Agenten und KI arbeiten gemeinsam für das Gute

James HendergartSenior Director, Technische Forschung | F5

Agentische KI ist eine synergetische Verbindung aus Code und großen Sprachmodellen (LLMs).

Agentische KI ist derzeit in aller Munde

KI-Agenten begannen 2024, einen messbaren geschäftlichen Mehrwert zu erzielen. Beispiele dafür finden sich sowohl in Branchen wie Einzelhandel, Gesundheitswesen und Fertigung als auch in übergreifenden Unternehmensbereichen wie Vertrieb, Kundenservice und Support. Der Kosmetikhändler Sephora ist ein Beispiel für den Einsatz agentenbasierter KI, um neue Maßstäbe in der Hautpflege zu setzen. Dazu werden Kundeneingaben in Echtzeit mit tatsächlichen Ergebnissen und früherem Kundenfeedback kombiniert, um präzisere Produktempfehlungen zu geben. Der Händler hat das gesamte Erlebnis bei jeder Kundeninteraktion automatisiert und personalisiert. Das Ergebnis: 11 % mehr Umsatz bei 30 % weniger Produktrückgaben.

Der Nutzen von KI-Agenten liegt darin, dass sie mithilfe von Software und großen Sprachmodellen (LLMs) mehrere Aufgaben mit weniger oder sogar ganz ohne menschliches Eingreifen automatisieren. Doch was genau sind diese Agenten und wie nutzen sie KI?

Was ist ein KI-Agent?

Agenten sind Softwareprogramme, die bestimmte Aufgaben ausführen. Einige Agenten sind auf eine einzelne Aufgabe spezialisiert, etwa eine Websuche zu einem bestimmten Thema durchzuführen oder ein LLM abzufragen, das mit domänenspezifischen Informationen angereichert wurde, die nirgendwo sonst verfügbar sind. Andere sind darauf spezialisiert, eine Benutzeranfrage in eine Reihe von Aufgaben umzuwandeln und deren Erledigung durch ausführende Agenten zu koordinieren. Unabhängig davon, ob sie koordinieren oder ausführen, arbeiten Agenten nach klaren Vorgaben und deterministisch. KI ist hier nicht im Spiel. Für jeden Agenten sind sämtliche Informationen, die er zur Ausführung benötigt, sowie der Zeitpunkt seiner Ausführung vordefiniert. Software ist Magie, aber keine KI-Magie.

Ein Beispiel für den Einsatz von Agenten ist die Verkettung mehrerer Schritte, um eine umfassendere Aufgabe zu erledigen, etwa einem Bestandskunden zum richtigen Zeitpunkt eine personalisierte Akquise-E-Mail zu senden. Der Prozess lässt sich in mehrere kleinere, klar abgegrenzte Aktionen unterteilen, die jeweils problemlos von einem einzelnen, spezialisierten und für diesen Zweck vorprogrammierten Agenten ausgeführt werden können. Dazu gehören beispielsweise die Abfrage einer Marketing-Lead-Datenbank nach Kundeninteraktionen innerhalb der vergangenen sieben Tage, das Abrufen der drei E-Mail-Adressen mit den meisten Interaktionen in den vergangenen 90 Tagen aus dem Customer-Relationship-Management-System (CRM) sowie das Versenden einer auf der neuesten Vertriebskampagne basierenden Standard-E-Mail an jede dieser Adressen. Für diese Aktionen ist nicht zwangsläufig KI erforderlich.

Was ist die KI in agentischer KI?

Generative KI, die von LLMs bereitgestellt wird, kann Muster in Datenquellen erkennen und dabei mehr Kontext sowie aussagekräftigere Antworten liefern als die klassische Suche. Sie kann außerdem Texte zusammenfassen, analysieren oder generieren, um Informationen prägnanter und nützlicher aufzubereiten oder neu zu strukturieren. Der Einsatz von LLMs verleiht einem Prozess geradezu etwas Magisches, da ihre Ausgaben nicht deterministisch sind. Diese Modelle erkennen gesuchte Muster mit einer Geschwindigkeit, die von keiner anderen jemals entwickelten Rechenmethode erreicht wird. Für uns Menschen wirkt das Ergebnis wie eine Form des logischen Denkens. In den vergangenen zwei Jahren hat sich die Qualität der LLM-Ausgaben von „ganz in Ordnung“ zu „bemerkenswert“ verbessert. Doch woran erkennen wir, wann generative KI in einer agentenbasierten Lösung eingesetzt werden sollte?

