Der Weg von RPA zu autonomen Agenten

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

Ein Retail-Kategorienplaner, der früher stundenlange Analysen von Berichten der vergangenen Wochen durchführte, um Erkenntnisse darüber zu gewinnen, welche Produkte unter ihren Erwartungen lagen und warum, verwendet heute KI, um tiefere Einblicke zu liefern, die Problemgebiete aufdecken und korrigierende Maßnahmen vorschlagen, die für den maximalen Geschäftserfolg priorisiert sind. Ein Industriemonteur verwendet einen Co-Piloten, der 24/7 die Gesundheit der Anlagen überwacht und Probleme vorhersagt und Warnungen in den frühen Stadien mechanischer oder Leistungsprobleme auslöst, wodurch ungeplante Ausfallzeiten reduziert werden.

Diese Transformationen finden heute in Unternehmen statt und signalisieren eine grundlegende Veränderung: Vertikale Anwendungen, die prädiktive, generative und aufkommende agente 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 sie automatisieren und wie sie es detailliert durchführen sollten. Anwendungen, die prädiktive, generative und bald agente KI mit spezialisierten vertikalen Wissensquellen und Workflows kombinieren, können Informationen aus verschiedenen Quellen im gesamten Unternehmen ziehen, repetitive Aufgaben beschleunigen und automatisieren sowie Empfehlungen für hochwertige Aktionen geben. Unternehmen, die diese Anwendungen verwenden, erkennen schnellere und genauere Entscheidungen, schnelle Problemerkennung und -behebung sowie präventive Maßnahmen, um Probleme von vornherein zu vermeiden.

KI-Agenten repräsentieren die nächste Welle in der Unternehmens-KI. Sie bauen auf den Grundlagen von prädiktiver und generativer KI auf, machen jedoch einen bedeutenden Schritt nach vorne in Bezug auf Autonomie und Anpassungsfähigkeit. KI-Agenten sind nicht nur Werkzeuge für Analysen oder Inhaltsgenerierung – sie sind intelligente Systeme, die unabhängige Entscheidungen treffen, Probleme lösen und kontinuierlich lernen können. Diese Entwicklung markiert einen Wechsel von KI als Unterstützungswerkzeug zu KI als aktiver Teilnehmer in Geschäftsprozessen, der Aktionen initiieren und Strategien in Echtzeit anpassen kann.

Die Evolution von RPA zu autonomen Agenten

Traditionell wurde RPA für repetitive, heuristische Prozesse und Aufgaben mit geringer Komplexität mit strukturierten Dateninputs verwendet. RPA verwendet strukturierte Inputs und definierte Logik, um hochrepetitive Prozesse wie Dateneingabe, Dateiübertragung und Formulare auszufüllen. Die weite Verfügbarkeit von erschwinglicher, hochwirksamer prädiktiver und generativer KI hat das nächste Level komplexerer Geschäftsprobleme angegangen, die spezialisierte Domänenexpertise, Unternehmenssicherheit und die Fähigkeit erfordern, diverse Datenquellen zu integrieren.

Auf dem nächsten Level gehen KI-Agenten über prädiktive KI-Algorithmen und -Software hinaus, indem sie autonom operieren, sich an veränderte Umgebungen anpassen und Entscheidungen auf der Grundlage von vordefinierten Regeln und gelernten Verhaltensweisen treffen können. Während traditionelle KI-Tools möglicherweise bei bestimmten Aufgaben oder Datenanalysen hervorragend sind, können KI-Agenten mehrere 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 aufgebaut werden, werden sie zu hochproduktiven Arbeitspferden bei der Entschlüsselung von Problemen, der Durchführung der richtigen Schritte, der Wiederherstellung aus Fehlern und der Verbesserung über die Zeit bei den gegebenen Aufgaben.

