# KI mit Werkzeugen: Warum der Weg zum Ergebnis einfacher wird

> **Autor:** Lukas Kopischke (Lead Software-Engineer, Düsseldorf)
> **Kanonische URL:** https://lukiluki.me/garden/ai-tools
> **Markdown-Endpunkt:** https://lukiluki.me/garden/ai-tools.md
> **Kategorie:** KI & Agents | **Tags:** LLM, Tool Calling, Code Execution, MCP
> **Veröffentlicht:** 2026-11-03 | **Aktualisiert:** 2026-11-03
> **Zusammenfassung:** Warum KI mit Werkzeugen den Weg vom Wunsch zum prüfbaren Ergebnis verkürzt und welche Aufgaben trotz Code-Ausführung beim Menschen bleiben.

---
Du beschreibst einer KI, was du brauchst. Zurück kommt eine Anleitung: installieren, Werte übertragen, ein Skript starten, eine Fehlermeldung zurückkopieren. Eigentlich wolltest du ein Ergebnis. Jetzt bist du die Person, die jeden Zwischenschritt zwischen Gespräch und Computer übernimmt. Wie verändert sich das, wenn die KI diese Schritte selbst ausführen kann?

Eine KI-Anwendung mit passenden Werkzeugen kann Dateien einlesen, Berechnungen ausführen und deren Ergebnisse an das Sprachmodell zurückgeben. Das Modell kann darauf reagieren, Arbeitsschritte korrigieren und eine bearbeitete Datei liefern. Dadurch fallen manuelle Übergaben weg. Einfacher wird vor allem die Zusammenarbeit: Du beschreibst das Ziel und klärst offene Fragen. Ob Eingaben, Verfahren und Ergebnis zur realen Aufgabe passen, muss weiterhin geprüft werden.

> **Merksatz:**
> KI wird im Alltag einfacher, wenn sie die Zwischenschritte zwischen Wunsch und prüfbarem Ergebnis übernehmen kann.

## Was zwischen Gespräch und Ergebnis passiert

Der entscheidende Unterschied ist der Rückweg aus der Ausführung. Beim Tool Calling (Das Sprachmodell fordert eine bereitgestellte Funktion mit Argumenten an; die Anwendung führt sie aus und gibt das Ergebnis an das Modell zurück) kann das Modell beispielsweise eine Datei öffnen lassen. Ein Werkzeug verarbeitet sie und meldet Daten oder einen Fehler zurück. Darauf kann das Modell seinen nächsten Schritt aufbauen.

Mit Code-Ausführung (Programmcode läuft tatsächlich in einer dafür bereitgestellten Umgebung, zum Beispiel mit Python; Ausgaben und Fehler werden an die KI-Anwendung zurückgegeben) lässt sich dieser Ablauf auf Berechnungen und Dateiänderungen erweitern. Ein Skript im Chat ist zunächst nur ein Vorschlag. Erst der Lauf zeigt, ob es die Datei lesen kann und was es mit diesen Eingaben tatsächlich erzeugt. [Anthropic beschreibt diesen Kreislauf aus Werkzeugen und Rückmeldungen](https://www.anthropic.com/research/building-effective-agents) als Grundmuster handelnder Agenten.

Damit das funktioniert, braucht die Anwendung Zugriff auf die betreffenden Dateien, geeignete Programme oder Bibliotheken und die Erlaubnis, sie für die Aufgabe zu verwenden. Das Sprachmodell allein stellt diese Arbeitsumgebung nicht bereit. Auch MCP (Das Model Context Protocol verbindet KI-Anwendungen mit bereitgestellten Werkzeugen und Datenquellen; welche Funktionen verfügbar sind, hängt vom angeschlossenen Server ab) ist ein möglicher Zugang zu Werkzeugen, keine Garantie für eine bestimmte Rechenfunktion. Die [MCP-Architektur](https://modelcontextprotocol.io/docs/learn/architecture) unterscheidet dafür Anwendung, Client und Server mit ihren bereitgestellten Funktionen.

## Woher die gefühlte Einfachheit kommt

Stell dir vor, aus einer Datei mit Messdaten soll ein passendes Bauteil entstehen. Du kannst beschreiben, was es erfüllen soll, kennst aber weder das Dateiformat im Detail noch die Befehle der Modellierungssoftware. Mit einer geeigneten Arbeitsumgebung kann die KI die Datei untersuchen, ein Modell erzeugen und eine Vorschau zur Prüfung bereitstellen. Du beantwortest die Fragen, die nur du klären kannst: Was ist das Ziel? Welches Maß stimmt? Was soll anders werden?

