KI-Agenten: Die nächste Evolutionsstufe der Unternehmens-KI​

srcset="https://b2b-contenthub.com/wp-content/uploads/2025/04/shutterstock_2562515077_16.jpg?quality=50&strip=all 4123w, https://b2b-contenthub.com/wp-content/uploads/2025/04/shutterstock_2562515077_16.jpg?resize=300%2C168&quality=50&strip=all 300w, https://b2b-contenthub.com/wp-content/uploads/2025/04/shutterstock_2562515077_16.jpg?resize=768%2C432&quality=50&strip=all 768w, https://b2b-contenthub.com/wp-content/uploads/2025/04/shutterstock_2562515077_16.jpg?resize=1024%2C576&quality=50&strip=all 1024w, https://b2b-contenthub.com/wp-content/uploads/2025/04/shutterstock_2562515077_16.jpg?resize=1536%2C864&quality=50&strip=all 1536w, https://b2b-contenthub.com/wp-content/uploads/2025/04/shutterstock_2562515077_16.jpg?resize=2048%2C1152&quality=50&strip=all 2048w, https://b2b-contenthub.com/wp-content/uploads/2025/04/shutterstock_2562515077_16.jpg?resize=1240%2C697&quality=50&strip=all 1240w, https://b2b-contenthub.com/wp-content/uploads/2025/04/shutterstock_2562515077_16.jpg?resize=150%2C84&quality=50&strip=all 150w, https://b2b-contenthub.com/wp-content/uploads/2025/04/shutterstock_2562515077_16.jpg?resize=854%2C480&quality=50&strip=all 854w, https://b2b-contenthub.com/wp-content/uploads/2025/04/shutterstock_2562515077_16.jpg?resize=640%2C360&quality=50&strip=all 640w, https://b2b-contenthub.com/wp-content/uploads/2025/04/shutterstock_2562515077_16.jpg?resize=444%2C250&quality=50&strip=all 444w" width="1024" height="576" sizes="(max-width: 1024px) 100vw, 1024px">Um zuverlässig und kosteneffizient zu sein, müssen KI-Agenten sorgfältig konzipiert, getestet, implementiert und überwacht werden.Shutterstock – inni Die erste Welle von GenAI-Lösungen hat bereits beachtliche Erfolge in Unternehmen erzielt – besonders im Bereich der Coding-Assistenten und bei der Effizienzsteigerung bestehender SaaS-Produkte. Diese Anwendungen zeigen jedoch nur einen kleinen Ausschnitt dessen, was mit Large Language Models (LLMs) möglich ist. Die eigentliche Stärke dieser Technologie entfaltet sich jetzt in der zweiten Generation KI-gestützter Anwendungen: agentenbasierten Systeme, die auf dem soliden Fundament der LLMs aufbauen und deren Fähigkeiten auf eine neue Stufe heben.  Anders als herkömmliche KI-Chatbots oder einfache Copiloten für SaaS-Produkte nutzen KI-Agenten die volle Bandbreite der LLM-Fähigkeiten. Sie können nicht nur Text generieren, sondern (nahezu) eigenständig komplexe Probleme lösen. Ein KI-Agent ist dabei ein LLM-gestütztes System, das innerhalb definierter Autonomiegrenzen und unter Nutzung verschiedener Tools bestimmte Ziele verfolgt.  Ein Beispiel verdeutlicht die Möglichkeiten: Stellen Sie sich vor, ein LLM erhält die Dokumentation einer API, die aktuelle Aktienkurse abrufen kann. Mit dieser Information kann das LLM eigenständig ein Skript erstellen, das diese API für einen bestimmten Aktienkurs aufruft. Darf das System dieses Skript ausführen, wird es zu einem Werkzeug für Endnutzer, um beliebige Aktienkurse abzurufen.  Ein Agent kommt selten allein  Wäre es also möglich, eine einzige, allumfassende Anwendung zu entwickeln, die sämtliche Probleme im Unternehmen lösen kann? Die kurze Antwort lautet: nein. Obwohl LLMs zur Generalisierung fähig sind, erfordern die Einschränkungen des Unternehmensumfelds einen relativ engen Anwendungsbereich für jede einzelne Applikation. Nur so ist das Unternehmen in der Lage, konstant gute Leistung zu gewährleisten und den Zugriff auf Daten und Tools zu kontrollieren.  Diese imaginäre “Super-Anwendung” klingt zwar bequem, würde aber vollen Zugriff auf sämtliche Unternehmensdaten und -werkzeuge benötigen, von den banalsten bis hin zu den sensibelsten. Ähnlich wie ein Mitarbeiter nur Zugang zu den Daten und Tools haben sollte, die für seine Arbeit notwendig sind, muss auch der Zugriff einer agentenbasierten Anwendung auf das beschränkt sein, was sie zur Erfüllung ihrer Funktion braucht.  Wie viele solcher KI-Agenten könnte ein Großunternehmen benötigen? Eine Überschlagsrechnung: Ein Großunternehmen mit zehn Abteilungen und jeweils fünf Kernfunktionen könnte pro Funktion von fünf spezialisierten Anwendungen profitieren. Beispielsweise könnte die Vertriebsabteilung im Bereich Sales Operations jeweils einen Agenten einsetzen, um:  Zielkunden zu recherchieren;  die Einhaltung des Verkaufsprozesses zu überprüfen;  die Vertriebspipeline zu analysieren;  Kundengespräche zusammenzufassen; und   Nachfassaktionen zu unterstützen.  In Summe ergäben sich so 250 Anwendungen – eine realistische Prognose für Großorganisationen.  