Was sind KI-Agenten?

Wenn Sie jemand sind, der KI zwar faszinierend, aber auch abstrakt findet, werden Sie von KI-Agenten begeistert sein. Diese großen Sprachmodelle (LLMs), in die Unternehmen Milliarden investiert haben? Sie übernehmen echte Aufgaben als Köpfe hinter KI-Agenten: Was wäre, wenn Chatbots Ihre Personalrichtlinien verstehen und nuancierte Gespräche mit Mitarbeitern darüber führen könnten? Wie wäre es, wenn ein Betrugserkennungssystem selbstständig handeln und unzulässige Transaktionen sofort stoppen könnte? Wie wäre es, wenn Sie einem KI-System ein Ziel vorgeben könnten und es selbstständig alles tun würde, um es zu erreichen?

All diese Anwendungsfälle sind mit KI-Agenten möglich.

Sie können Agenten sogar mit Tools ausstatten – Algorithmen, sensorische Eingaben, Datenquellen und sogar Zugriff auf andere Agenten –, damit sie komplexe Aufgaben eigenständig ausführen können. Stellen Sie sich dabei einen Lagerroboter vor, der durch die Gänge navigiert, um den Bestand zu überprüfen, indem er Informationen von einer Reihe von Sensoren, Kameras und Scannern mit seiner Steuerungssoftware und einem ERP-Bestandsverwaltungssystem kombiniert.

Was als „agentenbasierte KI“ bezeichnet wird, entwickelt sich gerade zu einer spannenden Möglichkeit für alle Arten von Organisationen, da KI dadurch benutzerfreundlich und wesentlich hilfreicher wird.

Was ist KI?

KI oder künstliche Intelligenz bezieht sich auf Computersysteme, die darauf trainiert sind, menschliche Intelligenz zu simulieren. Die meisten KI-Systeme sind lernfähig programmiert, und einige können ihre Leistung auf der Grundlage von Erfahrungen und neuen Daten verbessern, Probleme mithilfe einer Vielzahl von Eingaben lösen und Ziele auf methodische Weise verfolgen. Der neueste Fortschritt besteht darin, dass generative KI-Systeme eigenständig Entscheidungen treffen und Maßnahmen einleiten können, um ihre Ziele zu erreichen. GenAI wird in so unterschiedlichen Anwendungen wie selbstfahrenden Autos, Empfehlungsmaschinen für Medien und Tools wie DALL-E und Midjourney eingesetzt, die Bilder auf der Grundlage von Textbefehlen erstellen.

Enterprise AI bezieht sich auf die laufende Arbeit zur Anwendung von GenAI und verwandten Technologien auf geschäftliche Arbeitslasten, wobei die Systeme mit den Daten der Organisation erweitert werden. Man denke zum Beispiel an Kundenservice, personalisiertes Marketing und Assistenten für Personal- und Finanzwesen.

Was sind KI-Agenten?

KI-Agenten sind Softwareeinheiten, denen Aufgaben zugewiesen werden können, die ihre Umgebung untersuchen, die gemäß ihrer Rolle vorgegebene Maßnahmen ergreifen und die sich auf der Grundlage ihrer Erfahrungen anpassen.

Menschen geben KI-Agenten Ziele vor, die auf der Rolle des Agenten und den Bedürfnissen der Organisation basieren. Mit seinem Ziel vor Augen kann der Agent Pläne erstellen, Aufgaben ausführen und das Ziel auf der Grundlage seiner Ausbildung, der Anwendung, in die er eingebettet ist, und der breiteren Umgebung, in der er tätig ist, verfolgen. Agenten lernen durch Wiederholung und können bestimmte Rollen übernehmen, sich mit Datenquellen verbinden und eigenständig Entscheidungen treffen. Fortgeschrittene Agenten haben fachspezifische Aufgaben, die die Ausführung mehrstufiger Prozesse beinhalten können, die Urteilsvermögen erfordern, kommunizieren auf eine Weise, die menschliche Interaktionen nachahmt, und arbeiten oft mit anderen Agenten zusammen. Der modulare Aufbau der Agenten ermöglicht komplexe Arbeitsabläufe. Die Autonomie, die Agenten gewährt wird, wird von den Menschen bestimmt, die sie aufrufen. Genauso wie bei der Einstellung eines neuen Assistenten kann mit zunehmender Kompetenz mehr Autonomie gewährt werden.

Agenten arbeiten, indem sie natürliche Sprachverarbeitung, maschinelle Lernfähigkeiten, die Fähigkeit, Daten durch Abfragen anderer Tools und Systeme zu sammeln, und kontinuierliches Lernen kombinieren, um auf Fragen zu antworten und Aufgaben auszuführen. Ein gutes Beispiel ist ein KI-Agent im Kundenservice. Wenn ein Kunde, der sich nach einer Bestellung erkundigt, fragt: „Wo ist meine Ware?“, überprüft der Mitarbeiter zunächst das Auftragsbearbeitungssystem, fragt über eine API das Tracking-System des Versandunternehmens ab und sammelt Informationen über mögliche Wetter- oder andere externe Faktoren, die die Lieferung verzögern könnten.

Der Begriff „agentenbasierte KI“ bezieht sich auf Systeme, die aktiv Ziele und Vorgaben verfolgen, anstatt eine einfache Aufgabe auszuführen oder auf eine Anfrage zu reagieren. Agentensysteme können oft Aktionen einleiten, wie z. B. eine KI im Kundenservice, die proaktiv eine Anfrage an einen Spediteur sendet, um sich nach Lieferverzögerungen zu erkundigen.

Eine Möglichkeit, Agenten nützlicher zu machen, ist die Integration der „Retrieval-Augmented Generation“ (RAG), einer Technik, die es großen Sprachmodellen ermöglicht, externe Datenquellen zu nutzen, die für die Organisation oder die Rolle des Agenten spezifisch sind. RAG ermöglicht es Agenten, aktuelle und relevante Informationen aus externen Datenbanken, Unternehmenssystemen wie ERP oder Dokumenten zu finden und in ihre Antworten zu integrieren, wodurch diese informativer, genauer und relevanter für die Zielgruppe werden. Ein Agent für den IT-Support könnte beispielsweise frühere Interaktionen mit Kunden berücksichtigen, bevor er entscheidet, wie das vorliegende Problem am besten gelöst werden kann. In seiner Antwort kann er Links zu hilfreichen Dokumentationen einfügen oder beschließen, im Namen des Kunden ein Ticket zu eröffnen, wenn das Problem eskaliert werden muss.

