KI hat die Welt im Sturm erobert, und Unternehmen suchen nach sinnvollen Wegen, um ihre Macht zu nutzen. Da fast täglich neue Tools und Funktionen auf den Markt kommen, ist es sowohl eine Herausforderung als auch eine Notwendigkeit, mit dem Innovationstempo Schritt zu halten.
‍

Anfang dieses Jahres veranstaltete IBM in Bracknell einen Agentic AI Roundtable, an dem Konzepte, Demos und Anwendungsfälle vorgestellt wurden, die zeigen, wie Agentic AI bereit ist, die Art und Weise, wie wir intelligente Anwendungen entwickeln, neu zu gestalten.

Die Sitzung brachte Teilnehmer von Bell Integration und Naviam zu einem ausführlichen Workshop über Agentic AI zusammen — einen Ansatz der nächsten Generation für den Aufbau intelligenter Systeme.

Traditionelle LLM-Workflows im Vergleich zu Agentic AI

Die heute üblichen LLM-basierten Anwendungen basieren auf einem linearen Ablauf: Benutzer geben Abfragen ein, und das System durchläuft eine feste Abfolge von Schritten, bevor es eine Ausgabe zurückgibt. Diese Arbeitsabläufe sind vorhersehbar und überschaubar, erfordern jedoch häufig menschliche Aufsicht, wenn etwas schief geht oder zusätzliche Informationen benötigt werden.
‍

Agentische KI-Systeme sind dagegen dynamisch und anpassungsfähig. Anstatt einem fest programmierten Pfad zu folgen, bewerten sie den aktuellen Kontext, ermitteln, welche zusätzlichen Informationen (falls vorhanden) benötigt werden, wählen aus, welche Tools aufgerufen werden sollen, und überarbeiten ihren Plan bei Bedarf. Sie folgen nicht nur den Anweisungen, sie überlegen, was als Nächstes zu tun ist.

Von RAG zu Agentic RAG

Ein gutes Beispiel für diese Entwicklung sind Retrieval-Augmented Generation (RAG) -Systeme. Ein RAG-System kombiniert eine Abrufkomponente mit einem Sprachmodell, sodass das Modell in Echtzeit auf externe Wissensquellen zugreifen kann, anstatt sich ausschließlich auf seine internen Trainingsdaten zu verlassen. Herkömmliches RAG umfasste die Abfrage eines Vektorspeichers, das Abrufen der Top-K-Ergebnisse und die Weitergabe dieser Informationen an das LLM zur Antwortgenerierung.
‍

In einem Agentic RAG-System beginnt der Prozess ähnlich, hat dann aber eine kleine Wendung. Der Agent bewertet, ob die abgerufenen Dokumente ausreichend sind. Wenn nicht, initiiert er möglicherweise eine Websuche oder fragt eine andere Datenbank ab. Es kann sogar einen anderen Agenten anrufen, um Unterstützung zu erhalten. Der entscheidende Unterschied: Der Agent trifft die Entscheidungen autonom und optimiert den Arbeitsablauf in Echtzeit.

‍

Lendyrx: IBMs Agentic KI in Aktion

Lendyrx ist eine Finanzanwendung, die von IBM mit einem agentischen Ansatz entwickelt wurde. Dieses System ermöglicht es Benutzern, im Gespräch mit ihren Bankdaten zu interagieren. Unter der Haube arbeiten mehrere Agenten zusammen, um Anfragen zu erfüllen:

• Planer und Agent entscheidet über die Gesamtaufgabenstruktur

• Datenagent ruft relevante Bankdaten ab.

• Visualisierungsagent präsentiert die Daten angemessen
  ‍

Dieses System basiert auf LangGraph, einem agentischen Framework, in dem jeder Schritt (Planer -> Executor -> Tools) den historischen Kontext beibehält und verwendet. Jeder Agent verfügt über einen kleinen, auf Eingabeaufforderungen basierenden Deskriptor, anhand dessen der Planner-Agent anhand von Benutzereingaben entscheiden kann, welcher verwendet werden soll.

Warum mehrere Agenten verwenden?

Warum nicht einfach ein einziges LLM verwenden? Weil die Aufteilung von Aufgaben auf mehrere Agenten eine bessere Spezialisierung, Fehlererkennung und Autonomie ermöglicht. In einer IBM-Demo gab es beispielsweise einen Codegenerator-Agenten und einen separaten Code-Executor-Agenten, der sicherstellt, dass der Code funktioniert. Ohne dieses Setup müsste ein Mensch jedes Ergebnis validieren.
‍

Allerdings gibt es Einschränkungen. Wenn zu viele Agenten verwendet werden, kann sich die Leistung verschlechtern — nicht nur in Bezug auf die Systemgeschwindigkeit, sondern auch in Bezug auf Zuverlässigkeit und Ausgabequalität. Jeder Agent arbeitet in der Regel in seiner eigenen Planungs-, Ausführungs- und Reflexionsschleife. Wenn mehrere Agenten zusammen orchestriert werden, kann dies zu Koordinationsaufwand, Ressourcenkonflikten oder sogar widersprüchlichen Entscheidungen führen, wenn sie nicht sorgfältig verwaltet werden. Dies kann Arbeitsabläufe verlangsamen, überflüssige Schritte einführen oder dazu führen, dass sich die Agenten beim Zugriff auf gemeinsam genutzte Tools oder Daten „gegenseitig auf die Zehen treten“. Es ist wichtig, Arbeitsabläufe sorgfältig zu entwerfen, um sicherzustellen, dass jeder Agent eine klare Rolle und einen klaren Zuständigkeitsbereich hat. Das Gleichgewicht zwischen Komplexität und Funktionalität ist der Schlüssel zum Aufbau von Agentensystemen, die sowohl leistungsstark als auch leistungsstark sind.

