feedback bleiben beim Menschen.
Was das in der Praxis heißt
Wenn Anbieter „KI-Agenten für das Projektmanagement“ anpreisen, haben Sie jetzt einen Rahmen, um das zu bewerten. Fragen Sie: Wie sieht der Loop aus? Was nimmt der Agent wahr, und aus welchen Quellen? Welche Aktionen kann er ausführen? Welche Signale zeigen ihm, ob eine Aktion gelungen ist? Wie schnell iteriert er? Sind die Antworten klar (er liest Jira und Slack, entwirft Status-Updates, prüft, ob das Format zur Vorlage passt, und iteriert, bis er fertig ist), dann haben Sie einen echten inneren Loop vor sich. Bleiben die Antworten vage (er „managt Stakeholder-Beziehungen“ oder „optimiert Projektergebnisse“), dann haben Sie Marketing vor sich.
Der Agentic Loop ist ein mächtiges Muster. Er wurde über Jahrzehnte der Forschung verfeinert und hat sich in produktionsreifen Coding-Tools bewährt. Auf die richtigen Probleme angewandt (schnell, klar definiert, eindeutiges Feedback), kann er Arbeit automatisieren, die heute Stunden an PM-Zeit verschlingt. Auf die falschen Probleme angewandt, ist er bloß ein weiteres überzogenes Versprechen. Am meisten profitieren werden jene PMs, die den Loop gut genug verstehen, um den Unterschied zu erkennen.
Aus dem Englischen übersetzt: zum Originalbeitrag