Was ist agentische KI?

Der Sprung der KI vom Helfer zum Macher ist vollzogen. Agentische KI verlässt ihre passive Rolle und übernimmt die Führung. Sie ist darauf ausgelegt, autonom zu planen, auszuführen und sich anzupassen, um auf der Grundlage ihrer Umgebung autonome Entscheidungen zu treffen und Aufgaben innerhalb ihres Einsatzbereichs auszuführen. Dieses Potenzial für proaktive, zielorientierte Problemlösungen ist äußerst vielversprechend für die Bewältigung komplexer Herausforderungen in verschiedenen Bereichen. Hier finden Sie, was Sie wissen sollten.

Was ist agentische KI?

Agentische KI bezeichnet ein KI-System, das in der Lage ist, autonome Entscheidungen auf der Grundlage sowohl vergangener Leistungen als auch seiner aktuellen Einschätzung dessen, was zur Erfüllung einer Aufgabe erforderlich ist, zu treffen und dabei mit minimaler menschlicher Aufsicht zu arbeiten. Ein agentisches KI-System kann den aktuellen Stand seines Fortschritts in Richtung seines Ziels betrachten und dann geeignete Entscheidungen treffen, z. B. neue Schritte hinzufügen oder Menschen oder andere KI-Systeme um Hilfe bitten.

Im Gegensatz zur traditionellen KI – dem Begriff, der üblicherweise für nicht-generative KI-Services verwendet wird – ist die agentische KI nicht durch menschliche Abfragen und Überwachung an ein Eingabe-/Ausgabemodell gebunden. Stattdessen ist die Technologie so autonom, dass das System komplexe Schritte zur Erreichung seines Ziels unternehmen kann und sich nur bei Bedarf mit Menschen abstimmt.

Eine andere Möglichkeit, sich agentische KI vorzustellen, besteht darin, sie mit einem Manager im Gegensatz zu einem Techniker zu vergleichen. Spezialisierte KI-Agenten werden darauf trainiert, bestimmte Aufgaben auf der Grundlage externer Eingaben auszuführen, ähnlich wie ein erfahrener Techniker, der mit einer Aufgabe betraut wird. Agentische KI kann verschiedene KI-Techniken einsetzen, darunter generative KI, und dabei autonome Entscheidungen treffen, beispielsweise wie ein Manager, der entscheidet, welche Techniker für die Fertigstellung eines Projekts erforderlich sind. Anhand dieser Analogie kann der Manager mit Kollegen zusammenarbeiten und Feedback von Technikern vor Ort einholen, Arbeitsabläufe optimieren, weitere Informationen anfordern und bei Bedarf zusätzliche Ressourcen einsetzen.

Wichtige Erkenntnisse

• Agentische KI bezeichnet KI-Systeme, die in der Lage sind, autonome Entscheidungen darüber zu treffen, wie ein Ziel erreicht werden soll, und diese Entscheidungen dann umzusetzen.
• Agentische KI-Systeme können mit anderen KI-Agenten und Menschen zusammenarbeiten, um Ziele zu setzen und zu erreichen.
• Agentische KI-Systeme verwenden häufig Tools, darunter KI-Modelle, spezialisierte KI-Agenten und orchestrierte KI-Dienste, um strategische Ziele zu erreichen.
• Agentische KI-Systeme sind zwar zu komplexeren und unabhängigeren Handlungen fähig als herkömmliche KI, benötigen jedoch unter Umständen auch deutlich mehr Ressourcen.

Agentische KI erklärt

Agentische KI bildet die dritte Welle der KI-Entwicklung. Der erste Schub der modernen KI brachte Technologien wie Recommendation Engines und automatische Textvervollständigung hervor, die große Datenmengen analysierten, um statistische Korrelationen zu identifizieren und wahrscheinliche Ergebnisse zu berechnen. Der zweite Schub kam erst kürzlich, als neue Algorithmen, mehr Rechenleistung und eine bessere Datenverfügbarkeit dazu führten, dass KI in der Lage war, kreative Inhalte wie Texte, Bilder und Musik zu generieren.

