Was sind vertikale KI-Agenten?

Vertikale KI-Agenten, die manchmal auch als domänenspezifische oder funktionsorientierte Agenten bezeichnet werden, sind Systeme der künstlichen Intelligenz, die speziell für den Einsatz in einer bestimmten Branche optimiert sind. Sie finden in Branchen wie dem Gesundheitswesen oder dem Bankwesen Anwendung. Vertikale KI-Agenten eignen sich zudem besonders gut für bestimmte Geschäftsfunktionen, wie beispielsweise den Kundenservice oder das Lieferkettenmanagement.

Während die meisten Allzweck-KI-Systeme darauf ausgelegt sind, ein breites Spektrum an Aufgaben in vielen verschiedenen Bereichen oder eine große Anzahl allgemeiner Anfragen zu bewältigen, unterscheiden sich vertikale Agenten davon. Diese Agenten nutzen gezielte Daten und spezialisiertes Fachwissen, um Probleme präziser zu lösen.

Wie die meisten Agenten tragen sie dazu bei, Workflows zu optimieren, sich wiederholende Aufgaben zu automatisieren und fundierte Entscheidungen zu unterstützen. Ihr wahrer Wert liegt jedoch in der Einbeziehung von Branchenregeln, Compliance-Informationen oder spezifischer Fachterminologie, die allgemeinen Modellen fehlen.

Durch die Kombination fortschrittlicher KI-Technologien mit fachspezifischem Wissen gehen vertikale KI-Agenten auf die besonderen Anforderungen bestimmter Branchen ein und bieten ein höheres Maß an Präzision und Spezialisierung.

Vertikale KI-Agenten unterscheiden sich hinsichtlich ihres Schwerpunkts und ihrer Funktionen von Allzweck-KI. Während Allzweck-KI-Systeme wie ChatGPT von OpenAI und andere generative, vortrainierte Transformator-Modelle (GPT) ein breites Spektrum an Aufgaben bewältigen, werden vertikale KI-Agenten für bestimmte Branchen oder Funktionen entwickelt. Diese Spezialisierung ermöglicht es ihnen, für ihre jeweiligen Anwendungsfälle eine höhere Genauigkeit und Relevanz zu erzielen.

Die jüngsten Fortschritte bei Large Language Models (LLMs), Open-Source-Frameworks und Cloud-Technologien haben die Entwicklung vertikaler KI-Agenten beschleunigt. Diese Entwicklungen haben zu einem Netzwerk von Anbietern geführt (darunter größere KI-Unternehmen und aufstrebende KI-Start-ups), die vertikale KI-Agenten zugänglicher und skalierbarer machen. Dieser Ansatz ermöglicht eine zunehmende Verbreitung in einer Vielzahl von Branchen.

Von der Diagnose von Erkrankungen im Gesundheitswesen bis hin zur Bestandsoptimierung im Einzelhandel sind vertikale KI-Agenten speziell darauf ausgelegt, komplexe, fachspezifische Herausforderungen zu bewältigen, die ein hohes Maß an Spezialisierung erfordern. Sie können in unterschiedlichem Umfang eingesetzt werden – von der Ausführung spezifischer Aufgaben, die auf einfache Weise automatisiert werden können, bis hin zu komplexeren End-to-End-Workflows, die ein höheres Maß an Koordination und Raffinesse erfordern. Zu den Anwendungsbereichen gehören unter anderem: 

Vertikale KI-Agenten verfügen über fundiertes Fachwissen und liefern datengestützte Erkenntnisse und Empfehlungen. Diese Eigenschaft macht sie für die Entscheidungsfindung in komplexen Umgebungen oder Situationen mit hohem Risiko von unschätzbarem Wert. Durch die Analyse großer Datensätze und die Erkennung von Mustern unterstützen sie Unternehmen bei der Lösung hochspezialisierter Probleme, insbesondere in komplexen Bereichen, in denen Fachwissen von entscheidender Bedeutung ist.

