Wie man KI-Agenten im gesamten Unternehmen bereitstellt

Während sich der Aufbau eines Agenten auf die Entwicklung seiner Funktionen konzentriert, konzentriert sich die Bereitstellung darauf, diese Funktionen in alltäglichen Situationen zuverlässig und nützlich zu machen. Das Ziel der Bereitstellung von KI-Agenten besteht darin, dass der KI-Agent Aufgaben für echte Nutzer erledigt und dabei mit realen Daten und Systemen interagiert.

Ein bereitgestellter KI-Agent arbeitet oft mit anderer Software, Datenbanken und KI-gestützten Tools zusammen. Er kann Informationen aus Unternehmenssystemen abrufen, Datensätze aktualisieren oder Aufgaben über verschiedene Anwendungen hinweg koordinieren. Diese Verbindungen ermöglichen es dem Agenten, aktiv zu realen Arbeitsabläufen beizutragen.

Zur Bereitstellung gehört auch die Überwachung der Funktionsweise des Agenten nach dessen Start. Teams überwachen Zuverlässigkeit, Genauigkeit und Benutzerinteraktionen, damit sie Probleme erkennen und Ergebnisse im Laufe der Zeit verbessern können. Durch diese kontinuierliche Verwaltung bleibt der Agent auch bei sich ändernden Anforderungen weiterhin nützlich.

Gartner prognostiziert, dass bis zum Jahr 2028 33 % der Unternehmenssoftwareanwendungen agentische KI enthalten werden – gegenüber weniger als 1 % im Jahr 2024.^{1 KI-Agenten} können mit einem gewissen Maß an Autonomie – oder Handlungsfähigkeit – agieren und verändern derzeit rasant die Art und Weise, wie Unternehmen Informationen erfassen, analysieren und darauf reagieren. Sie können darin trainiert werden, Informationen zu analysieren, darüber nachzudenken und Maßnahmen auf der Grundlage von Kontext und Zielen zu ergreifen.

Agentische KI-Systeme kombinieren große Sprachmodelle (LLMs), maschinelles Lernen und andere KI-Technologien, um komplexe Aufgaben zu bewältigen. KI-Agenten können sich mit externen Tools und Datenquellen verbinden, Informationen in Echtzeit abrufen und Aktionen ausführen. Sie können mehrstufige Workflows planen, sich an veränderte Bedingungen anpassen und aus vergangenen Interaktionen lernen.

Die Bereitstellung von KI-Agenten und die Entwicklung von KI-Agenten sind eng miteinander verbunden, beziehen sich aber auf unterschiedliche Phasen des KI-Lebenszyklus:

• Die Entwicklung von KI-Agenten konzentriert sich auf das Entwerfen, Erstellen und Testen des Agenten. Die Teams legen die Ziele des Agenten fest, konfigurieren dessen Verhalten, verbinden ihn mit Tools und bewerten, wie gut er in kontrollierten Umgebungen funktioniert.
  
  
• Die Bereitstellung des KI-Agenten beginnt, sobald der Agent für den Einsatz in der realen Welt bereit ist. Der Agent ist in die Geschäftssysteme integriert, wird den Benutzern zur Verfügung gestellt und seine Leistung wird im Laufe der Zeit überwacht.

Der Unterschied ist wichtig, denn die Erstellung eines Agenten ist nur der Anfang. Unternehmen können Zeit und Ressourcen in die Entwicklung und Verfeinerung von Agenten investieren, doch diese Bemühungen haben wenig Wirkung, solange die Agenten nicht in die alltäglichen Workflows integriert sind. Der Einsatz macht KI zu einem funktionierenden Teil der Organisation.

Die Bereitstellung des KI-Agenten beginnt, nachdem der Agent entworfen, entwickelt und in einer Testumgebung validiert wurde. Die Validierung beinhaltet:

• Bewertung des Agenten anhand vordefinierter Erfolgskriterien
• Tests auf Genauigkeit, Zuverlässigkeit und Aufgabenabschluss
• Messung der Leistung an verschiedenen Eingabeaufforderungen und Szenarien
• Identifizierung von Fehlerfällen und unerwartetem Verhalten
• Überprüfung, ob Integrationen und Tool-Aufrufe ordnungsgemäß funktionieren

Unternehmen wiederholen diesen Vorgang häufig mehrmals, bevor sie mit der Bereitstellung fortfahren. Ziel ist es, Vertrauen zu schaffen, dass der Agent in realen Geschäftsumgebungen effektiv agieren kann.

