Wie AI Agents komplexe Aufgaben vollkommen selbstständig übernehmen

SPEAKER_02

Es ist, glaube ich, heute nicht mehr damit getan, dass ich drei Data -Scientisten einstelle und denen sage, guckt mal und macht mal, da kommt dann irgendwas raus. Das funktioniert heute nicht. Dieses gesamte Feld von Daten, von künstlicher Intelligenz ist so breit geworden, da gibt es auch nicht mehr den einen Experten, der alles abdeckt, sondern ich brauche wirklich ein schlagkräftiges Team, brauche die richtigen Technologien im Hintergrund und ich brauche eine sehr gute Strategie, wie ich das konsequent in meine Produkte reinbringe.

SPEAKER_01

So klingt Wirtschaft. Zukunftsthemen für Unternehmen. Jeden Mittwoch sprechen wir mit EntscheiderInnen über die Herausforderungen und Trends in ihrer Branche. Mit jeder Menge Insights und neuen Denkanstößen. Aus der Wirtschaft für die Wirtschaft.

SPEAKER_00

Sam Altman, CEO von OpenAI, prognostiziert, dass AI -Agents bald komplexe Aufgaben vollkommen selbstständig übernehmen. Doch KI -Agenten sind nicht nur Zukunftsmusik. Sie sind bereits in ersten Unternehmen im Einsatz. Und eingebettet in digitale Plattformen lassen sich so ganze Abteilungen virtuell erschaffen. Wir schauen uns heute in So klingt Wirtschaft solche Anwendungsmöglichkeiten genauer an.

Warum ist das wichtig?

Laut einer Umfrage aus dem Jahr 2024 planen 90 Prozent der Unternehmen in Sektoren wie Finanzmobil, Dienstleistungen, Gesundheitswesen oder Konsumgüter, KI -Agenten in ihren Arbeitsalltag zu integrieren. Wie kann das funktionieren? Und was sind die Herausforderungen? Ich bin Simone Nissen und diese Fragen stelle ich zwei Gästen, die sie gemeistert haben. Tobias Regenfuß, Technologieexperte von Accenture, und Andreas Decker CPO der Solvd Group

Nachgehakt

Dieser angesprochene Lang-Chain-Report sagt, dass KI, insbesondere beim Zusammenfassen und Recherchieren, zum Einsatz kommt. Finde ich jetzt ein bisschen langweilig. Habt ihr ein spannenderes Szenario für uns?

SPEAKER_02

Sehr gerne. Bei der Solvd Group sind wir auf die digitale Abwicklung von Kfz -Schäden spezialisiert. Wir arbeiten daran, dass die Bearbeitungszeit von Schäden auf nahezu null reduziert wird. Und genau da setzen die AI -Agents ein. Und das ist ganz wichtig, weil auch wenn wir die demografische Entwicklung der nächsten Jahre betrachten, müssen wir halt Sachbearbeiter, Schaden -Sachbearbeiter, auch Sachverständige sind im Grunde genommen sehr, sehr short und werden heute schon benötigt. Oftmals ist die Bearbeitungsdauer dadurch begründet, dass einfach zu wenig Personal vorhanden ist. Das liegt daran, dass immer weniger Leute in der Branche unterwegs sind, aber letztendlich die Anzahl der Fälle nicht weniger wird. Und demnach brauchen wir eine Automatisierung. Wir unterstützen unsere Experten und wir sagen halt immer, wir möchten die einfachen, trivialen, zu automatisierenden Tasks quasi von den Menschen wegnehmen und möchten die da einsetzen, wo die funktionale Expertise, wo das Know -How, wo es wirklich um Komplexität, um Einzelfälle geht. Da brauchen wir unsere Experten und das müssen wir eben so kombinieren, dass es wirklich hilft.

SPEAKER_00

Und jetzt hatte ich gerade in der Anmoderation gesagt, es lassen sich quasi ganze Abteilungen virtuell erschaffen. Wie sieht das bei euch aus?

SPEAKER_02

Grunde genommen nutzen wir die AI -Agents an allen Stellen, wo wir heute hohe manuelle Aufgaben haben. Was wir tun ist, dass wir ein neues Konzept aufgesetzt haben, eine neue Plattform aufgesetzt haben, wo wir dem AI -Agent eine Zielvorgabe geben. Wir sagen, lieber Agent, bitte wickel den Schaden bestmöglich ab und schreiben dann eben auch noch, was bedeutet denn bestmöglich mit der höchsten Kundenzufriedenheit. Halt die Kosten bitte in der Grenze und versuche halt deine Toolbox bestmöglich zu nutzen.