Der dritte Schub der KI konzentriert sich auf die Fähigkeit, unterschiedliche Elemente und Fähigkeiten unter dem Dach der Wahl zusammenzuführen. Es ist allerdings wichtig, zwischen KI-Agenten und agentischen KI-Systemen zu unterscheiden. Agenten haben Zugriff auf prädiktive, generative und andere KI-Funktionen. Anstatt darauf zu warten, dass ein Benutzer beispielsweise eine generative Ausgabe anfordert, ist ein Agent so programmiert, dass er auf ein bestimmtes Ziel hinarbeitet. So analysiert die agentische KI Wege zum Ziel und trifft Entscheidungen über den besten Weg zur Erfüllung der Aufgabe. Agenten können zudem frühere Aufgabenabschlüsse berücksichtigen, um die Ergebnisse zu verbessern.

Mit der Fähigkeit, große Datenmengen zu verarbeiten und zu synthetisieren, kann ein KI-Agent möglicherweise Forschungen auf einem Niveau durchführen, das Menschen nicht erreichen können. Durch das Treffen von Entscheidungen ohne Aufforderung können Agenten weitere Informationen aufdecken und Feedback aufnehmen, was ihnen hilft, zu Kooperationspartnern zu werden, sei es für die Arbeit, für Hobbys oder für persönliche Aufgaben.

Agentische KI-Systeme werden größer, indem sie einzelne KI-Agenten und andere geeignete Systeme oder Tools zu einem zusammenhängenden Ganzen verknüpfen. Beispielsweise kann ein KI-Agent Kundenbeschwerden bearbeiten. Ein agentisches KI-System kann diese Daten dann nutzen, um Produktdesignern und Marketingverantwortlichen dabei zu helfen, ihre Angebote auf der Grundlage von Mustern im Kundenverhalten anzupassen.

Die Frage, die sich Unternehmen stellen müssen, lautet also nicht „Was kann agentische KI für uns tun?“ Stattdessen sollten Unternehmen sich vielleicht fragen: „Wo sollen wir anfangen?“ Die Antwort lautet oft: vorgefertigte agentenbasierte KI-Plattformen, die eine einfache Integration, Skalierbarkeit und Anpassung bieten.

Wie funktioniert agentische KI?

Agentische KI-Systeme sind darauf ausgelegt, verschiedene KI-Elemente zu verwalten und auszuführen, um ein festgelegtes Projektziel zu erreichen. Die spezifischen Details jeder Mission variieren zwar geringfügig, doch im Folgenden werden die allgemeinen Schritte beschrieben, die von agentenbasierten KI-Systemen verwendet werden:

1. Festlegung eines Ziels und von Parametern: Das Projektziel und die Einschränkungen werden durch menschliche Eingaben festgelegt.
2. Aufgaben und Schritte: Ein geeignetes LLM, möglicherweise ein aus vorgefertigten Optionen ausgewähltes Basismodell, verarbeitet diese Informationen, um die zur Erreichung des Ziels erforderlichen Aufgaben miteinander zu verknüpfen, wobei es innerhalb der festgelegten Parameter und Grenzen bleibt.
3. Autonome Entscheidungen: Nach Festlegung der Aufgaben entscheidet das agentische KI-System, wie es seine Ziele erreichen will, und führt diese dann autonom oder gegebenenfalls in Zusammenarbeit mit Menschen aus.
4. Feedback und Überarbeitung: Der Agent nimmt Daten aus parallelen Aufgaben auf und passt den Arbeitsablauf nach Bedarf an. Das kann von der Reduzierung von Schritten zur Optimierung des Arbeitsablaufs bis hin zum Hinzufügen neuer Schritte zur weiteren Datenerfassung reichen. Was agentische KI-Systeme so überzeugend macht, ist ihre Fähigkeit, Entscheidungen zu treffen und sich auf der Grundlage von Echtzeitdaten anzupassen.
5. Systemische Verbesserung: Während der Agent auf sein Ziel hinarbeitet, wendet er aufgezeichnete Ergebnisse und Maßnahmen in einer systemischen Rückkopplungsschleife an, die in der KI-Branche gemeinhin als „Daten-Schwungrad“ bekannt ist. Dieser Schleifenprozess erweitert die Grenzen des Agenten und zielt darauf ab, die Genauigkeit und Effizienz im Laufe der Zeit zu verbessern.

