{"id":15258,"date":"2026-03-23T13:13:59","date_gmt":"2026-03-23T12:13:59","guid":{"rendered":"https:\/\/www.iese.fraunhofer.de\/blog\/?p=15258"},"modified":"2026-03-24T09:52:45","modified_gmt":"2026-03-24T08:52:45","slug":"ki-agenten-in-der-verwaltung-und-smart-city-beispiele-grenzen-und-naechste-schritte","status":"publish","type":"post","link":"https:\/\/www.iese.fraunhofer.de\/blog\/ki-agenten-in-der-verwaltung-und-smart-city-beispiele-grenzen-und-naechste-schritte\/","title":{"rendered":"KI-Agenten in der Verwaltung und Smart City: Beispiele, Grenzen und n\u00e4chste Schritte"},"content":{"rendered":"

Projekte wie F13<\/a>, LLMoin<\/a> und MUCGPT<\/a> zeigen, dass gro\u00dfe Sprachmodelle in vielen deutschen Kommunen angekommen sind, derzeit meist als Chatbots mit Recherche-Funktionen (RAG<\/a>). KI-Agenten gehen einen Schritt weiter. Sie erm\u00f6glichen nicht nur die Generierung von Inhalten, sondern auch automatisierte Handlungsabfolgen in bestehenden Prozessen \u2013 von der Bearbeitung verwaltungsinterner Vorg\u00e4nge bis hin zur Steuerung von Smart-City-Anwendungen<\/a>.\u00a0Unter dem Stichwort Agentic AI r\u00fccken damit neue Fragen in den Fokus: Welche Aufgaben k\u00f6nnen KI-Agenten in der \u00f6ffentlichen Verwaltung sinnvoll \u00fcbernehmen, wo liegen ihre Grenzen und was braucht es f\u00fcr einen sicheren, produktiven Einsatz?<\/p>\n

\n

Was sind KI-Agenten?<\/h3>\n

KI-Agenten, oft auch als\u00a0Agentic AI<\/a> bezeichnet, sind autonome Systeme<\/a>, die eigenst\u00e4ndig Ziele verfolgen, Aufgaben in Teilschritte zerlegen und flexibel mit ihrer Umgebung interagieren. Anders als klassische Software passen KI-Agenten ihre Strategien dynamisch an.<\/p>\n

Die technische Grundlage sind meist gro\u00dfe Sprachmodelle (LLMs<\/a>). Diese entscheiden per Tool-Calling<\/strong> eigenst\u00e4ndig, welche Werkzeuge sie wann einsetzen: Das Sprachmodell erstellt den Plan, ein Client f\u00fchrt ihn aus und liefert die Ergebnisse zur\u00fcck [1].<\/p>\n

Im Unterschied zu Chatbots beantworten KI-Agenten nicht nur Anfragen, sondern f\u00fchren mehrstufige Aktionen in bestehenden Prozessen aus. In der \u00f6ffentlichen Verwaltung geh\u00f6ren dazu beispielsweise das Erstellen und Priorisieren von Tickets in Fachverfahren oder die dynamische Optimierung von Verkehrsfl\u00fcssen in der Smart City. Dabei agieren sie je nach Einsatzszenario mit unterschiedlichem Autonomiegrad und sind heute in der Regel noch in menschliche Freigabe- und Kontrollprozesse eingebettet.<\/p>\n<\/div>\n

\"Vergleich
Funktionsweise von Chatbots mit Recherche-Funktionen (RAG) im Vergleich zu KI-Agenten<\/figcaption><\/figure>\n

Der Tagesspiegel Background beschreibt sie als \u00bbneueste[n] Hoffnungstr\u00e4ger der deutschen Verwaltungsdigitalisierung\u00ab. Ein Beispiel daf\u00fcr ist die sogenannte Deutschland-App<\/strong>: Das BMDS plant offenbar keine einzelne Anwendung, sondern eine neue KI-gest\u00fctzte Verwaltungsplattform \u2013 mit agentischen KI-Systemen als zentralem Baustein [2].<\/p>\n

