Randall Newman, CPTO und Mitbegründer von Satisfi Labs – Interviewreihe

Randall Newman, CPTO und Mitbegründer von Satisfi Labs, ist ein Technologie- und Produktleiter mit umfangreicher Erfahrung im Aufbau von KI‑Plattformen, Finanztechnologie und Hochleistungssystemen. Seit der Mitbegründung von Satisfi Labs hat Newman eine zentrale Rolle bei der Vision, dem Design und der Skalierung der konversationellen KI‑Technologie des Unternehmens gespielt, während er die Produktentwicklung, Architektur, Engineering‑Teams und strategische Integrationen beaufsichtigte. Vor Satisfi Labs war er Leiter Produkt bei Satisfi Inc. und Mitbegründer des Mobile‑Marketing‑Unternehmens Right On Mobile. Früher in seiner Karriere verbrachte Newman mehr als 17 Jahre bei CIBC World Markets, wo er Führungspositionen in den Bereichen strategisches Risiko, Hochfrequenzhandel und Aktienarbitrage innehatte und dabei quantitative Handels‑Expertise mit praktischer Technologieentwicklung kombinierte.

Satisfi Labs ist ein KI‑Unternehmen, das sich auf den Einsatz spezialisierter KI‑Agenten für Sport, Unterhaltung, Tourismus, Attraktionen und andere Live‑Erlebnis‑Geschäfte konzentriert. Gegründet 2016 hat das Unternehmen sich von konversationeller KI und seiner Answer Engine zu einer agentenbasierten Plattform entwickelt, die Organisationen dabei unterstützt, Gästesupport zu automatisieren, Ticket‑ und Handelskonversionen zu steigern und Erkenntnisse aus Kunden­gesprächen zu gewinnen. Seine KI‑Agenten können in mehr als 50 Sprachen operieren und sich mit Ticket‑Systemen, CRM, Content‑Management und anderen Geschäftssystemen verbinden, um Aktionen wie den Ticketverkauf, das Weiterleiten von Gesprächen an menschliche Mitarbeitende, das Sammeln von Kundeninformationen und das Bereitstellen personalisierter Antworten auszuführen. Satisfi Labs gibt an, dass seine Technologie mittlerweile von über 775 Marken genutzt wird, mit Integrationen und Partnerschaften zu Unternehmen wie Ticketmaster, Simpleview, MappedIn, Ventrata und Vozzi.

Sie haben fast zwei Jahrzehnte in den Finanzmärkten verbracht, darunter den Aufbau von Low‑Latency‑Handelssystemen und die Leitung von Hochfrequenz‑Handelsstrategien bei CIBC, bevor Sie in die Technologie‑Unternehmerschaft wechselten und schließlich Satisfi Labs mitbegründeten. Welche Lehren aus Betriebssystemen, in denen Geschwindigkeit, Zuverlässigkeit und Risikomanagement entscheidend waren, haben Ihre heutige Entwicklung produktionsreifer KI‑Agenten am stärksten beeinflusst?

Der Handel lehrte mich, dass eine gute Idee und ein gutes Geschäft zwei verschiedene Dinge sind. Man kann eine Gelegenheit korrekt erkennen und dennoch Geld verlieren, weil die Ausführung zu langsam ist, die Kosten zu hoch sind oder die Risikobewertungen falsch sind. KI ist dasselbe. Die Modell‑Fähigkeit ist ein Input. Das Geschäft hängt davon ab, ob man diese Fähigkeit in ein wiederholbares Ergebnis zu akzeptablen Kosten und Risiken umwandeln kann.

Der Betrieb eines Index‑Arbitrage‑Buchs lehrt ebenfalls, über einzelne Entscheidungen hinauszublicken. Ein kleiner Fehler, der sich über ein Portfolio wiederholt, wird zu einer sehr großen Exposure. Bei KI können Tausende von Agenten einzeln vernünftige Entscheidungen treffen, die zusammen ein Problem erzeugen. Sie alle basieren auf denselben fehlerhaften Daten oder sie alle wiederholen denselben fehlerhaften Service. Man muss das System managen, nicht nur die einzelne Antwort.