SPEAKER_00

Jetzt hatten wir gesagt, es ist eine digitale Plattform. Das heißt, es ist nicht nur ein AI -Agent aktiv?

SPEAKER_02

Nein, das ist immer eine Orchestrierung von ganz vielen Agents. Also es gibt nicht den einen allmächtigen Agent. Man unterscheidet da grundsätzlich mal oder wir unterscheiden zwischen zwei Arten. Wir haben also Master Agents, die letztendlich die Orchestrierung durchführen, die dann gewisse Reasoning -Vorgänge ausführen, dann die einzelnen Schritte festlegen, die bearbeitet werden müssen, um zum Ergebnis zu kommen. Und dann haben wir eben Sub -Agents, die dann spezialisiert sind auf einzelne Aufgaben. Das kann die Kommunikation mit dem Kunden sein. Das kann die Authentifizierung des Kunden sein. Das kann aber auch eine Vereinbarung eines Reparaturtermins in einer Werkstatt sein.

SPEAKER_00

Tobias, jetzt ist das ja nicht nur in der Versicherungsbranche interessant. Was könnte man sich sonst noch für Szenarien vorstellen?

SPEAKER_03

Also ich glaube, dass dieses neue Pattern von Agents, vielleicht gehen wir nochmal ganz kurz darauf ein, ist halt eher ein KI -System. Was dann einen mehrstufigen Prozess macht. Ich glaube, das ist ein Unterschied. Sonst kommt, ich gebe was rein, ich kriege was raus. Ein Agent macht erstmal einen Plan und sagt, ich habe hier eine komplexere Aufgabe, ich muss mir das runterbrechen und führt dann verschiedene Schritte durch. Also ein klassisches Beispiel, wo wir auch schon ziemlich weit sind, wo wir viel sehen, ist in der Softwareentwicklung. Dass ich verschiedene Agenten habe, die in der Softwareentwicklung, habe ich ja einen Product Owner, ich habe Softwareentwickler, ich habe Tester, ich habe Leute, die was in Produktion bringen. Und dafür kann ich agentische Systeme bauen, die das autonom und individuell erledigen und von einem Master Agent orchestriert werden. Also Softwareentwicklung ist ein guter Fall, wo es auch schon wirklich konkrete Implementierungen gibt. Ein anderes Beispiel ist in der Produktentwicklung, dass wir ein Agentensystem gebaut haben für die Entwicklung von Batteriezellen, wo ein Agent ein Computer Assisted Design System bedient, zum Beispiel CATIA oder von Siemens die korrespondierenden Komponenten. Dann Design macht, dann das Design exportiert, an einen anderen Agenten übergibt, der eine Simulation in einer Simulationssoftware wie HyperMesh macht und die Komponente validiert und dann zurückkommt, ja das ist in Ordnung und dann kann ich es auf einen 3D Drucker schicken.

SPEAKER_00

Wie funktioniert das technisch? Also du hattest ja eben gesagt, jeder arbeitet schon mit GPT am Arbeitsplatz, aber mit sowas ist es ja nicht getan. Was für eine Technologie liegt dahinter?

SPEAKER_02

Ich glaube der Erfolg der Wertschöpfung liegt nachher nicht in der puren Integration der Technologie. Es geht nicht darum, dass man AI, GenAI, Java oder PL1, integriert, sondern es geht immer darum, dass man das Ganze möglichst optimal in seine Prozesse, in seine Produkte rein orchestriert und so eben dann auch die Kombination macht mit dem Know -How, was ich in den Personen, in den Mitarbeitern habe in der Firma, was ich vielleicht habe an proprietären Daten. Und das Endergebnis bringt nachher die Wertschöpfung. Was wir oftmals sehen, sind so die ersten Versuche. Wir haben einen POC gemacht mit GenAI. Wir haben jetzt einen Piloten für ein Chatbot. Und am Ende beschweren sich dann irgendwie alle, weil es nicht funktioniert. Das liegt aber nicht darin, weil die Technologie nicht funktioniert hat, sondern es liegt darin, weil einfach die Technologie nicht in den Prozess integriert worden ist, sondern am Ende dann für den Nutzer keinen Mehrwert bringt.

