KI-Agenten stehen an vorderster Front und werden unser Arbeitsleben für immer verändern

Der Aufbau und die Einführung eines KI-basierten Systems mag wie ein großes, schwieriges Projekt und voller Risiken erscheinen. Es zeichnet sich jedoch eine andere Bereitstellungsmethode ab: KI-basierte Agenten.

Generative KI hat Agenten, die oft schwierig einzurichten und zu verwalten sind, neue Bedeutung und Fähigkeiten verliehen. Neue Forschungsergebnisse zeigen, dass diese einfacher zu verwaltenden Dienste die Aufmerksamkeit von Technologen und ihren Unternehmensführern auf sich ziehen.

Außerdem: 6 Möglichkeiten, wie KI Ihnen beim Start Ihres nächsten Geschäftsvorhabens helfen kann

Laut einer Studie stellen KI-basierte Agenten die „Grenze“ der KI dar Bericht von McKinsey-Beratern. Der Bericht prognostiziert, dass der Einfluss von Agentursystemen – definiert als „digitale Systeme, die in einer dynamischen Welt unabhängig interagieren können“ – zunehmen wird.

Obwohl es Agentensysteme schon seit einiger Zeit gibt, „erschließen die natürlichen Sprachfähigkeiten von KI-Genen neue Möglichkeiten, die es Systemen ermöglichen, ihre Aktionen zu planen, Online-Tools zur Erledigung dieser Aufgaben zu verwenden, mit Agenten und anderen Personen zusammenzuarbeiten und zu lernen, ihre Leistung zu verbessern.“ „, erklärte das McKinsey-Autorenteam unter der Leitung von Lareina Yee.

Außerdem: Top 8 KI-Anwendungsfälle dieses Jahr

Die nächste Stufe der generativen KI wird wahrscheinlich „transformativer“ sein, schlagen Yee und seine Kollegen vor. „Wir beginnen mit der Entwicklung von wissensbasierten Tools mit KI-Unterstützung der Generation – zum Beispiel Chatbots, die Fragen beantworten und Inhalte generieren – zu Agenten mit KI-Unterstützung der Generation, die zugrunde liegende Modelle verwenden, um komplexe, mehrstufige Arbeitsabläufe in der digitalen Welt auszuführen. Kurz gesagt, diese Technologie führt vom Denken zum Handeln.“

Die Mehrheit der 1.100 Technologie-Führungskräfte (82 %) antworteten auf die neueste Umfrage Umfrage vom Beratungsunternehmen Capgemini gaben an, dass sie beabsichtigen, in den nächsten drei Jahren KI-basierte Agenten in ihre Organisationen zu integrieren – gegenüber 10 % bei heute arbeitenden Agenten.

Der Bericht ergab, dass sieben von zehn Befragten (70 %) einem KI-Agenten die Analyse und Synthese von Daten anvertrauen würden und 50 % einem KI-Agenten vertrauen würden, wenn er in ihrem Namen professionelle E-Mails verschickt. Etwa drei Viertel der Befragten (75 %) gaben an, dass sie KI-Agenten einsetzen wollen, um wiederkehrende Aufgaben wie das Erstellen und Verbessern von Code zu erledigen. Weitere potenzielle Aufgaben für Agenten umfassen das Erstellen und Bearbeiten von Berichtsentwürfen (70 %) und Website-Inhalten (68 %) sowie die Erstellung, Codierung und Datenanalyse von E-Mails.

KI-gestützte Agenten können eine Vielzahl von Rollen übernehmen. „Ein virtueller Assistent kann beispielsweise komplexe personalisierte Reiserouten planen und buchen und dabei die Logistik über mehrere Reiseplattformen hinweg abwickeln“, heißt es im McKinsey-Bericht. „In der Alltagssprache kann ein Ingenieur einem Programmieragenten eine neue Softwarefunktion erklären, der dann das von ihm erstellte Tool programmiert, testet, iteriert und verwendet.“

In einem anderen Beispiel ein Anbieter, Qventusbietet einen kundenorientierten KI-basierten Assistenten namens Patient Concierge an, der Patienten anruft und sie an Termine erinnert, prä- und postoperative Richtlinien wiederholt und häufige Fragen zur Pflege beantwortet.