Beispiel: In der Fertigung analysieren vertikale KI-Agenten Produktionsdaten, um Lieferketten zu optimieren und Ausfälle von Anlagen vorherzusagen. Indem sie Ineffizienzen aufdecken und potenzielle Probleme vorhersehen, helfen diese Agenten den Herstellern, ihre betriebliche Effizienz zu steigern und Ausfallzeiten zu reduzieren. In ähnlicher Weise überwachen branchenspezifische KI-Agenten in der Landwirtschaft den Zustand der Pflanzen mithilfe von Satellitenbildern und schlagen Maßnahmen vor, um den Ertrag zu maximieren und Verluste zu minimieren.

Unternehmen setzen branchenspezifische KI-Agenten ein, um sich wiederholende Aufgaben oder zeitaufwändige Arbeiten in bestimmten Branchen zu automatisieren. Diese Agenten übernehmen administrative Aufgaben, die andernfalls einen erheblichen personellen Aufwand erfordern würden, wodurch menschliche Fehler reduziert werden und die Mitarbeiter Zeit gewinnen, um sich auf wertschöpfendere Tätigkeiten zu konzentrieren. Die durch vertikalen KI-Agenten ermöglichte Automatisierung trägt dazu bei, Workflows zu optimieren und die Effizienz zu steigern.

Beispiel: Im Gesundheitswesen unterstützen branchenspezifische KI-Agenten bei der medizinischen Codierung, der Erstellung von Behandlungsberichten und der Terminplanung. Durch die Automatisierung dieser Verwaltungsaufgaben können Gesundheitsdienstleister mehr Zeit für die Patientenversorgung aufwenden und gleichzeitig Genauigkeit und die Einhaltung von Vorschriften gewährleisten. Im Finanzwesen automatisieren branchenspezifische KI-Agenten die Compliance-Überwachung und die Risikobewertung und helfen Unternehmen dabei, Vorschriften einzuhalten, während gleichzeitig der Zeit- und Ressourcenaufwand für die manuelle Überwachung reduziert wird.

Vertikale KI-Agenten bieten Kunden maßgeschneiderte Erlebnisse, indem sie das Nutzerverhalten und die Präferenzen in einem bestimmten Kontext analysieren. Sie optimieren Gespräche, leiten Nutzer an den richtigen Support weiter und führen mitunter im Namen des Nutzers Maßnahmen durch (wie beispielsweise die Gewährung von Rückerstattungen oder die Aktualisierung von Kontoeinstellungen). Diese Agenten sind häufig in Live-Chat-Tools oder Systemen für Kundenbeziehungsmanagement (CRM) wie Salesforce integriert, um die Kundenzufriedenheit und -bindung zu fördern.

Vertikale KI-Agenten können zur Unterstützung von Forschung und Entwicklung in spezialisierten Bereichen wie der Pharmazie oder dem Ingenieurwesen eingesetzt werden. Durch die Übernahme komplexer Berechnungen und Datenanalysen ermöglichen vertikale KI-Agenten Durchbrüche, die zuvor unmöglich oder mit einem unverhältnismäßig hohen Zeitaufwand verbunden waren.

Beispiel: Das Forschungsteam für digitale Gesundheit bei IBM hat eine multimodale Plattform namens „Health Guardian“ entwickelt, die Daten aus mobilen Apps, Wearables und Sensoren integriert, um Vorhersagemodelle für die Patientenversorgung zu erstellen.

Im Forschungsbereich wurde dieser KI-Agent zur Beurteilung der Mobilität und des psychischen Gesundheitszustands von Patienten eingesetzt und hat damit gezeigt, wie domänenspezifische KI differenzierte Erkenntnisse in reale Versorgungskontexte liefern kann. In der Pharmabranche analysieren vertikale KI-Agenten umfangreiche Datensätze, um potenzielle Wirkstoffkandidaten zu identifizieren, und beschleunigen so die Entwicklung neuer Therapien.

In dynamischen Umgebungen können vertikale KI-Agenten Aspekte wie die Netzwerkleistung überwachen und bei Bedarf Anpassungen vorschlagen. Diese Agenten nutzen häufig Streaming-Datenpipelines und Rückkopplungsschleifen, um ihre Handlungen auf der Grundlage von Echtzeitdaten anzupassen. Ihre Fähigkeit, Daten in Echtzeit zu verarbeiten und darauf zu reagieren, macht sie unverzichtbar für Branchen wie den Transportsektor oder die IT-Sicherheit, in denen das richtige Timing entscheidend ist.