Wichtige Erkenntnisse

• KI-Agenten sind proaktive Planer: Sie arbeiten daran, die Schritte zu identifizieren, die erforderlich sind, um das gewünschte Ziel zu erreichen.
• Wie bei jeder KI-Technologie können KI-Agenten Vorteile bieten, die ihrer Ausbildung und den Daten, auf die sie zurückgreifen können, sowie den Grenzen, die Menschen für ihren Betrieb setzen, entsprechen.
• Klar definierte, erreichbare, messbare und quantifizierbare Ziele sind für den Erfolg von KI-Agenten unerlässlich.
• Die Schritte zur Implementierung eines Agenten ähneln denen jeder KI-Bereitstellung und beginnen mit der klaren Definition der Aufgabenparameter.

KI-Agenten erklärt

Ein KI-Agent ist eine Softwareeinheit, die ihre Umgebung wahrnehmen, Maßnahmen ergreifen und aus ihren Erfahrungen lernen kann. Stellen Sie sich das wie einen digitalen Assistenten oder Roboter vor, der Aufgaben auf der Grundlage menschlicher Anweisungen selbstständig ausführen kann. KI-Agenten haben besondere Eigenschaften, insbesondere die Fähigkeit, Ziele zu setzen, Informationen zu sammeln und logisch zu planen, um ihre Ziele zu erreichen. Da sie durch LLMs untermauert werden, die die Intelligenz bereitstellen, um die Absicht hinter den Anfragen zu verstehen, sind KI-Agenten nicht auf Keywords, Skripte oder vorkonfigurierte Semantik angewiesen. Stattdessen können sie auf Daten zurückgreifen, die aus früheren Aufgaben gespeichert wurden, und diese mit Chat-basierten Eingabeaufforderungen kombinieren, um dynamisch Lösungen zu finden.

KI-Agenten lernen außerdem durch Versuch und Irrtum. Beim bestärkenden Lernen verfeinert ein KI-Modell seinen Entscheidungsprozess auf der Grundlage positiver, neutraler und negativer Reaktionen. Es ahmt den menschlichen Einfallsreichtum nach und kann Tools verwenden, darunter cloudbasierte und Unternehmensanwendungen und Datenquellen, APIs und andere Agenten, um seine Ziele zu erreichen. Darüber hinaus kann es zusätzliche KI- und maschinelle Lernsysteme zur Analyse komplexer Daten, Tools zur Verarbeitung natürlicher Sprache zur Verarbeitung von Eingaben, RAG zur Bereitstellung aktueller und kontextbezogener Inhalte sowie Cloud-Services für die für die Arbeit erforderlichen Rechenressourcen nutzen.

Wie funktionieren KI-Agenten?

KI-Agenten kombinieren Techniken und Technologien, wie die eben genannten, um die ihnen zugewiesenen Ziele zu erreichen. Ein Empfehlungsagent könnte beispielsweise maschinelles Lernen einsetzen, um anhand riesiger Datensätze Muster zu erkennen, natürliche Sprachverarbeitung, um Anfragen zu verstehen und mit Benutzern zu kommunizieren, und Schnittstellen zu Unternehmenswerkzeugen wie einem ERP-System, einer Datenbank oder Sensoren für das Internet der Dinge oder externen Datenquellen, einschließlich des Internets, um Informationen zu sammeln.

KI-Agenten sind Planer. Sie können die Aufgaben und Schritte identifizieren, die zur Erreichung des gesetzten Ziels erforderlich sind. Um zu erfahren, wo sich eine bestimmte Sendung befindet, muss unser Kundenservice-Agent eine Reihe von Schritten ausführen. Zunächst würde er dafür auf Datenbanken mit Informationen über die spezifische Bestellung zugreifen, wie z. B. die Versand-ID, die Liefermethode und das Bestelldatum. Als Nächstes würde er diese Daten verwenden, um die Datenbank des Versandunternehmens über eine Webdienst-Schnittstelle abzufragen, um eine Echtzeit-Sendungsverfolgung und ein voraussichtliches Lieferdatum bereitzustellen. Der Agent könnte außerdem nachsehen, wo sich die Sendung gerade befindet und wie lange es in der Vergangenheit gedauert hat, bis sie die nächste Etappe ihrer Reise erreicht hat. Wenn sich das Paket in einem Luftfrachtterminal in Boston befindet und ein Hurrikan auf die Ostküste zusteuert, könnte der Agent daraus schließen, dass eine Verzögerung wahrscheinlich ist, und diese Information an den Kunden weitergeben.

Vorteile von KI-Agenten

KI-Agenten können, wie jede KI-Technologie, Vorteile bieten, die ihrem Training und den Daten, auf die sie zurückgreifen können, entsprechen. Ein Merkmal, das Agenten von ihren eher statischen Vorgängern unterscheidet, ist, dass sie erkennen können, wenn sie nicht über genügend Daten verfügen, um eine fundierte Entscheidung zu treffen, und Maßnahmen ergreifen können, um mehr oder bessere Daten zu erhalten. Die Formulierung von Agenten innerhalb von Anwendungen ist eine hochgradig angewandte Version von KI. Daher werden Organisationen feststellen, dass sie für den Erfolg mit Agenten weniger KI-Gurus als vielmehr diejenigen benötigen, die Geschäftsprozesse verstehen, und möglicherweise Datenqualitätsexperten. Diese Spezialisten können bei der Definition von Agenten-Zielen und der Festlegung von Parametern helfen und beurteilen, ob Geschäftsziele erreicht werden. Sie ziehen nur dann die IT-Abteilung oder den Softwareanbieter hinzu, wenn sie glauben, dass die KI selbst nicht richtig funktioniert.