Navigation der Implementierung: Schlüsselaspekte, die Unternehmen berücksichtigen sollten

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

• Ausrichtung an Geschäftszielen: Damit die Einführung von KI in Unternehmen erfolgreich ist, sollte sie spezifische Anwendungsfälle in bestimmten Branchen angehen und die Produktivität und Genauigkeit erhöhen. Betriebsverantwortliche sollten regelmäßig in den KI-Bewertungs-/Auswahlprozess einbezogen werden, um die Ausrichtung sicherzustellen und einen klaren ROI zu liefern. Die Produkte sollten an Prozesse und Workflows angepasst werden, die messbare Ergebnisse für die definierten Anwendungsfälle und vertikalen Domänen verbessern.
• Datenqualität, -menge und -integration: Da KI-Modelle große Mengen an hochwertigen Daten erfordern, um effektiv zu sein, müssen Unternehmen robuste Datenbereitstellungs- und -verarbeitungspipelines implementieren, um sicherzustellen, dass die KI aktuelle, genaue und relevante Daten erhält. Die Pflege von Datenquellen reduziert das Risiko von Halluzinationen erheblich 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. Es ist wichtig, sorgfältig zu überlegen, welche Daten für die KI erforderlich sind, und keine Daten bereitzustellen, die nicht direkt relevant wären, um die Exposition zu minimieren. Anwendungen sollten auch rollenbasierte und benutzerbasierte Zugriffskontrollen mit Authentifizierungsschutz in den Daten- und API-Schichten bereitstellen und bestätigen, dass Daten nicht an SLMs oder LLMs ohne Überprüfung 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 den übermäßigen Ressourcenverbrauch – beispielsweise kann ein spezifischer SLM so effektiv sein wie ein allgemeinerer LLM und den Rechenbedarf und die Latenz erheblich reduzieren.
• 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 gegeben wurde. Diese Kontextinformation ist entscheidend, um Benutzervertrauen zu schaffen und die Akzeptanz zu fördern.

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-agenter 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 unbekannte Situationen stößt, und so eine starke 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 von 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 keinen branchenweiten Maßstab für das Maß an Autonomie etabliert haben. Zum Beispiel wurde im Bereich des autonomen Fahrens ein Maßstab von Level 1-5 der Fähigkeit zum selbstständigen Fahren etabliert, wobei Level 0 keine Automatisierung darstellt, bei der der Fahrer alle Fahrmanöver durchführt, und Level 5 die vollständige Automatisierung darstellt, bei der das Fahrzeug alle Fahrmanöver durchführt.

Wir sind bereits 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 liefern und eine flüssige “Was-wäre-wenn”-Analyse 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 vermeiden.\

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 Niveau erreicht, auf dem sie Workflows automatisieren können, die früher als zu komplex für traditionelle Software galten. Autonome oder agente KI zeichnet sich durch die Fähigkeit aus, diese Aufgaben ohne Aufsicht zu bewältigen, was zu transformatorischen Produktivitätsgewinnen und der Möglichkeit für menschliche Ressourcen führt, sich auf strategischere Aktivitäten zu konzentrieren.

Beispielsweise half ein multinationaler europäischer Bankkonzern, der SymphonyAI Sensa Investigation Hub mit KI-Agenten und einem Co-Piloten verwendet, Finanzkriminalermittlern, Zeit bei ihren Untersuchungen zu sparen, während gleichzeitig die Qualität der Untersuchungen verbessert wurde. Innerhalb weniger Wochen sah die Bank durchschnittliche Aufwandsersparnisse von etwa 20 % bei Level-1- und Level-2-Untersuchungen. Die Bank geht auch davon aus, dass sie mit SymphonyAI auf Microsoft Azure jährliche Kosteneinsparungen von 3,5 Mio. Euro erzielen wird, 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 bedachter, unternehmensweiter Konstruktion unter Verwendung verantwortungsvoller KI-Grundsätze liefern KI-Agenten transformationale Produktivität, Genauigkeit und Exzellenz für eine wachsende Vielzahl von bewährten Anwendungsfällen. Bei SymphonyAI ist unser Ziel, Unternehmen mit KI-Agenten zu versorgen, die betriebliche Exzellenz liefern. Durch die Kombination von schneller Reaktionsfähigkeit und langfristigem strategischem Denken ist agente KI bereit, kritische Prozesse in mehreren Branchen zu revolutionieren.