Und Geschwindigkeit ist nur dann wichtig, wenn sie das Ergebnis verbessert. Im Handel gab es Momente, in denen Mikrosekunden entscheidend waren. Bei KI würde ich lieber eine Sekunde mehr damit verbringen, eine Transaktion zu bestätigen, als sofort ein falsches Ergebnis zu liefern. Die Disziplin besteht darin zu wissen, wo Geschwindigkeit Mehrwert schafft und wo sie lediglich einen Fehler beschleunigt.

Die letzte Lektion ist die, die das gesamte Geschäft gestartet hat. Der Vorsprung entsteht dadurch, dass man eine Fehlbewertung erkennt, bevor es alle anderen tun. Ich denke, die aktuelle Fehlbewertung besteht darin, dass die meisten Unternehmen KI‑Agenten als Mittel zur Senkung von Support‑Kosten betrachten. Bei Satisfi Labs sehen wir sie als Einnahmekanal. In unseren Sportstätten entfallen etwa 40 % der Agent‑Gespräche auf Tickets. Diese Fans kommen nicht, um sich zu beschweren. Sie kommen mit Geld in der Hand und fragen, wo sie sitzen können. Finden Sie das, was der Markt falsch bepreist, und erobern Sie es. Der gleiche Instinkt wie im Arbitrage‑Geschäft.

Satisfi Labs wurde 2017 gegründet, lange bevor der aktuelle Boom generativer KI begann, und hat sich von kontextbezogener natürlicher Sprachverarbeitung und konversationeller KI zu einer agentenbasierten Plattform entwickelt. Was waren die größten architektonischen Änderungen, die erforderlich waren, um von Systemen, die hauptsächlich darauf ausgelegt waren, Fragen zu beantworten, zu Agenten zu wechseln, die im Namen von Nutzern Aktionen ausführen können?

Wir haben ein Jahrzehnt damit verbracht, Tausende von KI‑Agenten für über 800 Unternehmens‑Kunden zu bauen, darunter MLB‑ und NFL‑Teams, Unterhaltungsstätten und Tourismusorganisationen. Die größte Veränderung besteht darin, dass man dem System Autorität verleiht, nicht nur Informationen.

Wenn ein Assistent Ihnen sagt, welche Tickets verfügbar sind, liefert er eine Antwort. Wenn er Ihre Tickets austauscht, ändert er das Inventar, Kundendaten und möglicherweise Geld. Jetzt muss man wissen, wer die Aktion autorisiert hat, was tatsächlich passiert ist und wie man wiederherstellt, falls der Prozess halbwegs abbricht.

Deshalb trennen wir das Urteil des Modells von der Befugnis zur Ausführung. Das Modell kann eine Anfrage interpretieren und den nächsten Schritt vorschlagen. Die darunter liegenden Systeme setzen Berechtigungen, Geschäftsregeln und Transaktionslimits durch. Eine überzeugende Erklärung des Modells kann diese Kontrollen nicht außer Kraft setzen.

Sie benötigen außerdem eine klare Unterscheidung zwischen „der Agent sagte, er habe die Aufgabe abgeschlossen“ und „das Geschäftssystem bestätigte den Abschluss“. Das sind nicht dieselben Dinge. Wenn eine Kaufanfrage zeitlich abläuft, sollten Sie herausfinden, ob der Kauf stattgefunden hat, bevor Sie es erneut versuchen.

Und strategisch sollten bessere Modelle Sie nicht dazu zwingen, Ihre geschäftlichen Kontrollen neu aufzubauen. Ich möchte jede Verbesserung im Reasoning nutzen, ohne jedes Mal neu verhandeln zu müssen, was das System darf, wenn ein neues Modell veröffentlicht wird.

Der Begriff „agentic AI“ wird jetzt auf eine breite Palette von Produkten angewendet. Aus ingenieurtechnischer Sicht, wo ziehen Sie die Grenze zwischen einem fortgeschrittenen Chatbot, einem KI‑Co‑Pilot und einem wirklich autonomen KI‑Agenten?

Ich würde eine Frage stellen: Welche Verantwortung hat die Person tatsächlich delegiert?

