Agentische KI: 4 Gründe, warum sie der nächste große Trend in der KI-Forschung ist

In den letzten Jahren hat sich die generative KI oder gen AI zum großen neuen Trend unter Technologen entwickelt, kürzlich hat sich jedoch ein neuer Begriff in den Bereich der Entwicklung künstlicher Intelligenz (KI) eingeschlichen. „Agentisch“ ist das neueste Schlagwort in der KI, und in diesem Fall scheint die Begeisterung angemessen. Agentische KI vereint die Vielseitigkeit und Flexibilität großer Sprachmodelle (LLMs) und die Präzision traditioneller Programmierung.

Agentische KI bezieht sich auf ein System oder Programm, das in der Lage ist, Aufgaben für einen Benutzer oder ein anderes System selbstständig auszuführen, indem es seinen Workflow gestaltet und verfügbare Tools nutzt. Das System hat die „Macht“, Entscheidungen zu treffen, Maßnahmen zu ergreifen, komplexe Probleme zu lösen und mit externen Umgebungen zu interagieren, die über die Daten hinausgehen, auf denen die maschinellen Lernmodelle (ML) des Systems trainiert wurden.

KI-Agenten schöpfen ihr Potenzial nicht nur aus Datenbanken und Netzwerken, sondern können auch aus dem Nutzerverhalten lernen und sich im Laufe der Zeit verbessern. Die Anpassungsfähigkeit der Agenten ermöglicht es ihnen, komplexe, mehrstufige KI-Anwendungen zu handhaben, die traditionelle KI nicht bewältigen könnte, was sie zu einem wichtigen Bestandteil der modernen Automatisierungsstrategie von Unternehmen macht.

Wenn Sie einen gängigen LLM-Chatbot wie ChatGPT fragen würden, welche Eismaschine Sie kaufen sollten, würde dieses Modell aufgrund seiner Funktionen zur Verarbeitung natürlicher Sprache Empfehlungen auf der Grundlage seiner Trainingsdaten abgeben, die wahrscheinlich auch Informationen enthalten, die aus dem Internet stammen. Aber Sie brauchen keine generischen Ratschläge aus der Vergangenheit, sondern Tipps, die Echtzeitinformationen berücksichtigen.

Eine agentische KI-Plattform besteht aus einem LLM, das das Verhalten mehrerer Agenten orchestriert, die in verschiedenen Anwendungen bereitgestellt werden können. Diese Agenten könnten mehrere KI-Modelle oder einfache Suchtools sein, die schnell Informationen in einer Wissensdatenbank oder online nachschlagen können. Um mit dem vorangegangenen Beispiel fortzufahren, stellen Sie sich vor, ein LLM wie GPT hätte in Echtzeit Zugriff auf E-Commerce-Daten und Ihre Zahlungsdetails.

Eine agentische KI-Plattform wie diese könnte Ihnen nicht nur sagen, dass die Leute eine bestimmte Eismaschine lieben, die bei einem bestimmten Einzelhändler angeboten wird, sondern könnte theoretisch auch den Kauf für Sie durchführen. Agentische KI bringt uns den Anwendungsfällen näher, die wir bis vor Kurzem als Science-Fiction betrachteten, in denen Maschinen komplexe Aufgaben erledigen können, die komplexe Workflows, datengestützte Entscheidungsfindung und Maßnahmen mit minimalem menschlichem Eingreifen beinhalten.

Es gibt gute Gründe dafür, anzunehmen, dass der Hype um agentische KI gerechtfertigt ist. Hier sind vier davon:

LLMs zeichnen sich durch die Verarbeitung und Generierung von menschenähnlichem Text aus, was es den Benutzern erleichtert, mit der KI über Befehle in natürlicher Sprache zu interagieren. Dadurch wird der Bedarf an expliziten Programmierkenntnissen reduziert. LLMs können Antworten oder Maßnahmen auf der Grundlage eines nuancierten, kontextabhängigen Verständnisses generieren, was in Szenarien nützlich ist, in denen die herkömmliche Programmierung Schwierigkeiten haben würde, alle Grenzfälle abzudecken. Darüber hinaus sind LLMs kreativ bei Aufgaben wie der Generierung von Inhalten, der Zusammenfassung der Code-Vervollständigung und mehr. Diese generative Fähigkeit lässt sich mit herkömmlicher regelbasierter Programmierung nur schwer replizieren.