Die Bereitstellung konzentriert sich auf die Vorbereitung der Architektur, Infrastruktur und Betriebskontrollen, die für den Einsatz in der Praxis erforderlich sind. Auch wenn die Einzelheiten je nach Unternehmen variieren können, folgt die Bereitstellung von KI-Agenten im Allgemeinen einem schrittweisen Prozess, der einen Agenten von der Entwicklung in einen produktionsbereiten Zustand versetzt. Hier sind einige Schritte:

Nach Abschluss der Validierung bestimmen die Unternehmen, wie das bereitgestellte System strukturiert wird. Architektonische Entscheidungen beeinflussen, wie gut das System skalierbar ist, wie zuverlässig es funktioniert und wie einfach es langfristig zu warten ist. Das Ziel des Architekturdesigns ist es, ein System zu schaffen, das Geschäftsanforderungen zuverlässig unterstützt und gleichzeitig flexibel genug bleibt, um sich weiterzuentwickeln. Zu den wichtigsten Entscheidungen gehören:

• Agententopologie: Unternehmen müssen entscheiden, ob ein einzelner Agent die Workload bewältigen kann oder ob mehrere spezialisierte Agenten zusammenarbeiten sollen. Einzelagenteneinsätze sind in der Regel einfacher zu verwalten und zu warten. Multiagentensysteme können die Verantwortlichkeiten auf Agenten mit unterschiedlichen Funktionen verteilen, was die Leistung bei komplexen Workflows verbessern kann.
  
  
• Modellstrategie: Organisationen müssen bestimmen, welche KI-Modelle die Implementierung ermöglichen. Ein Modell ist das zugrundeliegende KI-System, das für die Argumentation, das Generieren von Antworten und das Ausführen von Aufgaben verantwortlich ist. Einige Implementierungen basieren auf einem einzigen Modell, während andere mehrere Modelle mit unterschiedlichen Stärken verwenden. Beispielsweise könnte ein Modell aufgrund seiner Geschwindigkeit und geringeren Kosten ausgewählt werden, während ein anderes für komplexere Berechnungen verwendet wird. Diese Entscheidungen können sich auf die Genauigkeit, die Latenz und die Betriebskosten auswirken.
  
  
• Ausweichverhalten: Teams sollten festlegen, wie das System reagiert, wenn ein Agent eine Aufgabe nicht abschließen, auf ein erforderliches Tool nicht zugreifen oder benötigte Informationen nicht abrufen kann. Bei einigen Bereitstellungen werden Anfragen an einen menschlichen Benutzer weitergeleitet, während bei anderen auf alternative Workflows oder Backups zurückgegriffen wird. Gut definierte Fallback-Verfahren tragen zur Verbesserung der Zuverlässigkeit und Benutzererfahrung bei.
  
  
• Zustandsverwaltung: Die Teams müssen festlegen, wie der Agent Informationen im Zeitverlauf verwalten soll. Zustandslose Agenten behandeln jede Interaktion unabhängig, was die Bereitstellung und Skalierung vereinfacht. Stateful-Agenten behalten den Kontext in Konversationen oder Workflows bei, wodurch sie effektiver für Aufgaben sind, die Gedächtnis, Kontinuität oder lang andauernde Aufgaben erfordern.
  
  Diese Entscheidung ist unabhängig davon, wie der Agent ausgelöst wird. Einige Bereitstellungen sind anforderungsgesteuert, das heißt, der Agent reagiert direkt auf die Eingabe. Andere sind ereignisgesteuert, wobei der Agent automatisch auf Änderungen in verbundenen Systemen oder Workflows reagiert. Ein einzelner Agent kann sowohl zustandsorientiert als auch ereignisgesteuert sein. Zum Beispiel könnte sich ein Support-Mitarbeiter an frühere Interaktionen erinnern, während er automatisch auf neu erstellte Tickets antwortet.
  
  
• Orchestrierungsstrategie: KI-Agenten müssen häufig mehrere Aktionen ausführen, bevor sie ein Ergebnis liefern. Ein Agent könnte Informationen abrufen, Optionen bewerten, externe Tools nutzen und eine Antwort als Teil eines einzelnen Workflows generieren. Orchestrierung definiert, wie diese Aktivitäten koordiniert werden und wie Informationen zwischen verschiedenen Schritten übertragen werden. Frameworks wie LangGraph und LangChain werden häufig zur Unterstützung von Orchestrierung und Workflow-Management eingesetzt.
  
  
• Routing-Logik: Einige Deployments verwenden mehrere Modelle, Tools oder Agenten. Routing bestimmt, welche Ressource eine bestimmte Anfrage verarbeiten soll. Zum Beispiel kann ein Modell allgemeine Fragen beantworten, während ein anderes für spezialisierte Aufgaben reserviert ist. Ein effektives Routing kann die Leistung verbessern und die Kosten kontrollieren.
  
  
• Abrufarchitektur: Unternehmen müssen entscheiden, wie die Agenten auf Informationen zugreifen sollen. Einige Implementierungen stützen sich auf interne Wissensdatenbanken, während andere Verbindungen zu Datenbanken, Dokumentenablagen oder externen Diensten herstellen. Diese Entscheidungen wirken sich auf die Qualität, Genauigkeit und Aktualität der Informationen aus, die dem Sachbearbeiter zur Verfügung stehen.