Ein Chatbot liefert Informationen. Ein Co‑Pilot hilft Ihnen, Arbeit zu erledigen, aber Sie steuern und genehmigen weiterhin die wichtigen Schritte. Ein autonomer Agent hat die Erlaubnis, einige dieser Entscheidungen selbst zu treffen, während er ein Ziel verfolgt.

Die Benutzeroberfläche sagt Ihnen nicht, welchen Sie gerade betrachten. Ein konversatives Produkt kann echte Autonomie dahinter haben. Etwas, das als Agent vermarktet wird, kann dennoch eine Person benötigen, die jede nützliche Aktion genehmigt.

Für ein Unternehmen sollte Autonomie eine konkrete Vereinbarung sein: Dieses System darf diese Aktionen für diese Nutzer innerhalb dieser Grenzen ausführen und muss unter diesen Bedingungen stoppen. Das ist etwas, das Sie tatsächlich testen und steuern können.

Ich würde außerdem nicht das maximale Maß an Autonomie zum Ziel machen. Manchmal stellt das beste Produkt eine gut getimte Frage und erledigt den Rest selbst. Diese Frage zu entfernen macht die Demo eindrucksvoller, das Unternehmen jedoch weniger sicher. Das Ziel ist, unnötige menschliche Arbeit zu eliminieren, nicht notwendiges menschliches Urteilsvermögen.

Satisfi Labs hat kürzlich Satisfi Forward gestartet, eine vor Ort eingesetzte Engineering‑Praxis. Welche Lücke sahen Sie zwischen dem Aufbau einer leistungsfähigen KI‑Plattform und dem zuverlässigen Einsatz von Agenten in der realen Umgebung eines Kunden, die Sie dazu veranlasste, dieses Modell zu schaffen?

Die letzte Meile wurde zum Engpass. Eine Plattform kann vieles standardisieren, aber sie kann nicht davon ausgehen, dass das Geschäft jedes Kunden auf dieselbe Weise funktioniert. Ihr Ticketsystem hat bestimmte Einschränkungen. Ihr Genehmigungsprozess läuft über drei Abteilungen. Ihre Definition eines qualifizierten Leads unterscheidet sich vom nächsten Kunden. Diese Details entscheiden, ob die Implementierung tatsächlich nützlich ist.

Man kann eine sofort einsetzbare Plattform kaufen und eine Demo zusammenstellen, die Menschen beeindruckt. Sie als robuste Erfahrung für echte Nutzer zu kommerzialisieren, ist etwas anderes. Hier kommen vor Ort eingesetzte Ingenieure ins Spiel. Die Aufgabe unseres Teams bei Satisfi Forward ist es, das Ergebnis zu verstehen, herauszufinden, was es blockiert, und die Workflows sowie Integrationen auf der Plattform zu bauen, die es ermöglichen.

Wir setzen jedoch klare Grenzen für jedes Engagement. Bevor wir bauen, einigen wir uns darauf, was Erfolg bedeutet, wer den Geschäftsprozess besitzt, was vom Kunden abhängt und wer ihn nach dem Start wartet. Andernfalls wird ein Last‑Mile‑Projekt zu einer unbefristeten Verpflichtung. Und das Engagement ist nicht abgeschlossen, wenn der Code ausgeliefert wird. Es ist abgeschlossen, wenn der Workflow im Betrieb des Kunden funktioniert und jemand dafür verantwortlich ist, ihn funktionsfähig zu halten.

Der Code ist zudem viel günstiger zu produzieren geworden, was dieses Modell weitaus praktikabler macht als früher. Ich betrachte Satisfi Forward jedoch nicht als eine Service‑Abteilung, die an ein SaaS‑Produkt angehängt ist. Jedes Engagement lehrt uns, welches das nächste Produkt sein sollte. Wenn drei Kunden denselben Workflow verlangen, ist das keine Support‑Belastung. Das ist die Roadmap, die sich selbst schreibt, mit zahlenden Kunden als Anhang. Das alte SaaS‑Modell spekulierte auf Funktionen und wartete auf Belege. Auf diese Weise erhalten wir zuerst die Belege und gleichzeitig den Umsatz, während wir sie sammeln. Ich denke, so entstehen Produktunternehmen im KI‑Zeitalter.