Beispiel: In industriellen Betrieben überwachen vertikale KI-Agenten die Anlagenleistung anhand von Daten aus Internet-der-Dinge-Geräten (IoT) und Protokollen der Wartung. Sie prognostizieren potenzielle Komponentenausfälle und optimieren den Lagerumschlag, wodurch ein reibungsloserer Betrieb gewährleistet und Betriebsunterbrechungen minimiert werden. Im Bereich der IT-Sicherheit können vertikale KI-Agenten Bedrohungen in Echtzeit erkennen und darauf reagieren, wodurch die Systemzuverlässigkeit gestützt und Sicherheitsverletzungen verhindert werden.

Im Bankwesen, im Versicherungswesen oder in anderen stark regulierten Branchen können vertikale KI-Agenten Unternehmen dabei unterstützen, komplexe Vorschriften und Regelungen einzuhalten. Dieser Ansatz kann rechtliche Risiken verringern und Unternehmen Zeit und Ressourcen sparen.

Beispiel: m Finanzwesen überwachen vertikale KI-Agenten Transaktionen auf verdächtige Aktivitäten und stellen so die Einhaltung der Vorschriften zur Bekämpfung der Geldwäsche (AML) sicher. Zudem unterstützen sie bei der Kreditprüfung und Betrugsaufdeckung, indem sie Bonitätsauskünfte und Transaktionsverläufe analysieren. Fintech-Unternehmen setzen diese Agenten mitunter ein, um Kreditanträge automatisch zu bewerten und Prüfpfade für Compliance-Zwecke zu führen.

Durch Schulungen zu bestimmten Programmiersprachen oder Frameworks unterstützen vertikale KI-Agenten Entwickler dabei, Code zu schreiben, Dokumentation zu erstellen und Fehler oder Inkonsistenzen zu erkennen. Zudem können sie komplexe Workflows zur Qualitätskontrolle koordinieren, um eine schnellere und einheitlichere Qualitätskontrolle zu gewährleisten.

Beispiel: Softwareentwicklungsteams nutzen vertikale KI-Agenten, um Code in Echtzeit automatisch zu aktualisieren oder umzuschreiben, wodurch die Entwicklungsgeschwindigkeit gesteigert und Fehler reduziert werden. Diese Agenten optimieren zudem die Workflows für Tests, gewährleisten eine gleichbleibende Qualität bei Software-Releases und ermöglichen schnellere Prozesse zur Bereitstellung.

Vertikale KI-Agenten im Rechtsbereich erfordern ein hohes Maß an Genauigkeit, Erklärbarkeit und Übereinstimmung mit rechtlichen Standards. Sie unterstützen bei Aufgaben wie der Dokumentenprüfung, der Vertragsanalyse und der Recherche zu Rechtsvorschriften und helfen Rechtsabteilungen dabei, Zeit zu sparen und Kosten zu senken.

Beispiel: Einige Anwaltskanzleien setzen KI-gestützte Rechtsassistenten ein, um Dokumente zu entwerfen und Rechtsprechung zu analysieren. Diese Tools, die auf Foundation Models basieren, die mit juristischem Fachwissen verfeinert wurden, werden hinter sicheren Firewalls betrieben, um den Datenschutz und die Einhaltung gesetzlicher Vorschriften zu gewährleisten.

Vertikale KI-Agenten sammeln Daten, analysieren diese mithilfe spezieller Algorithmen und leiten daraus Erkenntnisse ab, um Empfehlungen auszusprechen oder Aufgaben auszuführen. Als agentische Tools führen sie mehrstufige Aufgaben aus, treffen Entscheidungen und interagieren mit Anwendungsprogrammierschnittstellen (APIs) oder anderen Agenten.

