Dieser Artikel wurde verfasst von:
Wenn heute von Künstlicher Intelligenz (KI) gesprochen wird, denken viele zuerst an generative Modelle wie ChatGPT, Anthropic oder Gemini. Diese sogenannten generativen KI-Systeme erstellen Inhalte – sei es Text, Bilder oder Code – basierend auf Trainingsdaten und Nutzereingaben. Sie sind beeindruckend, aber vor allem reaktiv.
KI-Agenten hingegen gehen weiter: Sie handeln autonom, verfolgen Ziele und können über längere Zeiträume hinweg eigenständig Entscheidungen treffen und ausführen. Agentic-AI-Systeme reagieren also nicht nur auf Befehle, sondern können auch eigene Absichten ableiten, sich mit neuen Vorgaben auseinandersetzen und Ergebnisse aus früheren Aktionen berücksichtigen – ähnlich wie ein menschlicher Assistent.
Der Unterschied ist also fundamental: Im Gegensatz zur generativen KI, die Inhalte auf Basis von Eingaben erstellt, agieren Agentic AI-Systeme proaktiv und adaptiv. Sie nutzen Fähigkeiten wie Planung, Kontextverständnis und Tool-Integration, um komplexe Aufgaben mit minimaler menschlicher Intervention zu bewältigen.
Agentic AI findet bereits in verschiedenen Unternehmensbereichen Anwendung:
Laut Garner ist Agenic AI der Toptrend für das Jahr 2025 und soll bereits 2028 mehr als zwölf Prozent aller Entscheidungen im Arbeitsumfeld treffen. Doch damit KI-Agenten überhaupt wirkungsvoll Prozesse optimieren können, müssen Daten her. Und hier ergeben sich oft die Fragen nach einem validen Umfang und vor allem auch einer validen Datenqualität im Unternehmen oder der Institution. Noch immer werden in vielen Unternehmen eher weniger strukturiert Daten erhoben. Nur etwa zwölf Prozent der Dataexpert:innen in Unternehmen trauen den eigenen Daten den Einsatz für generative KI zu, so eine Umfrage des Softwareunternehmen Precisley im Herbst 2024.
Dennoch können Systeme angelegt werden, die mit den meisten Bestandsdaten aus Unternehmen gute Ergebnisse liefern. Sogenannte RAG-Systeme (Retrieval-Augmented Generation) spielen in der Architektur von Agentic AI eine zentrale Rolle. Sie sind nicht nur relevant, sondern geradezu essentiell, wenn KI-Agenten mit aktuellen, dynamischen und vor allem unternehmensspezifischen Informationen arbeiten sollen.
Retrieval-Augmented Generation (RAG) ist ein Konzept, bei dem ein KI-System eine Anfrage nicht nur aus dem Sprachmodell (LLM) selbst beantwortet, sondern sich dafür aktiv Informationen aus z. B. Unternehmens-Datenquellen (z. B. Datenbanken, Wissensdokumente, CRM) heranholt, um die Antwort zu verbessern.
In einem Agentic-System sind RAG-Module typischerweise Teil der Tool-Schicht und werden von Agenten aktiv genutzt, um ihre Aufgaben besser zu erfüllen. So würde ein typischer Workflow ungefähr ergeben:
Dabei sind die möglichen RAG-Datenquellen vielfältig. Sie könnten z. B. HubSpot-Kampagnendaten, Salesforce-Datenblätter, interne Wissensdatenbanken (Wiki, Google Drive) oder auch Word- und PPT-Dateien, Slack-Channels, E-Mail-Archive oder auch Projektmanagementsysteme (Asana, Notion, Jira) umfassen.
Die Architektur für KI-Agenten Systeme – wie sieht sie aus?
Die gesamte KI-Agenten Architektur würde sich dann, inkl. der Einbindung des RAGs wie folgt aufbauen:
Die RAG-Komponente fungiert als Brücke zwischen Agenten, externem Wissen und dem LLM. Sie kann:
Diese Architektur ermöglicht es Unternehmen, Agentic AI-Systeme effektiv zu implementieren und in bestehende Prozesse zu integrieren. Die modulare Struktur erlaubt eine schrittweise Einführung und Skalierung entsprechend den Unternehmensbedürfnissen.
Uhura konnte mit dieser Architektur beispielsweise für einen Verband relevante Gesetzgebungsprozesse überwachen und der KI-Agent informiert proaktiv über Änderungen, die die Mitglieder betreffen könnten. Darüber hinaus können Mitarbeiter in älteren Stellungnahmen über ChatGPT-Interfaces überprüfen und vergleichen, um so Konsistenz zu neueren Stellungnahmen sicherzustellen.
In den meisten dieser Fälle orientieren wir uns bei Uhura Digital an einer Planungs- und Implementierungs-Roadmap die sicherstellt, dass ein KI-Agenten-Projekt schnell und optimal Ergebnisse erzielt. Denn entscheidend ist auch hier ein agiles Ausrollen erster Prototypen und schnelles Lernen und Erweitern der jeweiligen Anwendungen.
Phase 1: Strategische Planung (gerade am Beginn - investieren Sie nicht zuviel in ein “KI-Strategie” - lieber schnell zum Prototyp und lernen)
Phase 2: Pilotierung
Phase 3: Skalierung
Mittlerweile gibt es eine Menge Anwendungstools und SaaS-Services, mit denen eigene Systeme erstellt werden können und die auch eigene Datenbestände sicher als Wissensbasis verfügbar machen können. Eine Build- oder Buy-Entscheidung hängt hier von den individuellen aber vor allem auch langfristig strategischen Entscheidungen ab:
Build (Eigenentwicklung):
Buy (Fertige Lösungen):
Die Entscheidung hängt von Faktoren wie Unternehmensgröße, vorhandenen Ressourcen, spezifischen Anforderungen und strategischer Ausrichtung ab.
Agentic AI bietet Unternehmen die Möglichkeit, Prozesse zu automatisieren, Effizienz zu steigern und Mitarbeiter zu entlasten. Durch eine strategische Implementierung können Unternehmen Wettbewerbsvorteile erzielen und sich für die Zukunft rüsten.
Ob als CMO, CFO, Marketingmanager oder CEO – Sicher haben Sie sich auch schon Gedanken gemacht wie Sie Agenten nutzen können. Uhura kann ihnen bei der Identifikation, Konzeption und Implementierung helfen und Unternehmenseffizienz steigern– melden Sie sich.
Mehr zu unserer Technologie-Expertise und KI-Integrationen finden Sie auf unserer Technologie‑Services-Seite.