SPEAKER_00

Ja, und wie mache ich das mit der Prozessintegrierung genau? Also wenn ich jetzt wirklich konkrete Schritte gehen möchte?

SPEAKER_02

Ja, der Ansatz muss immer sein, ich muss mir das Produkt und den Prozess anschauen und muss rausfinden, was ich denn am Ende erreichen möchte. So muss der Anfang sein. Der Anfang darf nicht sein, wir brauchen jetzt drei GenAI -Use Cases und müssen jetzt auf Biegen und Brechen schauen, wo wir das reinbekommen. Das ist die falsche Richtung. Man muss letztendlich AI, GenAI als eine der möglichen Technologien verstehen, die ich heute nutzen kann. Das ist ein Tool, was ich in meiner Toolbox haben soll. Wo ich auch die nötigen Strukturen haben muss, um das Ganze vernünftig einzusetzen. Das muss aber ganz tief im Produktmanagement, das muss ganz tief in der Produktentwicklung dann verankert sein. Und ganz wichtig ist eben auch, dass die technologische Basis da ist, um das Ganze out of the box sehr einfach nutzen zu können. Man muss in dem Bereich echt aufpassen, dass man nicht das Rad zweimal erfindet. Das war schon immer schlechter und immer teuer. Es gibt also ganz viele Möglichkeiten, um da heute bestehende Systeme, bestehende Frameworks oder eben auch auf Experten -Know -how zurückzugreifen.

SPEAKER_00

Sprechen wir da von mehreren KIs, die unterschiedlich trainiert werden? Oder? Oder unterscheiden die sich auch nochmal in anderer Form?

SPEAKER_03

Was glaube ich auch, man unterscheiden muss, ist das große Sprachmodell. Also was wie OpenAI, ChatGPT. Die enthalten ja erstmal, die sind auf dem Weltwissen trainiert, die können sehr, sehr gut mit Sprache, mit Artefakten umgehen, die verstehen viel, können Dinge übersetzen, zusammenfassen. Aber die halluzinieren auch und die haben andere Schwierigkeiten, die in einem Unternehmensumfeld auch einzusetzen. Das muss ich stark trennen von meinem eigentlichen Unternehmensdatenschatz und der wirklichen, sagen wir mal, meiner Unternehmenswahrheit. Der Versicherung, die Cases, die Claims der Kunden, die entsprechenden Verträge, die dahinter liegen. Dieser Unternehmenswissenschatz, der liegt erstmal getrennt vor von dem Sprachmodell. Und ich muss das verfügbar machen in einem, wir sprechen davon, dass sich über die Zeit sowas entwickeln wird wie so ein Enterprise Digital Brain, also so ein digitales Mastermind, in dem alles Wissen des Unternehmens an der zentralen Stelle semantisch suchbar verfügbar gemacht wird. Und ich das dann benutze, um Unternehmensprozesse komplett neu zu denken und zu strukturieren, dass ich das Sprachmodell kombiniere mit dem Unternehmensdatenschatz und daraus wirklich Mehrwert für die Art und Weise, wie ich meine Unternehmensprozesse gestalte, ziehe.

SPEAKER_02

Eine der großen Herausforderungen, die wir im Alltag sehen, ist die Entscheidung zu sagen, wir nehmen jetzt ein bestehendes Modell, wir nehmen jetzt Commodity oder entwickeln es selber. Und oftmals war es so in den letzten Monaten und Jahren, dass wir Dinge selber entwickelt haben, also eigene Domain -Modelle, die aber mittlerweile von anderen Anbietern dann halt auch zur Commodity geworden sind. Also dieses ganze Stichwort Identifikation von manipulierten Bildern. Letztendlich die ersten Modelle, die wir entwickelt haben, um Bilder zu erkennen, die durch Gen -AI generiert worden sind, die kamen komplett bei uns aus dem Haus raus, weil es die so am Markt nicht gab. Mittlerweile ist das Commodity geworden. Und ich glaube auch diese Weiterentwicklung müssen wir in den nächsten Jahren antizipieren. Das wird immer weiter kommen, dass wir Dinge, die wir heute noch selber entwickeln müssen, weil es die einfach so nicht gibt, die wir brauchen für unsere Produkte, die wir brauchen, um unsere USPs zu härten, dass die in einigen Jahren Commodity sein könnten oder auch in einigen Monaten. Und ich glaube, das ist ganz wichtig.