Damit agentische KI-Systeme wie vorgesehen funktionieren, stellen IT-Teams den Agenten häufig Automatisierungen/Agenten und Daten auf niedrigerer Ebene zur Verfügung. Sobald dies eingerichtet ist, können Unternehmen ein kommerzielles agentenbasiertes KI-System integrieren, das ihren Anforderungen hinsichtlich Funktionalität, Anpassbarkeit, Skalierbarkeit und Leistung entspricht, bevor sie es entsprechend den Projektzielen optimieren.

Wie unterscheidet sich agentische KI von herkömmlicher KI?

Herkömmliche KI ist der Fachbegriff für KI-Systeme, die nicht generativ und somit nicht agentisch sind. Diese regel- und logikbasierten Systeme nehmen Daten auf, verarbeiten sie und produzieren als Ergebnis weitere Daten. Nehmen wir das Beispiel der Betrugserkennung. In diesem Fall würde sich das System auf die Kundendaten einer Finanzgesellschaft konzentrieren, nachdem es darauf trainiert wurde, Anomalien und Ausreißer in einer Reihe von Kategorien zu identifizieren, darunter Art des Kaufs, geografische Lage, Betrag und Tageszeit. Es handelt sich hierbei um eine Input- (Transaktionsdaten)/Output-Situation (Feststellung des Betrugsstatus). Trotz der damit verbundenen Workflow-Entscheidungen führt die KI letztendlich eine vordefinierte Aufgabe aus, für die sie speziell trainiert wurde.

Agentische KI ist darauf ausgelegt, autonomer zu sein, sich auf ein Ziel zu konzentrieren und dann zu entscheiden, wie dieses Ziel am besten erreicht werden kann. Ein agentisches KI-System verfügt über die Unabhängigkeit, die Informationen zu suchen, die es benötigt, um zu bestimmen, wie es sein Ziel erreichen kann, oder sogar, um sich mit anderen verfügbaren Tools zu verbinden. Kehren wir zum Beispiel der Betrugserkennung zurück. Agentische KI kann Fragen stellen und Informationen aufdecken, die möglicherweise mehr Kontext liefern und daher zu besseren Ergebnissen führen. Wenn also ein bisheriges Betrugserkennungsmodell eine Anomalie beim Kaufpreis und der Kategorie festgestellt hat, die zu einer Warnmeldung führt, könnte ein agentenbasiertes KI-System mit anderen Systemen kommunizieren, um weitere Details über die Situation des Kunden zu sammeln.

In diesem Fall könnte die Abfrage von Wetterdaten ergeben, dass die Region des Kunden von einem massiven, plötzlichen Sturm heimgesucht wurde, der laut zahlreichen Berichten zu katastrophalen Zuständen geführt hat. Darüber hinaus stammten die zahlreichen Spontankäufe aus Baumärkten und Lebensmittelgeschäften, was auf den Kauf von Notvorräten hindeuten könnte. Trotz des ungewöhnlichen Verhaltens könnte der Agent dieses Wissen nutzen und bei der Meldung der Flagge kontextbezogene Notizen senden, damit ein Mensch die endgültige Entscheidung treffen kann. Aufgrund der Entscheidungsfähigkeit der agentischen KI verfügen Vorgesetzte über wesentlich mehr Informationen, um eine endgültige Entscheidung zu treffen, ohne diese Vorarbeit leisten zu müssen.

Was ist der Unterschied zwischen agentischer und generativer KI?

Sowohl agentische KI als auch generative KI sind leistungsstarke Systeme, die jeweils spezifischen und einzigartigen Zwecken dienen. Agentische KI konzentriert sich auf Entscheidungsfindung und Handlungen, während generative KI sich auf die Generierung von Inhalten konzentriert. Obwohl GenAI in den letzten Jahren an Leistungsfähigkeit und Funktionen gewonnen hat – und die Ergebnisse selbst in Bezug auf Genauigkeit und Qualität verbessert wurden –, handelt es sich immer noch um einen Data-In/Data-Out-Workflow.

Mit anderen Worten: GenAI benötigt nach wie vor eine Eingabeaufforderung.

Nehmen wir das Beispiel eines großen Sprachmodells für die Recherche eines technischen Berichts. Der Forscher wird eine Vielzahl von Eingabeaufforderungen anbieten und detaillierte Ergebnisse erhalten. Der Forscher kann auch Folgefragen auf der Grundlage der Ergebnisse stellen oder den Kontext der Anfrage ändern, um einen anderen Ansatz oder eine andere Perspektive zu bieten. Der Forscher kann dann diese Informationen kombinieren und herausfiltern, was für den Bericht am besten geeignet ist.