Ihre Agenten können sich mit Ticketsystemen, Customer‑Relationship‑Management‑Plattformen, Content‑Management‑Systemen und anderen Quellen für Echtzeitinformationen verbinden. Wenn Agenten die Fähigkeit erhalten, Transaktionen durchzuführen und Aktionen auszulösen, wie balancieren Sie den Echtzeitzugriff auf Daten und niedrige Latenz mit Fundierung, Sicherheit und Schutzmaßnahmen gegen falsche Aktionen?

Zunächst würde ich niemals zulassen, dass Geschwindigkeit einen Sicherheitsfehler ausgleicht. Einige Anforderungen sind Beschränkungen. Sie optimieren innerhalb dieser.

Dann unterscheiden Sie zwischen Arbeitsarten. Die Beantwortung einer Parkplatzfrage und der Abschluss eines Ticketkaufs erfordern nicht dieselbe Datenfrische oder dieselben Kontrollen. Stabile Informationen können Sie zwischenspeichern. Wenn Geld den Besitzer wechselt, benötigen Sie das autoritative Transaktionssystem, um Preis, Verfügbarkeit und Abschluss zu bestätigen.

Die gefährlichen Fälle sind jene, in denen das System nicht weiß, was passiert ist. Ein Backend akzeptiert einen Kauf, aber die Antwort kommt nie an. Wenn der Agent einen Fehler annimmt und erneut versucht, haben Sie zwei Käufe. Das ist kein Sprachproblem, sondern ein Problem der Transaktionswiederherstellung.

Und Sie messen die Erfahrung unter den tatsächlich relevanten Bedingungen. Die durchschnittliche Latenz an einem ruhigen Dienstag sagt Ihnen fast nichts. Wenn eine Veranstaltung wegen Regen ausfällt, haben Sie plötzlich tausende Menschen, die gleichzeitig fragen, was mit ihren Tickets passiert. Wenn Sie nur auf den durchschnittlichen Verkehr pro Minute planen, verpassen Sie die Kapazität, die Sie in diesem Ansturm benötigen. Das habe ich direkt von Handelssystemen gelernt.

Auch hier gibt es eine Kostenentscheidung. Nicht jede Anfrage erfordert das teuerste Modell oder eine Kette von Agenten. Verwenden Sie den einfachsten Weg, der die Anforderung erfüllt, und investieren Sie die zusätzliche Zeit oder Rechenleistung dort, wo sie die Entscheidung materiell verbessert. Der Nutzer sollte ein ehrliches Ergebnis erhalten, einschließlich einer ehrlichen Aussage, dass etwas nicht bestätigt werden konnte.

Satisfi Labs beschreibt ein Modell, in dem spezialisierte Agenten gemeinsam als KI‑Arbeitskraft agieren können. Was sind die schwierigsten technischen Probleme bei der Orchestrierung mehrerer spezialisierter Agenten, insbesondere in Bezug auf Routing, geteilten Kontext, widersprüchliche Entscheidungen und die Bestimmung, welcher Agent handeln soll?

Der schwierigste Teil ist, die Verantwortlichkeit zu wahren, während Sie die Arbeit verteilen.

Beginnen Sie damit, zu fragen, ob Sie überhaupt einen weiteren Agenten benötigen. Manchmal brauchen Sie einen Spezialisten. Manchmal benötigen Sie nur einen Werkzeugaufruf oder einen einfachen Workflow. Jeder hinzugefügte Agent ist eine weitere Interpretation der Anfrage, eine weitere Abhängigkeit, ein weiterer Ort für Fehler. Und die Anzahl der im Hintergrund laufenden Agenten sollte für den Nutzer unsichtbar bleiben.

Wenn mehrere Agenten gerechtfertigt sind, möchte ich, dass ein Agent die Interaktion übernimmt. Spezialisten können Informationen bereitstellen oder begrenzte Aufgaben erledigen. Ein Ticket‑Agent verwaltet Inventar und Umtausch, ein Kundenservice‑Agent kümmert sich um Richtlinien. Aber jemand muss die Ergebnisse abgleichen und entscheiden, ob der Nutzer tatsächlich das erhalten hat, was er wollte.