Entwickler bauen die meisten vertikalen KI-Agenten auf der Grundlage von universellen Foundation Modellen auf, wie beispielsweise dem GPT von OpenAI oder Open-Source-Modellen. Anschließend führen sie eine Feinabstimmung, eine Anweisungsoptimierung oder eine Anpassung mittels Retrieval-Augmented Generation (RAG) durch, um die Agenten auf einen bestimmten Fachbereich zu spezialisieren. Die Agenten verbessern sich oft im Laufe der Zeit, indem sie aus neuen Daten und Rückmeldungen lernen, wodurch sie sich an veränderte Bedingungen oder sich weiterentwickelnde Branchenanforderungen anpassen können.

Zu den Hauptkomponenten, die diesen Agenten zugrunde liegen, gehören:

Vertikale KI-Agenten sind auf umfangreiche, qualitativ hochwertige Datensätze angewiesen, die für die jeweilige Branche oder Aufgabe, für die sie entwickelt wurden, unmittelbar relevant sind. Unternehmen beziehen Daten aus verschiedenen Quellen, wie beispielsweise historischen Aufzeichnungen, Echtzeit-Eingaben oder externen Datenbanken. Zunehmend sind branchenspezifische KI-Agenten multimodal, was bedeutet, dass sie verschiedene Typen von Text, Bildern, Sensordaten und Spracheingaben verstehen und miteinander kombinieren können.

Die Qualität und Relevanz der kuratierten Daten bestimmen die Genauigkeit und Wirksamkeit des Agenten. Im Gesundheitswesen beispielsweise müssen die Daten umfassend sein (beispielsweise durch die Berücksichtigung vielfältiger Patientendemografien), um zuverlässige Diagnosen zu gewährleisten.

Vor ihrer Verwendung durchlaufen die Daten Vorverarbeitungsschritte wie Bereinigung, Normalisierung und Merkmalsextraktion, um sicherzustellen, dass sie für das KI-Modell nutzbar sind. In regulierten Bereichen müssen die Daten zudem strenge Datenschutz- und Sicherheitsstandards erfüllen, wie beispielsweise die Einhaltung der HIPAA- oder DSGVO-Vorschriften.

Vertikale KI-Agenten nutzen Algorithmen, die auf die Anforderungen ihres jeweiligen Fachgebiets zugeschnitten sind. So könnte beispielsweise ein KI-Agent im Rechtsbereich Verarbeitung natürlicher Sprache (NLP) zur Analyse von Verträgen einsetzen, während ein KI-Agent im Agrarbereich Computer Vision nutzen könnte, um den Zustand von Kulturpflanzen anhand von Satellitenbildern zu überwachen. Mit fortschrittlichen Techniken und spezialisiertem Fachwissen kann der Agent den Kontext, in dem er tätig ist, besser verstehen.

Die Machine-Learning-Modelle (ML), die das Herzstück vertikaler KI-Agenten bilden, werden anhand domänenspezifischer Daten trainiert, um Fachwissen in ihrem jeweiligen Bereich zu erwerben. Diese Modelle lernen aus den Daten Muster, Zusammenhänge und Regeln, um ihre Aufgaben effektiv auszuführen.

Sie nutzen überwachtes Lernen (bei dem die Trainingsdaten beschriftet sind), unüberwachtes Lernen (bei dem das Modell selbstständig Muster erkennt) oder verstärkendes Lernen, das sich für Aufgaben eignet, die langfristige Entscheidungsfindung erfordern, wie beispielsweise die Optimierung von Lieferketten.

Unternehmen integrieren vertikale KI-Agenten in bestehende Software, Hardware oder Workflows innerhalb ihrer jeweiligen Branche. So könnte beispielsweise ein KI-Agent für die Fertigungsindustrie eine Verbindung zu Internet der Dinge (IoT)-Sensoren an Fabrikanlagen herstellen, oder ein KI-Agent für den Einzelhandel könnte in E-Commerce-Plattformen integriert werden.

Anbindung an bestehende Tools wie Kundenbeziehungsmanagement-Systeme (CRMs), elektronische Patientenakten (EHRs), Terminplanungssysteme, Lieferkettensysteme oder Finanzdatenbanken. Diese Anbindungen erfolgen in der Regel über sichere APIs, die es dem vertikalen KI-Agenten ermöglichen, Daten auf kontrollierte Weise zu lesen, zu schreiben und mit ihnen zu interagieren.