Sobald die Architektur festgelegt ist, wählen Unternehmen die Infrastruktur aus, die die Bereitstellung unterstützen soll. Diese Entscheidungen beeinflussen Leistung, Skalierbarkeit, Verfügbarkeit und operative Komplexität. Zu den wichtigsten Entscheidungen für diesen Schritt gehören:

• Bereitstellungsumgebung: Unternehmen wählen typischerweise zwischen Cloud, privaten oder hybriden Umgebungen. Jede Option birgt Vor- und Nachteile. Cloud-Deployments bieten Skalierbarkeit und reduzieren die Anforderungen an das Infrastrukturmanagement. Private Umgebungen bieten eine größere Kontrolle über Daten und Systeme. Hybride Ansätze kombinieren Elemente beider und können eingesetzt werden, wenn Unternehmen spezifische Sicherheits- oder Compliance-Anforderungen haben.
  
  
• Modell der Bereitstellung: Teams müssen entscheiden, wie Anwendungen verpackt und ausgeführt werden. Containerisierung ermöglicht es, Anwendungen und ihre Abhängigkeiten konsistent über verschiedene Umgebungen hinweg bereitzustellen. Serverlose Bereitstellungen reduzieren den Aufwand für die Verwaltung der zugrunde liegenden Infrastruktur und können die Skalierung für bestimmte Arbeitslasten vereinfachen.
  
  
• Skalierbarkeitsanforderungen: Die Infrastruktur sollte erwartete Workloads unterstützen und gleichzeitig zukünftiges Wachstum ermöglichen. Unternehmen sollten sich bereits vor Beginn der Bereitstellung auf Nachfrageschwankungen, hohe Verfügbarkeitsanforderungen und Szenarien zur Systemwiederherstellung einstellen.
  
  
• Laufzeit-Orchestrierung: Größere Bereitstellungen verwenden häufig Kubernetes und ähnliche Orchestrierungsplattformen, um Ressourcen zu verwalten, Workloads zu verteilen und die Systemverfügbarkeit aufrechtzuerhalten. Diese Plattformen können viele operative Aufgaben automatisieren, die sonst manuelle Eingriffe erfordern würden.
  
  
• Umgebungsmanagement: Entwicklungs-, Test- und Produktionsumgebungen sollten einheitlich bleiben, um Probleme bei der Bereitstellung zu vermeiden. Ein effektives Umgebungsmanagement hilft den Teams, Probleme früher zu erkennen, und verringert das Risiko unerwarteten Verhaltens nach der Einführung.

Unternehmen bewerten auch, wie gut Bereitstellungsplattformen in ihr bestehendes Technologie-Ökosystem passen und ob sie die für den langfristigen Betrieb erforderlichen Überwachungs-, Sicherheits- und Integrationsfunktionen bieten.

Die meisten KI-Agenten bieten Mehrwert, weil sie auf Informationen zugreifen und mit anderen Systemen interagieren können. Im Rahmen der Bereitstellung richten Unternehmen die Verbindungen ein, über die die Agenten Daten abrufen und Aktionen ausführen können.

Gängige Integrationen umfassen Datenbanken, Wissensdatenbanken, Dokumentenrepositorien, Kundenbeziehungsmanagement-(CRM-)Plattformen, Enterprise Resource Planning-(ERP-)Systeme, Kundensupport-Tools und andere Anwendungen. Die Komplexität dieser Integrationen hat erhebliche Auswirkungen auf den Gesamtaufwand für die Bereitstellung und die langfristige Wartbarkeit des Systems. Zu den wichtigen Überlegungen gehören:

• Integrationsmethoden: Verbindungen werden typischerweise über Anwendungsprogrammierschnittstellen (APIs), Softwareentwicklungskits (SDKs) und Software-Connectors hergestellt. Über diese Schnittstellen kann der Agent Informationen mit anderen Anwendungen und Diensten austauschen.
  
  
• Werkzeugnutzung: Viele KI-Agenten verlassen sich auf Tool-Aufrufe , um Aufgaben zu erledigen. Ein Kundenservice-Mitarbeiter könnte ein Support-Ticket erstellen, während ein Vertriebsmitarbeiter einen CRM-Datensatz aktualisieren könnte. Unternehmen müssen bestimmen, welche Maßnahmen der Agent ausführen darf und unter welchen Bedingungen.
  
  
• Abhängigkeiten: KI-Agenten könnten auf mehrere externe Systeme angewiesen sein. Wenn eines dieser Systeme nicht verfügbar ist, kann die Leistung des Agenten beeinträchtigt werden. Das Verständnis und die Steuerung von Abhängigkeiten tragen zur Verbesserung der Zuverlässigkeit bei.
  
