test the episodes
Was ist agentische KI?
Agentische KI fungiert – bildlich gesprochen – als das Gehirn und die Hände einer KI-Anwendung, die miteinander interagieren, um eine Abfolge von Aufgaben zu erledigen. Sie basiert auf einem Large Language Model (LLM) und setzt quasi am Steuerrad, um verschiedene Werkzeuge (Tools) in Gang zu setzen und miteinander zu synchronisieren.
Folgende Definition bringt es auf den Punkt: Ein LLM-Agent führt Tools in einer Abfolge aus, um ein bestimmtes Ziel zu erreichen.
Der entscheidende Faktor liegt im selbstbestimmten Handeln, durch welches die KI anhand von Kontexten und Zielen selbst bestimmt, welche Schritte als Nächstes erfolgen. Damit entfällt die Abhängigkeit von starren, vordefinierten Regeln.
Die wichtigsten Merkmale
Agentische KI weist einige bestimmende Merkmale auf, anhand derer ihre Positionierung als „agentisch” sowie ihr Nutzen deutlich werden.
Zunächst orientiert sie sich stark an vorgegebenen Zielen und richtet ihre Aktionen selbstbestimmt darauf aus. Dies funktioniert über mehrere Schritte hinweg (Zerlegung komplexer Aufgaben in Teilschritte) und nur mit einer minimalen menschlichen Steuerung. Dabei priorisiert die KI und passt Pläne bei Bedarf an.
Ebenso nutzt sie eigenständig Tools wie Datenbanken, APIs, die Websuche sowie Anwendungen und bezieht Informationen aus der Umgebung und bisherigen Interaktionen ein. Diese kann die agentische KI samt Zwischenständen über mehrere Arbeitsschritte hinweg berücksichtigen.
Hier einige weitere wichtige Merkmale:
- Agentische KI wählt Antworten nicht nur aus, sondern plant sofort die nächsten Aktionen und führt diese aus.
- Sie prüft Ergebnisse und korrigiert ihr Vorgehen beziehungsweise ihre Planung bei Bedarf.
- Agentische KI besitzt eine Multi-Agent-Fähigkeit, so dass sie Aufgaben mit anderen KI-Agenten koordinieren und delegieren kann.
- Sie benötigt Orientierungspunkte wie Berechtigungen, Human-in-the-Loop-Konzepte, Monitoring und Abbruch-Mechanismen.
Einsatzgebiete agentischer KI
Grundsätzlich ergibt agentische KI überall dort Sinn, wo die Einsatzgebiete komplexer sind. Beim „bloßen” Erzeugen von Inhalten, um die es bei vielen KI-Anwendungsfällen geht, führt der Weg definitiv über generative KI. Soll die KI-Anwendung jedoch selbstständig Ziele verfolgen, Aktionen ausführen und Entscheidungen treffen, steht agentische KI im Mittelpunkt. Oft muss dies auch noch über verschiedene Schritte und Systeme hinweg erfolgen.
Typischerweise lässt sich agentische KI für folgende Bereiche zielführend einsetzen:
- ITSM: Hier geht es darum, Tickets zu analysieren, zu priorisieren, zu eskalieren, Lösungen zu finden und Änderungen durchzuführen.
- Kundenservice: KI kann die Anliegen von Kunden verstehen, Informationen aus verschiedenen Systemen zusammentragen und zahlreiche Fälle eigenständig bearbeiten beziehungsweise für ein hybrides Vorgehen zusammen mit Mitarbeitern eingesetzt werden.
- Cybersecurity: Auf diesem Gebiet kann eine agentische KI von äußerst hohem Wert sein, da sie (potenzielle) Bedrohungen erkennen, untersuchen und teilweise selbst Gegenmaßnahmen einleiten kann.
- Lieferkette und Produktion: Hier kann agentische KI vieles optimieren, von der Beschaffung, über Bestände und die Wartung bis hin zu Produktionsabläufen.
- Personalabteilung: Agentische KI kommt bereits erfolgreich für das Recruiting, das Onboarding, Mitarbeiter-Anfragen und administrative Prozesse zum Einsatz.
Darüber hinaus gibt es übergreifend den Bereich der persönlichen Assistenten. So eignet sich agentische KI zum Beispiel für das Recherchieren von Themen, die Koordination von Terminen, die Reiseplanung oder um bestimmte Aufgaben über verschiedene Tools hinweg zu erledigen.