Routing ist schwierig, weil Menschen Fragen nicht in saubere Kategorien einordnen. Eine Anfrage kann drei Agenten berühren. Das System muss entscheiden: Kann einer sie allein bearbeiten, müssen mehrere nacheinander laufen, oder sollte es dem Nutzer noch eine Frage stellen, bevor etwas unternommen wird?

Dasselbe gilt für den Kontext. Sie senden nicht alles an jeden Agenten. Das erhöht die Latenz, erzeugt Rauschen und kann Informationen preisgeben, die ein Agent nicht benötigt. Und die Annahme eines Agenten sollte nicht zur Tatsache werden, nur weil sie an den nächsten Agenten weitergegeben wurde.

Wenn zwei Agenten widersprüchliche Antworten geben, möchte ich nicht, dass sie streiten, bis einer überzeugender klingt. Es muss ein klares Autoritätsmodell geben. Das Ticket‑System legt die Verfügbarkeit fest. Das Unternehmen definiert die Austausch‑Richtlinie. Echtzeitdaten schlagen zwischengespeicherte Daten, Geschäftsregeln überwiegen Modellurteile, und wenn das Problem immer noch nicht gelöst werden kann, fragen Sie den Nutzer oder holen eine Person hinzu. Der schwierige Teil ist nicht, die Agenten zum Sprechen zu bringen, sondern exakt rekonstruieren zu können, welcher Agent was getan hat und wo die Verantwortung lag.

Satisfi Labs legt zunehmend den Fokus darauf, Agenten anhand von Zielen und Geschäftsergebnissen zu messen, statt nach Kennzahlen wie Gesprächsvolumen. Was sollten Unternehmen tatsächlich messen, um zu bestimmen, ob ein KI‑Agent gut performt, und wie bewertet man die Zuverlässigkeit, bevor man einem Agenten mehr Autonomie gewährt?

Beginnen Sie mit dem Geschäftsergebnis und fragen Sie dann, wie viel von diesem Ergebnis der Agent tatsächlich verursacht hat.

Wenn jemand nach einem Gespräch mit einem Agenten Tickets kauft, bedeutet das nicht automatisch, dass der Agent den Verkauf erzeugt hat. Er könnte sowieso gekauft haben. Wo es möglich ist, wollen Sie kontrollierte Vergleiche oder eine glaubwürdige Basislinie, nicht nur die letzte Interaktion kreditieren. Für einen Ticket‑Kunden bedeutet das, zu messen, ob der Fan am Ende Sitzplätze erhalten hat, nicht ob der Agent höflich geantwortet hat. Für einen Veranstaltungsort, der die Warteschlangen an der Kasse verkürzen möchte, bedeutet das, zu messen, was der Agent gelöst hat, bevor jemand überhaupt anstehen musste.

Betrachten Sie dann die Wirtschaftlichkeit eines erfolgreichen Ergebnisses: Modellkosten, Infrastruktur, menschliche Überprüfung, Eskalationen und die Kosten für die Behebung von Fehlern. Ein Agent, der billig erscheint, bis man die Personen mitzählt, die seine Arbeit reparieren, ist nicht billig.

Zuverlässigkeit benötigt eine eigene Scorecard. Abschluss, Korrektheit, unautorisierte Aktionen, Wiederherstellung nach Fehlern, Qualität von Eskalationen. Man kann einen ernsthaften Datenschutzvorfall nicht einfach in eine gute Konversionsrate einfließen lassen.

Für mehr Autonomie würde ich Evidenz für die spezifische Aktionsklasse verlangen, die delegiert wird. Testen Sie sie, beobachten Sie sie unter Aufsicht, erweitern Sie sie innerhalb von Grenzen und behalten Sie eine Möglichkeit, sie zu stoppen. Eine gute Gesamtegenauigkeit beweist nicht, dass das System für jede Transaktion bereit ist. Und seien Sie vorsichtig mit Anreizen. Manchmal ist das Hinzuziehen einer Person das richtige Ergebnis. Wenn Sie den Agenten nur dafür belohnen, Hand‑offs zu vermeiden, seien Sie nicht überrascht, wenn er Probleme behält, die er hätte eskalieren sollen.

