Was ist eine agentische KI?

Agentische KI-Systeme sind so konzipiert, dass sie autonomer agieren. Dabei werden KI-Agents eingesetzt, die im Wesentlichen autonome, für die Ausführung bestimmter Aufgaben konzipierte Einheiten sind. Im Kern basiert diese Technologie auf mehreren Schlüsselkomponenten:

1. Wahrnehmung: Die agentische KI beginnt, Informationen aus ihrer Umgebung und aus verschiedenen Quellen wie Sensoren, Datenbanken und Benutzeroberflächen zu erfassen. Dabei können Text-, Bild- oder andere Daten analysiert werden, um die Situation zu verstehen.
2. Schlussfolgerungen: Mithilfe eines Large Language Model (LLM) analysiert die agentische KI die gesammelten Daten, um den Kontext zu verstehen, relevante Informationen zu identifizieren und mögliche Lösungen zu formulieren. Wenn es beispielsweise darum geht, ein Meeting zu planen, kann das LLM den Text von E‑Mails analysieren, um Teilnehmende, verfügbare Zeiten und den Zweck des Meetings zu erkennen.
3. Planung: Die KI nutzt die gesammelten Informationen, um einen Plan zu entwickeln. Dazu gehören das Setzen von Zielen, das Aufteilen in kleinere Schritte und das Finden des besten Weges, um die Ziele zu erreichen.
4. Aktion: Die KI führt die Aktion gemäß ihrem Plan aus. Mögliche Elemente sind das Ausführen von Aufgaben, das Fällen von Entscheidungen oder die Interaktion mit anderen Systemen.
5. Reflexion: Nachdem die KI eine Aktion ausgeführt hat, lernt sie aus den Ergebnissen. Sie bewertet, ob ihre Aktionen erfolgreich waren, und nutzt dieses Feedback, um zukünftige Pläne und Aktionen anzupassen. Dieser kontinuierliche Zyklus aus Wahrnehmung, Planung, Handlung und Reflexion ermöglicht es der agentischen KI, im Laufe der Zeit zu lernen und sich zu verbessern.

Vertex AI von Google Cloud bietet eine umfassende Suite von Tools zum Trainieren, Erstellen und Bereitstellen von KI-Modellen, einschließlich vortrainierter APIs für häufige Aufgaben und benutzerdefinierter Trainingsoptionen für erweiterte Anwendungsfälle. Vertex AI bietet auch MLOps-Tools zur Verwaltung des gesamten Lebenszyklus des maschinellen Lernens, von der Datenvorbereitung bis zum Modellmonitoring. Dies ist entscheidend für die fortlaufende Entwicklung und Verbesserung von agentischen KI-Systemen.

Sowohl agentische KI als auch generative KI sind Formen der künstlichen Intelligenz und können zusammen verwendet werden, haben aber unterschiedliche Funktionen. 

Generative KI, wie der Name schon sagt, konzentriert sich auf die Erstellung neuer Inhalte wie Text, Bilder, Code oder Musik auf der Grundlage von Eingabe-Prompts. LLMs sind das Herzstück der generativen KI. Der Wert wird durch die Möglichkeiten des Modells und einfache Erweiterungen der LLM-Funktionen generiert. Sie können beispielsweise Inhalte generieren oder bearbeiten, einfache Funktionsaufrufe durchführen und verschiedene Optionen miteinander verknüpfen. 

Agentische KI ist ein Teilbereich der generativen KI, bei dem es um die Orchestrierung und Ausführung von Agenten geht, die LLMs als „Gehirn“ verwenden, um Aktionen über Tools auszuführen. Agentische KI geht über die Erstellung von Inhalten und Funktionsaufrufen hinaus, indem sie Aktionen in zugrunde liegenden Systemen ausführt, um übergeordnete Ziele zu erreichen. 

Beispiel: Eine generative KI erstellt Marketingmaterialien, während eine agentische KI diese Materialien dann bereitstellt, ihre Leistung verfolgt und die Marketingstrategie basierend auf den Ergebnissen automatisch anpasst. So kann agentische KI generative KI als Werkzeug nutzen, um ihre Ziele zu erreichen.