  
• Datenzugriff: Die Abrufarchitektur bestimmt, wo der Agent Informationen bezieht. Während der Bereitstellung müssen Unternehmen definieren, welche Informationen jedes verbundene System dem Agenten ausliefert und welche Einschränkungen gelten. Diese Entscheidungen wandeln Architekturpläne in operative Kontrollen um und helfen, Anforderungen an Usability, Sicherheit und Compliance auszubalancieren.

Sicherheits- und Governance-Überlegungen beeinflussen fast jede Phase der Bereitstellung von KI-Agenten. Entscheidungen über Datenzugriff, Werkzeugberechtigungen und Systemintegrationen werden oft parallel zu den in den vorangegangenen Schritten beschriebenen Architektur- und Integrationsarbeiten getroffen.

Bevor ein Agent den Benutzern zur Verfügung gestellt wird, stellen Unternehmen sicher, dass diese Kontrollen vollständig implementiert sind und definieren klar, wie der Agent funktionieren kann und welche Aktionen er ausführen kann. Zu den wichtigsten Sicherheitsmaßnahmen gehören:

• Authentifizierung und Autorisierung: Diese Kontrollen verifizieren Identitäten und definieren, worauf Benutzer und Anwendungen Zugriff haben. In vielen Implementierungen erhält der Agent selbst auch eine eigene Identität und eigene Berechtigungen. Dieser Ansatz ermöglicht es, die Aktionen des Agenten unabhängig von den Benutzern, die er unterstützt, zu authentifizieren, zu überprüfen und zu verwalten. Diese Trennung bietet mehr Transparenz und Kontrolle darüber, wie auf Geschäftssysteme zugegriffen wird.
  
  
• Zugriffsverwaltung: Rollenbasierte Berechtigungen tragen dazu bei, den Zugriff auf sensible Informationen und geschäftskritische Systeme einzuschränken.
  
  
• Sicherheitsvorkehrungen: Unternehmen führen Beschränkungen ein, die verhindern, dass Agenten verbotene Handlungen ausführen, auf nicht autorisierte Daten zugreifen oder unangemessene Ausgaben erzeugen.
  
  
• Menschliche Kontrolle: Human-in-the-loop-Überprüfungsprozesse werden häufig für risikoreiche Maßnahmen, sensible Entscheidungen oder regulatorische Anforderungen verwendet. Mithilfe dieser Kontrollmechanismen können Personen bestimmte Aktivitäten überprüfen oder genehmigen, bevor diese abgeschlossen sind.
  
  
• Bedrohungsschutz: KI-Agenten sind Risiken ausgesetzt, die traditionelle Softwaresysteme nicht haben. Bei Prompt-Injection-Angriffen wird versucht, das Verhalten eines Agenten durch bösartige Befehle zu manipulieren. Unternehmen überwachen außerdem Sicherheitslücken, Missbrauch und unerwartetes Verhalten, die Sicherheitsbedenken hervorrufen könnten.

Sobald die Architektur, die Infrastruktur und die Kontrollen eingerichtet sind, kann der Agent innerhalb von Anwendungen und Workflows bereitgestellt werden. Diese Bereitstellung kann eine Website, eine mobile Anwendung, eine Messaging-Plattform oder ein internes Geschäftssystem umfassen.

Die meisten Unternehmen verwenden automatisierte Bereitstellungsprozesse und kontinuierliche Integration/kontinuierliche Bereitstellung (CI/CD)-Pipelines , um Updates zu testen, neue Versionen zu veröffentlichen und Änderungen im Laufe der Zeit zu verwalten. Diese Praktiken tragen dazu bei, operationelle Risiken zu reduzieren und die Konsistenz in verschiedenen Umgebungen zu verbessern.

Nach der Bereitstellung wird die Überwachung zu einer kontinuierlichen Aktivität. Teams verfolgen in der Regel:

• Latenz: Die Zeit, die der Agent benötigt, um Anfragen zu verarbeiten und Antworten zu generieren. Eine hohe Latenz kann die Benutzererfahrung negativ beeinflussen.
  
  
• Verfügbarkeit: Ob der Agent und die zugehörigen Systeme bei Bedarf zugänglich bleiben.
  
  
• Aufgabenabschlussraten: Wie erfolgreich der Agent zugewiesene Aktionen und Workflows abschließt.
  
  
• Tool-Leistung: Wie oft greift der Mitarbeiter auf externe Tools zu und ob diese Interaktionen zu den erwarteten Ergebnissen führen.
  
  
• Erneut versuchen und Fehlschläge: Erneute Ausführungsversuche von Aufgaben können auf Workflow-Probleme, Systemfehler oder Integrationsprobleme hinweisen.

Unternehmen nutzen zudem Observability-Tools, um einen tieferen Einblick in das Verhalten der Agenten zu gewinnen. Diese Systeme erfassen Workflow-Ausführungspfade, Entscheidungspunkte und Systeminteraktionen, was Debugging und Fehlerbehebung effektiver macht.

