Einführung
Nachdem wir nun fast täglich mit möglichen Einsatzszenarien und Potentialen von KI und im speziellen Large Language Modellen in der Presse konfrontiert werden, taucht ebenfalls der Begriff der Agentic AI auf. Was ist nun darunter zu verstehen?
Wenn man eine Definition sucht, dann beschreibt Agentic AI autonome Systeme (auch Agenten genannt), die selbständig interagieren können und in der Lage sind, komplexere Aufgabenstellungen auszuführen und vorgegebene Zielsetzungen anzustreben. Dazu führen sie Planungsprozesse durch, nutzen andere Werkzeuge für Teilaufgaben und/oder Teilergebnisse und können auch iterativ an der Lösung einer Aufgabe arbeiten, ohne dass Sie vom Menschen gesteuert werden.
Auf diese Art und Weise lassen sich komplexe teilweise mehrstufig zu bearbeitende Aufgabenstellungen lösen, wobei auch mehrere AI Agenten zusammenarbeiten können. Die Idee der Agentensysteme ist dabei nichts neues, diese gibt es schon seit den 1980er Jahren, sie werden nun allerdings mit KI-Komponeten, z. B. einem LLM, ausgestattet, um eine Aufgabe oder Teilaufgabe zu lösen.
Beispiel: Kredit- und Lieferantenmonitoring
Dazu ein Beispiel aus dem Kreditmanagement, wie man zukünftig mit verschiedenen Agenten Monitoringprozesse für Kunden oder Lieferanten gestalten kann: Bei den Kunden prüft ein KI-Agent permanent, ob sich durch neune Informationen des Kunden die Einschätzung der wirtschaftlichen Situation verändert und damit evtl. auch das eingeräumte Kreditlimit. Ein Monitoring-Agent sucht dazu nach externen Informationen, z. B. in Sozialen Medien oder auf Informations- oder Presseplattformen und nimmt eine Bewertung dieser Informationen vor. Ein weiterer KI-Agent wertet das intern beobachtete Kundenverhalten aus. Dazu zählen z. B. die getätigten Umsätze, das Zahlungsverhalten oder das Reklamationsverhalten. Das Ergebnis dieser Auswertungen wird dem KI-Agenten, der die wirtschaftliche Situation beurteilt bereitgestellt. Dieser prüft, ob sich dadurch z. B. Veränderungen auf das Kundenrating ergeben. Ist dieses der Fall, dann wird das Rating verändert. Ein weiterer AI-Agent macht nun Handlungsvorschläge, wie in dieser Situation zu verfahren ist. Für die Vorschläge werden die jeweiligen Konsequenzen aufgezeigt. Der Kreditmitarbeiter kann nun auf dieser Basis entscheiden.
Ähnlich könnte bei dem Lieferantenmonitoring vorgegangen werden. Hier überprüfen die Agenten neben der wirtschaftlichen Lage auch die Liefertermintreue, die Qualitätsbeurteilungen der Lieferungen und die Vollständigkeit der Lieferungen. Daneben überprüft ein weiterer KI-Agent die Lieferkette, z. B. anhand von möglichen regionalen Beschränkungen usw. Ebenfalls könnten hier Veränderungen bei Aus- und Einfuhrzöllen geprüft und beurteilt werden. Gibt es eine Datenbank mit weiteren potentiellen Lieferanten, dann könnte nun gemäß vorgegebener Zielsetzungen geprüft werden, ob eine alternative Auswahl getroffen werden soll. Dieses Szenario lässt sich beliebig erweitern. Ebenso kann man die Verfügbarkeit von Transportkapazitäten oder auch alternative Transportkapazitäten integrieren, wenn die jeweiligen Daten zur Verfügung stehen. Die Entscheidungen könnte man dann auch davon abhängig machen, wie schnell ein notwendiges Produkt verfügbar sein muss.
Erkenntnisse und Ausblick
Es zeigt sich dabei zweierlei:
- Es werden verschiedene KI-Agenten zusammengeschaltet. Die Gestaltung jedes einzelnen ist dabei nicht trivial und kann mit erheblichem Aufwand (z. B. Training, Datenbereitstellung) verbunden sein. Ebenso ist die Orchestrierung des Gesamtsystems nicht einfach. Der Gesamtaufwand zum Entwickeln einer guten Lösung darf damit nicht unterschätzt werden. Und die Datenbasis benötigt kontinuierliche Pflege.
- In vielen Prozessen werden für endgültige Entscheidungen immer noch Personen mit umfassenden Fachkenntnissen benötigt, die Routineaufgaben und Massenaufgaben werden automatisiert und damit beschleunigt.
Insgesamt kann man davon ausgehen, dass mittel- und langfristig auch solche Lösungen in den Unternehmen Einzug halten.