Um beim Beispiel der E-Mail zur Neukundengewinnung zu bleiben: Eine E-Mail-Vorlage lässt sich mit minimaler Personalisierung verwenden, doch eine KI-generierte E-Mail, die nicht nur auf ein hervorragendes, für die Texterstellung konzipiertes LLM, sondern auch auf vertrauliche kundenspezifische Informationen zu früheren Käufen und Bedürfnissen zugreifen kann, ist deutlich besser. Die bei Epson implementierte Conversica-Lösung zeigt dies anschaulich: Zwei der wirkungsvollsten Funktionen dieser agentenbasierten KI-Lösung, die autonome und wiederholte Aktionen veranschaulichen, sind: 1) die Fähigkeit, über einen längeren Zeitraum wechselseitige E-Mail-Konversationen zu führen, und 2) der Versand von E-Mails zu der vom Empfänger bevorzugten Tageszeit.

Agentische KI – der Kombinationseffekt

Agentische KI kombiniert hochspezifischen Anweisungscode, der Aufgaben ausführt, mit KI-Inferenz, um aussagekräftige und kontextbezogene Antworten zu generieren oder vorherzusagen. Agentische KI ist keine Magie, aber sie ist leistungsfähiger als Agenten oder generative KI für sich allein. Diese beiden Bausteine lassen sich in unterschiedlichen Anteilen und Kombinationen zusammenfügen, um einen Arbeitsablauf zu automatisieren und äußerst wertvolle Ergebnisse zu erzielen. Das folgende einfache Diagramm zeigt einen automatisierten Workflow mit agentischer KI. Dabei kommen verschiedene Arten spezialisierter Agenten und KI-Modelle zum Einsatz, um eine Reihe von Aktionen auszuführen. Die Lösung wird so lange ausgeführt, bis ein akzeptables Ergebnis erzielt ist, das anschließend an den Benutzer zurückgegeben wird.

Beispiel für einen automatisierten agentenbasierten KI-Workflow.

2025 verspricht dank der kontinuierlichen Weiterentwicklung des logischen Schlussfolgerns von LLMs und agentenbasierter Plattformen genauso spannend zu werden wie 2024. Noch vor nicht allzu langer Zeit herrschte die Ansicht vor, dass man LLMs nicht vertrauen könne. Dieses Jahr könnte die Zahl der Kommentare wie „Agentenbasierte KI kann unmöglich durch logisches Schlussfolgern zu einer besseren Antwort gelangen als ein Mensch“ spürbar zurückgehen. Da sowohl Agenten als auch KI in diesem Jahr ausgereifter und leistungsfähiger werden, gilt es, drei Dinge im Auge zu behalten:

1. Entstehung neuer Entwicklungsplattformen für agentenbasierte KI, einschließlich Modulen für Enterprise Service Bus, Orchestrierung sowie Observability und Tracing.
2. Entstehung von Standards wie MCP zur Standardisierung der Schnittstellen, die für die Kommunikation zwischen Agenten und KI sowie für den sicheren Zugriff auf öffentliche und private Datenquellen erforderlich sind.
3. Fortschritte beim logischen Schlussfolgern von LLMs.

Der Innovationspfad agentischer KI könnte sich im Laufe des Jahres 2025 in jeder dieser drei Richtungen rasant weiterentwickeln. Anhand dieser Richtungen lassen sich Ankündigungen zu Plattformen für agentische KI miteinander vergleichen und es wird deutlich, ob die neuen Funktionen die Plattform ausgereifter machen, den Integrationsaufwand verringern oder die faszinierenden Möglichkeiten KI-gestützter Kognition erschließen.

Über den Autor

James HendergartSenior Director, Technische Forschung | F5

Weitere Blogbeiträge von James Hendergart