Zu den spezifischen Vorteilen, die von den ersten Anwendern von KI-Agenten genannt wurden, gehören

• Durchgehende Verfügbarkeit. KI-Agenten können kontinuierlich und ohne Ausfallzeiten arbeiten. Und wenn sie aus der Cloud bereitgestellt werden, können Agenten überall dort eingesetzt werden, wo sich Kunden, Mitarbeiter oder andere vorgesehene Benutzer befinden könnten.
• Genauigkeit. KI-Agenten können menschliche Fehler bei der Ausführung repetitiver Aufgaben minimieren, und die riesigen Datenmengen, auf die sie zurückgreifen können, führen zu genaueren und fundierteren Entscheidungen. Voraussetzung dafür ist natürlich, dass sie Zugang zu genauen, aktuellen und vollständigen Datenquellen haben. Im Gegensatz zu GenAI-Tools der ersten Generation können Agenten besser erkennen, wenn sie nicht über genügend Informationen verfügen, um eine fundierte Entscheidung zu treffen, und bei Bedarf weitere Daten abrufen.
• Konsistenz. KI-Agenten können so programmiert werden, dass sie vorgeschriebene Prozesse und Verfahren befolgen, wodurch sichergestellt wird, dass Aufgaben jedes Mal auf die gleiche Weise ausgeführt werden. Agenten können zudem Schwankungen minimieren, die auf menschliche Ermüdung oder unterschiedliche Vorgehensweisen verschiedener Mitarbeiter bei der Ausführung eines Prozesses zurückzuführen sind.
• Kosteneinsparungen. KI-Agenten können zwar die Betriebskosten senken, indem sie repetitive Aufgaben automatisieren, die früher von Menschen ausgeführt wurden, sie können aber auch Möglichkeiten zur Prozessoptimierung aufdecken und vorschlagen und gleichzeitig Fehler reduzieren, die das Unternehmen Geld kosten können.
• Datenanalyse. KI-Agenten können riesige Datensätze für Analyseaktivitäten verarbeiten und interpretieren, darunter langfristige Planung, Betrugserkennung und vorausschauende Wartung, um Geräteausfälle zu vermeiden. In Fällen, in denen der Agent Daten aus irgendeinem Grund nicht analysieren kann, kann er andere Tools zur Ausführung der Aufgabe aufrufen.
• Effizienz. KI-Agenten können Aufgaben und Prozesse automatisieren, sodass sich menschliche Mitarbeiter auf komplexere und strategischere Tätigkeiten konzentrieren können. Und sie brauchen keinen Urlaub.
• Personalisierung. Mit KI-gestützten Marketingkampagnen, die von Agenten erstellt werden, können Unternehmen bestimmte Kundensegmente effektiv ansprechen, was häufig zu höheren Konversionsraten und niedrigeren Marketingkosten führt. Auf Makroebene ist Personalisierung aus gutem Grund ein Trend – viele Verbraucher schätzen es, wenn Unternehmen ihre Kaufhistorie, Vorlieben und persönlichen Informationen speichern und nutzen.
• Skalierbarkeit. Die Ausweitung des Einsatzes von KI-Agenten kann zwar Zeit in Anspruch nehmen, ist aber einfacher und kostengünstiger als die Einstellung neuer Mitarbeiter. Erweitern Sie die Rolle der Agenten in einem bedachten Tempo und bewerten Sie die Qualität der Arbeit bei jeder neuen Aufgabe, die ihnen übertragen wird. Überlegen Sie, welche Daten und sonstigen Ressourcen einem Agenten zur Verfügung stehen und ob diese ausreichen, um ein neues Ziel zu erreichen. Und vergessen Sie nicht die Schulung: Die Mitarbeiter müssen darin geschult werden, wie sie die von ihnen verwendeten Agenten optimal nutzen können.

Herausforderungen von KI-Agenten

Die Entwicklung und Umsetzung von KI-Agenten kann eine Herausforderung darstellen, vor allem, weil sie auf komplexen Modellen, einer leistungsstarken Recheninfrastruktur und riesigen Datenmengen basieren, die kuratiert und auf dem neuesten Stand gehalten werden müssen. Darüber hinaus ist eine Überwachung der IT-Talente erforderlich, um sicherzustellen, dass die Agenten effektiv mit Menschen interagieren und sich an unerwartete Situationen anpassen können. Außerdem müssen Geschäfts- und Datenexperten bei der Einrichtung helfen. Stellen Sie sicher, dass Sie über Fachwissen in den Bereichen natürliche Sprachverarbeitung und maschinelles Lernen verfügen, und achten Sie auf diese Probleme.

• Anpassungsfähigkeit. Obwohl Agenten so konzipiert sind, dass sie im Laufe der Zeit dazulernen und sich verbessern, stehen sie vor Herausforderungen, wenn sie mit einer sich schnell verändernden Umgebung oder unerwarteten Anfragen oder Ergebnissen konfrontiert werden. Ein häufiger Grund ist die Überanpassung, eine häufige Herausforderung beim KI-Training, bei der sich die Modelle zu sehr auf die Daten einstellen, mit denen sie trainiert wurden, was die Integration neuer Daten erschwert. Die Agenten sind daher in ihrem Umfang eingeschränkt. Der Gedanke, dass es nie eine gute Idee ist, einen Gehirnchirurgen um Hilfe bei einem Klempnerjob zu bitten, gilt auch für Agenten.
• Komplexität. Während KI-Agenten, die sich auf spezifische, eher routinemäßige Aufgaben konzentrieren, relativ einfach zu bedienen sein können, kann es bei komplexeren Aufgaben, die eine Vielzahl von Funktionen erfordern, schwierig werden, Agenten zu entwerfen, zu implementieren und zu warten. Wie bei jedem neuen Unterfangen ist es am besten, die Einführung von Agenten in kleinen, aufbauenden Schritten zu vollziehen.
• Abhängigkeit von Daten. Wie jede KI benötigen auch Agenten hochwertige Daten, um gute Leistungen zu erbringen. KI-Agenten, die in andere Systeme wie das Personalmanagement oder ERP integriert sind, haben einen Vorteil, da diese Systeme von Natur aus hochwertige Daten sammeln, aber sie müssen möglicherweise für die Verarbeitung von Interaktionen und den Datenaustausch angepasst werden. Organisationen müssen sicherstellen, dass die Datenquellen, aus denen die Agenten schöpfen, korrekt, aktuell und verfügbar sind.
• Interpretierbarkeit. GenAI-Systeme der ersten Generation funktionierten wie „Black Boxes“, weshalb ihre Ergebnisse schwer zu analysieren waren. Agenten sollen besser erklären, wie Entscheidungen getroffen werden und welche Daten bei der Entscheidungsfindung berücksichtigt wurden. Wenn man mit einfachen Aufgaben beginnt und erst dann zu komplizierteren Aufgaben übergeht, wenn die Grundlagen beherrscht werden, können Geschäftsleute besser nachvollziehen, wie der Agent seine Arbeit erledigt. Außerdem können Agenten, wenn sie Fehler machen, aus den Korrekturen von Geschäftsexperten lernen. Solche Interaktionen tragen zu einem besseren Verständnis dafür bei, wie sie ihre Arbeit verrichten.
• Ressourcenintensive Vorgänge. Wie jede KI erfordern Agenten eine erhebliche Rechenleistung und Speicherkapazität. Wenn Agenten Teil von Anwendungen sind, die aus der Cloud bereitgestellt werden, ist es Aufgabe des Anbieters, die Systeme angemessen zu bestücken und eine ausreichende Leistung zu erbringen. Für On-Premises-Anwendungen muss die IT-Abteilung ausreichende Ressourcen bereitstellen.
• Sicherheitsrisiken. Um den Service zu bieten, den Geschäftsleute benötigen, müssen die Mitarbeiter auf firmeneigene Informationen zugreifen. Da sich die Agenten zumindest die Ergebnisse von Transaktionen merken können, ist es außerdem wichtig sicherzustellen, dass sie keinen unerwünschten Zugriff auf sensible Daten gewähren. Da die meisten Agenten innerhalb von Geschäftsanwendungen bereitgestellt werden, ist es wichtig, Kontrollen einzurichten und aufrechtzuerhalten, um zu verhindern, dass sie proprietäre Daten verlieren. Dennoch stellen Agenten eine neue Angriffsfläche für Kriminelle dar und erfordern neue Fähigkeiten von den Sicherheitsteams der Unternehmen, die kontinuierlich bewerten müssen, ob ein Datenverlust möglich ist.