Mit agentischer KI könnte ein Großteil dieses Prozesses theoretisch rationalisiert werden. Anstatt eine Reihe von Fragen zu stellen und zu überlegen, wo Informationslücken bestehen, gibt der Forscher dem agentischen KI-System ein Ziel vor – je spezifischer und detaillierter, desto besser. Im Rahmen dieses Ziels kann das agentische KI-System dann mit einem LLM kommunizieren, um eine generierte Ausgabe zu erhalten. Wenn das angestrebte Ziel bekannt ist, kann das agentische KI-System die bereitgestellten Informationen nutzen und so lange weiter verfeinern, bis das Ergebnis zufriedenstellend ist. Darüber hinaus kann das agentische KI-System mit anderen externen Quellen und KI-Modellen kommunizieren und so einen Weg für originäre Forschung eröffnen, die auf die Ausgabe angewendet werden kann, bevor dem Benutzer ein Endergebnis bereitgestellt wird.

Als Analogie aus der realen Welt lässt sich GenAI mit einem Werkzeugsatz vergleichen, mit dem man ein undichtes Waschbecken selbst reparieren kann. Ein KI-Agent ist ungefähr so, als würde man einen Klempner hinzuziehen, um ein Leck zu reparieren und zu untersuchen, welche damit zusammenhängenden Probleme möglicherweise die Ursache für das Problem waren. Ein agentisches KI-System hingegen ähnelt eher einem Generalunternehmer, der den Klempner anweisen und gleichzeitig mit einem Elektriker und einem Schimmelgutachter zusammenarbeiten kann, um Schäden im Zusammenhang mit dem Leck zu untersuchen.

Anwendungsfälle aus der Praxis für agentische KI

Agentische KI hat das Potenzial, Abläufe zu beschleunigen und Probleme in einer Vielzahl von Anwendungsfällen zu lösen: für Unternehmen, Behörden, persönliche Anwendungen und vieles mehr. Im Folgenden werden einige Möglichkeiten vorgestellt, wie agentische KI in den Alltag integriert werden kann.

• Gesundheitsprofile: Patientendaten können aus vielen Quellen stammen, darunter tragbare Geräte, Blutwerte und Vitalparameter aus einer körperlichen Untersuchung. Zusammengenommen könnten diese Daten ein Muster aufzeigen, das auf eine sich abzeichnende Erkrankung hindeutet. Um zu dieser Schlussfolgerung zu gelangen, sind jedoch umfassendere institutionelle Kenntnisse sowie die Fähigkeit erforderlich, auf diese Daten zuzugreifen und sie zu bewerten. Agentische KI kann alle eingehenden Daten für einen bestimmten Patienten schnell verarbeiten, um aufkommende Anzeichen von Problemen zu erkennen. Darüber hinaus hat der Beauftragte die Möglichkeit, bei Bedarf zusätzliche Daten zu erfassen, um einen Bericht für den überwachenden Arzt zu erstellen.
• Versicherungsansprüche: Versicherungsansprüche umfassen viele bewegliche Teile und beinhalten oft die Verarbeitung von Informationen mehrerer Parteien. Agentische KI-Systeme können diesen Prozess beschleunigen, indem sie wichtige und relevante Daten aus eingereichten Formularen und Angaben identifizieren, um Informationen zu vergleichen und zu überprüfen. Gleichzeitig kann das System den Workflow-Prozess verwalten und die Beteiligten benachrichtigen, wenn sie ausstehende Aktionsanforderungen haben.
• Lieferkettenmanagement: Viele Elemente einer typischen Lieferkette – von der Prognose bis zur Bestandsverwaltung – können von agentischer KI profitieren. Ein konkretes Beispiel ist das Transport- und Routenmanagement. In diesem Fall stammen die Standard-Logistikdaten aus dem Sendungsverfolgungssystem. Ein KI-Agent kann jedoch mit anderen Systemen kommunizieren, um eine Routenoptimierung zu berücksichtigen. Wetter, Verkehr und sogar Faktoren wie politische Stabilität und nationale Feiertage können potenziell berücksichtigt werden, wobei von Agenten generierte Anpassungen zur Optimierung der Lieferrouten vorgenommen werden.
• Verkehrsmanagement: Regierungen könnten agentische KI in Verkehrsleitsysteme integrieren, um eine Vielzahl von eingehenden Daten zu synthetisieren. Echtzeit-Verkehrsdaten von Kameras und Sensoren, Wetter- und Baudaten sowie prädiktive Analysen unter Verwendung historischer Muster können von einer überwachenden agentenbasierten KI verarbeitet und analysiert werden, um die Ampelschaltung anzupassen und so Staus zu reduzieren und die Frustration der Autofahrer zu verringern.