Anstatt lediglich Fragen zu beantworten, sind viele vertikale Agenten darauf ausgelegt, mehrstufige Workflows auszuführen – oft sogar autonom. Diese Nutzung agentischer KI erfordert eine Reihe aufeinander abgestimmter Komponenten:

• Planer gliedern komplexe Ziele in kleinere Aufgaben auf.
• Exekutoren führen einzelne Schritte aus und greifen dabei häufig auf externe Tools oder Systeme zurück.
• Speichermodule verfolgen den Fortschritt und den Kontext im Zeitverlauf.
• Retriever greifen bei Bedarf auf relevante Informationen aus Datenbanken oder Dokumentenspeichern zu.

Gemeinsam ermöglichen diese Komponenten den Agenten, bei der Lösung komplexer Probleme und der Bewältigung komplexer Aufgaben strukturiert und zielorientiert vorzugehen. Zur Unterstützung mehrstufiger, komplexer Aufgaben können Agenten vergangene Interaktionen im Gedächtnis behalten, um den Kontext über einen längeren Zeitraum hinweg im Blick zu behalten.

Obwohl vertikale KI-Agenten mit erheblicher Autonomie arbeiten, erfordern sie dennoch eine Einbindung von Menschen (HITL), insbesondere in Bereichen mit hohem Risiko oder in stark regulierten Bereichen. Das bedeutet, dass menschliche Bediener eingreifen können, wenn der Agent auf Unsicherheiten oder sensible Sachverhalte stößt.

Neben der Einbindung menschlicher Akteure können Agenten, die sensible Aufgaben übernehmen, auch im Rahmen von Governance- oder Compliance-Frameworks agieren. Zu diesen Details gehören beispielsweise Prüfprotokolle, Zugriffskontrollen und Erklärbarkeits-Tools, die den Nutzern helfen zu verstehen, warum der Agent auf eine bestimmte Weise gehandelt hat. In vertikale KI-Agenten integrierte Feedback-Mechanismen ermöglichen es ihnen, aus ihrer Umgebung zu lernen, was ihre Anpassungsfähigkeit fördert und ihnen hilft, sich im Laufe der Zeit zu verbessern.

Vertikale KI-Agenten liefern hochspezialisierte Lösungen, die auf bestimmte Branchen zugeschnitten sind. Ihre fundierten Fachkenntnisse gewährleisten Genauigkeit und Relevanz, wodurch sie sich für Aufgaben wie medizinische Diagnosen, Betrugserkennung oder die Optimierung der Lieferkette eignen.

Durch die Automatisierung sich wiederholender Aufgaben und die Reduzierung menschlicher Fehler steigern sie die Effizienz und optimieren Workflows – was wiederum dazu beitragen kann, einen Wettbewerbsvorteil zu erzielen. Über die Effizienz hinaus eignen sich vertikale KI-Agenten hervorragend für die Entwicklung personalisierter Erlebnisse und können Innovation und Entwicklung in komplexen, datengesteuerten Bereichen beschleunigen.

Vertikale KI-Agenten bringen jedoch einige Herausforderungen mit sich. Zwar stellt ihr enger Fokus eine Stärke dar, doch macht er sie gleichzeitig weniger vielseitig als universelle KI-Systeme. Ein zentrales Problem ist ihre Abhängigkeit von umfangreichen, qualitativ hochwertigen und domänenspezifischen Datensätzen, deren Beschaffung und Standardisierung sich als schwierig erweisen kann. Zudem können ihre Entwicklung und ihr Training ressourcenintensiv sein – und erfordern häufig eine kontinuierliche Wartung und Aktualisierung, um relevant zu bleiben.

Diese Wartungen können sich auf die Preisgestaltung und die Geschäftsmodelle der Anbieter auswirken, die von umfassenden Unternehmensverträgen bis hin zu nutzungsabhängigen Software-as-a-Service (SaaS)-Abonnements reichen. Und wie bei jeder KI-Technologie müssen Themen wie Datenschutz, Einhaltung gesetzlicher Vorschriften und ethische Bedenken sorgfältig gehandhabt werden.