Bestandteile von KI-Agenten

KI-Agenten sind bei ihrer Arbeit auf eine Reihe von Inputs angewiesen, wobei die spezifische Mischung vom Agententyp und dem Anwendungsfall abhängt. Ein Kundenservice-Agent wird mit den Kunden sprechen, ihre Kauf- und Support-Historie einsehen und auf Support-Bibliotheken zugreifen, um Fragen zu beantworten. Einige Agenten werden nur mit anderen Agenten interagieren. Ein Datenbankabfrage-Agent kann SQL-Abfragen erstellen, um Informationen abzurufen, die von anderen Agenten angefordert wurden. Agenten, die als virtuelle Assistenten fungieren, messen ihren Erfolg daran, wie gut sie Aufgaben erfüllen, oft basierend auf menschlichem Feedback. Alle erfordern eine einzigartige Mischung von Komponenten.

• Maßnahmen. Aktoren oder Schnittstellen ermöglichen es Agenten, mit ihrer Umgebung zu interagieren. Maßnahmen können physischer Natur sein, wie das Betätigen eines Schalters, das Steuern eines selbstfahrenden Fahrzeugs oder die Steuerung eines Roboterarms; kognitiver Natur, wie die Entscheidung zwischen mehreren Optionen für einen Eröffnungszug oder das Erstellen einer Liste möglicher Wege, um Schachmatt zu erreichen; oder kommunikativer Natur, wie das Verfassen einer E-Mail, das Transkribieren von Audio oder das Stellen und Beantworten von Fragen.
• Ziele/Nutzen. Ziele und Nutzen sind miteinander verbunden. Ziele definieren das gewünschte Ergebnis für den Agenten, z. B. die erfolgreiche Erstellung einer Stellenbeschreibung durch einen HR-Assistenten unter Einbeziehung eines Recruiters und eines Personalmanagers. Der Nutzen misst, wie gut der Agent seine Ziele erreicht, und kann durch einen numerischen Wert dargestellt werden. Ein Gaming-Agent misst den Nutzen anhand der gewonnenen Spiele, während der Nutzen eines autonomen Fahrzeugs hauptsächlich auf seiner Sicherheitsbilanz und den Bewertungen der Fahrer basiert.
• Schulungen. KI-Agenten können ihre Ergebnisse verbessern, indem sie die Erkenntnisse aus den erledigten Aufgaben einfließen lassen. Der Lernprozess eines LLM endet, wenn sein Training endet. Durch Beobachtung, welche Kombinationen aus proprietären Daten und Fragen die besten Ergebnisse liefern, kann ein Agent jedoch mit der Zeit immer besser werden. Agenten können auch durch zusätzliches Training, ob unter Aufsicht, ohne Aufsicht oder durch bestärkendes Lernen, neues Wissen erwerben. Ein Recruiter könnte den Agenten anhand der von ihm erstellten Stellenbeschreibung bewerten und diese Bewertung zu seiner Nutzwertbewertung hinzufügen. Der Agent verwendet diese Daten dann als Leitfaden für zukünftige Texte.
• „Gedächtnis“. Damit ist die Fähigkeit des Agenten gemeint, Informationen aus früheren Erfahrungen zu speichern und abzurufen und sie zu nutzen, um fundiertere Entscheidungen zu treffen und sich an veränderte Umstände anzupassen. Das Gedächtnis ist für KI-Agenten unerlässlich, um ihre Leistung im Laufe der Zeit zu verbessern.
• Wahrnehmung. KI-Agenten können Sensoren oder andere Mechanismen verwenden, um Informationen aus ihrer Umgebung zu sammeln und wahrzunehmen. Man denke an eine Kamera, die Objekte erkennt und Muster erkennt, oder an ein Mikrofon, das gesprochene Anfragen erfasst und verarbeitet. Agenten können auch Sensoren verwenden, um Objekte zu manipulieren oder ihre eigene Position in der physischen Welt zu bestimmen.
• Logisches Denken. Logische Entscheidungsfindung auf der Grundlage von Daten, Regeln, Wahrscheinlichkeiten und erlernten Mustern ist für einen KI-Agenten von grundlegender Bedeutung. Durch logisches Denken ist ein Agent in der Lage, mehrere verschiedene Optionen zu identifizieren und auf der Grundlage verfügbarer Informationen und Ergebniskriterien die optimale Vorgehensweise zu bestimmen.