Das Beispiel beschreibt eine mögliche Aufgabenverteilung, keinen garantierten Ablauf für beliebige Dateien:

| Arbeitsschritt | Ohne Ausführungsmöglichkeit | Mit geeigneten Werkzeugen |
| :--- | :--- | :--- |
| Ausgangsdaten untersuchen | Du öffnest die Datei und überträgst die nötigen Informationen in den Chat. | Die KI lässt die Datei einlesen und kann Rückfragen auf die gelesenen Daten beziehen. |
| Einen Vorschlag umsetzen | Du überträgst Werte, führst Befehle aus und meldest das Ergebnis zurück. | Die Anwendung führt den angeforderten Schritt aus und gibt Ausgaben oder Fehler zurück. |
| Eine Änderung prüfen | Du vergleichst die Umsetzung mit der Beschreibung. | Die KI kann Prüfungen ausführen und ihre Ergebnisse neben dem Entwurf bereitstellen. |
| Das Ergebnis übernehmen | Du setzt die Anleitung in deiner Software zusammen. | Du erhältst eine bearbeitete Datei, sofern das Werkzeug sie erzeugen kann. |

Die These dieser Kachel: Ein Teil der als schwierig empfundenen KI-Nutzung entsteht durch diese ständigen Übergaben. Wenn die Anwendung sie übernimmt, kannst du dich stärker auf das Vorhaben konzentrieren. Ob das bei einer konkreten Aufgabe Zeit spart oder weniger Fehler verursacht, muss man am tatsächlichen Ablauf prüfen.

## Der Kontrast zur überprüfbaren Textantwort

Die [Kachel Verifiable AI](/garden/verifiable-ai) zeigt am Holzgehäuse, wie aufwendig es wird, eine überzeugend formulierte Zuschnittliste zu kontrollieren. Wenn ein Chat keine Werkzeuge ausführen kann, helfen sichtbare Rechenschritte und Gegenproben dabei, seine Aussagen überhaupt prüfen zu können.

Mit einer Arbeitsumgebung lässt sich ein Teil dieser Kontrolle verlagern: Die KI kann eine Rechnung ausführen, Bedingungen testen und die Ergebnisse zusammen mit der Datei vorlegen. Du musst dann weniger Zahlen von Hand zwischen Antwort und Taschenrechner übertragen. Die Frage bleibt dieselbe: Welche Prüfung stützt welche Aussage?

Das macht einen längeren oder strengeren Prompt nicht überflüssig, wenn Anforderungen fehlen. Es verändert aber, was der Prompt bewirken kann. „Prüfe die Maße“ kann jetzt einen tatsächlichen Prüflauf auslösen. Dessen Eingaben, geprüfte Bedingungen und Resultate sind aussagekräftiger als die bloße Formulierung „Ich habe alles geprüft“.

## Was trotzdem beim Menschen bleibt

Ein fehlerfrei durchgelaufenes Skript kann die falsche Aufgabe lösen. Es kann mit einer falschen Einheit rechnen, eine unpassende Annahme übernehmen oder nur genau die Bedingungen testen, die zum eigenen fehlerhaften Entwurf passen. Werkzeugzugriff schafft zusätzliche Prüfmöglichkeiten; die Auswahl der richtigen Prüfungen bleibt eine fachliche Aufgabe.

Bei einem Bauteil lassen sich beispielsweise Dateiformat und bestimmte Geometriebedingungen am Computer prüfen. Ob es vor Ort passt oder einer Belastung standhält, folgt daraus nicht. Dafür können ein Kontrollmaß, ein Probestück oder eine fachliche Prüfung nötig sein. Eine hilfreiche Übergabe benennt deshalb getrennt, was gemessen, angenommen und tatsächlich getestet wurde.

Auch der zusätzliche Aufwand zählt: Programme müssen verfügbar sein, Ausführungen brauchen Zeit und können scheitern. Für eine einfache Rechnung kann ein Taschenrechner der kürzere Weg sein; für einen klar festgelegten Serienablauf ein vorhandenes Skript oder die Fachsoftware direkt. Anthropic nennt entsprechend höhere Kosten, Latenz und sich fortpflanzende Fehler als mögliche Nachteile agentischer Abläufe.

## Woran sich die Einfachheit prüfen lässt

Für den nächsten Versuch mit einer realen Aufgabe lohnt sich ein Blick auf die Übergaben:

- Welche Schritte musstest du zwischen Chat und Fachsoftware selbst übertragen?
- Konnte die KI eine Änderung tatsächlich ausführen und das neue Ergebnis zurückliefern?
- Waren ausgeführte Prüfungen, Annahmen und noch offene Fragen erkennbar?
- Hast du am Ende eine verwendbare Datei erhalten, und was musst du daran noch selbst kontrollieren?

So lässt sich die Erfahrung konkreter beschreiben als mit „Die KI ist schlauer geworden“. Für Entwickler von KI-Anwendungen folgt daraus eine Gestaltungsfrage: Welche wiederkehrende Übergabe kann ein geeignetes Werkzeug übernehmen, und welche Entscheidung braucht weiterhin den Nutzer?

## Quellen und nächste Schritte

- [Anthropic: Building effective agents](https://www.anthropic.com/research/building-effective-agents) erläutert Werkzeuge, Rückmeldungen aus der Umgebung sowie die Abwägung gegenüber einfacheren Abläufen.
- [Model Context Protocol: Architecture overview](https://modelcontextprotocol.io/docs/learn/architecture) beschreibt, wie Anwendungen auf bereitgestellte Funktionen und Datenquellen zugreifen.
- [Web MCP: Funktionen für Agenten zugänglich machen](/garden/web-mcp) vertieft, wie eine Anwendung passende Aktionen bereitstellen kann.

---
*Quelle: [Lukas Kopischke – Digital Garden](https://lukiluki.me/garden/ai-tools) | Vollständiger Index: [llms.txt](https://lukiluki.me/llms.txt)*