Die Begriffe „agentische KI“ und „KI-Agenten“ werden oft austauschbar verwendet, es gibt aber einen kleinen Unterschied. KI-Agenten sind die Bausteine der agentischen KI. KI-Agenten sind wie einzelne Werkzeuge in einem Werkzeugkasten, während die agentische KI die koordinierte Verwendung dieser Werkzeuge ist, um ein ganzes Haus zu bauen. 

Während sich ein KI-Agent auf eine bestimmte Aufgabe konzentriert, setzt die agentische KI mehrere Agents ein, um komplexe Workflows zu bewältigen. Die agentische KI fungiert als übergeordnetes System, das diese Agenten koordiniert und verwaltet, um umfassendere Ziele zu erreichen.

Die Implementierung einer agentischen KI in einem Unternehmen erfordert sorgfältige Überlegungen. Hier finden Sie einige wichtige Faktoren, die Sie berücksichtigen sollten:

• Klare Ziele: Identifizieren Sie die spezifischen Probleme, die KI-Agents lösen sollen, und wie sie mit den Geschäftszielen übereinstimmen.  
• Datenqualität und -vorbereitung: Agentische KI-Systeme benötigen hochwertige Daten, um korrekte Entscheidungen zu treffen. Unternehmen müssen dafür sorgen, dass ihre Daten korrekt, vollständig und aktuell sind und dass sie für die KI-Nutzung richtig formatiert und eingebunden wurden. 
• Ethische Implikationen: Es ist wichtig, die ethischen Implikationen des Einsatzes von agentischer KI zu berücksichtigen und sie verantwortungsvoll einzusetzen, da sie Entscheidungen treffen kann, die erhebliche Auswirkungen auf das Leben von Menschen haben. Unter anderem können potenzielle Verzerrungen in den Daten oder Algorithmen beseitigt werden müssen, die zu unfairen oder diskriminierenden Ergebnissen führen könnten. Beispiel: Ein KI-System, das für die Kreditgenehmigung verwendet wird, sollte keine bestimmten demografischen Gruppen benachteiligen. Außerdem müssen Unternehmen transparent machen, wie sie die agentische KI einsetzen, und für eine menschliche Aufsicht sorgen, um unbeabsichtigte Folgen zu vermeiden.
• Sicherheit: Agentische KI-Systeme können anfällig für Cyberangriffe sein. Unternehmen müssen robuste Sicherheitsmaßnahmen implementieren, um diese Systeme und die von ihnen verwendeten Daten zu schützen. Dazu gehört der Schutz vor Datenpannen, unbefugtem Zugriff und böswilligen Angriffen, die die Integrität oder Vertraulichkeit des KI-Systems gefährden könnten.
• Erklärbarkeit: Es ist wichtig zu verstehen, wie ein agentisches KI-System Entscheidungen trifft, insbesondere wenn etwas schiefgeht. Unternehmen sollten in Systeme investieren, die Einblicke in den Entscheidungsprozess bieten. Techniken wie SHAP (SHapley Additive exPlanations) oder LIME (Local Interpretable Model-agnostic Explanations) können dazu beitragen, KI-Entscheidungen transparenter und verständlicher zu machen. Das schafft nicht nur Vertrauen, sondern erleichtert auch das Debugging und die Verbesserung des KI-Systems.
• Einbindung: Agentische KI-Systeme müssen in bestehende Geschäftssysteme eingebunden werden. Das kann ein komplexer Prozess sein, der sorgfältige Planung und Koordination erfordert. Hier muss die Kompatibilität mit der vorhandenen IT-Infrastruktur, den Datenformaten und den Geschäftsprozessen gegeben sein. Dazu gehört auch, potenzielle Herausforderungen im Zusammenhang mit der Datenmigration, der Systemintegration und der Nutzerakzeptanz zu bewältigen.
• Monitoring und Bewertung: Die Leistung von KI-Agenten muss kontinuierlich überwacht, Probleme müssen behoben und Algorithmen bei Bedarf optimiert werden.  

Unternehmen sollten ihre Anforderungen und Ressourcen sorgfältig prüfen, bevor sie agentische KI implementieren. Außerdem sollten sie bereit sein, in die notwendige Infrastruktur, Fachkenntnisse und Trainings zu investieren, um die erfolgreiche Einführung dieser Technologie zu ermöglichen.