test the episodes
Künstliche Intelligenz (KI) hat mittlerweile eine feste Stellung inne, in der Arbeitswelt genauso wie anderswo. Viele Menschen nutzen sie mittlerweile selbstverständlich und routiniert, doch die KI entwickelt sich weiter. Handelt es sich bei generativer KI um die häufigste Nutzungsform, hält nun agentische KI verstärkt Einzug.
Dieser Beitrag vergleicht beide Konzepte miteinander, zeigt Unterschiede auf und erklärt, wie sich die beiden KI-Formen intelligent nutzen beziehungsweise miteinander verbinden lassen.
Agentische und generative KI im Vergleich
Wenn die KI-Welt ein Orchester ist, schafft es agentische KI bis zum Dirigenten, während generative KI auf Anweisung hin ein Instrument technisch sauber spielen kann. Agentische KI kann Entscheidungen treffen, wo generative KI auf den menschlichen Input (Prompts) angewiesen ist.
Was ist generative KI?
Generative KI beschreibt Künstliche Intelligenz, die auf menschliche Eingaben hin etwas erzeugt, wie Texte, Bilder, Audiodateien oder Code. Sie lernt aus großen Datenmengen (Big Data) und nutzt natürliche Sprachmodelle (Large Language Models), um natürlich und menschlich wirkende Ergebnisse zu erzeugen.
Auch wenn generative KI hochgradig anpassungsfähig ist und verschiedene Stilformen erzeugt, mangelt es ihr an der Fähigkeit, autonom zu agieren und selbstständig mehrere Arbeitsschritte auszuführen. Wichtige Anwendungsfälle sind unter anderem Support-Inhalte wie bei Wissensdatenbanken, Konversationen, die Erstellung von Marketingmaterial oder Produktdokumentationen.
Was ist agentische KI?
Agentischer KI obliegt die Fähigkeit, Entscheidungen zu treffen und autonom sowie proaktiv zu agieren, um bestimmte Ziele zu erreichen. Sie plant, denkt mehrstufig sowie kontextbewusst und führt selbstständig Abfolgen von Aktionen aus. Möglich wird dies durch natürliche Sprachverarbeitung (Natural Language Processing), maschinelles Lernen und Technologien zur Wissensdarstellung.
Agentische KI ist nicht von menschlichen Eingaben abhängig, sondern übernimmt Frequenzen von Aufgaben und die nächsten logischen Schritte von sich aus. Zum Beispiel als virtueller Agent kommt sie den menschlichen Fähigkeiten bereits sehr nahe, ist aber immer noch stark von vordefinierten Strukturen und Daten abhängig, sodass auch sie bei einer hohen Komplexität an ihre Grenzen stößt.
Beispiele für die Anwendung agentischer KI sind autonome Fahrzeuge, virtuelle Agenten und aufgabenspezifische Co-Piloten. Mehr und mehr findet agentische KI im Kundenservice, im ITSM und bei der Cyber Security Einsatz.
Die Unterschiede zwischen beiden Konzepten
Agentische und generative KI bauen aufeinander auf und arbeiten für bestimmte Aufgaben sequentiell zusammen. Sie sind also weder Gegensätze noch unterschiedliche evolutionäre Stufen Künstlicher Intelligenz, sondern verschiedenartige Formen, die beide ihre bestimmten Zwecke erfüllen.
Die Autonomie bildet den entscheidenden Unterschied zwischen der agentischen und der generativen KI: Agentische KI-Anwendungen führen zielgerichtet Aktionen aus, wohingegen generative KI auf die Erstellung von Outputs (Ergebnissen) – auf Basis von Eingaben (Prompts) spezialisiert ist.
Die nachfolgende Tabelle zeigt die Unterschiede zwischen beiden.
Von der Technologie her weisen agentische und generative KI viele Parallelen, wie zum Beispiel LLMs, NLP, maschinelles Lernen und die statistische Mustererkennung auf. Generative KI verfügt nun anders als agentische KI über Modelle zur Content-Generierung. Agentische KI hat generativer KI allerdings Planungsalgorithmen, Speichermodule, API-Integrationen, Reinforcement Learning (bestärkendes Lernen) sowie zielorientierte autonome Systeme voraus.
Technisch ist agentische KI also tatsächlich besser aufgestellt als generative KI. Für Anwender geht es darum, diese Stärken zielgerichtet zu nutzen.
Um möglichst viel aus den KI-Fähigkeiten herauszuholen, bietet sich ein hybrider Ansatz an. So kann zum Beispiel die agentische KI eine Entscheidung treffen, welche die generative KI gleich umsetzt. Nach diesem Prinzip lassen sich viele Workflows und Prozesse automatisieren.
Agentische und generative KI im ITSM
Beide Formen Künstlicher Intelligenz eignen sich hervorragend für das ITSM, wo sie aufeinander aufbauen und einander ergänzen. Wo generative KI sich bereits als feste Größe und Produktivitätssteigerer im ITSM etabliert hat, bahnt sich agentische KI als neue Technologie allmählich ihren Weg, wobei im ITSM als umfassender KI-Agent ihre spannendste Alternative liegt.