Agentische KI vs. generative KI
Generative KI beantwortet primär Anfragen, wohingegen agentische KI ein Ziel verfolgt, selbstständig plant und handelt, Ergebnisse überprüft und ihr Vorgehen selbstbestimmt anpasst. Wo agentische KI Aktionen ausführt, erzeugt generative KI Inhalte. Während agentische KI zielorientiert agiert und Probleme löst, ist generative KI musterbasiert und erzeugt Daten.
Beide sind weder Gegensätze noch verschiedene evolutionäre Ausbaustufen Künstlicher Intelligenz, tatsächlich braucht es eine enge Zusammenarbeit beider, damit sich zum Beispiel ein KI-Agent als nützlich erweist und die Effizienz steigert. Die Autonomie bildet jedoch den entscheidenden Unterschied, da agentische KI selbstständig Aktionen ausführt und dafür mitunter auch generative KI nutzt, wobei generative KI nur auf Eingaben reagiert.
Auf den Punkt gebracht: „Erstelle mir eine Lösung“, ist die typische Aufforderung eines Anwenders generativer KI. „Erreiche dieses Ziel und finde selbst heraus, welche Schritte dafür notwendig sind“, heißt es dagegen bei agentischer KI.
Wo generative KI Antworten liefert, erledigt agentische KI selbstständig Aufgaben.
Vorteile agentischer KI
Agentische KI zu nutzen, kommt nicht nur einer Entlastung von Mitarbeitern und (partiellen) Einsparungen gleich, sondern bildet einen waschechten ökonomischen Vorteil: Es entstehen mehr Automatisierungen (bis hin zur Hyper-Automatisierung), eigenständige Entscheidungen, beschleunigte Prozesse und eine Bearbeitung vieler Aufgaben und Prozesse im Parallelen (gute Skalierbarkeit). Als entscheidend erweist es sich dabei, dass agentische KI eigenständig auf zuvor definierte Ziele hinarbeitet.
Hier sind einige der wichtigsten Vorteile agentischer KI:
- Wer KI-Agenten nutzt, profitiert von deutlich weniger repetitiver Arbeit.
- Für Unternehmen steht mitunter eine hohe Kostenersparnis zu Buche.
- Es entstehen konsistente Prozesse mit einer geringen Fehleranfälligkeit.
- Durch die Einsparung von Opportunitätskosten erhöht sich die Produktivität.
- Mitarbeiter verspüren eine Erleichterung.
- Kunden profitieren von schnelleren zufriedenstellenden Reaktionen.
- Es entstehen mehr gelöste Tickets pro Mitarbeiter.
- Neue Mitarbeiter genießen ein schnelleres Onboarding.
Der Weg zur gewinnbringenden Nutzung agentischer KI
Entscheidend bei der Adaption von KI-Agenten ist nicht etwa die Unternehmensgröße, sondern der KI-Reifegrad einer Organisation. Jener kann individuell recht unterschiedlich ausfallen. Eine wesentliche Herausforderung und ein wichtiger Differentiator liegen also darin, an eben jenen zu arbeiten – mit Maßnahmen wie diesen:
- eine klare KI-Roadmap erstellen
- Prozesse optimieren und standardisieren
- KI-Testläufe starten und daraus lernen
- KI-Ziele ergründen und evaluieren
Der Weg zu agentischer KI erfolgt typischerweise schrittweise: Wissensunterstützungen bilden typischerweise den Anfang der KI-Nutzung (zunächst generative Anwendungsformen), Automatisierung stellen den nächsten Schritt, wobei die autonome Ausführung von Aufgaben-Sequenzen den krönenden Abschluss bildet.
Diese schrittweise Logik wird dadurch untermauert, dass Unternehmen, die bereits Prozesse mit KI automatisieren, fast doppelt so häufig KI-Agenten einsetzen wie Unternehmen, die dies nicht tun.
Entscheidend ist heute nicht mehr der bloße KI-Einsatz, sondern der erfolgreiche Übergang hin zu einer KI, die Aufgaben eigenständig ausführt.
Agentische KI im ITSM
Agentische KI einzusetzen, bildet so etwas wie den zweiten evolutionären Sprung im ITSM; der erste war es, KI überhaupt zu nutzen und mit ihr zum Beispiel bestimmte Aufgaben zu automatisieren. KI, die nicht nur auf Anfragen reagiert, sondern Tickets löst, bedeutet einen großen Schritt. So nutzen derzeit noch recht wenige IT-Organisationen KI-Agenten, die Aufgaben-Sequenzen und Workflows selbstständig durchführen. Diejenigen, die bereits so weit sind, haben damit einen nennenswerten Vorteil.
