Agenten und KI arbeiten für das Gute zusammen
Agentic AI ist eine synergetische Mischung aus Code und großen Sprachmodellen (LLMs).
Agenten-KI ist der letzte Schrei
Ab 2024 werden KI-Agenten voraussichtlich einen messbaren Geschäftswert liefern. Beispiele für diesen Wert finden sich leicht in vertikalen Branchen wie Einzelhandel, Gesundheitswesen und Fertigung sowie in horizontalen Geschäftsfunktionen wie Vertrieb, Kundendienst und Support. Der Kosmetikhändler Sephora ist ein solches Beispiel, bei dem KI mit Agenten eingesetzt wird, um die Messlatte in der Hautpflege höher zu legen, indem Kundeneingaben in Echtzeit mit realen Ergebnissen und vorherigem Kundenfeedback kombiniert werden, um präzisere Produktempfehlungen geben zu können. Der Einzelhändler hat das gesamte Erlebnis bei jeder Kundeninteraktion automatisiert und personalisiert. Das Ergebnis: 11 % mehr Umsatz bei 30 % weniger Produktretouren.
Der Wert von KI-Agenten liegt darin, dass sie mithilfe von Software und LLMs mehrere Aufgaben mit weniger oder sogar ohne menschliche Interaktion automatisieren können. Aber was genau sind diese Agenten und wie nutzen sie KI?
Was ist ein KI-Agent?
Agenten sind Software, die bestimmte Aufgaben ausführt. Einige Agenten sind auf eine Aufgabe spezialisiert, beispielsweise die Durchführung einer Websuche zu einem bestimmten Thema oder die Abfrage eines LLM, angereichert mit domänenspezifischen Informationen, die sonst nirgendwo verfügbar sind. Andere sind darauf spezialisiert, eine Benutzeranforderung in eine Reihe von Aufgaben umzuwandeln und Worker-Agenten zu orchestrieren, um diese auszuführen. Unabhängig davon, ob sie orchestrieren oder ausführen, sind Agenten äußerst direktiv und deterministisch. Hier gibt es keine KI. Jeder Agent ist mit allen Informationen vordefiniert, die er zum Ausführen benötigt und dem Ausführungszeitpunkt. Software ist Magie, aber keine KI-Magie.
Ein Beispiel für die Arbeit von Agenten ist die Verkettung mehrerer Schritte zum Abschließen einer größeren Aufgabe, wie etwa das Senden einer personalisierten und zeitnahen Akquise-E-Mail an einen Stammkunden. Der Vorgang lässt sich in mehrere kleinere, diskrete Aktionen unterteilen, die jeweils problemlos von einem einzelnen, spezialisierten Agenten ausgeführt werden können, der für diesen Zweck vorcodiert wurde. So kann beispielsweise eine Datenbank mit Marketing-Leads nach Kundeninteraktionen der letzten sieben Tage abgefragt werden, die drei wichtigsten E-Mail-Adressen aus dem Customer Relationship Management (CRM)-System abgerufen werden, sortiert nach der Anzahl der Interaktionen in den letzten 90 Tagen, und an jede dieser Adressen eine Formular-E-Mail gesendet werden, basierend auf der neuesten Verkaufskampagne. Diese Aktionen erfordern nicht unbedingt KI.
Was ist die KI in agentenbasierter KI?
GenAI, bereitgestellt von LLMs, kann Muster in Datenquellen mit mehr Kontext und umfangreicheren Antworten finden als die klassische Suche. Darüber hinaus kann es Text zusammenfassen, analysieren oder generieren, um Informationen auf prägnantere und nützlichere Weise zu erstellen oder umzugestalten. Die Nutzung von LLMs ist wie das Hinzufügen von Magie zu einem Prozess, da ihre Ergebnisse nicht deterministisch sind. Diese Modelle finden die gesuchten Muster mit einer Geschwindigkeit, die kein anderes jemals erfundenes Computerverfahren erreichen kann. Das Ergebnis erscheint uns Menschen als eine Form der Argumentation. In den letzten zwei Jahren hat sich die Qualität der LLM-Ergebnisse von „irgendwie okay“ auf „bemerkenswert“ verbessert. Woher wissen wir also, wann wir GenAI in einer Agentenlösung einsetzen müssen?