Am Fraunhofer IESE untersuchen wir KI-Agenten in der Verwaltung und in Smart Cities kritisch, analysieren ihr Potenzial, erproben ihren Einsatz und bewerten, in welchen Bereichen sie echten Mehrwert liefern.\u00a0Verwaltungen sind gepr\u00e4gt von wiederkehrenden, datenintensiven T\u00e4tigkeiten. Dabei m\u00fcssen textbasierte Informationen, Antr\u00e4ge, Berichte und Anforderungsdokumente in strukturierte Formate \u00fcberf\u00fchrt, in Fachsysteme eingepflegt oder zur Weiterverarbeitung aufbereitet werden. H\u00e4ufig schlie\u00dft sich daran ein Freigabeprozess an, der seinerseits weitere Schritte ausl\u00f6st. In diesen mehrstufigen, regelgebundenen Abl\u00e4ufen lassen sich agentische Systeme effizient zur Prozessautomatisierung einsetzen.<\/p>\n

Einsatzszenarien: KI-Agenten in der Verwaltung und Smart City in drei Stufen<\/h2>\n

Dass KI-Agenten in Verwaltung und Stadtplanung bereits heute Nutzen entfalten, zeigen erste Beispiele aus der Praxis, auch wenn die Systeme noch weit davon entfernt sind, vollst\u00e4ndig autonom zu agieren. Um die Bandbreite m\u00f6glicher Einsatzszenarien zu strukturieren, haben wir die Beispiele nach der Komplexit\u00e4t der jeweiligen Aufgabe in drei Stufen eingeteilt.<\/p>\n

Stufe 1: Automatisierung strukturierter Verwaltungsabl\u00e4ufe<\/strong>
\nEin konkretes Beispiel liefert die Bundesagentur f\u00fcr Arbeit (BA), die derzeit KI-Agenten auf Basis gro\u00dfer Sprachmodelle in ihrer Verwaltungsorganisation erprobt. Ziel ist es, die manuelle \u00dcbertragung von \u00c4nderungsanforderungen und Nutzeranforderungen in Jira-Tickets zu automatisieren, eine zeitintensive und fehleranf\u00e4llige Routinet\u00e4tigkeit. Daf\u00fcr arbeiten mehrere spezialisierte Agenten arbeitsteilig zusammen. Ein Reader-Agent extrahiert relevante Inhalte, ein Planning-Agent zerlegt die Aufgabe in Arbeitsschritte, ein Creator-Agent erstellt das Ticket inklusive Titel, Beschreibung, Priorit\u00e4t und Kategorie, und ein Review-Agent pr\u00fcft abschlie\u00dfend die Ergebnisse auf Konsistenz und sortiert Dubletten aus. Erste Ergebnisse stimmen positiv, die automatisierte Ticket-Erstellung funktioniert in den meisten F\u00e4llen reibungslos, der manuelle Aufwand entf\u00e4llt weitgehend. Aus Sicherheitsgr\u00fcnden setzt die BA ausschlie\u00dflich auf lokal betriebene Modelle von Aleph Alpha, Meta, Mistral und Alibaba. Die Pilotumgebung wurde vollst\u00e4ndig in die eigene On-Premise-Infrastruktur integriert [1].<\/div>\n
Stufe 2: Dynamische Optimierung st\u00e4dtischer Prozesse<\/strong>
\nEin Beispiel der n\u00e4chsten Komplexit\u00e4tsstufe findet sich in Lagos, Nigeria, wo KI-Systeme autonom Fahrpl\u00e4ne des \u00f6ffentlichen Nahverkehrs auf Basis von Fahrgastbewegungen und Echtzeitverkehrsdaten gestalten. Das System reagiert nicht auf vorab festgelegte Ausl\u00f6ser, sondern optimiert den Betrieb kontinuierlich und dynamisch. Das Beispiel zeigt, wie agentische Systeme urbane Mobilit\u00e4t effizienter und anpassungsf\u00e4higer gestalten k\u00f6nnen [3]. In Deutschland befinden sich vergleichbare Ans\u00e4tze noch im Aufbau, etwa im Bereich KI-gest\u00fctzter Verkehrssteuerung.<\/div>\n
Stufe 3: System\u00fcbergreifende Steuerung komplexer Stadtinfrastrukturen in China<\/strong>
\nDas von Alibaba Cloud entwickelte Projekt City Brain steht exemplarisch f\u00fcr eine KI-gest\u00fctzte Stadtverwaltung, die \u00fcber klassische Automatisierung hinausgeht. Urspr\u00fcnglich zur Verkehrsoptimierung eingesetzt, koordiniert das System inzwischen Notfalleins\u00e4tze, Ressourcenzuweisung im Gesundheitswesen sowie Aspekte der Stadtplanung. In Notf\u00e4llen rekonfiguriert City Brain autonom die Verkehrssteuerung, um Rettungsfahrzeugen freie Bahn zu verschaffen, oft ohne menschliche Echtzeit\u00fcberwachung. Das System priorisiert dabei nicht nach festen Regeln, sondern auf Basis dynamischer Bewertungen mehrerer st\u00e4dtischer Variablen gleichzeitig [3].<\/div>\n