SPEAKER_03

Ich glaube, diese Commoditisierung, alle haben Zugriff auf die gleichen großen Sprachmodelle und auf super leistungsfähige Basistechnologien. Das wird der Fall sein von den kleinen Startups zu den ganz großen Unternehmen. Und die Differenzierung wird passieren in den Unternehmen, wie gut sie ihre eigenen Daten erschließbar machen können und intelligent kombinieren und ihre Prozesse damit steuern. Aber sie werden sich, glaube ich, nicht davon stark unterscheiden können, welches Sprachmodell sie jetzt einsetzen, sondern eher, habe ich meine Daten in einer normalisierten Form verfügbar, kann ich die einfach erschließen, möglichst über alle Geschäftsprozesse hinweg auf alle Daten zugreifen, dass ich wirklich eine optimale User Experience, ein optimales Produkt, einen optimalen Backoffice -Prozess ablaufen lassen kann.

SPEAKER_02

Es ist, glaube ich, heute nicht mehr damit getan, dass ich drei Data -Scientisten einstelle und denen sage, guckt mal und macht mal, da kommt dann irgendwas raus. Das funktioniert heute nicht. Dieses gesamte Feld von Daten, von künstlicher Intelligenz ist so breit geworden, da gibt es auch nicht mehr den einen Experten, der alles abdeckt, sondern ich brauche wirklich ein schlagkräftiges Team, brauche die richtigen Technologien im Hintergrund und ich brauche eine sehr gute Strategie, wie ich das konsequent in meine Produkte reinbringe.

SPEAKER_00

Tobias, du hast eben schon mal das Thema Halluzinieren angesprochen. Jetzt ist es ja eine Sache, ob ich vielleicht mit ChatGPT eine Recherche mache und sitze ja quasi direkt dran und merke, hier stimmt irgendwas nicht. Wenn die jetzt aber quasi so orchestriert sind und die eine KI macht das und die andere das und ich als Mensch sitze jetzt nicht bei allem daneben, wie kann ich trotzdem sicherstellen, dass ja nichts Blödes passiert?

SPEAKER_02

Wenn es um die Produktentwicklung geht, wenn es darum geht, dass wir Produkte entwickeln, müssen wir Sicherheitsmechanismen einbauen, um das eben zu reduzieren. Das kann sein, dass ein Modell das andere Modell kontrolliert. Das wird definitiv sein, dass wir immer einen Human in the Loop haben, wie wir das nennen, was auch letztendlich der Gesetzgeber mit dem European AI Act vorsieht bei relevanten Modellen. Das ist wichtig, das ist super wichtig, um frühzeitig zu erkennen, wenn das Modell vielleicht in eine falsche Richtung läuft, wenn das Modell doch schematisch fehlerhaft unterwegs ist. Das muss erkannt werden im Sinne der Qualitätssicherung, aber auch vor allen Dingen im Sinne der Kontrolle über das Modell. Gerade wenn wir jetzt über die Weiterentwicklung von den Modellen sprechen und letztendlich ein rekursives Lernen bei den Daten haben, sodass die Ergebnisse von den Modellen dann wiederum als Input für die weitere Verarbeitung von den Modellen genutzt werden, da ist es super wichtig, dass wir immer darauf schauen und das Ganze weiter monitoren, weil sonst haben wir natürlich latent ein Risiko, dass es außer Kontrolle läuft.

SPEAKER_00

Und wie seht ihr das Thema Regulatorik jetzt von der EU oder anderen?