Die traditionelle Programmierung ist hingegen stark strukturiert, deterministisch und zuverlässig und eignet sich daher ideal für Aufgaben, die Präzision, Wiederholbarkeit und Überprüfbarkeit erfordern. Traditionelle Programmiersprachen bieten eine detaillierte Kontrolle darüber, wie Aufgaben ausgeführt werden, und tragen so dazu bei, dass komplexe Workflows, Algorithmen oder spezifische Systemanforderungen explizit definiert und optimiert werden können. Die traditionelle Programmierung ist oft effizienter für Aufgaben geeignet, die eine hohe Leistung oder einzigartige Funktionen erfordern.

Agentische KI-Systeme bieten das Beste aus beiden Welten: Sie verwenden LLMs, um Aufgaben zu erledigen, die von Flexibilität und dynamischen Reaktionen profitieren, und kombinieren diese KI-Funktionen mit traditioneller Programmierung für strenge Regeln, Logik und Leistung. Dieser hybride Ansatz ermöglicht, dass die KI sowohl intuitiv als auch präzise ist. Agenten können Aufgaben selbstständig ausführen und sich gleichzeitig an neue Daten oder dynamische Umgebungen anpassen – etwas, das für statischen Code eine Herausforderung darstellt. Gleichzeitig können sich kritische Prozesse (wie Sicherheit oder Berechnungen) auf deterministische, traditionelle Algorithmen stützen.

Ein agentisches KI-gestütztes System könnte einfache Reflexagenten enthalten, die eine einfache Aufgabe gut und konstant ausführen. Komplexere, regelbasierte Agenten können die aktuelle Wahrnehmung nutzen und auf das Gedächtnis zurückgreifen, wodurch sie neue Informationen empfangen und speichern und ein breiteres Spektrum an Aufgaben ausgeführt werden kann. Lernende Agenten sind außerdem dazu in der Lage, neue Daten aufzunehmen, diese aber auch als Grundlage für spätere Entscheidungen zu nutzen, wodurch die Genauigkeit mit der Zeit verbessert wird. Auf einer leistungsstarken agentischen KI-Plattform können Dutzende oder sogar Hunderte von Agenten mit unterschiedlichen Funktionen zusammenarbeiten.

LLMs werden in der Regel anhand statischer Datensätze trainiert, die eine Momentaufnahme von Informationen bis zu einem bestimmten Zeitpunkt darstellen. LLMs sind nach ihrer Trainingsphase nicht aktiv dazu in der Lage, neue Informationen aus dem Web zu sammeln. Sie können nur Antworten generieren, die auf dem basieren, was sie bereits „wissen“. Sie greifen nicht selbst auf Echtzeitdaten aus externen Quellen zu oder aktualisieren diese.

LLMs können nicht direkt mit externen Tools oder Datenverarbeitungssystemen (wie Tabellenkalkulation, Cloud-Plattformen oder Analysesoftware) interagieren oder autonom Systeme zur Überwachung und Erfassung laufender Daten (wie IoT-Sensoren, Geschäftsprozesse oder Protokolle von Systemen) einrichten, weil sie nicht für die Ausführung kontinuierlicher Aufgaben konzipiert sind.

Agentische KI kann so konzipiert sein, dass sie das Web, Anwendungsprogrammierschnittstellen (APIs) genannt, durchsucht oder Datenbanken abfragt. Agenten können Echtzeitinformationen, Updates oder bestimmte Datenpunkte abrufen, die kritisch für die Entscheidungsfindung sind. Außerdem initiieren und verwalten sie Aufgaben wie Protokollierung, Echtzeitüberwachung und Trendanalysen. Sie können proaktiv Datenströme von IoT-Geräten, Social-Media-Feeds oder anderen Systemen verfolgen und erfassen und liefern LLMs frische Eingaben zur fundierten Entscheidungsfindung und für kontextbezogene Antworten.

Die agentische KI nutzt Feedback, indem sie aktiv nach neuen Daten sucht, um ihre Modelle oder Entscheidungsfindung zu optimieren. Dies kann die regelmäßige Abfrage neuer Quellen, das Erfassen von Benutzerfeedback oder die Analyse realer Ergebnisse umfassen, um das Verständnis oder die Strategien zu aktualisieren und zu verbessern. Auf diese Weise kann das LLM im Laufe der Zeit Optimierungen anhand umfangreicherer, sich ständig weiterentwickelnder Daten vornehmen.