Vorteile der agentischen KI

Agentische KI stellt eine Weiterentwicklung der Automatisierung und Prozessoptimierung dar und kann zahlreiche Vorteile mit sich bringen, insbesondere wenn sie auf einer soliden Grundlage aus Workload- und Datenmanagement sowie anwendungsspezifischen Agentensystemen aufbaut.

Im Folgenden sind einige der häufigsten Vorteile aufgeführt, von denen Unternehmen profitieren, wenn sie agentische KI erfolgreich implementieren.

• Dauerbetrieb: Agentische KI geht über die Notwendigkeit einer Eingabe nach Abschluss einer Aufgabe hinaus, wie sie bei anderen KI-Systemen erforderlich ist, und arbeitet stattdessen auf ein Ziel hin. Diese Entscheidungsautonomie bedeutet, dass es zu einem unterbrechungsfreien Betrieb beitragen kann, sei es bei der Datenverarbeitung, der Recherche, der Beantwortung von Kundenanfragen und -fragen oder anderen Funktionen.
• Kostenreduzierung: Agentische KI-Systeme können schnell, präzise und stets einsatzbereit sein, was zu Kosteneinsparungen führen kann. Die Quelle der Einsparungen variiert je nach Branche, aber Unternehmen profitieren in der Regel davon, Analysen schneller und in größerem Umfang durchzuführen, wodurch sie Entscheidungen treffen können, die ihnen helfen, Prozesse zu verbessern oder Meilensteine schneller zu erreichen.
• Gesteigerte Produktivität: Wenn ein agentisches KI-System auf ein Ziel ausgerichtet ist, wie beispielsweise die Klassifizierung von Finanztransaktionen, die Erstellung von Hauptbucheinträgen oder die Unterstützung von Kunden, kann die KI Entscheidungen über das Sammeln zusätzlicher Informationen, die Durchführung einer tangentialen Analyse oder andere damit verbundene Aufgaben treffen. Agentische KI-Systeme können schnell Informationen sammeln und gleichzeitig eine Reihe paralleler Prozesse ermöglichen, und das alles mit minimalem menschlichem Eingriff.
• Neue Perspektiven: Agentische KI ist darauf ausgelegt, ein Ziel zu erreichen, wobei sie selbstständig Entscheidungen darüber trifft, wie sie dieses Ziel erreicht. Tangentiale Aspekte und zusätzliche Datenerfassung/-verarbeitung liegen alle im Bereich der Möglichkeiten eines Agenten, was die Tür zu neuen, unerwarteten Erkenntnissen öffnen kann.

Herausforderungen bei der agentischen KI

Da KI zunehmend menschenähnliche Interaktionen ermöglicht, ergeben sich Herausforderungen sowohl in technischer Hinsicht, beispielsweise hinsichtlich der erforderlichen Verarbeitung, als auch hinsichtlich der Schaffung von Mechanismen für Vertrauen, Kontrolle und die Ausrichtung auf die Werte und Absichten des Unternehmens. Je mehr Autonomie eine agentische KI bei der Festlegung von Zielen, der Planung von Maßnahmen und der Interaktion mit Menschen hat, desto mehr sollten Unternehmen darüber nachdenken, Methoden zur Überwachung und Intervention zu entwickeln – ohne dabei das Potenzial für Innovation und Problemlösung zu beeinträchtigen.

Hier sind vier konkrete Punkte, auf die Sie achten sollten.