SPEAKER_03

Naja, ich glaube, da müssen wir irgendwie eine Balance finden zwischen das Vertrauen schaffen dadurch, dass wir sagen, wir haben eine gute Regulatorik, wir kontrollieren diese Systeme gut und wir wissen, was sie tun und wir lassen das auch nicht außer Kontrolle geraten. Damit schaffen wir ja auch Vertrauen wiederum in den Nutzern, in der Bevölkerung, in den Mitarbeitenden, in den Konsumenten, dass sie sagen, ich kann mich hier darauf verlassen. Das baut auch weiter Vertrauen auf, weil wenn wir Analysen anschauen und Statistiken, haben wir einen Sinn. Es gibt ein sehr großes Misstrauen in KI im europäischen Raum, auch in Nordamerika im Vergleich zu Indien und China. Da ist also ein riesen Unterschied dazwischen, wenn man die Leute auf der Straße fragt, vertraust du in KI oder nicht? In Indien und in China sagen 70 Prozent der Erwachsenen, ja, ich vertraue darin und etwa 30 Prozent in Europa und in den USA.

SPEAKER_00

Hast du eine Idee, woher der Unterschied kommt?

SPEAKER_03

Ich denke, das ist ein kultureller, ganz anderer Zugang zu, wie wir mit Technologie umgehen und wie kritisch wir auch über sowas nachdenken. Und ich glaube, der EU -EI -Act ist auch dazu da, dass wir dieses Vertrauen in allen beteiligten Stakeholdern schaffen. Allerdings darf der uns auch nicht behindern, dass wir nichts mehr machen und so beschränkt werden und nur noch Angst haben, wenn wir was tun, kriegen wir Penalties und Penalen. Das heißt, wir müssen schon diesen EI -Act kritisch immer beurteilen und schauen, hilft er uns wirklich, auch das beschleunigt, in Mehrwerte zu schaffen für die Wettbewerbsfähigkeit unserer Unternehmen, unserer Industrien, oder blockiert er uns? Und wir fallen in Europa weiter zurück und das können wir uns nicht erlauben. Also ich denke, wir bekommen das hin, aber wir müssen schauen, dass wir uns da nicht überregulieren.

SPEAKER_00

Unsere Zuhörerinnen kommen ja aus ganz verschiedenen Branchen. Seht ihr den Vorteil, sag ich mal, flächendeckend über alle Branchen hinweg oder gibt es vielleicht welche, die besonders profitieren werden?

SPEAKER_03

Also ich denke, der Mehrwert wird sich in allen Branchen einstellen, weil es ja um kognitive Tätigkeiten geht und die gibt es in jeder Branche, dass ich kognitive Tätigkeiten dadurch powern kann, dass Menschen mit supermächtiger Technologie zusammen noch viel schneller, besser, leistungsfähiger, in höherer Qualität arbeiten können. Wenn wir aber sehen, welche Branchen da am weitesten sind, gibt es schon große Unterschiede. Ziemlich weit vorne ist sicherlich die Finanzindustrie, Andreas Versicherungen, aber auch Banken sind, wenn wir uns anschauen, wir haben mehr als 2000 solcher Projekte in Accenture weltweit gemacht, sind die meisten, die wir sehen, im Financial Services -Bereich. Dann die Technologieunternehmen selber, also SAP, Microsoft, Google, ServiceNow und solche Teilnehmer benutzen es natürlich auch extrem stark intern in ihren eigenen Prozessen und bauen das in ihre Produkte ein. Dann kommen so die Telcos und die Medienunternehmen. Die Telcos haben große Customer -Service -Einheiten und müssen sehr viel an der Kundenschnittstelle tun und können dort Effizienzen bringen. Und als letztes würde ich vielleicht noch die Pharma -Branche nennen, die auch extrem aktiv ist, da den ganzen Produktentwicklungsprozess komplett zu transformieren und neu zu denken, wie entwickle ich eigentlich pharmakologische Wirkstoffe, wie entwickle ich Bio -Pharma -Wirkstoffe, neue chemische Komponenten, nicht mehr im Labor, sondern in Silikon. Und das kann mich halt unglaublich beschleunigen. Da geht mein Produktentwicklungsprozess von fünf bis zehn Jahren plötzlich auf sechs Monate.

SPEAKER_00

Wo sind aktuell noch Grenzen, die sich aus der Technologie ergeben und wo führt die Zukunft hin?