Generative KI im ITSM
Im ITSM lässt sich generative KI unter anderem folgendermaßen hernehmen:
- Zusammenfassung von Inhalten wie Tickets: Einige Ticketinhalte, Dokumentationen etc. sind außerordentlich lang, ein schneller Überblick spart viel Zeit und ermöglicht zeitnahe Antworten und Lösungsansätze. Prägnante KI-basierte Zusammenfassungen führen so rasch zu dem Wesentlichen.
- Antwortgenerierungen: KI-generierte Antworten sind mal mehr und mal weniger gut. Wenn sie eine solide Basis haben und ein Mensch sie wenigstens kurz prüft, führen sie jedoch zu schnellen Reaktionen, die dem Gesamtprozess Dynamik, eine Richtung sowie wichtige Lösungsansätze verleihen.
- Klassifizierungen und Priorisierungen: Hier analysiert die generative KI Tickets sekundenschnell, weist sie der richtigen Kategorie zu und verleiht ihnen eine Priorität.
- Echtzeit-Übersetzungen: Nachrichten sofort übersetzen lassen zu können, verhindert Sprachbarrieren und ermöglicht es, direkt in der bevorzugten Sprache kommunizieren zu können, sodass eine schnellere Klärung in Aussicht steht.
- Self-Service und Wissensdatenbanken: Hier stehen einerseits die bekannten KI-Chatbots und andererseits Wissensdatenbank-Inhalte, die generative KI schnell erstellen, zusammenfassen und aktualisieren kann, im Vordergrund.
- Sentiment-Analysen: Dies ist ein spannender Bereich generative KI, der Rückschlüsse zu und aus Stimmungen sowie emotionalen Untertönen von Nachrichten zulässt. Auf Basis solcher initiativen Einschätzungen können Menschen bestimmte Tickets priorisiert und angepasst angehen.
Agentische KI im ITSM
Agentische KI ermöglicht ein effizienteres, stabileres und nutzerorientiertes ITSM mit höherem Automatisierungsgrad und besserer Servicequalität. Dadurch lassen sich das ITSM und das Enterprise Service Management (ESM) autonom, proaktiv und skalierbar betreiben.
Die wichtigsten Unterschiede: Agentische KI übernimmt operative Aufgaben selbstständig, erkennt Probleme frühzeitig und verschafft IT-Teams mehr Freiräume.
Im Folgenden finden sich die wichtigsten Einsatzbereiche:
- Agentische KI bearbeitet Incidents und Anfragen autonom, inklusive Lösungsvorschlägen.
- Sie erkennt Probleme proaktiv und vermeidet Störungen.
- Agentische KI überwacht die Sicherheit und reagiert schnell auf potenzielle Bedrohungen.
- KI-Copiloten unterstützen IT-Teams, indem sie bestimmte Prozesse und Workflows automatisieren und die Qualität sichern.
- Durch einen intelligenten Self-Service und ein intelligentes Wissensmanagement lassen sich schnell eigenständig Lösungen erarbeiten.
Generative vs. agentische KI im ITSM
Generative KI besitzt nicht nur im ITSM bereits beeindruckende Fähigkeiten für die Erstellung, Bearbeitung, Zusammenfassung oder Übersetzung von Inhalten, ist dabei allerdings stark vom menschlichen Input abhängig.
Agentische KI geht noch weiter, agiert für definierte Bereiche autonom sowie proaktiv und ebnet den Weg zu intelligenten Automatisierungen.
Sowohl agentische als auch generative KI können dem ITSM äußerst zuträglich sein, wobei es immer noch kompetenter Mitarbeiter und bezüglich agentischer KI oft einer höheren Reife bedarf, da sie sich noch in einem recht frühen Stadium befindet.
Best Practices für die Nutzung
Agentische KI fungiert – richtig eingesetzt – als Problemlöser, der autonom agiert und Kontexte versteht. Generative KI besitzt zwar nicht diesen Grad an Autonomie, erweist sich aber aufgrund ihrer Gestaltungskraft bei vielen Aufgaben als überaus hilfreich.
Die folgenden Praktiken können sich als nützlich erweisen, um möglichst umfassend von beiden KI-Arten beziehungsweise ihrer kombinierten Wirkung zu profitieren.
#1: Bewusst zwischen agentischer und generativer KI unterscheiden
Viele Anwender nehmen bei Künstlicher Intelligenz per se keine Unterscheidung vor. Aber wo KI mittlerweile vielfach in verschiedenen Formen zum Einsatz kommt, müssen wir Abstufungen vornehmen, um ihr Potenzial wahrlich zu entfalten.