• Genauigkeit: Agentische Systeme übertreffen in der Regel die Genauigkeit des Menschen. Wie immer können jedoch fehlerhafte Daten zu unerwünschten Ergebnissen führen, darunter ungenaue Ausgaben oder unerwünschte Aktionen. Genau wie bei einem neuen Mitarbeiter möchten Unternehmen neu eingesetzte agentische Systeme überwachen, bis die Ergebnisse durchweg korrekt sind. Und genau wie bei einem neuen Mitarbeiter muss man sich Vertrauen erst verdienen. Vor diesem Hintergrund sollten die ersten Aufgaben, die von agentischen KI-Systemen übernommen werden, risikoarm und leicht zu beheben sein.
• Daten- und Workload-Management: Letztendlich ist jedes KI-System eine Erweiterung der Unternehmensdaten und des Managements der erforderlichen Rechen- und Netzwerk-Workloads und -Ressourcen, die für eine Aufgabe verwendet werden. Daher sollten IT-Teams vor der Integration von Agenten prüfen, ob ihre lokale und Cloud-Infrastruktur, Datenbanken und andere Ressourcen effizient und optimiert sind.
• Datenschutz: Die Autonomie der agentischen KI bedeutet, dass sie Zugriff auf externe Systeme und Daten anfordern kann. Da Agenten große Mengen an Daten schnell bearbeiten, steigt die Wahrscheinlichkeit, dass sie auf sensible Informationen stoßen. Durch die Berücksichtigung von Datenschutz und Einhaltung gesetzlicher Vorschriften sowie durch den Zugang zu Informationen über Aktionen und abgerufene Daten kann agentische KI mit geringerem Risiko für die Kompromittierung sensibler Daten eingesetzt werden.
• Transparenz: Agenten sind die Grundlage der agentischen KI und sollten so entwickelt werden, dass sie Entscheidungen und Schlussfolgerungen erklären können. Darüber hinaus sollten wichtige Elemente wie die Logik und die Bewertungsmethoden des Agenten zugänglich gemacht werden, damit ihre Stichhaltigkeit bestätigt oder gegebenenfalls korrigiert werden kann.

Erste Schritte mit agentischer AI

8 Schritte zur Implementierung von agentischer AI

Agentische KI-Projekte sind in der Regel einzigartig für Organisationen und basieren auf Parametern, die sich nach den verfügbaren Ressourcen, den Teamzielen und anderen Variablen richten. Die folgenden allgemeinen Schritte beschreiben jedoch, wie die meisten Teams mit agentenbasierten KI-Projekten beginnen.

1. Ziele definieren

Agentische KI-Systeme verfügen über Autonomie und Zielsetzungsfähigkeiten. Sie planen und führen mehrstufige Aufgaben aus, um ein Ergebnis mit minimalem menschlichem Eingriff zu erzielen. Das ist ein Unterschied zu agentenlosen und aufgabenorientierten KI-Systemen, deren Ziel es sein kann, ein bestimmtes, genaues Ergebnis zu liefern – beispielsweise ein Bild, das durch eine Suchanfrage generiert wird, oder einen Film, der jemandem gefallen wird. Solange das gewünschte Ziel nicht definiert ist, können sich die Teams nicht darauf konzentrieren, ein System auf der Grundlage der verfügbaren Ressourcen aufzubauen. Die Ziele können auch Aufschluss darüber geben, mit welchem vorgefertigten System man beginnen sollte.

2. Architekt für Robustheit und Zuverlässigkeit

Legen Sie geeignete Leistungsbenchmarks und -kennzahlen fest, die den gesamten Lebenszyklus des Systems abdecken, von der Schulung und Implementierung bis hin zur aktiven agentischen KI. Sicherheit, Compliance und Qualitätsprüfungen sind entscheidende Faktoren und sollten möglichst viele Perspektiven einbeziehen. Selbst wenn ein Projekt die KPIs erreicht oder sogar übertrifft, sollten sich die Teams dennoch zu einer kontinuierlichen Überwachung und Verbesserung verpflichten, um mit der hoffentlich steigenden Nachfrage Schritt zu halten. Denken Sie über mögliche Fehlerquellen nach und entwickeln Sie Notfallpläne.

3. Sicherheitsebenen integrieren

Da agentische KI über ein gewisses Maß an Autonomie bei der Entscheidungsfindung verfügt, sollten Sie Sicherheitsstufen für Ihr Projekt in Betracht ziehen. Dazu können technische Schutzvorrichtungen gehören, die Missbrauch verhindern, Sicherheits- und Datenschutzmaßnahmen zum Schutz der Daten bei der Verbindung der KI mit anderen Systemen sowie Schritte zur menschlichen Überwachung in den Projektabläufen.

