Function Calling

Ein Kunde fragt den Chat auf einer Shop-Website: „Ist der Schuh in Größe 42 lieferbar?“ Ein Sprachmodell allein kann das nicht wissen. Es kennt nur seine Trainingsdaten und würde im schlechtesten Fall eine plausible, aber erfundene Antwort liefern. Die Information steht in der Warenwirtschaft, nicht im Modell.

Function Calling, auch Tool Calling oder Tool Use genannt, schließt diese Lücke. Die Anwendung beschreibt dem Modell vorab, welche Funktionen es gibt, mit Namen, Zweck und den erwarteten Eingaben. Braucht das Modell eine dieser Funktionen, antwortet es nicht mit Text, sondern mit einem strukturierten Aufruf samt Argumenten. Die Anwendung führt ihn aus und gibt das Ergebnis zurück. Auf diesem Prinzip bauen KI-Agenten, die Websuche in Chatbots und das Model Context Protocol auf.

So läuft ein Werkzeugaufruf ab

Die Dokumentation von OpenAI beschreibt den Ablauf als mehrstufiges Gespräch zwischen Anwendung und Modell in fünf Schritten: Die Anwendung schickt eine Anfrage samt verfügbarer Werkzeuge, das Modell antwortet mit einem Tool Call, die Anwendung führt den passenden Code aus, schickt das Ergebnis in einer zweiten Anfrage zurück und erhält die fertige Antwort oder weitere Tool Calls. Anthropic und Google beschreiben für Claude und Gemini dasselbe Grundmuster.

Drei Punkte werden in Marketing-Texten oft verwischt:

• Das Modell führt nichts aus. Es schlägt einen Aufruf vor. Ob er tatsächlich stattfindet, entscheidet die Anwendung. Bei einigen Werkzeugen, etwa der eingebauten Websuche, übernimmt der Anbieter die Ausführung auf seinen Servern.
• Die Beschreibung ist die Schnittstelle. Werkzeuge werden per JSON-Schema definiert. OpenAI empfiehlt klare Funktionsnamen, genaue Parameterbeschreibungen und möglichst wenige Werkzeuge zu Beginn, weil das die Trefferquote erhöht. Mit dem Strict Mode hält sich das Modell verbindlich an das Schema.
• Das Modell kann sich irren. Es kann das falsche Werkzeug wählen oder unpassende Werte übergeben. Prüfungen gehören deshalb in den Code der Anwendung, nicht in die Hoffnung auf ein gutes Modell.

Vom Forschungspapier zur Standardfunktion

Die Idee, dass Sprachmodelle externe Werkzeuge nutzen, ist älter als der Produktname. Zum Standard wurde sie innerhalb von gut zwei Jahren:

Heute gehört Function Calling zur Grundausstattung aller großen Modell-Schnittstellen. Google nennt in der Gemini-Dokumentation drei Einsatzzwecke: Aktionen auslösen, Wissen ergänzen und Fähigkeiten erweitern, etwa durch Berechnungen. Der Begriff selbst ist kein Hype-Wort, sondern die technische Bezeichnung einer Schnittstellenfunktion. In Deutschland suchen laut Google-Ads-Daten jeweils rund 110 Menschen im Monat nach „function calling“ und „tool calling“, überwiegend Entwickler.

Was das mit KI-Suche zu tun hat

Für Marketing und Sichtbarkeit ist ein Zusammenhang wichtig: Die Websuche in ChatGPT, Gemini oder Claude ist selbst ein Werkzeug. Das Modell entscheidet, ob eine Frage aktuelle Informationen braucht, formuliert eine oder mehrere Suchanfragen als Argumente und erhält Treffer zurück. Mehrere solcher Aufrufe zu Teilaspekten einer Frage beschreibt das Glossar unter Query Fan-Out. Was danach als Quelle genannt wird, entscheidet die Quellenauswahl.

Direkt nutzbar wird Function Calling für Unternehmen an zwei Stellen. Erstens in eigenen Anwendungen: Chat auf der Website, interne Assistenten, Auswertungen aus Werbe- und Analysedaten. Zweitens dort, wo Sie Ihre Daten und Funktionen fremden Assistenten anbieten, etwa über einen MCP-Server oder künftig über WebMCP im Browser. Beide Ansätze setzen auf dasselbe Prinzip: Ein Werkzeug mit klarer Beschreibung, das ein Modell aufrufen darf. Was ein MCP-Server in der Praxis leistet, erklärt der Beitrag MCP-Server.

Praxisbeispiel: Der Chat mit Lagerzugriff

Ein angenommener Sportschuh-Händler, beispiel-shop.de, möchte, dass sein Website-Chat Fragen zu Lieferbarkeit und Versand korrekt beantwortet. Ohne Function Calling müsste das Team Lagerbestände regelmäßig in den Prompt kopieren, die Antworten wären trotzdem schnell veraltet. Mit Function Calling definiert die Entwicklung zwei Werkzeuge: lagerbestand_pruefen mit Artikel und Größe sowie lieferzeit_berechnen mit Postleitzahl. Der Chat ruft sie nur auf, wenn eine Frage sie braucht, und antwortet mit den echten Werten.

Damit das sicher bleibt, gelten ein paar Regeln:

• Nur lesen, wo lesen reicht. Ein Werkzeug zur Bestandsabfrage braucht keine Schreibrechte in der Warenwirtschaft.
• Aktionen bestätigen lassen. Wenn ein Werkzeug etwas auslöst, etwa eine Bestellung oder eine Stornierung, sollte ein Mensch vorher zustimmen, siehe Human in the Loop.
• Rückgaben nicht blind vertrauen. Texte, die ein Werkzeug zurückgibt, etwa Inhalte einer abgerufenen Webseite, können versteckte Anweisungen enthalten. Die Anwendung sollte sie als Daten behandeln.
• Aufrufe protokollieren. Welche Funktion mit welchen Werten aufgerufen wurde, gehört ins Log. Nur so lassen sich Fehler nachvollziehen.

Für das Marketing-Team selbst ist Function Calling der Grund, warum KI-Assistenten heute Daten aus Search Console, Werbekonten oder CRM abrufen können, statt nur Texte zu schreiben. Die Qualität hängt dabei weniger am Modell als an sauber beschriebenen Werkzeugen und klaren Berechtigungen.