Die Bereitstellung von KI-Agenten ist ein iterativer Prozess. Es ist nicht die letzte Phase des umfassenderen KI-Entwicklungslebenszyklus (ADLC), sondern ein fortlaufender Prozess des Betriebs, der Verbesserung und der Steuerung von KI-Systemen in realen Umgebungen. Teams verfeinern regelmäßig Prompts, erweitern Integration, passen Workflows an und bewerten Leistung neu, wenn sich die Geschäftsanforderungen weiterentwickeln.

Ein bereitgestellter KI-Agent besteht in der Regel aus mehreren miteinander verbundenen Komponenten. Zusammen ermöglichen diese Komponenten dem Agenten, Anfragen zu verstehen, auf Informationen zuzugreifen, mit externen Systemen zu interagieren und reale Geschäftsabläufe zu unterstützen.

• KI-Modelle: Im Zentrum der meisten KI-Agenten-Implementierungen steht ein LLM. Das Modell dient als Denkmaschine des Agenten und ermöglicht es ihm, Anweisungen in natürlicher Sprache zu interpretieren, Antworten zu generieren und zu entscheiden, wie eine Aufgabe angegangen werden soll. Viele Implementierungen verwenden Foundation-Modelle von Anbietern wie OpenAI, Anthropic, Google oder Meta. Einige Unternehmen setzen auch spezialisierte Modelle bereit, die für bestimmte Branchen oder Workflows trainiert oder fein abgestimmt sind.
  
  
• KI-Agent-Orchestrierung: KI-Agenten müssen oft mehr als eine einzige Prompt-Response-Interaktion durchführen. Sie müssen möglicherweise Informationen sammeln, Optionen bewerten, Hilfsmittel einsetzen und mehrere Schritte durchführen, bevor sie zu einem Ergebnis gelangen. Einige Deployments basieren auf einem einzelnen Agenten, während andere Multi-Agenten-Systeme nutzen, die zusammenarbeiten, um komplexe Aufgaben zu erledigen.
  
  Orchestrierungssysteme koordinieren diese Aktivitäten. Sie steuern die Aufgabenausführung, legen fest, welche Tools verwendet werden sollen, führen Tool-Aufrufe durch und kontrollieren, wie sich die Informationen zwischen den verschiedenen Teilen des Workflows bewegen. In vielen Implementierungen übernimmt die Orchestrierung auch das Aufgabenrouting zwischen Tools, Verarbeitungsknoten und Multiagentensystemen. LangGraph und LangChain sind beliebte Frameworks, die Werkzeuge zur Verwaltung von Workflows, Agenteninteraktionen und zur Nutzung von Werkzeugen bereitstellen.
  
  
• Informationsabrufsysteme: Viele KI-Agenten sind auf den Zugriff auf Informationen angewiesen, die über das hinausgehen, was beim Training des Modells berücksichtigt wurde. Um diesen Bedarf zu decken, verbinden Bereitstellungen häufig Agenten mit internen Datenbanken, Dokumentenrepositorien, Wissensdatenbanken und Anwendungen.
  
  Abrufsysteme bestimmen, wie Informationen während Agenteninteraktionen gespeichert, organisiert und abgerufen werden. Anstatt sich ausschließlich auf das vorhandene Wissen des Modells zu verlassen, kann der Agent bei Bedarf aktuelle oder organisationsspezifische Informationen in Echtzeit abrufen. Dieser Ansatz verbessert die Genauigkeit und ermöglicht es den Agenten, mit Informationen zu arbeiten, die sich im Laufe der Zeit ändern.
  
  Die Gestaltung von Abfragesystemen kann erhebliche Auswirkungen auf die Leistung und die Qualität der Ergebnisse haben. Unternehmen müssen festlegen, welche Informationen zugänglich sein sollen, wie oft Daten aktualisiert werden und wie Informationen priorisiert werden sollten, wenn mehrere Quellen verfügbar sind.
  
  
• Externe Integrationen: Im Gegensatz zu herkömmlichen Chatbots können KI-Agenten mit externen Systemen interagieren. Durch APIs, Softwareintegrationen und Tools wie ein SDK können Agenten Informationen abrufen, Datensätze aktualisieren, Berichte erstellen oder Prozesse auslösen.
  
  Zum Beispiel könnte ein Mitarbeiter auf eine CRM-Plattform zugreifen, Support-Tickets erstellen, Meetings planen oder Bestand abfragen. Dank dieser Integrationen können die Mitarbeiter im Rahmen bestehender Arbeitsabläufe arbeiten.
  
  
• Speichersysteme: Viele Deployments enthalten Systeme, die Agenten helfen, den Kontext über Interaktionen hinweg aufrechtzuerhalten. Der Speicher kann vom kurzfristigen Gesprächskontext bis hin zur längerfristigen Speicherung von Benutzereinstellungen, Projektinformationen oder dem Aufgabenverlauf reichen.
  