4. Umfang und Autonomie begrenzen

Agentische KI-Projekte erfordern Parameter, um zu verhindern, dass KI-Entscheidungen den Umfang oder die Grenzen der Autonomie überschreiten. Beispiele für Parameter sind Entscheidungsschwellen, die menschliches Eingreifen auslösen, Einschränkungen für bestimmte Handlungen und Entscheidungen, Beschränkungen für den Zugriff auf bestimmte Arten von Materialien und die Einbindung von Rückkopplungsschleifen, um sicherzustellen, dass sich die Ergebnisse des Agenten kontinuierlich verbessern.

5. Fokus auf Erklärbarkeit und Transparenz

Da agentische KI autonom handelt, sollten Schlussfolgerungen und Handlungen erklärbar sein, damit Teams bei der Überprüfung von Entscheidungen die Hintergründe und Gründe nachvollziehen können. Die Erklärbarkeit unterstützt sowohl die Modellverbesserung als auch die Fehlerbehebung, wenn Ziele nicht optimal erreicht werden.

6. Klare Kontrollen einrichten und Datenschutz, Sicherheit und Compliance priorisieren

Ihr Unternehmen hat wahrscheinlich Regeln zum Umgang mit Datenschutz, Sicherheit und Compliance festgelegt. Überlegen Sie, ob diese Richtlinien auf neue Systeme wie agentische KI anwendbar sind. Jedes Mal, wenn ein agentisches System eine Entscheidung trifft, sich mit anderen Systemen verbindet, Eingaben verarbeitet oder Ausgaben generiert, stellt dies ein potenzielles Risiko dar, sodass die Einrichtung von Kontrollen wichtige Überlegungen sind.

7. Kontinuierliche Überwachung, Bewertung und Verbesserung

Wie jede neue Technologie sollten auch agentische KI-Systeme überwacht werden. Zu den zu beobachtenden Bereichen gehören die Leistung – wie verfügbar das System ist und wie schnell es die ihm zugewiesenen Aufgaben erledigt – sowie die Genauigkeit der Ergebnisse oder Aktionen. Berücksichtigen Sie auch die Verhaltensüberwachung. Durch die Protokollierung von Aktionen und Entscheidungen im Laufe der Zeit können Sie ungewöhnliche oder unerwartete Verhaltensmuster oder Veränderungen identifizieren, die auf Datenabweichungen oder Modellverschlechterungen hindeuten können. Die Tiefe und Häufigkeit der Überwachung hängt von der Kritikalität der agentischen KI und davon ab, wie sich deren Ausfall auf die Organisation auswirken könnte.

8. Förderung der Zusammenarbeit und multidisziplinärer Beiträge

Eine breite und vielfältige Palette von Perspektiven ermöglicht es Teams, Einblicke in Ergebnisse und Schulungsmöglichkeiten zu gewinnen, die sonst möglicherweise übersehen würden. Durch die Analyse des Modells aus verschiedenen Perspektiven können Teams ein ausgewogeneres und optimiertes agentisches KI-System erhalten, das dazu beiträgt, sowohl blinde Flecken als auch potenzielle Risiken zu reduzieren.

Alle oben genannten Details zu Überwachung, Analyse und Transparenz führen zu klaren Übergaben, die die Verantwortlichkeiten zwischen den KI-Agenten, aus denen das agentische KI-System besteht, und den menschlichen Teams abgrenzen.

Die Zukunft der agentischen KI

Architekten arbeiten daran, agentische KI-Systeme robuster und zuverlässiger zu machen und sie in die Lage zu versetzen, in komplexen und dynamischen Umgebungen effektiv und sicher zu arbeiten. Der Bereich entwickelt sich rasant weiter, und die laufenden Forschungen zu modularem Design, den Vorteilen der Cloud, fortschrittlichen Lernmechanismen und anderen Bereichen werden voraussichtlich weiterhin dazu beitragen, zuverlässigere autonome Systeme zu entwickeln.

Im Folgenden sind einige der Bereiche aufgeführt, die zu beachten sind.