Sie haben kürzlich argumentiert, dass Voice‑KI um messbare Ergebnisse herum gestaltet werden muss, anstatt sie als weitere Schnittstelle für einen bestehenden Chatbot zu behandeln. Welche technischen Durchbrüche sind noch nötig, bevor Sprach‑Agenten zu einer primären Schnittstelle für komplexe, Echtzeit‑Interaktionen werden können, insbesondere in Umgebungen wie Stadien, Attraktionen und Live‑Events?

Viele Kunden fragen: Können Sie einfach die Chat‑Anwendung nehmen und Voice‑Funktionalität einstecken? Das können wir. Aber das bedeutet nicht, dass es eine gute Erfahrung wird. Die nächste wirkliche Verbesserung ist nicht eine menschlicher klingende Stimme, sondern eine Interaktion, die den Bedingungen standhält, unter denen Menschen sie tatsächlich nutzen.

In einem Stadion spricht jemand über den Lärm der Menge, verwendet einen unbekannten Spielernamen, ändert mitten im Satz seine Meinung und versucht, den Kauf abzuschließen, bevor die Tore öffnen. Das System muss Unterbrechungen, Unsicherheiten und Backend‑Verzögerungen bewältigen, ohne die Aufgabe zu verlieren.

Achten Sie besonders auf kritische Details. Ein lockerer Satz wird falsch verstanden, das ist eine Sache. Die Zahl der Tickets oder das Veranstaltungsdatum falsch zu hören, ist eine andere. Der Agent muss die Details bestätigen, die die Konsequenz der Handlung ändern, ohne das gesamte Gespräch langweilig zu machen.

Und die Stimme sollte nicht gezwungen werden, alles zu erledigen. Zwanzig Sitzoptionen zu vergleichen, ist auf einem Bildschirm besser. Jemand könnte zunächst tippen, ins Auto einsteigen und das gleiche Gespräch per Sprache fortsetzen wollen. Das System sollte diesen Kontext bewahren und Stimme, Text sowie visuelle Elemente nutzen, je nachdem, was in dem Moment am besten passt.

Einige dieser Dinge benötigen bessere Modelle. Vieles erfordert eine bessere Integration und ein verbessertes Interaktionsdesign. Auf einen Durchbruch zu warten, wird keinen Workflow reparieren, der um Text herum entworfen und dann laut vorgelesen wurde. Ich würde den Fortschritt so beurteilen: Erledigen Menschen die Aufgabe genau, mit weniger Aufwand, unter realen Bedingungen?

Wenn Agenten von der reinen Informationsbereitstellung zum Verkauf von Tickets, zur Erfassung von Kundendaten, zur Personalisierung von Erlebnissen und zur Interaktion mit operativen Systemen übergehen, wie sollten Unternehmen bestimmen, welche Entscheidungen ein Agent autonom treffen kann und welche stets menschliche Aufsicht erfordern?

Es ist Risikomanagement. Wenn das schiefgeht, welchen Schaden kann es anrichten? Öffnet der Agent eine Tür, die er nicht schließen kann?

Umkehrbarkeit ist ein nützlicher erster Test, aber man sollte auch die Gesamtexposition betrachten. Eine Rückerstattung kann klein und umkehrbar sein. Zehntausend fehlerhafte Rückerstattungen, bevor jemand etwas bemerkt, sind ein anderes Problem. Man braucht Grenzen für einzelne Aktionen und für die kumulative Aktivität des Systems.

Wenn die Aktion risikoarm und umkehrbar ist, geben Sie ihr mehr Autonomie: eine Präferenz aktualisieren, eine Bestellung prüfen, einen Artikel reservieren. Steigen die Konsequenzen, fügen Sie Bestätigung oder Genehmigung hinzu. Ein Kauf könnte erfordern, dass der Kunde den Preis bestätigt. Eine große Rückerstattung könnte die Unterschrift eines Mitarbeiters benötigen. Eine Sicherheitsbedrohung wird sofort eskaliert. Und manche Entscheidungen sollten einfach bei einer Person bleiben, Punkt.