SPEAKER_03

Also die Begrenzung ist noch am Ende. Wir sind absolut signifikant in der Fähigkeit, was diese KI -Systeme können. Diese Sprachmodelle haben keinerlei Vorstellung von der physikalischen Welt, von physikalischen Prozessen, von Kausalität. Sie können sich höchstens über Sprache erschließen, aber sie verstehen nicht, wie Abläufe in der physikalischen Welt ablaufen. Wenn eine Kugel auf ein Glas kommt und das Glas fällt um und Wasser läuft raus und fließt vom Tisch runter, das ist in diesen Modellen nicht hinterlegt. Und wenn wir stärker physikalische Systeme, Roboter kontrollieren wollen, Abläufe in der physikalischen Welt, das ist noch ein sehr großes Forschungsfeld und auch ein Thema, was uns weit über die heutige Sprachmodelltechnologie führen wird und führen muss, wenn wir da wirklich richtig Fortschritt sehen wollen.

SPEAKER_02

Ich glaube, dass die Begrenzungen beim Einsatz oftmals auf der Nutzerseite sind. Ich glaube tatsächlich, dass wir noch nicht verstanden haben, welche Möglichkeiten wir Stand heute schon haben. Und du hast natürlich recht bei dem, was du sagst. Modelle müssen noch viel lernen, wobei so physikalische Modelle gibt es heute auch schon. Nvidia hat da die ersten Modelle entwickelt. Wo du diese Digital Twins mit erstellen kannst. Wo du letztendlich die komplette Welt simulieren kannst. Das bedarf alles einer gigantischen Rechenpower. Wenn man aber sieht, wie schnell die Evolution läuft und denken wir mal zurück, wo wir vor zwei Jahren erst gestanden haben, glaube ich, kann man heute schon antizipieren, dass wir in den nächsten Monaten und Jahren diese Möglichkeiten zur Verfügung haben. Deswegen umso wichtiger, dass die Nutzer, die Leute, die es einsetzen, die Leute, die es dann zu den Produkten machen, da schon sehr früh sich mit den Technologien beschäftigen und die Möglichkeiten ausloten. Also es ist sicherlich so, dieses Thema,

SPEAKER_03

deswegen habe ich auch über Vertrauen gesprochen, dass uns heute mehr das Vertrauen zurückhält in diese Technologien, als das, was technologisch möglich ist heute. Und dass wir daran arbeiten müssen, dass wir in den Unternehmen, also dass wir vertrauenswürdige Systeme bauen und vertrauenswürdige Technologie, aber genauso daran arbeiten, dass die Menschen auch Vertrauen haben in diese Systeme, weil sonst werden wir diesen Wettbewerbsvorteil, den wir dadurch realisieren können, nicht materialisieren und eben auch im internationalen Wettbewerb zurückfallen.

SPEAKER_00

Okay, also Vertrauen aufbauen und Vertrauen haben sind beide super wichtig. Was möchtet ihr unseren Zuhörenden sonst noch mit auf den Weg geben? Und jetzt der Gedanke zum Mitnehmen.

SPEAKER_03

Ich glaube, diese Technologie wird unser Leben viel stärker verändern, als alles, was wir in der Vergangenheit gesehen haben. Wir sollten dem positiv gegenüberstehen, aber natürlich auch kritisch und vor allen Dingen anfangen und Erfahrungen damit sammeln.

SPEAKER_02

Ich glaube, wer sich heute als Firma nicht mit den aktuellen Technologien auseinandersetzt, der gefährdet langfristig den Erfolg der Firma. Also egal, in welcher Branche ich unterwegs bin, es ist absolut essentiell, sich damit auseinanderzusetzen. Und ich brauche eine Strategie für meine Technologie, ich brauche eine Strategie für meine Produktentwicklung, ich brauche eine Strategie, wie ich meine Daten denn verarbeiten möchte und wie ich meine Daten denn auch sicher speichern möchte. Das ist ganz, ganz wichtig. Danke euch beiden.

SPEAKER_00

Und euch, liebe Zuhörende, danke fürs Einschalten. Seid gerne auch kommenden Mittwoch wieder dabei, wenn es heißt so klingt Wirtschaft.

SPEAKER_01

So klingt Wirtschaft. Haben Sie Fragen, Kritik oder Anmerkungen? Dann schreiben Sie uns gerne. An podcast at handelsblattgroup .com. Gefällt Ihnen, was Sie hören? Dann bewerten Sie uns gerne auf Spotify oder Apple Podcasts.

Dieser Podcast ist kein Produkt der Handelsblatt-Redaktion. Für den Inhalt sind die Interviewpartner*innen und die Handelsblatt Media Group Solutions verantwortlich.