Im ITSM können KI-Agenten zum Beispiel Tickets automatisch klassifizieren und lösen oder Probleme erkennen und beheben, noch bevor daraus Incidents entstehen. IT-Mitarbeiter haben somit mehr Freiraum für komplexe Aufgaben, die ein hohes Urteilsvermögen, Empathie oder strategische Entscheidungen erfordern.
Aufgrund der Aufgabenstruktur, der Ausgereiftheit des Marktes und vieler regelbasierter Prozesse eignet sich das ITSM hervorragend, um KI-Agenten zu implementieren. Diese besitzen ein hohes Potenzial, das Organisationen möglichst ausschöpfen sollten. Sie sind nun gefragt, die internen Voraussetzungen dafür zu schaffen.
Ausblick: Aktuelle Themen und eine Prognose
Agentische KI nimmt nach dem Hype um generative Künstliche Intelligenz aktuell eine dominierende Position bei den Trend- und Zukunftsthemen im IT- und Technologie-Bereich ein. Der Begriff wird von einigen Seiten recht inflationär verwendet, nimmt allerdings berechtigterweise eine hohe Position ein.
Klares Verständnis ist gefragt
Die Herausforderung liegt darin, agentische KI klar von anderen KI-Formen zu trennen, ihr Nutzen-Spektrum abzustecken und sie zielorientiert zum Einsatz zu bringen. So herrscht aktuell ein hoher Enthusiasmus, der allerdings ohne ein grundlegendes Verständnis agentischer KI und der Berücksichtigung von Themen wie IT-Sicherheit, Governance und zuverlässiges Software-Engineering nicht viel wert ist.
Um also nicht nur an Debatten teilzunehmen, sondern sich tatsächliche Vorteile zu verschaffen, zählt ein klares Verständnis agentischer KI. Dabei muss es nicht um technische Details und Finessen, wohl aber um möglichst zweckdienliche Nutzungsweisen gehen.
Zusammenarbeit statt Ersetzung
Andererseits herrscht die Furcht, dass KI-Agenten im großen Stil menschliche Arbeitskräfte ersetzen und in vielen Bereichen überflüssig machen könnten. Auch wenn die Fähigkeiten agentischer KI zunehmen und sie bereits heute mit einer hohen Autonomie agieren, liegt ein solches Szenario fern. So braucht es nicht nur Menschen zur Steuerung und Überwachung von KI, sondern vor allem für nun anders gelagerte Tätigkeiten. Es zählen verstärkt spezifisches Know-how sowie Fähigkeiten wie Empathie, Kreativität und unkonventionelles Denken, die im Zusammenspiel mit KI ein hohes Leistungspotenzial entfalten.
Beispielsweise kann agentische KI im Kundenservice als ein Sprachmodell fungieren, das wiederholt Tools aufruft, Ergebnisse verarbeitet und schrittweise auf ein Ziel hinsteuert. Er besitzt dabei Autonomie, aber kein autonomes Bewusstsein, sodass die Bezeichnung als digitaler Mitarbeiter vermessen wäre. Vielmehr entlastet er Mitarbeiter weitgehend, die sich nun verstärkt komplizierten Problemen und Anliegen von Kunden sowie wertschöpfenden und abwechslungsreichen Projekten widmen können.
Zukunftsprognose für agentische KI
In Zukunft wird agentische KI wohl eine feste Stellung in der Unternehmenswelt innehaben und über erweiterte Möglichkeiten verfügen. Womöglich werden Anwender dabei gar nicht viel zwischen agentischer und generativer KI differenzieren müssen, sondern beide mit einem hohen Selbstverständnis zusammen nutzen: KI-Assistenten werden dann zu einem normalen Wegbegleiter und einem Werkzeug, das Arbeitnehmer ganz selbstverständlich einsetzen, so wie man einen Hammer bedient oder Strecken mit dem Auto zurücklegt.
Es ist gut denkbar, dass viele Wissensarbeiter ihren persönlichen KI-Assistenzen an ihrer Seite haben werden und so eine passgenau auf sie zugeschnittene Unterstützung erhalten. In diesem Sinn könnten KI-Assistenten zukünftig weniger ein Hype-Thema sein und schlicht zum Alltag gehören, wie sie bereits heute immer mehr Einzug halten.
Agentische KI weist dabei das Potenzial auf, menschliches Verhalten bis zur Perfektion zu imitieren, sodass es die Rolle eines herausragenden Mitarbeiters ohne Weiteres einnehmen kann. Dies beschränkt sich nicht nur auf Tätigkeiten, die regelbasiert und wiederholend sind, da agentische KI Entscheidungen trifft und zielfokussiert agiert. Wenn es um kreative und innovationsstiftende Prozesse geht, wird auch agentische KI an ihre Grenzen stoßen. Hierzu bräuchte es eine sogenannte starke KI, die bisher noch Fiktion ist.