Kundeneinwilligung und Unternehmensgenehmigung sind übrigens unterschiedliche Dinge. Ein Kunde, der einen Kauf bestätigt, autorisiert den Agenten nicht, die Unternehmensrichtlinie zu umgehen. Ein Mitarbeiter, der eine Ausnahme genehmigt, bedeutet nicht, dass der Kunde einer Gebühr zugestimmt hat.

Die Grenzen müssen von den Systemen durchgesetzt werden, die die Aktion ausführen, nicht nur in einer Eingabeaufforderung beschrieben werden. Man gibt einem Agenten nicht breit gefächtenen Zugriff und verlässt sich dann darauf, dass eine Eingabeaufforderung ihn vorsichtig macht. Und wenn eine Person erforderlich ist, muss ihr genug Kontext gegeben werden, um eine fundierte Entscheidung zu treffen. Jemandem Hunderte von Genehmigungen ohne Informationen zu übergeben, schafft einen Stempel, nicht Aufsicht. Setzen Sie menschliche Aufmerksamkeit dort ein, wo sie ein bedeutendes Risiko reduziert. Verteilen Sie sie nicht dünn über jede Interaktion.

Wenn wir in die Zukunft blicken, erwarten Sie, dass Technologien wie das Model Context Protocol und die Agent-zu-Agent-Kommunikation grundlegend verändern, wie Unternehmens‑KI‑Systeme gebaut werden, und uns von isolierten Agenten zu Ökosystemen führen, in denen Agenten Werkzeuge entdecken, Kontext austauschen und Aktionen über Unternehmen und Plattformen hinweg koordinieren?

Ich denke, die Protokolle sind ein Mittel zum Zweck. MCP bietet KI‑Anwendungen eine einheitliche Möglichkeit, auf Werkzeuge und Kontext zuzugreifen. Agent‑zu‑Agent‑Protokolle ermöglichen die Zusammenarbeit zwischen Agenten. Das ist wertvoll. Man sollte nicht jedes Mal eine maßgeschneiderte Integration bauen, wenn ein Agent ein Werkzeug benötigt. Das ist ähnlich dem, was APIs für Software‑Integrationen getan haben.

Aber ein gemeinsames Format bedeutet nicht, dass zwei Unternehmen sich darüber einig sind, was eine Aktion bedeutet, wer sie autorisieren kann oder was passiert, wenn sie fehlschlägt. Nur weil ein Agent ein Werkzeug entdecken kann, heißt das nicht, dass er es benutzen darf. Man muss immer noch Identität, Berechtigungen, Vertrauen und Verantwortlichkeit klären. Wenn ein Agent einen anderen bittet, etwas zu tun, und es schiefgeht, wer trägt dann die Verantwortung für diese Entscheidung?

Das ist meine Sicht auf die eigentlichen Veränderungen. Heute hat ein Veranstaltungsort eine Website und eine App. In ein paar Jahren wird er einen Agenten haben, mit dem andere Agenten verhandeln. Der persönliche Assistent eines Fans fragt den Agenten des Veranstaltungsorts nach zwei Sitzplätzen zu einem bestimmten Preis, plus einem Parkpass, und die gesamte Transaktion läuft zwischen den beiden Agenten ab. Die richtigen Fähigkeiten zu finden, ist der einfache Schritt. Die Autorität des Kunden zu kennen, den kombinierten Preis zu bestätigen und den Fall zu handhaben, dass die Tickets erfolgreich sind, das Parken jedoch nicht, das sind die eigentlichen Probleme.

Und ich glaube nicht, dass der Betrieb eines Agenten automatisch die Kundenbeziehung überträgt. Das muss verdient werden. Ich glaube jedoch auch nicht, dass Veranstaltungsorte diese Transaktionen an ein Suchunternehmen oder einen Ticketmarktplatz abgeben werden. Unser Ziel bei Satisfi Labs ist es, der Agent zu sein, der den Veranstaltungsort in dieser Wirtschaft vertritt, der so zuverlässig ist, dass ein Unternehmen seinen Namen darauf setzt. Alles, was wir rund um Zuverlässigkeit, Berechtigungen und Verantwortlichkeit aufgebaut haben, verdient genau diesen Platz.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten Satisfi Labs besuchen.