Kommentar von Jens Dauner, FICO Mit AgenticAI und Decision Agents KI operativ auf Spur bringen

Anbieter zum Thema

Fair Isaac Deutschland GmbH

Board Deutschland GmbH

INFOMOTION GmbH

QUNIS GmbH

Unternehmen haben im Durchschnitt 36 Proof-of-Concept-Projekte für Künstliche Intelligenz (KI) am Laufen, aber nur etwa vier davon erlangen operative Reife und werden eingesetzt – so die Ergebnisse einer Umfrage von Gartner von 2025. Eine aktuelle Studie des MIT zeigt ein noch düstereres Bild: 95 Prozent der GenAI-Pilotprojekte scheitern.

Die Folgen davon sind klar: verschwendete Zeit, verschwendetes Geld und fehlende Ergebnisse führen zu teilweise erheblichen Verlusten. Das Vertrauen in KI und ihren Nutzen im operativen Einsatz schwindet.

Diskrepanz zwischen Erwartungshaltung und realem Nutzen

Die häufig fehlende Skalierung und Operationalisierung von KI sind die Hauptursachen für die Diskrepanz zwischen hoher Erwartungshaltung an und dem oft fehlenden Nutzen von KI im realen Einsatz. Denn KI muss in der Regel in großem Umfang operativ eingesetzt werden, um den erwarteten Mehrwert zu generieren. Zudem sind fehlende Transparenz und Kontrolle über KI-gesteuerte Ergebnisse herausfordernd. Das unzureichende Vertrauen in KI ist neben Modell-Halluzination, Daten-Drift und Adversarial Attacks eines der größten Probleme der unternehmerischen Wertschöpfung durch KI. Genau diese Risiken scheuen Führungsteams.

Viele GenAI-Initiativen bleiben in der Konzeptphase stecken

Gartner: Hälfte aller GenAI-Projekte vor dem Aus

Laut der MIT-Studie gibt es eine Lernlücke sowohl bei den Tools als auch bei den Unternehmen. Während Führungskräfte oft die Regulierung oder die Modellleistung für das Scheitern von KI-Projekten verantwortlich machen, deutet die Forschung des MIT auf eine mangelhafte Integration und falsche Anwendung in Unternehmen hin. Generische Tools wie ChatGPT würden sich zwar aufgrund ihrer Flexibilität hervorragend für Einzelpersonen eignen, reichten aber für den breiten Einsatz für Unternehmensanwendungen nicht aus, da sie nicht aus Arbeitsabläufen lernen oder sich an diese anpassen, so die Forscher des MIT.

Wie aber können Unternehmen diese Diskrepanz zwischen KI-Hype und -Mehrwert aus der Welt schaffen und mit KI Ergebnisse in Echtzeit und im großen Maßstab generieren, um Innovation und Wettbewerbsfähigkeit zu sichern? Dafür müssen einerseits robuste Datenpipelines aufgebaut und genaue Ziele definiert werden. Andererseits ist die erfolgreiche Integration in Legacy-Systeme ausschlaggebend für den operativen Erfolg von KI. Und es braucht Lösungen für die Herausforderung Modell-Drift. Während viele Unternehmen mit der KI-Diskrepanz kämpfen, können neue, vielversprechende KI-Entwicklungen zu ihrer Überwindung beitragen. Eine dieser Entwicklungen sind KI-Agenten.

Lösungsansatz AgenticAI

Hierbei handelt es sich um autonome oder halbautonome KI-Einheiten, die KI-Techniken nutzen, um Entscheidungen zu treffen, ein definiertes Ziel zu erreichen sowie eigenständig Aktionen in ihrer digitalen oder physischen Umgebung auszuführen. Sie handeln zielgerichtet über mehrere Schritte, greifen auf Tools/APIs/Daten zu und schließen Aufgaben ab. Das unterscheidet sie von GenAI, die lediglich Inhalte wie Text, Code oder Bilder aus gelernten Mustern erzeugt.

KI-Agenten lassen sich je nach ihrem Können in unterschiedliche Typen einteilen: von einfachen Agenten, die unmittelbar auf eine bestimmte Art von Aktion reagieren, bis hin zu komplexen Multiagenten-Systemen. Hier arbeiten ganze Teams von digitalen Agenten zusammen, um strategische Ziele zu erreichen.

Kommentar von Michael Zunke, Thales

Wie die Absicherung von KI-Code in lokalen oder hybriden Umgebungen gelingt

Zusätzlich können KI-Agenten auch nach dem Niveau ihrer Ergebnisse klassifiziert werden. Diese starten mit einfachen Anforderungen, wie ein Zugticket von München nach Rom zu buchen, und gehen bis hin zu komplexeren, strategischen Aufgaben. Ein Beispiel dafür wäre, wenn ein KI-Agent Strategien für eine höhere Profitabilität im Kreditgeschäft einer Bank entwickelt und diese Strategie operativ umsetzt, indem er Risiken von Kreditnehmern datenbasiert bewertet und entsprechend Kredite gewährt oder nicht.