Arten von KI-Agenten

1. Einfache Reflex-Agenten. Diese Agenten arbeiten auf der Grundlage einer Reihe von Bedingungs-/Maßnahmenregeln und reagieren auf Eingaben, ohne den breiteren Kontext oder die Vorgeschichte zu berücksichtigen. Ein Beispiel ist ein einfacher Chatbot, der so programmiert ist, dass er auf vordefinierte Schlüsselwörter oder Phrasen reagiert, ohne den Kontext zu verstehen oder sich auf eine ausführliche Konversation einzulassen.
2. Modellbasierte Reflex-Agenten. Diese Agenten verfügen über interne Modelle der für ihre Funktionen relevanten Umgebung, die es ihnen ermöglichen, die aktuelle Situation und die Auswirkungen verschiedener Maßnahmen zu berücksichtigen, bevor sie entscheiden, was zu tun ist. Ein gutes Beispiel sind selbstfahrende Autos. Ihre „Welt“ ist die unmittelbare Umgebung. Sie müssen die Bewegungen von Objekten in ihrer Welt verfolgen und Entscheidungen darüber treffen, wie schnell sie sich fortbewegen können und ob sie bremsen oder ausweichen müssen, wenn sich Objekte auf sie zubewegen.
3. Zielbasierte Agenten. Diese Agenten bauen auf den Fähigkeiten der Reflexagenten auf, indem sie langfristige Ziele berücksichtigen und ihre Aktionen entsprechend planen. Sie haben einen ausgefeilteren Entscheidungsprozess als Reflexagenten. Zum Beispiel muss ein Schach- oder Go-Agent mehrere Züge im Voraus planen und eine Gewinnstrategie haben, die auch kurzfristige Opfer beinhalten kann.
4. Hilfsagenten. Diese Agenten treffen Entscheidungen auf der Grundlage der Maximierung des gewünschten Nutzens – d. h. des Maßes dafür, wie erfolgreich der KI-Agent seine Ziele im Laufe der Zeit erreicht. Das bedeutet, dass sie Maßnahmen strategischer auswählen und sich für diejenigen entscheiden, die am ehesten zu positiven Ergebnissen führen oder negative langfristig minimieren. Sie streben danach, die Zufriedenheit oder den Nutzen zu maximieren, selbst wenn sie mit konkurrierenden Zielen konfrontiert sind, indem sie ein Gleichgewicht herstellen. Während ein zielorientierter Agent versuchen könnte, ein Spiel zu gewinnen, wird ein nutzenorientierter Agent versuchen, kontinuierlich für ein fortlaufendes Ziel zu optimieren, wie z. B. die Minimierung des Energieverbrauchs oder die Maximierung des Verkaufs eines Produkts mit hoher Gewinnspanne.
5. Lernagenten. Diese Agenten verbessern ihre Leistung im Laufe der Zeit, indem sie neue Daten aufnehmen und ihre Reaktionen auf der Grundlage der Interaktionen mit den Benutzern optimieren. Recommendation Engines sind lernende Agenten. Die Genauigkeit verbessert sich mit der Zeit, unabhängig davon, ob der Agent Filme und Fernsehsendungen, Musik oder Artikel vorschlägt, die ein Verbraucher möglicherweise kaufen möchte.

Anwendungsfälle für KI-Agenten

Ideale Anwendungsfälle für KI-Agenten haben in der Regel verwandte Daten und andere Systeme, wie z. B. ein CRM oder ERP, auf die sich KI-Agenten stützen. Sie sind zudem aufgabenorientiert: Man denke zum Beispiel an die Beantwortung einer Kundenfrage oder das Befördern eines Passagiers von Punkt A nach Punkt B. Suchen Sie nach Jobs, die die Fähigkeit von Agenten nutzen, ihre Leistung im Laufe der Zeit zu verbessern und Entscheidungen auf der Grundlage ihres Verständnisses ihrer Umgebung und der ihnen zugewiesenen Ziele zu treffen.

Zu den aktuellen beliebten Anwendungsfällen gehören

• Autonome Fahrzeuge. Selbstfahrende Autos navigieren und treffen Entscheidungen basierend auf ihrer Umgebung.
• Inhaltsempfehlungen. Vorschläge auf Plattformen wie Netflix oder YouTube können das Engagement durch personalisierte Inhalte erhöhen.
• Kunden-Support. Automatisierte Chatbots zur Beantwortung von Kundenanfragen, die über vorgefertigte Antworten hinausgehen können, sind der Schlüssel zur Kundenzufriedenheit.
• Finanzen. Zu den von Finanzdienstleistungsunternehmen verwendeten Agenten gehören automatisierte Handelssysteme und Betrugserkennung.
• Gaming. Ein Beispiel sind Agenten, die als NPCs oder Non Player Characters fungieren, mit adaptivem Verhalten, das Videospielentwicklern helfen kann, sich mehr auf primäre Plotlines zu konzentrieren.
• Gesundheitswesen. KI-Agenten, die bei der Diagnose bestimmter Erkrankungen oder der Verwaltung der Patientenversorgung helfen, werden mit (in der Regel anonymisierten) Patientenakten und medizinischen Bildern trainiert, die sie darin schulen, Muster zu erkennen, damit sie Ergebnisse und Risikofaktoren vorhersagen und mögliche Vorgehensweisen vorschlagen können.
• Persönliche Assistenten. Virtuelle Assistenten wie Siri oder Google Assistant sind Beispiele für Agenten, die durch Kundeninteraktionen dazulernen.
• Einzelhandel. Die Möglichkeiten im Einzelhandel sind nahezu unbegrenzt. Zum Beispiel bietet Neostar eine Plattform für den Kauf, Verkauf und die Wartung von Gebrauchtwagen. Es verwendet einen Agenten, um individualisierte Kommunikation an Kunden zu senden, mit empfohlenen Produktlisten, um Fahrzeugvorschläge in E-Mail-Nachrichten hervorzuheben, die Kunden wieder ansprechen und sie auf die Website von Neostar zurückführen.
• Robotik. KI-gesteuerte Roboter können von Agenten gesteuert werden, die ihre Umgebung wahrnehmen, Entscheidungen treffen und Maßnahmen ergreifen. Roboter, die beispielsweise in Fertigungs- und Montagelinien eingesetzt werden, verlassen sich oft auf KI-Agenten, um Aufgaben wie Kommissionierung, Verpackung und Qualitätskontrolle auszuführen.
• Smart Homes. Die Verwaltung von Hausautomatisierungssystemen und die Beantwortung mündlicher Fragen sind beliebte Aufgaben für Agenten, ebenso wie die Stromversorgung von Sicherheitskameras, Türklingeln und Alarmanlagen, die KI zur Erkennung und Reaktion auf potenzielle Bedrohungen nutzen.
• Lieferkettenmanagement. Die Optimierung der Logistik könnte die Nutzung von Agenten zur Analyse von Bestandsdaten umfassen, um Ladenhüter zu identifizieren und Veränderungen in den Nachfragemustern zu erkennen und die Lagerbestände entsprechend anzupassen, wodurch die Lagerhaltungskosten gesenkt werden können.

