Tool Calls — wie AI Agents handeln

Was ist ein Tool Call

Ein Tool Call ist ein strukturierter Funktionsaufruf, den ein AI Model während seines Reasoning-Prozesses emittiert. Statt Text zu generieren, generiert das Model eine Anfrage, eine spezifische Funktion mit spezifischen Parametern auszuführen. Das Host-System führt die Funktion aus und gibt das Ergebnis zurück. Das Model setzt das Reasoning mit den neuen Daten fort.

Das ist der Mechanismus, der ein Language Model vom Text-Generator zum System macht, das handeln kann.

Die Telefon-Analogie

Stell Dir vor: Ein AI Agent überlegt sich einen Task. Er kommt an einen Punkt, an dem er Informationen braucht, die er nicht hat — oder eine Aktion ausführen muss, die er mit Text allein nicht kann. Also nimmt er das Telefon, ruft ein spezifisches System an, stellt eine präzise Frage oder gibt eine präzise Anweisung, bekommt die Antwort, legt auf und arbeitet weiter.

Dieser Anruf ist ein Tool Call.

Anatomie eines Tool Calls

Jeder Tool Call hat drei Komponenten:

1. Function name — welches System oder welche Capability aufzurufen ist
2. Parameters — die spezifischen erforderlichen Inputs
3. Result — die vom System zurückgegebenen Daten

Beispiel — Kandidatensuche:

Beispiel — Job Requisition erstellen:

Read Tools vs. Write Tools

Tool Calls fallen in zwei Kategorien mit sehr unterschiedlichen Governance-Konsequenzen:

Governance-Prinzip: Die meisten Organisationen starten damit, Agents Read-Only-Zugang zu geben und Human Approval für Write-Actions zu verlangen. Mit wachsendem Vertrauen werden spezifische Write-Permissions mit Audit Trails vergeben.

Tool Call Chains

Die wahre Kraft von Tool Calls zeigt sich, wenn sie sich verketten. Ein einziger Agent-Task kann 5, 10 oder 50 Tool Calls in Sequenz umfassen:

1. get_role_profile("Senior Data Engineer") → holt Tasks, Skills, Proficiency Targets
2. get_pay_band(role: "Senior Data Engineer", level: 4, location: "Munich") → holt Compensation Range
3. search_candidates(skills: [...], min_proficiency: 3) → findet passende Kandidaten
4. score_candidates(candidates: [...], role_profile: {...}) → rankt nach Fit
5. generate_shortlist_report(top_n: 5, include_reasoning: true) → erstellt das Deliverable

Jeder Schritt informiert den nächsten. Der Agent reasoning zwischen den Calls und entscheidet basierend auf Zwischenergebnissen. Das unterscheidet Agents fundamental von Chatbots — sie komponieren Aktionen zu Workflows.

Security und Governance

Tool Calls haben reale Konsequenzen. Ein fehlkonfigurierter Agent mit Write-Zugang zum HRIS könnte Employee Records ändern, Compensation anpassen oder unautorisierte Requisitions submitten. Governance ist keine Option.

Best Practices:

• Prinzip least privilege — Agents erhalten nur die Tools, die sie für ihren spezifischen Task brauchen
• Human-in-the-Loop für Write-Actions — Approval vor Systemausführung von Änderungen verlangen
• Audit Logging — jeder Tool Call wird geloggt mit Timestamp, Parameters, Result und dem Reasoning des Agents
• Rate Limiting — verhindern, dass Runaway-Agents Tausende Calls machen
• Sandboxing — Agents in Non-Production-Umgebungen testen, bevor Live-Zugang erteilt wird

Was das für HR bedeutet

Tool Calls sind der Mechanismus, der AI Reasoning mit HR-Systemen verbindet. Wenn ein Agent Zugang zu Tools hat, die aus und in HRIS, ATS, LMS und Compensation-Systemen lesen und schreiben — kann er die in dieser Dokumentationskategorie beschriebenen HR-Prozesse ausführen.

Der standardisierte Weg, diese Tools für Agents bereitzustellen, ist MCP — das Model Context Protocol. Im nächsten Artikel behandelt.