Make or Buy: Die Kunst der richtigen Entscheidung  Angesichts mehrerer hundert neuartiger Anwendungen stehen Unternehmen vor der Entscheidung “Make-or-Buy”. So bringen Softwareanbieter bereits entsprechende Anwendungen auf den Markt. Gleichzeitig entwickeln fortgeschrittene Organisationen ihre ersten produktionsreifen agentenbasierten Anwendungen selbst.  Fertige KI-Agenten bringen entscheidende Vorteile mit sich: Einmal implementiert, bieten sie schlüsselfertige Leistung, werden von professionellen Softwareentwicklern betreut und ermöglichen eine rasche Einführung. Die Schattenseite solcher KI-Agenten von der Stange sind Herausforderungen wie die oft komplexe Integration in bestehende Unternehmenssysteme, Governance-Probleme bei der Nachverfolgung der eingesetzten Modelle und nicht zuletzt der Umstand, dass Wettbewerber mit identischen Lösungen die gleiche Leistung erzielen können.  Auf der anderen Seite lassen sich selbstentwickelte, maßgeschneiderte KI-Agenten präzise an den spezifischen Geschäftskontext anpassen und bieten damit das Potenzial für echte Differenzierung am Markt. Unternehmen behalten die volle Kontrolle und Transparenz über ihre Anwendungen und gewinnen Unabhängigkeit von externen Software-, KI- und Cloud-Anbietern. Allerdings stehen diese Vorteile eigenen Herausforderungen gegenüber: Die erforderlichen Entwicklungsfähigkeiten sind in vielen Organisationen nicht ausreichend vorhanden, und mit steigender Anzahl selbstentwickelter Anwendungen wächst die Komplexität von Überwachung und Wartung erheblich.  Die meisten Unternehmen werden daher einige Anwendungen kaufen und andere selbst entwickeln. Dabei ist zu beachten: KI-Agenten können zwar die Effizienz der betrieblichen Abläufe verbessern, aber wenn diese Effizienzsteigerungen im Gleichschritt mit denen der Wettbewerber erfolgen, verbessert sich die Wettbewerbsposition nicht.  Die Entwicklung maßgeschneiderter, agentenbasierter Anwendungen ermöglicht es einem Unternehmen hingegen, Fähigkeiten zu schaffen, die seine Wettbewerber nicht besitzen. Angesichts der Kosten und Komplexität werden Unternehmen ihre internen Entwicklungsbemühungen auf die Teile ihres Geschäfts konzentrieren, die am meisten von einer starken Wettbewerbsdifferenzierung profitieren – in der Regel ihr Kerngeschäft.  Die Komplexitätsschwelle überwinden  Jede Organisation hat eine maximale Anzahl von Anwendungen, die sie mit ihren aktuellen Praktiken entwickeln, überwachen und warten kann. Dies ist die “Komplexitätsschwelle” der Organisation.  Wenn das Unternehmen mehr und mehr agentenbasierte Anwendungen entwickelt, steigt die Komplexität ihrer Überwachung und Wartung, bis irgendwann die maximale Komplexität erreicht ist und keine weiteren Anwendungen mehr entwickelt werden können – selbst, wenn dies dem Geschäft zugutekommen würde.  Um mehr Anwendungen entwickeln zu können, muss das Unternehmen einen Weg finden, seine Komplexitätsschwelle zu erhöhen. Dazu ist es erforderlich, die Entwicklung dieser Anwendungen zu standardisieren und strukturieren.  Ein neues Architekturparadigma für agentenbasierte Anwendungen  Im Laufe der Jahre haben Organisationen verschiedene Architekturparadigmen genutzt – von monolithischen Anwendungen über serviceorientierte Architekturen bis hin zu Microservices. Heutige Infrastrukturen für den Aufbau agentenbasierter Anwendungen sind meist monolithisch und nutzen Frameworks wie LangChain. Dieser Ansatz eignet sich zwar für die Entwicklung der ersten Prototypen, spiegelt aber die relative Unreife des Designs agentenbasierter Anwendungen im Unternehmensumfeld wider.  Um viele agentenbasierte Anwendungen zu erstellen und zu warten, ist daher ein neues Architekturparadigma erforderlich. Eine Umsetzung ist etwa eine Netzarchitektur (Mesh) für LLMs und die zugehörigen Komponenten, die für die Erstellung von Agenten im Unternehmen erforderlich sind. Sie bietet Abstraktionsebenen, die verschiedene Komponenten in einheitlichen Objekttypen gruppieren.  Eine solche Mehrschichtarchitektur könnte folgende Komponenten umfassen:  Basismodelle: Die trainierten KI-Modelle mit ihren mathematischen Grundgewichten. Datenschicht: Unterteilt in unstrukturierte und strukturierte Daten. Service-Schicht: Umfasst die für den Modellbetrieb nötigen Dienste sowie Datenzugriffsdienste. Orchestrierungs-Schicht: Hier werden Prompts, Agenten und Tools zusammengeführt. Anwendungs-Schicht: Die nutzbaren Applikationen mit ihren Benutzeroberflächen. Der entscheidende Vorteil einer solchen Architektur liegt in der Abstraktion: Sie schafft standardisierte Schnittstellen zwischen den verschiedenen Schichten, wodurch ein einzelner Dienst ausgetauscht werden kann, ohne dass Anpassungen an anderen Komponenten notwendig werden. Diese Entkopplung ermöglicht es Unternehmen, ihre Komplexitätsschwelle zu erhöhen. (mb)