  Kontextmanagement hilft Agenten, relevantere Antworten zu geben und Kontinuität über komplexe Workflows hinweg aufrechtzuerhalten. Ohne effektive Kontextverarbeitung könnten Agenten wichtige Informationen verlieren, wenn Interaktionen komplexer werden.
  
  
• Frameworks für die Bereitstellung: Viele Unternehmen verwenden Software-Frameworks, um die Entwicklung, die Bereitstellung und die Verwaltung von KI-Agenten zu vereinfachen. Diese Frameworks bieten gemeinsame Funktionen wie Workflow-Orchestrierung, Speicherverwaltung, Toolintegration und Zustandsverfolgung.
  
  Durch die Bereitstellung wiederverwendbarer Komponenten und Vorlagen können Frameworks den Entwicklungsaufwand verringern und die Wartung und Skalierung von KI-Agenten vereinfachen.
  
  
• Laufzeitinfrastruktur: Die bereitgestellten Agenten arbeiten innerhalb einer zugrunde liegenden Infrastruktur, die Rechenressourcen, Netzwerkverbindungen und Systemverfügbarkeit bereitstellt. Je nach den Anforderungen einer Organisation können Agenten in einer Cloud-, privaten oder hybriden Infrastruktur ausgeführt werden. Viele Unternehmen nutzen Cloud-Services von Anbietern wie AWS und Microsoft Azure, um KI-Agenten bereitzustellen.
  
  Die Runtime-Infrastruktur bestimmt, wie Agentenanwendungen ausgeführt, skaliert und nach Ausfällen wiederhergestellt werden. Zudem stellt sie die Ressourcen bereit, die für die Bearbeitung von Anfragen, die Interaktion mit externen Systemen und die Aufrechterhaltung einer zuverlässigen Leistung erforderlich sind. Einige Organisationen nutzen Open-Source-Technologien wie Kubernetes, um eingesetzte KI-Agenten zu verwalten und zu skalieren.
  
  
• Zugriffsverwaltung: Da KI-Agenten mit sensiblen Informationen und Geschäftssystemen interagieren können, benötigen Unternehmen Mechanismen, um zu kontrollieren, worauf der Agent zugreifen und welche Aktionen er ausführen kann. Die Zugriffsverwaltung hilft bei der Definition von Berechtigungen für Benutzer, Anwendungen und verbundene Systeme.
  
  Zu diesen Kontrollmaßnahmen können Authentifizierung, Autorisierung und rollenbasierte Zugriffsrichtlinien gehören. Unternehmen richten zudem operative Sicherheitsvorkehrungen ein, die dazu beitragen, die Handlungsmöglichkeiten der Mitarbeiter sowie deren Interaktion mit den Systemen einzuschränken. Ein korrektes Zugriffsmanagement trägt zur Reduzierung von Sicherheitsrisiken bei und ermöglicht es den Mitarbeitern gleichzeitig, innerhalb der genehmigten Grenzen effektiv zu arbeiten.
  
  
• Überwachungssysteme: Überwachungssysteme bieten Einblick in die Funktionsweise der eingesetzten Agenten in realen Umgebungen. Unternehmen nutzen diese Systeme, um Metriken wie Antwortqualität, Aufgabenabschlussraten, Latenz und Systemverfügbarkeit zu verfolgen.
  
  Observability-Tools bieten tiefere Erkenntnis in das Verhalten von Agenten, indem sie Entscheidungspfade, Werkzeugnutzung und Workflow-Ausführung aufzeichnen. Diese Systeme können Teams auch dabei helfen, Leistungsprobleme zu identifizieren, indem sie Fehler, Wiederholungsversuche und Engpässe verfolgen.

Die Strategien der Bereitstellung variieren je nach Unternehmen und Branchen, doch in einigen Geschäftsbereichen hat sich der Einsatz von KI-Agenten mittlerweile etabliert. Die folgenden Einsatzszenarien konzentrieren sich auf Aufgaben, bei denen es um das Sammeln von Informationen, die Durchführung von Routineaufgaben oder die Unterstützung der Mitarbeiter bei der Entscheidungsfindung geht.

Erkunden Sie diese und andere Anwendungsfälle für KI-Agenten im Detail.

Banken, Finanzinstitute und Corporate-Finance-Teams setzen zunehmend KI-Agenten ein, um Analysen, das Berichtswesen und kundenorientierte Dienstleistungen zu unterstützen. Agenten können bei der Sammlung von Finanzinformationen helfen, Berichte zusammenfassen und Mitarbeiter bei routinemäßigen Rechercheaufgaben unterstützen.

Einige Implementierungen unterstützen auch Kundenservice, Betrugserkennung und Risikobewertung. Da diese Umgebungen sensible Daten und behördliche Anforderungen beinhalten, werden KI-Agenten in der Regel mit strengeren Aufsichts- und Verwaltungskontrollen eingesetzt als in vielen anderen Geschäftsfunktionen.

