Der Weg von RPA zu autonomen Agenten

Ein Ermittler für Finanzkriminalität, der früher große Mengen an verdächtigen Aktivitätsalarmen erhielt, die eine mühsame Ermittlungsarbeit erforderten, bei der manuell Daten über Systeme hinweg gesammelt werden mussten, um falsche Positivergebnisse auszusondern und verdächtige Aktivitätsberichte (SARs) über die anderen zu erstellen. Heute erhält sie priorisierte Alarme mit automatischer Recherche und vorgeschlagenem Inhalt, der SARs in Minuten erstellen kann.

Ein Retail-Kategorien-Planer, der früher stundenlange Analysen von Berichten der vergangenen Wochen durchführte, um Erkenntnisse darüber zu gewinnen, welche Produkte unter ihren Erwartungen lagen und warum, verwendet jetzt KI, um tiefere Einblicke zu liefern, die Problemgebiete aufdecken und korrigierende Maßnahmen vorschlagen, die für den maximalen Geschäftseinfluss priorisiert sind. Ein Wartungsingenieur für die Industrie verwendet einen Co-Piloten, der 24/7 die Gesundheit von Anlagen überwacht und Probleme vorhersagt und Warnungen im frühen Stadium mechanischer oder Leistungsprobleme generiert, was die ungeplante Ausfallzeit reduziert.

Diese Transformationen finden heute in Unternehmen statt und signalisieren einen grundlegenden Wandel: Vertikale Anwendungen, die prädiktive, generative und aufkommende agentische KI kombinieren, ergänzen und transformieren die Workflow-Automatisierung, indem sie gezielte, fortschrittliche Fähigkeiten bereitstellen, die komplexere und kontextabhängigere Herausforderungen als frühere Lösungen angehen.

Gartners Hype Cycle für aufkommende Technologien 2024 hob autonome KI als eine der vier wichtigsten Trends für aufkommende Technologien des Jahres hervor – und mit gutem Grund. Bei nicht-KI-Agenten mussten Benutzer definieren, was automatisiert werden sollte und wie dies zu tun war, in großer Detailgenauigkeit. Aber Anwendungen, die prädiktive, generative und bald agentische KI mit spezialisierten vertikalen Wissensquellen und Workflows kombinieren, können Informationen aus verschiedenen Quellen unternehmensweit ziehen, wiederkehrende Aufgaben beschleunigen und automatisieren und Empfehlungen für hochwertige Aktionen machen. Unternehmen, die diese Anwendungen nutzen, realisieren schnellere und genauere Entscheidungsfindung, schnelle Problemerkennung und -behebung und sogar präventive Maßnahmen, um Probleme von vornherein zu verhindern.

KI-Agenten repräsentieren die nächste Welle in der Unternehmens-KI. Sie bauen auf den Grundlagen der prädiktiven und generativen KI auf, aber machen einen bedeutenden Schritt nach vorne in Bezug auf Autonomie und Anpassungsfähigkeit. KI-Agenten sind nicht nur Werkzeuge für die Analyse oder Inhaltsgenerierung – sie sind intelligente Systeme, die unabhängige Entscheidungsfindung, Problemlösung und kontinuierliches Lernen ermöglichen. Diese Entwicklung markiert einen Wandel von KI als Unterstützungswerkzeug zu KI als aktiver Teilnehmer in Geschäftsprozessen, der in der Lage ist, Aktionen zu initiieren und Strategien in Echtzeit anzupassen.

Die Entwicklung von RPA zu autonomen Agenten

Traditionell wurde RPA für wiederkehrende, heuristische Prozesse und Aufgaben mit niedriger Komplexität mit strukturierten Dateneingaben verwendet. RPA verwendet strukturierte Eingaben und definierte Logik, um hoch wiederkehrende Prozesse wie Dateneingabe, Dateiübertragung und Formulareingabe zu automatisieren. Die weite Verfügbarkeit von erschwinglicher, hoch wirksamer prädiktiver und generativer KI hat das nächste Level komplexerer Geschäftsprobleme angegangen, die spezialisierte Domänenexpertise, Unternehmenssicherheit und die Fähigkeit erfordern, diverse Datenquellen zu integrieren.