Außerdem: Wann ist der richtige Zeitpunkt, in KI zu investieren? 4 Möglichkeiten, die Ihnen bei der Entscheidung helfen

Es gibt sechs Ebenen von KI-Agenten, von denen jede eine erweiterte Funktionalität bietet, wie in beschrieben AWS-Leitfaden:

• Einfacher Reflexagent: Ideal für einfache Aufgaben wie das Zurücksetzen von Passwörtern. „Arbeitet streng nach festgelegten Regeln und Live-Daten. Es wird nicht auf Situationen reagiert, die außerhalb der gegebenen Aktionsregeln für Ereignisbedingungen liegen.“
• Modellbasierter Reflexagent: Ähnlich wie einfache Reflexagenten, aber „anstatt einfach bestimmte Regeln zu befolgen, bewerten Sie mögliche Ergebnisse und Konsequenzen, bevor Sie eine Entscheidung treffen.“ Ein internes Modell der wahrgenommenen Welt aufbauen und es zur Unterstützung seiner Entscheidungen nutzen.“
• Zielbasierte/regelbasierte Agenten: Es verfügt über stärkere Denkfähigkeiten als Reflexagenten und eignet sich daher für „komplexere Aufgaben wie die Verarbeitung natürlicher Sprache und Robotikanwendungen“. Ein ziel-/regelbasierter Agent „vergleicht verschiedene Ansätze, um das gewünschte Ergebnis zu erzielen, und wählt immer den effizientesten Weg.“
• Dienstprogrammbasierte Agenten: „Vergleich verschiedener Szenarien und ihrer jeweiligen Nutzenwerte oder Vorteile“ – beispielsweise um Kunden dabei zu helfen, die besten Flugangebote zu finden. „Verwendet komplexe Schlussfolgerungsalgorithmen, um Benutzern zu helfen, die gewünschten Ergebnisse zu maximieren.“
• Lernagent: „Lernen Sie weiterhin aus früheren Erfahrungen, um die Ergebnisse zu verbessern. Mithilfe sensorischer Eingabe- und Feedbackmechanismen passt der Agent seine Lernelemente im Laufe der Zeit an, um bestimmte Standards zu erfüllen. Darüber hinaus nutzt er den Problemgenerator, um anhand der gesammelten Daten und bisherigen Ergebnisse neue Aufgaben zu entwerfen und sich selbst zu trainieren.“
• Hierarchischer Agent: Dies macht Agenten für andere Agenten verantwortlich. „Agenten auf hoher Ebene zerlegen komplexe Aufgaben in kleinere Aufgaben und weisen sie Agenten auf niedrigerer Ebene zu. Jeder Agent arbeitet selbstständig und übermittelt Fortschrittsberichte an den ihn betreuenden Agenten. Hochrangige Agenten sammeln Ergebnisse und koordinieren untergeordnete Agenten, um sicherzustellen, dass sie gemeinsam ihre Ziele erreichen.“

Bisher waren Software-Agenten „schwierig zu implementieren und erforderten eine aufwändige regelbasierte Programmierung oder das Training sehr spezifischer Modelle für maschinelles Lernen“, stellt das McKinsey-Team fest. Allerdings gibt es jetzt eine große Veränderung.

„Gen AI ändert das. Wenn ein Agentensystem mithilfe eines Basismodells erstellt wird – einem Modell, das anhand eines sehr großen und vielfältigen Satzes unstrukturierter Daten trainiert wurde – anstelle vordefinierter Regeln, hat das System das Potenzial, sich auf die gleiche Weise wie ein Agentensystem an eine Vielzahl von Szenarien anzupassen LLM kann auf Befehle reagieren, die nicht intelligent und explizit trainiert wurden.“

Außerdem: 4 Möglichkeiten, wie Sie Ihrem Unternehmen helfen können, die Trägheit der KI zu überwinden

Auch der Einsatz natürlicher Sprachverarbeitung durch KI-Agenten verändert die Gleichung. „Um einen Anwendungsfall heute zu automatisieren, muss er zunächst in ein kodifizierbares Regelwerk und Schritte zerlegt werden“, sagt das McKinsey-Team.

„Diese Schritte werden typischerweise in Computercode übersetzt und in Softwaresysteme integriert – ein oft teurer und mühsamer Prozess, der erhebliches technisches Fachwissen erfordert. Da Agentursysteme natürliche Sprache als Unterrichtsform verwenden, können selbst komplexe Arbeitsabläufe schneller und einfacher codiert werden. ​​Außerdem könnte dieser Prozess möglicherweise von nicht-technischen Mitarbeitern und nicht von Software-Ingenieuren durchgeführt werden.“