Kundenservice ist einer der häufigsten Bereiche für die Bereitstellung von KI-Agenten. Unternehmen setzen Agenten ein, um Kundenfragen zu beantworten, Produktinformationen bereitzustellen und bei kontobezogenen Anfragen zu helfen. Viele Implementierungen sind in Websites, mobile Apps und Messaging-Plattformen integriert, sodass Kunden jederzeit Unterstützung erhalten können.

Fortgeschrittenere Agenten können sich mit Wissensdatenbanken, Kundendaten und Supportsystemen verbinden. Über diese Verbindungen können sie Informationen abrufen, Tickets erstellen und bei routinemäßigen Serviceaufgaben helfen, bevor komplexere Probleme an menschliche Vertreter weitergeleitet werden.

Personalteams setzen KI-Agenten ein, um das Onboarding von Mitarbeitern, die politische Beratung und die Rekrutierung von Mitarbeitern zu unterstützen. Mitarbeiter können mit diesen Agenten interagieren, um Informationen über Leistungen, Arbeitsplatzrichtlinien und interne Verfahren zu finden, ohne umfangreiche Unterlagen durchsuchen zu müssen.

Rekrutierung ist ein häufig eingesetztes Einsatzgebiet. Agenten können Anwendungen prüfen, Kandidatenfragen beantworten und die Interviewplanung koordinieren, sodass HR-Teams mehr Zeit mit der Bewertung von Kandidaten verbringen können.

Marketingabteilungen nutzen KI-Agenten zur Unterstützung der Inhaltserstellung, Kampagnenplanung und Zielgruppenanalyse. Agenten können bei der Forschung von Themen, der Generierung von Content-Ideen, der Zusammenfassung von Markttrends und der Unterstützung von Teams bei der Entwicklung von Marketingmaterialien für verschiedene Kanäle behilflich sein.

Einige Organisationen setzen auch Agenten ein, um die Kampagnenleistung zu überwachen, Kundenfeedback zu analysieren und neue Geschäftschancen zu identifizieren. Marketingfachleute bleiben für Strategie- und Markenentscheidungen verantwortlich, aber KI-Agenten können viele der Recherche- und Produktionsaufgaben beschleunigen.

Betriebsteams stellen KI-Agenten bereit, um Workflowmanagement, Ressourcenkoordination, Prozessüberwachung und Geschäftsautomatisierung zu unterstützen. In Fertigungs-, Logistik- und Vertriebsumgebungen können Agenten dabei helfen, Aktivitäten über mehrere Systeme hinweg zu verfolgen und potenzielle Engpässe zu identifizieren, bevor sie die Leistung beeinträchtigen.

Lieferketten-Operationen sind ein wachsender Bereich für die Bereitstellung von KI-Agenten. Agenten können bei End-to-End-Prozessen wie Bestandsverwaltung, Versandverfolgung, Lieferantenkoordination und Nachfrageprognose unterstützen. Sie tun dies, indem sie Informationen aus mehreren Quellen sammeln und in einem umsetzbareren Format präsentieren.

Vertriebsteams setzen KI-Agenten während des gesamten Verkaufsprozesses ein, von der Lead-Generierung bis zum Deal-Support. KI-Agenten können potenzielle Interessenten identifizieren, Unternehmen recherchieren, Kontoinformationen zusammenfassen und Chancen priorisieren. Diese Fähigkeiten geben den Vertriebsmitarbeitern mehr Zeit, mit den Kunden in Kontakt zu treten.

Einige Implementierungen unterstützen auch spätere Phasen des Verkaufszyklus. Sie erstellen Besprechungsunterlagen, entwerfen Folgekorrespondenz und beantworten Fragen zu Produkten, Preisgestaltung oder Kundenkonten. Diese Fähigkeiten helfen Vertriebsteams, größere Pipelines zu verwalten und schneller auf Chancen zu reagieren.

Software-Entwicklerteams setzen zunehmend KI-Agenten ein, um Codierung, Testen und Wartung zu unterstützen. Agenten können bei der Codegenerierung helfen, Pull-Anfragen überprüfen, Fehler identifizieren und bei Dokumentationsaufgaben unterstützen. Sie können außerdem Informationen aus Repositories, Entwicklungsplattformen und internen Wissensquellen abrufen, um Engineering-Workflows zu unterstützen.

Fortschrittlichere Implementierungen unterstützen die Qualitätssicherung, Code-Analyse und Entwicklungsplanung. KI-Agenten können Entwicklern helfen, die mit gängigen Programmiersprachen wie Python arbeiten, wodurch Teams mehr Zeit für Architektur, Problemlösung und Produktentwicklung haben.