Was Unternehmen bislang noch von agentischer KI abhält
Prinzipiell steht vielen Unternehmen nichts im Weg, um agentische KI bereits heute breitflächig zu implementieren. Was viele noch davon abhält, lässt sich auf Probleme mit dem eigenen KI-Reifegrad zusammenfassen. Damit zusammenhängend stehen insbesondere für kleine und mittelständische Unternehmen oft mehrere praktische Probleme im Vordergrund, die sie von neuen Technologien und innovativen Vorgehensweisen abhalten.
So lässt sich erklären, dass trotz des mittlerweile hohen Aufkommens von KI-Assistenten die Implementierung agentischer KI in vielen anderen Bereichen noch ausbaufähig ist. In diesem Sinn benötigt agentische KI eine gewisse Vorarbeit, ehe sie zielführend zum Einsatz kommt. Dazu gehören die Aufstellung von Zielen, die Bereitstellung von Kontexten, präzise Prozesse und ausreichend Lerndaten. Auf dieser Basis lässt sich ein Large Language Model schließlich effektiv einsetzen.
Fazit: Agentische KI erreicht eigenständig Ziele
Agentische KI zeichnet sich dadurch aus, dass sie eigenständig – vom Menschen definierte – Ziele verfolgen kann. Wo generative KI Antworten gibt, erledigt agentische KI Aufgaben. Die Mehrstufigkeit beziehungsweise Prozessorientierung ist dabei ein wichtiger Faktor: „An LLM agent runs tools in a loop to achieve a goal”, lautet eine treffende Definition von Simon Willison. Agentische KI kann ein Ziel erreichen, indem sie selbst herausfindet, welche Schritte dafür notwendig sind.
Unternehmen können in vielen unterschiedlichen Bereichen von agentischer KI profitieren. Sie sind nun gefragt, die Voraussetzungen dafür zu schaffen. Denn es gilt der Grundsatz: Wer KI nicht erfolgreich für grundlegende Automatisierungen nutzt, wird dies höchstwahrscheinlich auch nicht für Aufgaben-Sequenzen, für die es agentische KI braucht, schaffen. In anderen Worten: Eine ausreichende interne KI-Reife ist ein überaus wichtiger Aspekt.
Der Aufwand lohnt sich, denn die Vorteile, erfolgreich agentische KI einzusetzen, können enorm ausfallen. Dabei ist davon auszugehen, dass diese Technologie in geraumer Zeit zum Standard gehören wird.
FAQ
Abschließend finden sich hier einige ausgewählte häufig gestellte Fragen zum Themengebiet agentische KI.
Was sind agentische KI-Systeme?
Von agentischer KI ist die Rede, wenn Systeme über das Generieren von Inhalten nach dem Frage-Antwort-Prinzip (generative KI) hinausgehen. So planen Systeme der agentischen KI, nutzen Tools, treffen Entscheidungen und verfolgen Ziele in mehrstufigen Prozessen.
Wie funktioniert agentische KI?
Systeme, die auf agentischer KI basieren, verwenden Daten und Kontexte, um bestimmte Aufgaben zu erledigen und dabei Entscheidungen treffen zu können. Dabei sind von Menschen gesteckte Ziele, auf welche die agentische KI hinarbeitet, ein wichtiger Faktor.
Was ist der Unterschied zwischen einem KI-Agenten und agentischer KI?
Der Unterschied liegt in der Komplexität der Aufgaben: Ein KI-Agent kommt für zuvor festgelegte einzelne Aufgaben zum Einsatz, wohingegen agentische KI verschiedene diese Agenten miteinander kombiniert, um umfassende und mehrstufige Workflows auszuführen. Somit handelt es sich bei agentischer KI um die übergeordnete Instanz, die unterschiedliche KI-Agenten gezielt einsetzen kann.
Was ist ein Beispiel für eine agentenbasierte KI?
Ein einfaches, veranschaulichendes Beispiel kommt aus dem IT-Support: Wenn ein bestimmendes System nicht mehr funktioniert, erklärt generative KI, welche Schritte zu leisten sind, damit das Problem behoben ist. Agentische KI ist dagegen dazu in der Lage, diese Schritte gleich selbst zu leisten. Wenn also etwa Outlook nicht mehr funktioniert, beginnt die agentische KI einen mehrstufigen Prozess: von der Analyse des entsprechenden Tickets, über die Identifizierung von Benutzer und Gerät, über die Prüfung bekannter Störungen sowie die Auswahl einer Lösung bis hin zur Schließung und Dokumentation des Tickets.