Um beim Beispiel der E-Mail zur Kundenakquise zu bleiben: Eine E-Mail-Vorlage kann mit minimaler Personalisierung verwendet werden, aber eine durch KI generierte E-Mail – mit Zugriff nicht nur auf ein großartiges LLM, das für die Textgenerierung entwickelt wurde, sondern auch auf private, kundenspezifische Informationen, die mit ihren früheren Einkäufen und Anforderungen verknüpft sind – ist deutlich besser. Die bei Epson implementierte Conversica-Lösung ist ein gutes Beispiel: Zwei der effektivsten Funktionen dieser agentenbasierten KI-Lösung, die autonome und wiederholte Aktionen veranschaulicht, sind: 1) die Möglichkeit, über einen längeren Zeitraum hinweg wechselseitige E-Mail-Konversationen zu führen und 2) das Senden von E-Mails basierend auf der vom Empfänger bevorzugten Tageszeit.
Agentische KI – Der Kombieffekt
Agentic AI kombiniert äußerst spezifischen Direktivcode, der Jobs mit KI-Inferenz ausführt, um umfassende und kontextbezogene Antworten zu generieren oder vorherzusagen. Agenten-KI ist keine Zauberei, aber sie ist leistungsfähiger als Agenten oder Gen-KI, die allein agieren. Diese beiden Bausteine können in verschiedenen Mengen und Kombinationen zusammengesetzt werden, wodurch ein Arbeitsablauf automatisiert wird und äußerst wertvolle Ergebnisse erzielt werden. Hier ist ein einfaches Diagramm, das einen automatisierten agentenbasierten KI-Workflow zeigt. Es nutzt mehrere Arten spezialisierter Agenten und KI-Modelle, um eine Reihe von Aktionen auszuführen. Die Lösung wird ausgeführt, bis ein akzeptables Ergebnis erreicht ist, und wird dann an den Benutzer zurückgegeben.
Beispiel eines automatisierten agentenbasierten KI-Workflows.
Das Jahr 2025 verspricht, mit fortgesetzter LLM-Argumentation und agentenbasierter Plattformentwicklung ebenso spannend zu werden wie 2024. Vor nicht allzu langer Zeit herrschte die Einstellung gegenüber LLMs vor, man könne ihnen nicht trauen. Dies könnte das Jahr sein, in dem wir einen deutlichen Rückgang von Kommentaren wie „Agenten-KI kann unmöglich zu einer besseren Antwort gelangen als ein Mensch“ erleben werden. Da sowohl Agenten als auch KI in diesem Jahr ausgereifter und besser werden, gibt es drei Dinge, auf die Sie achten sollten:
- Entstehung neuer agentenbasierter KI-Entwicklungsplattformen, einschließlich Enterprise Service Bus, Orchestrierung und Beobachtungs-/Tracing-Modulen.
- Entstehung von Standards wie MCP zur Standardisierung der für die Kommunikation zwischen Agenten und KI erforderlichen Schnittstellen und für den sicheren Zugriff auf öffentliche und private Datenquellen.
- Fortschritte im LLM-Denken.
Der Innovationspfad der agentenbasierten KI könnte im Laufe des Jahres 2025 in jede dieser drei Richtungen voranschreiten. Durch den Vergleich von Ankündigungen zu Plattformen für agentenbasierte KI untereinander wird klar, ob die neuen Funktionen die Plattform weiter entwickeln, den Integrationsaufwand verringern oder die Magie der KI-gestützten Kognition entfalten.