• Genauigkeit: Mit der Weiterentwicklung agentischer KI-Systeme werden Teams nach neuen Wegen suchen, um die Genauigkeit durch Lernprozesse zu verbessern, die Rückmeldungen aus Erfolgen und Misserfolgen einbeziehen können, um Richtlinien und Entscheidungsprozesse zu optimieren. Achten Sie auf Techniken wie verstärktes Lernen und bessere Filter- und Validierungstechniken.
• Integration: Derzeit wird agentische KI gerade in Unternehmenssysteme, einschließlich Geschäftsanwendungen, integriert. In den nächsten Jahren wird die Nutzung von agentischer KI voraussichtlich ausgereifter werden, sodass sie anpassungsfähiger und individueller einsetzbar sein wird und leichterer Einstiegspunkte für mehr Funktionen bieten wird.
• Energieeffizienz: Der Stromverbrauch ist eine der größten Herausforderungen der KI. Agentische KI mit ihren von Natur aus komplexeren Prozessen und selbstgesteuerter Forschung wird voraussichtlich mehr Ressourcen verbrauchen als bisherige KI-Anwendungsfälle. Der Schlüssel zum langfristigen Erfolg agentischer KI könnte darin liegen, Wege zu finden, um den Energieverbrauch von Modellen zu reduzieren.
• Autonomie: Derzeit arbeiten agentische KI-Systeme in der Regel unter menschlicher Aufsicht – dies ist jedoch keine Voraussetzung. Das liegt daran, dass die Technologie noch kein volles Vertrauen in ihre Autonomie erworben hat. Das Ziel der agentischen KI-Technologie ist es, ein ausgewogenes Verhältnis zwischen Autonomie, Funktionalität und Kontrolle zu finden.

Erste Schritte mit generativen KI-Agenten von OCI

Unternehmen können mit Oracle Cloud Infrastructure (OCI) Generative AI Agents einfach und schnell agentische KI in ihre Abläufe integrieren. Mit der Rechenleistung und Skalierbarkeit von OCI kombiniert die agentische KI-Plattform von Oracle LLM- und Retrieval-Augmented-Generation-Funktionen mit den Daten eines Unternehmens und ermöglicht so leistungsstarke Erkenntnisse, die autonom und mithilfe von Schnittstellen in natürlicher Sprache gewonnen werden. Automatisierungstools für agentische KI-Systeme wie Oracle Integration können Unternehmen dabei helfen, die Service-Orchestrierung zu vereinfachen, darunter auch für die robotergestützte Prozessautomatisierung (RPA) mit einheitlicher Beobachtbarkeit und effektiver menschlicher Überwachung.

Häufig gestellte Fragen zu agentischer KI

Was ist der Unterschied zwischen RPA und agentischer KI?

RPA steht für „Robotic Process Automation“ (robotergestützte Prozessautomatisierung) und konzentriert sich eher auf bestimmte Aufgaben als auf Entscheidungen. Beispielsweise eignet sich RPA hervorragend für die Automatisierung sich wiederholender Aufgaben, wie die Aktualisierung von Datenformaten oder die Übertragung von Daten von einer Anwendung in eine andere. Agentische KI-Systeme arbeiten zusammen, um Ziele festzulegen, zu verfeinern und zu erreichen. In diesem Fall kann ein KI-Agent feststellen, dass auf einen Datensatz in einem separaten Format zugegriffen werden muss, und er wird RPA einsetzen, um eine Kopie des Datensatzes zu erstellen, bevor er das Format aktualisiert.

Was ist die am häufigsten verwendete generative KI?

ChatGPT ist nach wie vor das bekannteste generative KI-Tool. Andere beliebte GenAI-Tools, die in anderen Medien funktionieren, sind Midjourney für die Bilderstellung und Sora für die Videogenerierung.

Was ist ein agentisches KI-Framework?

Aus einer übergeordneten Perspektive beziehen sich agentische Frameworks auf die Software und Systeme, die für die Entwicklung agentischer KI-Systeme verwendet werden. Agentische Frameworks basieren häufig auf bestehenden Komponenten, um die Grundlage für die Verfeinerung und projektorientierte Spezifität von Zielen und Fähigkeiten zu schaffen. Agentische Frameworks umfassen in der Regel Basismodule für Sprachinterpretation, Tool-Integration, Ressourcenmanagement, Sentimentanalyse, Vektorsuche und Datenvorverarbeitung.