Auf der nächsten Ebene gehen KI-Agenten über prädiktive KI-Algorithmen und -Software hinaus, indem sie autonom operieren, sich an veränderte Umgebungen anpassen und Entscheidungen auf der Grundlage vordefinierter Regeln und gelernten Verhaltensweisen treffen können. Während traditionelle KI-Tools möglicherweise bei bestimmten Aufgaben oder Datenanalysen hervorragend sind, können KI-Agenten multiple Fähigkeiten integrieren, um komplexe, dynamische Umgebungen zu navigieren und multifacettierte Probleme zu lösen. KI-Agenten können Organisationen effektiver, produktiver und die Kundenerfahrung und Mitarbeitererfahrung verbessern, während sie gleichzeitig Kosten reduzieren.

Wenn KI-Agenten mit den richtigen KI-Modellen als Werkzeuge und mit vertikalen Datenquellen und maschinellem Lernen zur Unterstützung spezifischer kontextabhängiger Aktivitäten entwickelt werden, werden sie zu hoch produktiven Arbeitspferden bei der Lösung von Problemen, der Durchführung der richtigen Schritte, der Wiederherstellung von Fehlern und der Verbesserung über die Zeit bei den gegebenen Aufgaben.

Navigation der Implementierung: Schlüsselaspekte für Unternehmen zu berücksichtigen

Die Implementierung prädiktiver, generativer und schließlich agentischer KI in einem Unternehmensumfeld kann sehr vorteilhaft sein, aber es ist kritisch, die richtigen Schritte vor der Bereitstellung zu unternehmen, um den Erfolg zu gewährleisten. Hier sind einige der wichtigsten Überlegungen für Unternehmen, wenn sie KI-Agenten in Betracht ziehen und beginnen, sie einzuführen.

• Ausrichtung mit Geschäftszielen: Damit die Unternehmens-KI-Adoption erfolgreich ist, sollte sie spezifische Anwendungsfälle in spezifischen Branchen angehen und erhöhte Produktivität und Genauigkeit liefern. Betreiben Sie regelmäßig Geschäftspartner in den KI-Bewertungs-/Auswahlprozess, um Ausrichtung und klaren ROI zu gewährleisten. Die Produkte sollten an Prozesse und Workflows angepasst werden, die messbar bessere Ergebnisse für die definierten Anwendungsfälle und vertikalen Domänen liefern.
• Datenqualität, -menge und -integration: Da KI-Modelle große Mengen an hochwertigen Daten erfordern, um effektiv zu sein, müssen Unternehmen robuste Datenverarbeitungs- und -verarbeitungspipelines implementieren, um sicherzustellen, dass die KI aktuelle, genaue und relevante Daten erhält. Die Pflege von Datenquellen reduziert das Risiko von Halluzinationen und ermöglicht der KI, die optimale Analyse, Empfehlungen und Entscheidungen zu treffen.
• Sicherheit und Datenschutz: Die Verarbeitung sensibler Daten in KI-Modellen birgt Datenschutzrisiken und potenzielle Sicherheitslücken. Eine sorgfältige Überlegung darüber, welche Daten für die KI erforderlich sind und nicht bereitgestellt werden sollten, kann helfen, die Exposition zu minimieren. Anwendungen sollten auch rollenbasierten und benutzerbasierten Zugriffsschutz mit Authentifizierungsschutz auf Daten- und API-Ebene bieten und bestätigen, dass Daten nicht an SLMs oder LLMs ohne Verifizierung und Schutz gelangen.
• Infrastruktur und Skalierbarkeit: Der Betrieb großer KI-Modelle erfordert erhebliche Rechenressourcen, und Skalierbarkeit kann auch ein Problem darstellen. Eine gute Konstruktion verhindert übermäßigen Ressourcenverbrauch – beispielsweise kann ein spezifischer SLM so effektiv sein wie ein allgemeiner LLM und erheblich reduzierte Rechenanforderungen und Latenzen aufweisen.
• Modellinterpretation und Erklärbarkeit: Viele KI-Modelle, insbesondere Deep-Learning-Modelle, werden oft als “black boxes” angesehen. Gute Unternehmens-KI-Produkte bieten vollständige Transparenz, einschließlich der Quellen, auf die die Modelle zugegriffen haben und wann, und warum jede Empfehlung gemacht wurde. Diese Kontext ist entscheidend, um Benutzervertrauen zu schaffen und die Adoption voranzutreiben.