6 Best Practices für KI-Agenten

Wie bei jeder Investition in Technologie möchten Sie, dass KI-Agenten die gewünschte Funktionalität jetzt und in Zukunft kostengünstig bereitstellen. Für Agenten, die in Anwendungen eingebettet sind, ähneln die Best Practices denen, die Sie für einen neuen Mitarbeiter anwenden würden, z. B. die sorgfältige Überwachung der ersten Ergebnisse und die Erhöhung der Komplexität der Arbeit, wenn der Mitarbeiter mit den zugewiesenen Aufgaben voranschreitet.

Für Organisationen, die ihre eigenen Agenten erstellen möchten, die auf ihre individuellen Bedürfnisse zugeschnitten sind, ist der Prozess komplizierter. Beachten Sie diese sechs Anforderungen und Empfehlungen, um sie zu erfüllen.

1. Eindeutige Ziele festlegen. Klar definierte, erreichbare, messbare und quantifizierte Ziele sind für KI-Agenten unerlässlich. Wie bei einem menschlichen Mitarbeiter ist es unwahrscheinlich, dass der Agent die Erwartungen erfüllt, wenn er sie nicht versteht. Zu den Schlüsseln zum Erfolg gehört, dass die Ziele klar definiert und spezifisch sind. Vermeiden Sie vage oder mehrdeutige Ziele und streben Sie stattdessen Ziele an, die angesichts der Fähigkeiten und Ressourcen des KI-Agenten erreichbar sind. Definieren Sie KPIs, um den Erfolg zu messen, und nutzen Sie diese Daten, um das Modell zu verbessern.
2. Kontinuierliches Lernen. Die kontinuierliche Feinabstimmung eines LLM im Herzen eines Agenten ist nicht praktikabel, aber die Verfeinerung der Daten, die er zur Entscheidungsfindung und zur Erledigung von Aufgaben verwendet, ist es. Bei Agenten, die in Anwendungen eingebettet sind, liegt es in der Verantwortung des Anbieters, zu entscheiden, wann es an der Zeit ist, die Schulung der LLMs, die seine Systeme antreiben, zu verfeinern. Es wird auch Aufgabe des Anbieters sein, zu verfeinern, wie Interaktionen mit dem Agenten gespeichert und abgerufen werden, um dem Agenten die Erinnerung an frühere Arbeiten zu erleichtern.
   
   Bei maßgeschneiderten Agenten können die Verfeinerung von Speichertechniken und die Daten und andere Eingaben häufiger erfolgen als die Feinabstimmung der LLMs selbst. Wenn Sie Ihre eigenen Agenten erstellen, müssen diese Prozesse ausgearbeitet werden, bevor der Agent einsatzbereit ist, und wahrscheinlich optimiert werden, um den Betrieb des Agenten zu optimieren.
3. Dokumentation. Dokumentation ist für das Verständnis, die Wartung und die Verbesserung von KI-Agenten unerlässlich. Es gibt mindestens zwei Hauptarten von Dokumentation, die berücksichtigt werden müssen:
   • Technische Dokumente können Diagramme der Komponenten des KI-Agenten, des Datenflusses und der Entscheidungsprozesse sowie Aufzeichnungen über neuen Code, der für die Funktionalität des KI-Agenten erforderlich ist, die verwendeten Algorithmen und Modelle und die Daten für den Betrieb des KI-Agenten enthalten.
   • Die Betriebsdokumentation umfasst Handbücher für Benutzer, die erklären, wie sie mit dem KI-Agenten interagieren können, Richtlinien für die IT zur Wartung des KI-Agenten, einschließlich Fehlerbehebung, und Anweisungen zur Integration von Agenten in die Datenquellen, die sie für ihre Funktion benötigen.
   Verfolgen und teilen Sie außerdem die KPIs, die Sie zur Messung der Leistung des KI-Agenten verwenden, und stellen Sie die Ergebnisse im Laufe der Zeit grafisch dar.
4. Menschliche Aufsicht. Genau wie ein neuer Mitarbeiter werden die Agenten Zeit brauchen, um sich mit Ihrer Organisation und ihren Praktiken vertraut zu machen. Sie sollten auch langsam vorgehen, wenn Sie Agenten Aufgaben übertragen und die Ergebnisse überwachen. Sorgen Sie für eine umfassende Aufsicht, bis die Teammitglieder sicher sind, dass der Agent selbstständig arbeiten kann. Weisen Sie Einzelpersonen oder Teams, die unter einer Governance-Struktur arbeiten, Aufsichtsfunktionen zu und stellen Sie sicher, dass Ihr System zur Überwachung der Mitarbeiterinteraktion Eingriffe zulässt und dass der Agent das Feedback der Mitarbeiter einbezieht und priorisiert.
5. Strenge Tests. Testen Sie den Agenten gründlich in verschiedenen Szenarien, sowohl vor als auch nach dem Einsatz, und konzentrieren Sie sich auf Validierungstests, um die Leistung anhand von Benchmarks oder realen Prozessergebnissen zu messen. Testen Sie alle Komponenten des Wirkstoffs einzeln und beobachten Sie dann, wie sie interagieren, soweit dies möglich ist. Stellen Sie außerdem sicher, dass der Agent Daten aus relevanten externen Systemen, wie z. B. einem ERP oder einer Datenbank, ohne Engpässe bezieht. Führen Sie schließlich UX-Tests mit tatsächlichen Benutzern des Systems durch.
6. Sicherheitsmaßnahmen. Schützen Sie den Agenten vor unbefugtem Zugriff und Angriffen, indem Sie die vom Agenten verwendeten Daten verschlüsseln und gegebenenfalls anonymisieren. Zuverlässige Zugangskontrollen sind ebenfalls von entscheidender Bedeutung. Ihre Netzwerk- und Infrastruktursicherheit, sichere Programmierung, Überwachung und Reaktion auf Vorfälle sowie Ihre Sicherheitspraktiken sollten sich auch auf Ihre KI-Systeme erstrecken.