Agentic AI for Business: Automatisierungspotenzial

Eines der überzeugendsten Versprechen von Agentic AI ist die Automatisierung. IBM schätzt, dass KI bis zu 70% der Geschäftsaufgaben automatisieren könnte. Der Workshop hob zwei wichtige Anwendungsfälle hervor:
‍

1. Langfristige politische Antwort - Ein Kunde aus dem öffentlichen Sektor musste auf komplexe Schreiben antworten, in denen um Klarstellungen zu den Richtlinien gebeten wurde. Diese Antworten könnten bis zu zwei Stunden dauern und erfordern die Mitarbeit von Politikexperten. Mithilfe eines agentischen Workflows auf watsonx.ai automatisierte IBM den Prozess. Jetzt generiert das System innerhalb von Minuten Antworten, die auf offiziellen politischen Dokumenten basieren. Menschen können das System überwachen und sich nach Bedarf anpassen.
   ‍

2. Triage von Versicherungsansprüchen - Eine Versicherungsgesellschaft setzte ein Agentensystem ein, das eine „Denk-Handlungs-Schleife“ nachahmt:
   
   • Denkt über die erforderlichen Schritte nach
   • Ruft relevante Schadensdaten ab
   • Führt eine Aktion aus
   • Wertet das Ergebnis neu aus
     ‍

Das Ergebnis ist eine schnellere, konsistentere Bearbeitung von Schadensfällen mit geringerem Personalaufwand.

Herausforderungen: Genauigkeit, Validierung und Skalierung

Agentische Systeme bieten Flexibilität, aber das bringt auch Komplexität mit sich. Die Sicherstellung der Genauigkeit der Ausgänge ist nach wie vor von entscheidender Bedeutung. Die Redner des Workshops empfahlen, Grenzen für das zu setzen, was LLMs können und was nicht. Die Verwendung bewährter Modelle und Aufforderungen zur Feinabstimmung sind für die Konsistenz unerlässlich.
‍

Die Validierung bleibt eine der schwierigsten Herausforderungen. Ein Fall von Bell Integration veranschaulichte dies anschaulich: Ein lineares RAG-Setup schnitt in Demos gut ab, scheiterte aber in der Produktion, weil es an robusten, realen Genauigkeitsprüfungen mangelte. xA schlug eine Lösung von IBM vor: Einführung eines Validierungsknotens — ein zusätzlicher Schritt im Arbeitsablauf, bei dem die von Agenten generierten Antworten mit einer vertrauenswürdigen Grundwahrheit verglichen werden, bevor sie akzeptiert werden. Dies ist eine einfache, aber leistungsstarke Methode, um das falsche Vertrauen in LLM-Ergebnisse zu verringern.
‍

Es gibt auch vielversprechende Forschungen zur Verwendung von Reinforcement Learning (RL), um Agenten dabei zu helfen, widerstandsfähiger zu werden und sich selbst zu korrigieren. In diesem Zusammenhang ermöglicht RL den Agenten, Feedback zu ihren Aktionen zu erhalten — gute Ergebnisse werden belohnt und schlechte bestraft —, sodass sie ihre Strategien im Laufe der Zeit verfeinern können. Es öffnet Agenten die Tür, die aus Erfahrung lernen können, anstatt sich ausschließlich auf statische Anweisungen zu verlassen, wodurch sie sich in dynamischen Geschäftsumgebungen besser anpassen können.

Was kommt als Nächstes

Agentic AI steht für einen Wandel in der Art und Weise, wie wir über KI-Anwendungen denken: von statischen, regelbasierten Pipelines hin zu intelligenten, adaptiven Systemen, die planen, handeln und lernen können. Der Workshop war ein Augenöffner — nicht nur, um die technischen Möglichkeiten zu präsentieren, sondern auch, um die strategischen, gestalterischen und ethischen Überlegungen hervorzuheben, die mit der Einführung dieser Systeme einhergehen.
‍

Die Botschaft war klar: Um mit agentischer KI erfolgreich zu sein, geht es nicht nur darum, ausgefeiltere Tools zu entwickeln, sondern auch darum, Systeme zu entwerfen, die robust und vertrauenswürdig sind und auf die realen Bedürfnisse abgestimmt sind. Wenn Unternehmen vom Experimentieren zur Implementierung übergehen, wird die Herausforderung darin bestehen, durchdacht zu skalieren — dabei Autonomie mit Aufsicht und Innovation mit Stabilität in Einklang zu bringen.
‍

Agentische Systeme entwickeln sich immer noch weiter, ebenso wie die Frameworks, die wir benötigen, um sie zu entwickeln, zu validieren und zu steuern. Der weitere Weg wird nicht nur die technische Entwicklung, sondern auch kontinuierliche Forschung, Zusammenarbeit und Iteration beinhalten.