Mögliche Nachteile von KI-Agenten

Wie bei jeder neuen Technologie haben KI-Agenten einige mögliche Nachteile. Die besten KI-Agenten-Anwendungen verlassen sich auf Human-in-the-Loop-Prozesse – einschließlich aller SymphonyAI agentischer KI-Anwendungen und -Fähigkeiten. Dieser Ansatz ermöglicht menschliche Aufsicht, Intervention und Zusammenarbeit, um sicherzustellen, dass die Aktionen des Agents mit den Geschäftszielen und ethischen Überlegungen übereinstimmen. Human-in-the-Loop-Systeme können Echtzeit-Feedback liefern, kritische Entscheidungen genehmigen oder eingreifen, wenn die KI auf ungewohnte Situationen stößt, und so eine leistungsstarke Zusammenarbeit zwischen künstlicher und menschlicher Intelligenz schaffen.

Verantwortungsvolle KI liefert auch eine starke Benutzeroberfläche, Nachvollziehbarkeit und die Fähigkeit, die Schritte zu überprüfen, warum der Agent einen Ausführungspfad gewählt hat. Wir halten uns an die Grundsätze verantwortungsvoller KI für Rechenschaftspflicht, Transparenz, Sicherheit, Zuverlässigkeit/Sicherheit und Datenschutz.

Der Weg zu vollständig autonomen Agenten

Es ist schwierig vorherzusagen, wie realistisch das Szenario vollständig autonome Agenten ist, da wir noch keine branchenweite Messung für das Maß an Autonomie etabliert haben. Zum Beispiel wurde im Bereich des autonomen Fahrens ein Level 1-5 für die Fähigkeit des selbstständigen Fahrens definiert, wobei Level 0 kein Level der Automatisierung darstellt, bei dem der Fahrer alle Fahrtaufgaben ausführt, und Level 5 die vollständige Automatisierung darstellt, bei der das Fahrzeug alle Fahrtaufgaben ausführt.

Wir sind weit fortgeschritten in dem, was ich als die dritte Phase des Weges zu Unternehmenswert mit KI sehe – wo kombinierte generative und prädiktive KI-Anwendungen fortschrittliche Empfehlungen machen und flüssige “Was-wäre-wenn”-Analysen unterstützen. Bei SymphonyAI sehen wir die nächste Phase in Richtung autonome KI-Agenten, die mit prädiktiver und generativer KI zusammenarbeiten, um Finanzbetrugsuntersuchungen zu beschleunigen, Retail-Kategorienmanagement und Nachfrageprognose zu turboaufladen und es Herstellern ermöglichen, Maschinenausfälle vorherzusagen und zu verhindern.

Wir verbessern derzeit die Komplexität und Autonomie von KI-Agenten in unseren Anwendungen, und das Kundenfeedback ist sehr positiv. Prädiktive und generative KI haben ein Level erreicht, auf dem sie Workflows automatisieren können, die früher als zu komplex für traditionelle Software galten. Autonome oder agentische KI übertrifft bei der Bewältigung dieser Aufgaben ohne Aufsicht und führt so zu transformatorischen Produktivitätsgewinnen und ermöglicht es menschlichen Ressourcen, sich auf strategischere Aktivitäten zu konzentrieren.

Zum Beispiel half ein multinationales europäisches Bankhaus, das SymphonyAI Sensa Investigation Hub mit KI-Agenten und einem Co-Piloten nutzt, Finanzkriminalitäts-Ermittlern, Zeit bei ihren Untersuchungen zu sparen, während gleichzeitig die Qualität der Untersuchungen verbessert wurde. Innerhalb von Wochen sah das Bankhaus durchschnittliche Aufwandsersparnisse von etwa 20% bei Level-1- und Level-2-Untersuchungen. Das Bankhaus projiziert auch Kosteneinsparungen mit SymphonyAI auf Microsoft Azure von 3,5 Mio. Euro pro Jahr, einschließlich einer 80-prozentigen Reduzierung der Ausgaben bei einem führenden Technologieanbieter von 1,5 Mio. Euro pro Jahr auf 300.000 Euro pro Jahr.

Mit durchdachter, unternehmensklassiger Konstruktion unter Verwendung verantwortungsvoller KI-Grundsätze liefern KI-Agenten transformatorische Produktivität, Genauigkeit und Exzellenz für eine wachsende Vielzahl von bewährten Anwendungsfällen. Bei SymphonyAI ist unsere Mission, Unternehmen mit KI-Agenten zu versorgen, die operative Exzellenz liefern. Durch die Kombination von schneller Reaktionsfähigkeit und langfristigem strategischem Denken ist agentische KI bereit, kritische Prozesse in mehreren Branchen zu revolutionieren.