Agentische KI hat ihre Stärken bei der Entscheidungsfindung und bei Abfolgen von Aufgaben, sodass sie zum Beispiel als KI-Assistent wertvolle Dienste leisten kann. Generative KI weist allerdings – mittels der Erstellung von Inhalten und Informationen – auch eine starke unterstützende Wirkung auf, die allerdings nicht prozessorientiert und von Eingaben abhängig ist.
Agentische und generative KI können auch Teil desselben Workflows sein und dabei Ergebnisse zu Tage fördern, die sie jeweils allein nicht erreicht hätten.
#2: Technologie stark nutzenorientiert einsetzen
Ein gutes Team zeichnet sich dadurch aus, dass alle Mitglieder ihre Stärken individuell einbringen und dabei einen hohen Gestaltungsfreiraum genießen, ohne aber auf eine starke, richtunggebende Führung zu verzichten.
KI lässt sich in dieses Schema einordnen: Generative KI erledigt zuvor definierte Aufgaben und erstellt Inhalte, agentische KI übernimmt Workflows sowie das Projektmanagement und Menschen geben als Führungsinstanz die Ziele, Strategien und Richtungen vor.
Nach diesem Prinzip sollten sich Teams jeweils kurz vergewissern, welche Rolle die Technologie bei einer bestimmten Aufgabe spielen kann – und wie dies stark nutzenorientiert gelingt. Verschiedene KI-Anwendungen haben ein hohes Potenzial, aber es braucht die richtige Richtung vom Menschen, um dieses zu entfesseln.
#3: Auf flexible Modelle setzen
KI ist dem Hype- und Trend-Stadium entwachsen, woraus für viele Unternehmen ein gewisser Handlungsdruck entsteht. Sich an den neuen Status quo zu adaptieren, bildet definitiv einen empfehlenswerten Ansatz, allerdings sind dabei Faktoren wie die Reife (zum Beispiel der individuelle ITSM-Reifegrad) zu berücksichtigen.
Im Klartext bedeutet das, KI erst dann flächendeckend zu implementieren, wenn die Voraussetzungen dafür geschaffen und die Prozesse möglichst gut ausstaffiert sind. Für die Adaptierung an KI bieten sich flexible Modelle an, mit denen sich verschiedene KI-Anwendungen – ob nun generative oder agentische KI – testen, evaluieren und iterativ umsetzen lassen.
#4: Nicht immer muss es KI sein
Dies wirkt zunächst kontraintuitiv, wenn es um die besten Praktiken für generative und agentische KI geht. Tatsächlich sollten wir allerdings nicht nur zwischen diesen beiden Technologien, sondern auch zwischen ihnen und der menschlichen Komponente differenzieren. So gibt es schlichtweg zahlreiche Aufgaben, die nicht für KI prädestiniert sind, was typische menschliche Stärken umso mehr betont.
Als Beispiele dafür fungieren komplexe Servicefälle, für die Fingerspitzengefühl und Empathie gefragt sind, das Entwerfen differenzierter Strategien oder die Erarbeitung einzigartiger Lösungen auf einem bestimmten Gebiet.
#5: KI-Resultate prüfen und evaluieren
Auch wenn es agentische KI auf eine beeindruckende Autonomie bringt, empfiehlt sich in vielen Fällen immer noch eine eingehende Prüfung von KI-Ergebnissen, insbesondere bei entscheidenden, sensitiven und emotionsbehafteten Themen.
Fazit: Potenziale adäquat nutzen
Generative KI und agentische KI stehen einander nicht als Konkurrenzmodelle gegenüber. Vielmehr braucht es eine produktive Symbiose, sodass die kumulierten Fähigkeiten beider in umfassenden KI-unterstützten IT-Lösungen bisher unerreichte Mehrwerte erbringen können werden. Dies klingt berechtigterweise etwas visionär, da agentische KI sich noch in ihren Anfängen befindet.
Auch wenn agentische KI technologisch umfassender und komplexer als generative KI ist, handelt es sich nicht um verschiedene Evolutionsstufen, sondern um ähnliche Technologien, die etwas unterschiedliche Nutzen und Zwecke erfüllen: Generative KI entfaltet seine Stärken, wenn Unternehmen inputbasierte Prozesse produktiver gestalten möchten, während agentische KI autonome Prozesse liefert, die vollständig ohne menschliches Eingreifen auskommen.
Nun sind KI-Anwendungen mit einem gewissen Handlungsdruck verknüpft, da sie rasch um sich greifen und Unternehmen den technologischen Anschluss halten müssen. Ratsam ist der Ansatz „Eile mit Weile“: Es ist durchaus positiv, wenn Implementierungen rasch erfolgen, aber sie sollten auch mit einer entsprechenden Reife und Zielorientierung verbunden sein.
Generative KI und agentische KI weisen beide – und vor allem im produktiven Zusammenspiel – ein hohes Potenzial auf. Unternehmen sind nun gefragt, die richtigen Voraussetzungen zu schaffen und dieses zu entfesseln.