KI-Agenten implementieren

Die Schritte zur Implementierung eines Agenten ähneln denen jeder KI-Bereitstellung. Zunächst definieren Sie die Aufgabe: Was soll der Agent tun? Formulieren Sie die Ziele und Vorgaben so genau wie möglich. Identifizieren Sie dann den funktionalen Prozess, dem der Agent folgen wird, die Daten, auf die er zugreifen muss, die relevanten Geschäftsexperten und die Tools und anderen Agenten, auf die er im Rahmen seiner Arbeit zugreifen kann.

Oft ist es am besten, zunächst eine kleine Beta-Testgruppe zu beauftragen, die Nutzung und Ergebnisse genau zu überwachen, den Agenten auf der Grundlage der Ergebnisse anzupassen und die Autonomie auf der Grundlage des nachgewiesenen Erfolgs zu erhöhen. Gegebenenfalls können Sie den Prozess an der Einstellung eines neuen Mitarbeiters orientieren. Nehmen wir an, ein Mitarbeiter für Bedarfsprognosen geht online, um einem Einzelhändler bei der Planung für die Schulanfangssaison zu helfen.

1. Erstellen Sie eine definierte Tätigkeitsbeschreibung. Der KI-Agent soll die Nachfrage nach Produkten wie Rucksäcken, Notebooks und Kinderbekleidung prognostizieren.
2. Entscheiden Sie, welche Daten erforderlich sind. Kuratieren Sie Datenquellen, um Ihren Agenten auf Erfolgskurs zu bringen. Der Bedarfsprognostiker benötigt mindestens die Verkaufszahlen der Vergangenheit für die prognostizierten Produkte, Informationen über aktuelle Markttrends und Wirtschaftsindikatoren sowie Kundendemografien und Kaufhistorien. Die Hinzufügung von Daten zu saisonalen Mustern, die sich auf die Nachfrage auswirken können, wie z. B. erwartete höhere Temperaturen als normal, und historische Details zu erfolgreichen Werbeaktionen, Rabatten und Marketingaktivitäten, wird wahrscheinlich zu einer höheren Genauigkeit beitragen.
3. Helfer einführen. Die Integration des KI-Agenten in andere Systeme, wie z. B. die Bestandsverwaltung, Ihr ERP und die Tools für die Lieferkettenplanung, wird dazu beitragen, seine Effektivität zu steigern. Außerdem sollten Sie menschliche Experten für die relevanten Produktlinien identifizieren, die wertvolle Erkenntnisse liefern und dem KI-Agenten helfen können, genauere Vorhersagen zu treffen.
4. Geben Sie Feedback. Regelmäßige Evaluierung und Feinabstimmung sind eine Investition in die Vorbereitungszeit, die sich oft auszahlt. Sammeln Sie Feedback von Kunden und Ihren Experten, um verbesserungswürdige Bereiche zu ermitteln, und arbeiten Sie mit dem Softwareanbieter zusammen, um die erforderlichen Anpassungen vorzunehmen.

Ein Tipp dazu: Sie sollten über ausreichende Rechenressourcen verfügen, um den KI-Agenten auszuführen – eine verzögerte Leistung wird die Begeisterung im Keim ersticken, bevor das Projekt überhaupt anläuft.

Beispiele für KI-Agenten

Das sind nur einige der derzeit verfügbaren KI-Agenten. Organisationen sollten sich ihre Schwachstellen ansehen: Welche Stellen können Sie nur schwer besetzen? Welche Möglichkeiten haben Sie identifiziert, aber es fehlen Ihnen die Ressourcen, um Ihre Hypothese zu überprüfen? Gibt es eine anhaltende Beschwerde von Mitarbeitern oder Kunden, die durch KI gelöst werden könnte? Sprechen Sie auch mit Ihren Anbietern von Cloud- und Unternehmensanwendungen, um zu erfahren, welche Agenten sie in ihre Produkte und Dienstleistungen integrieren. Diese Roadmaps können Ideen anregen.

Zu den Beispielen für KI-Agenten gehören:

• Gesprächsagenten interagieren mit der Außenwelt. Bei Unternehmensanwendungen erfolgt die Interaktion in der Regel mit Menschen, sie kann aber auch mit einem anderen Softwareprogramm erfolgen. In industriellen Umgebungen können Gesprächsagenten beispielsweise mit Fertigungsanlagen oder Geräten des Internet of Things interagieren.
• Funktionale Agenten, auch Benutzer-Proxy-Agenten genannt, sind mit einer bestimmten organisatorischen Person oder Rolle verbunden. Bei einem Beispiel aus der Praxis können Sie bei Ihrer jährlichen körperlichen Untersuchung auf mehrere „funktionale Agenten“ treffen: Der Empfangsagent nimmt Sie auf und der Pflegeagent misst grundlegende Vitalwerte wie Ihr Gewicht und Ihren Blutdruck. Anschließend sehen Sie den Arzt, der eine detailliertere Untersuchung durchführt, unterstützt von einem Mitarbeiter, der den Besuch zusammenfasst. Jeder dieser Agenten führt spezifische Teilaufgaben mit spezifischem Fachwissen unter Verwendung verschiedener Tools aus und kommuniziert bei Bedarf miteinander, um eine Aufgabe zu erfüllen.
  