Mit der großen Intelligenz von LLMs und den zielgerichteten Funktionen von Agenten ist die agentische KI dazu fähig, unabhängig und autonom spezifische Aufgaben auszuführen, ohne dass eine ständige menschliche Überwachung erforderlich ist. Dies ermöglicht einen kontinuierlichen Betrieb in Umgebungen, in denen eine menschliche Überwachung eingeschränkt oder unnötig ist. Autonome Systeme können langfristige Ziele beibehalten, mehrstufige Aufgaben verwalten und den Fortschritt im Zeitverlauf verfolgen.

Ein agentische KI könnte beispielsweise mit der Verwaltung einer Marketingkampagne beauftragt werden, indem sie kontinuierlich die Leistung überwacht, Strategien anpasst und Ergebnisse auf Basis von Feedback optimiert, ohne dass bei jedem Schritt menschliche Eingaben erforderlich sind.

Im Gesundheitswesen helfen Agenten dabei, Patientendaten zu überwachen, Behandlungsempfehlungen auf der Grundlage neuer Testergebnisse anzupassen und den Ärzten in Echtzeit Feedback zu geben.

Im Bereich der Cybersicherheit können Agenten den Netzwerkverkehr, die Systemprotokolle und das Benutzerverhalten kontinuierlich auf Anomalien überwachen, die auf potenzielle Sicherheitsbedrohungen wie Malware, Phishing-Angriffe oder unberechtigte Zugriffsversuche hinweisen könnten. In Lieferketten ist die KI dazu in der Lage, selbstständig Bestellungen bei Lieferanten aufzugeben oder Produktionspläne anzupassen, um optimale Bestände aufrecht zu erhalten.

Im Personalwesen analysieren Agenten die Rolle und den Hintergrund des neuen Mitarbeiters, um personalisierte Schulungspfade bei der Einarbeitung zu erstellen. Sie können Inhalte und Lernmaterialien auf der Grundlage der bisherigen Erfahrungen, Rollenanforderungen und des Lerntempos jedes Einzelnen anpassen.

Man kann sich vorstellen, dass viele Geschäftsfunktionen, die derzeit mit Software-as-a-Service (SaaS) Produkten ausgeführt werden, durch agentische Systeme ersetzt oder ergänzt werden, die es den Mitarbeitern ermöglichen, mit Daten zu interagieren und Aufgaben effizienter mit natürlichsprachlichen Eingaben und vereinfachten Benutzeroberflächen auszuführen.

Stellen Sie sich zum Beispiel ein Ticketsystem vor, mit dem Softwareentwickler den Fortschritt von Projekten verfolgen können. Ein solches System erfordert viele Tabellen, Registerkarten und Workflows, die auf den ersten Blick nicht immer leicht zu verstehen sind. Um nützliche Informationen zu finden, müssen Benutzer nach den richtigen Daten suchen und sich durch eine komplexe Reihe von Menüs navigieren, um die benötigten Informationen zu erhalten. Anschließend müssen sie diese Informationen möglicherweise nutzen, um eine Präsentation zu erstellen.

Was wäre, wenn der Benutzer nicht all diese Daten in Tabellen und Tabs anordnet, sondern nur die benötigten Informationen in einfacher menschlicher Sprache anfordern müsste?

Stellen Sie sich beispielsweise vor, Sie erstellen eine Präsentationsfolie mit 5 Balkendiagrammen, die jedes abgeschlossene Ticket pro Mitarbeiter für den aktuellen Monat und die letzten fünf Jahre darstellen, und das alles ohne manuelles Durchsuchen komplexer Datensätze.

Es hätte vielleicht eine halbe Stunde gedauert, diese Daten manuell abzurufen, und eine weitere eine halbe Stunde, um sie in einem übersichtlichen Format für eine gekonnte Präsentation anzuzeigen, Aber die Agenten haben dies in Sekundenschnelle erledigt.

Für Unternehmen, die Schwierigkeiten haben, die Vorteile von generativer KI zu erkennen, könnten Agenten der Schlüssel zu einem greifbaren geschäftlichen Nutzen sein. Monolithische LLMs sind beeindruckend, haben aber nur begrenzte Anwendungsfälle im Bereich der Unternehmens-KI. Es bleibt abzuwarten, ob die enormen Geldsummen, die derzeit in eine Reihe riesiger LLMs fließen, in realen Anwendungsfällen wieder amortisiert werden, aber die agentische KI stellt ein vielversprechendes Framework dar, das LLMs in die reale Welt bringt und den Weg zu einer KI-gestützten Zukunft weist.