Nicht jeder KI-Agent, der Verwaltungsaufgaben \u00fcbernimmt, muss so komplex sein wie die Beispiele aus Nigeria und China. F\u00fcr regelgebundene Abl\u00e4ufe der Stufe 1, wie die automatisierte Ticket-Erstellung, gen\u00fcgt oft ein Sprachmodell, das durch eine durchdachte Systemarchitektur und gezielte System-Prompts in klar definierte Bahnen gelenkt wird. Der jeweilige Prozessstatus bestimmt, welche Handlungsoptionen dem Agenten zu welchem Zeitpunkt offenstehen. Gleichzeitig gilt: Ein funktionierender Prototyp ist nicht dasselbe wie ein produktionsreifes System. Die eigentliche Herausforderung besteht darin, den Weg dorthin \u2013 zuverl\u00e4ssig, wartbar und skalierbar \u2013 zu gestalten. Wir bringen das Fachwissen mit, um diesen Weg zu gehen: klein anfangen, messen, verbessern, wiederholen.<\/p>\n

Das Potenzial dieser Technologie untersuchen wir am Fraunhofer IESE in konkreten Projekten. Ein Beispiel ist eine KI-gest\u00fctzte Plattform zur digitalen B\u00fcrgerbeteiligung. Die Plattform unterst\u00fctzt Verwaltungsmitarbeitende kollaborativ bei der Erstellung von Beteiligungsformaten. Das zugrunde liegende Sprachmodell hilft dabei, Inhalte zu strukturieren, zu formulieren und anzupassen. Die fertigen Beteiligungsinhalte werden anschlie\u00dfend automatisch per API in die Open-Source-Plattform Consul eingetragen. Das System \u00fcbernimmt damit wiederkehrende, regelgebundene Schritte, agiert aber noch klar im Rahmen menschlicher Steuerung und Freigabe. Es handelt sich weniger um einen autonomen Agenten als um einen KI-Assistenten, der Verwaltungsmitarbeitende entlastet. Mit einer erweiterten Systemarchitektur, etwa durch die F\u00e4higkeit, Beteiligungsprozesse eigenst\u00e4ndig zu monitoren, R\u00fcckmeldungen auszuwerten und Folgeprozesse anzusto\u00dfen, w\u00e4re ein \u00dcbergang zu einem KI-Agenten jedoch denkbar.<\/p>\n

Herausforderungen und Sicherheit: Worauf es beim Einsatz von KI-Agenten ankommt<\/strong><\/h2>\n

Relevante Risiken von KI-Agenten in der Verwaltung<\/h3>\n

Trotz der aufgezeigten Potenziale erfordert der produktive Einsatz von KI-Agenten in der Verwaltung auch neue Anforderungen an Sicherheit und Qualit\u00e4tssicherung dieser Systeme.<\/p>\n

Anders als klassische Software k\u00f6nnen Agenten auf Basis von Sprachmodellen verschiedene neue Fehlerbilder<\/strong> zeigen, etwa:<\/p>\n