  Beispiele für Funktions-Agenten:
  • Agent für Personalvermittlung. Erledigt Aufgaben wie das Dokumentieren von Anforderungen – z. B. Fähigkeiten und Erfahrung von Kandidaten – um Personalverantwortlichen bei der Ausschreibung einer Stelle zu helfen.
  • Außendienst-Agent. Stellt Technikern Informationen zur Verfügung, automatisiert Aufgaben wie die Terminplanung, hilft bei der Diagnose und trifft andere Entscheidungen für effizientere Arbeitsabläufe im Außendienst.
  • Agent für Debitorenbuchhaltung. Optimiert die Zahlungsabwicklung; ergreift Maßnahmen zur Verbesserung des Cashflows, wie z. B. die Einleitung von Mahnverfahren; und erstellt Berichte über die Leistung von Forderungen.
  • Kundensupport-Agent. Verbessert die Funktionen des Kundensupports, indem es Supportmitarbeitern oder Kunden relevante Informationen bereitstellt.
• Aufsichtsagenten sind die Dirigenten des Orchesters. Diese Agenten leiten andere Agenten an und treiben die Planung und Argumentation voran, die zur Erreichung eines Ziels erforderlich sind. Ein Beispiel ist ein Benutzer-Proxy-Agent, der entscheidet, ob er im Namen eines Menschen handelt oder sich mit einer Person in Verbindung setzt, um Feedback von einem Menschen zu erhalten.
• Hilfsagenten, auch aufgabenbasierte Agenten genannt, sind in der Regel mit einer bestimmten Funktion verbunden und werden von anderen Agenten zur Ausführung einer Aufgabe aufgerufen, z. B. zum Abfragen einer Datenbank, zum Senden einer E-Mail, zum Ausführen einer Berechnung oder zum Abrufen eines Dokuments. Hilfsagenten, die im Rahmen eines komplexen Arbeitsablaufs eingesetzt werden, agieren aufgrund ihrer risikoarmen Funktionalität in der Regel autonom. Beispiele
  • Coding-Agent. Schreibt Code, um eine bestimmte Aufgabe mithilfe von Sprachen wie HTML, Java oder Python auszuführen.
  • Gesprächsagent. Erhält Aufgaben von Menschen und kommuniziert die Ergebnisse von Arbeitsablaufaufgaben auf die für den Anfragenden der Aufgabe am besten geeignete Weise.
  • Textgenerierungsagent. Fasst einen Text zusammen oder generiert Beispieltexte, die als Ausgangspunkt für längere Mitteilungen dienen.
  • Datenbankabfrage-Agent. Führt Aufgaben im Zusammenhang mit der Datenabfrage aus, z. B. SQL-Abfragen.
  • RAG-Agent. Koordiniert die Beschaffung spezifischer, aktueller Daten, die ein LLM benötigt, um auf eine Anfrage angemessen reagieren oder eine Aufgabe ausführen zu können.
  • Planungsagent. Plant Treffen mit Interessenvertretern, um ein Projekt voranzutreiben.
  • Such-Agent. Ermittelt die optimale Art der Suche, z. B. eine Web- oder Dokumentensuche, und ruft das entsprechende Tool auf, um die Aufgabe auszuführen.
  • Agent für Weiterqualifizierung. Verwendet Dokumentation, um die für die Erledigung von Aufgaben erforderlichen Fähigkeiten zu vermitteln, z. B. das Erstellen einer Stellenanzeige oder die Unterstützung eines Mitarbeiters bei der Profilerstellung.

Effizienzsteigerung mit OCI Generative AI Agents

OCI Generative AI Agents kombinieren die Leistungsfähigkeit von LLMs mit RAG, sodass Mitarbeiter, Partner und Kunden verschiedene Wissensdatenbanken, die mit Ihren Unternehmensdaten angereichert sind, direkt abfragen können. Erstellen und integrieren Sie schnell benutzerdefinierte KI-Agenten in Ihre Unternehmensanwendungen und -prozesse.

Der Service bietet aktuelle Informationen über eine natürlichsprachliche Schnittstelle und die Möglichkeit, direkt darauf zu reagieren. Möchten Sie die KI-Agententechnologie ausprobieren? OCI Generative AI RAG Agent – der erste einer Reihe von Oracle AI-Agenten – ist allgemein verfügbar.

Die meisten von uns haben schon einmal einem Chatbot eine Frage gestellt und eine Antwort erhalten, die das Problem nicht gelöst hat. Diese frustrierende Erfahrung ein für alle Mal zu beseitigen, ist das ultimative Ziel intelligenter KI-Agenten. Kontextbezogene und relevante Informationen sind gut für die Menschen und für Ihre Organisation.

Häufig gestellte Fragen zu KI-Agenten

Welche Arten von KI-Agenten gibt es?

Zu den Arten von KI-Agenten gehören einfache Reflexe, modellbasierte Reflexe, zielbasierte, nutzenbasierte und lernende Agenten.

1. Einfache Reflexagenten arbeiten auf der Grundlage einer Reihe von Bedingungs-/Aktionsregeln und reagieren auf Eingaben, ohne den breiteren Kontext zu berücksichtigen.
2. Modellbasierte Reflexagenten verfügen über ein internes Modell der Umgebung, das für ihre Funktion relevant ist, sodass sie die aktuelle Situation und die Auswirkungen verschiedener Aktionen berücksichtigen können, bevor sie entscheiden, was zu tun ist.
3. Zielbasierte Agenten bauen auf den Fähigkeiten von Reflexagenten auf, indem sie langfristige Ziele berücksichtigen und ihre Handlungen entsprechend planen.
4. Hilfsagenten sind mit einer bestimmten Funktion verknüpft und werden von anderen Agenten zur Ausführung einer Aufgabe aufgerufen, z. B. zum Abfragen einer Datenbank, zum Senden einer E-Mail, zum Durchführen einer Berechnung oder zum Abrufen eines Dokuments.
5. Lernagenten verbessern ihre Leistung im Laufe der Zeit, indem sie neue Daten aufnehmen und ihre Reaktionen auf der Grundlage der Interaktionen mit den Benutzern verfeinern.

Was sind Beispiele aus dem echten Leben für Agenten in der KI?

Erste Beispiele für KI-Agenten aus dem echten Leben sind Alexa, Google Assistant und Siri, virtuelle Assistenten, die Aufgaben wie das Einstellen von Weckern, das Senden von Nachrichten und die Suche nach Informationen ausführen können. Für Unternehmen ist Oracle Digital Assistant eine dialogorientierte KI-Plattform, mit der Unternehmen Chatbots und virtuelle Assistenten für den Kundenservice und andere Anwendungen erstellen können – im Wesentlichen ein KI-Agent, der Unternehmen bei der Erstellung ihrer eigenen Agenten unterstützt.