Unternehmen stellen KI-Agenten aus vielen Gründen bereit, aber die meisten Vorteile fallen in einige wenige gemeinsame Kategorien.

• Verbesserte Entscheidungsunterstützung: KI-Agenten können Mitarbeitern dabei helfen, schnellere und fundiertere Entscheidungen zu treffen, indem sie Informationen sammeln, zusammenfassen und strukturieren.
  
  
• Schnellere Reaktionszeiten: Agenten können Fragen beantworten, Unterstützung leisten und Aufgaben schneller erledigen als herkömmliche Prozesse, was die Reaktionsfähigkeit sowohl für Kunden als auch für Mitarbeiter verbessert.
  
  
• Höhere Skalierbarkeit: Einmal implementiert, können KI-Agenten wachsende Arbeitslasten bewältigen, ohne dass Unternehmen ihre Mitarbeiterzahl im gleichen Maße erhöhen müssen.
  
  
• Verbesserter Zugang zu Informationen: Agenten können sich mit mehreren Systemen und Wissensquellen verbinden. Diese Verknüpfungen erleichtern es den Nutzern, relevante Informationen zu finden, wenn sie diese benötigen.
  
  
• Verbesserte Effizienz: KI-Agenten können Routineaufgaben übernehmen, Informationen abrufen und mehrstufige Workflows schneller abwickeln als manuelle Prozesse.
  
  
• Gesteigerte Produktivität: KI-Agenten reduzieren den Zeitaufwand für sich wiederholende Aufgaben, sodass sich die Mitarbeiter auf höherwertige Tätigkeiten konzentrieren können, die menschliches Urteilsvermögen oder Fachwissen erfordern.
  
  
• Einheitlichere Ergebnisse: KI-Agenten folgen festgelegten Anweisungen und Workflows, was dazu beiträgt, Abweichungen bei der Ausführung gängiger Aufgaben zu verringern.
  
  
• Reduzierte Betriebskosten: Unternehmen können die Kosten bestimmter Prozesse senken, indem sie Routineaktivitäten automatisieren und die Effizienz des Workflows verbessern.

Zwar können KI-Agenten einen erheblichen Mehrwert bieten, doch der Einsatz in großem Maßstab kann verschiedene technische und betriebliche Herausforderungen mit sich bringen.

• Compliance-Anforderungen: Unternehmen, die in regulierten Branchen tätig sind, unterliegen strengeren Anforderungen in Bezug auf Datenschutz, Sicherheit und Aufbewahrung von Unterlagen. Die Festlegung von Governance-Richtlinien in einem frühen Stadium der Bereitstellung kann dazu beitragen, diesen Verpflichtungen gerecht zu werden.
  
  
• Datenqualität: KI-Agenten sind auf genaue und zugängliche Informationen angewiesen. Unvollständige, veraltete oder inkonsistente Daten können die Leistung beeinträchtigen und zu unzuverlässigen Ausgaben führen. Regelmäßige Datenüberprüfungen und klare Datenverwaltung können zur Verbesserung der Ergebnisse beitragen.
  
  
• Überwachung und Wartung: Die Bereitstellung ist kein einmaliger Vorgang. KI-Agenten müssen ständig überwacht, aktualisiert und optimiert werden, wenn sich die Geschäftsanforderungen ändern. Dedizierte menschliche Aufsicht und regelmäßige Überprüfungen können helfen, die langfristige Wirksamkeit aufrechtzuerhalten.
  
  
• Skalierbarkeit: Ein KI-Agent, der während der Tests gut funktioniert, könnte mit steigender Nutzung auf Herausforderungen stoßen. Infrastrukturplanung, Test- und skalierbare Bereitstellungsarchitekturen können das Wachstum im Laufe der Zeit unterstützen.
  
  
• Sicherheitsrisiken: Da KI-Agenten häufig mit sensiblen Informationen und Geschäftssystemen interagieren, können sie neue Sicherheitsbedenken hervorrufen. Unternehmen können Risiken mindern, indem sie strenge Zugriffskontrollen einführen, die Aktivitäten der Agenten überwachen und sich vor Bedrohungen schützen.
  
  
• Systemintegration: Viele Unternehmen verlassen sich auf mehrere Anwendungen, Datenbanken und veraltete Systeme, die nicht für die Zusammenarbeit mit KI-Agenten konzipiert wurden. Die Integration dieser Systeme kann komplex und zeitaufwendig sein. Wenn Sie mit klar definierten Workflows beginnen und den Schwerpunkt auf besonders wertvolle Integrationen legen, lässt sich die Bereitstellung vereinfachen.
  
  
• Nutzerakzeptanz: Mitarbeiter und Kunden könnten zögern, sich auf KI-gestützte Systeme zu verlassen, insbesondere wenn sich die Workflows ändern. Klare Kommunikation, Einarbeitung und Schulungstutorials und schrittweise Umsetzung können Vertrauen aufbauen und die Annahme fördern.