Fokus Entscheidungsagenten

Komplexe Geschäftsentscheidungen erfordern ausgeklügelte KI-Ansätze. Dazu gehört der Einsatz von interpretierbaren Entscheidungsagenten, die sicherstellen, dass Menschen das System jederzeit kontrollieren und steuern können. Entscheidungsagenten sind darauf ausgelegt, vertrauenswürdige, transparente und vorhersehbare Entscheidungen zu treffen. Sie agieren von Haus aus ziel- und handlungsorientiert und überwinden so die oben beschriebene KI-Diskrepanz. Je nach Zielsetzung, lassen sich auch die Entscheidungsagenten typisieren.

Ein Beispiel aus der Praxis verdeutlicht, warum Entscheidungsagenten so wichtig sind: Ein Kunde einer Leasing-Bank ist mit der Bezahlung seiner Auto-Leasingrate in Verzug. Das Geld per herkömmlichem Forderungsmanagement über Mahnungen und Inkasso einzufordern, mag zur Begleichung der Leasingrate führen. Gleichzeitig kann der Kunde aber so verärgert sein, dass er nie wieder Geschäfte mit der Leasing-Bank machen möchte. Teilt der Kunde seine negative Erfahrung mit Familie und Freunden, schadet das der Reputation und dem Markenimage des Unternehmens zusätzlich.

Dabei könnte es helfen, wenn der Kunde zunächst von der Bank kontaktiert wird, um zu eruieren, warum die fällige Rate nicht bezahlt wurde und welche Möglichkeiten der Kunden nun sieht, dies zu tun. Es geht also nicht um eine eindimensionale Entscheidung, sondern um ein komplexes Geflecht von Entscheidungen, die sich gegenseitig beeinflussen. So ein Multiagent Intelligent Decisioning System sorgt dafür, dass Führungsteams strategische Ergebnisse vorhersehen, Risiken effizient managen und Innovationen schnell und selbstbewusst auf den Weg bringen. Denn es zeigt, welche nachgelagerten Effekte komplexe Entscheidungen haben.

Welche Vorteile ein Multiagent Intelligent Decisioning System haben kann, zeigt folgendes Praxisbeispiel. Der Chief Revenue Officer eines Handelsunternehmens möchte den Umsatz seines Online-Shops um 25 Prozent erhöhen. Außerdem definiert er als weitere Ziele eine Verringerung des Produktbestandes von zehn auf sieben Prozent und die Verbesserung der Profitabilität. Ein Multiagent Intelligent Decisioning System aus mehreren individuellen Agenten optimiert die Produktverfügbarkeit, passt die Preise dynamisch an und verbessert so die Profitabilität, die Kundenakzeptanz und den Umsatz. Außerdem sorgt das System für die Hyperpersonalisierung der Kunden und ein zielgerichtetes Marketing, um damit die Customer Experience zu erhöhen, was sich wiederum positiv auf den Umsatz auswirkt.

Kommentar von Matthias Bissinger, aDvens

Darauf sollten Unternehmen beim Einsatz von Large Language Models achten

Die einzelnen Agenten kommunizieren dabei untereinander und stellen so die nahtlose und aufeinander abgestimmte Zusammenarbeit sicher. Der Vertriebsleiter kann die Ergebnisse seines Online-Shops mit dem Multiagent Intelligent Decisioning System erheblich verbessern und braucht dafür nur wenige zusätzliche Mitarbeiter.

Fazit

Viele Unternehmen führen zwar KI-Pilotprojekte durch, leiden jedoch darunter, dass ihre KIs nicht in der Lage sind, in großem Maßstab nachvollziehbare Entscheidungen zu treffen und entsprechend operativ zu handeln. Diese Lücke können AgenticAI und insbesondere Entscheidungsagenten schließen, indem sie Ziele explizit definieren, jeden Schritt verfolgen, der zu einem Ergebnis führt, und Maßnahmen über Daten, Modelle und Kanäle hinweg koordinieren. So verwandeln Entscheidungsagenten KI von Prototypen in nachvollziehbare operative Unterstützung. Sie sind kontrollierbar und beseitigen die Latenz zwischen Erkenntnis und Handlung – genau das, was erforderlich ist, um Risiken zu reduzieren und Vertrauen in KI aufzubauen.

Der Einsatz von KI ist pragmatisch: Unternehmen sollten mit dem Einsatz von Entscheidungsagenten dort starten, wo wichtige Entscheidungen anstehen und entweder Mehrwert entsteht oder nicht, also beispielsweise, wenn es um Kreditvergaben, Preisgestaltung oder Forderungsmanagement geht. Durch den Einsatz von interpretierbaren Entscheidungsagenten und nicht nur von generativen Assistenten können Unternehmen die Vor- und Nachteile ihrer Entscheidungen abwägen und nachgelagerte Auswirkungen antizipieren. Wenn Entscheidungsagenten koordiniert zusammenarbeiten, automatisieren Unternehmen nicht nur Aufgaben, sondern simulieren Ergebnisse und wählen den jeweils besten Weg der Umsetzung. Dann ist KI nicht nur ein leeres Versprechen oder ein Risiko, sondern führt zu operativen Vorteilen, die erklärbar, steuerbar und skalierbar sind.

(ID:50564246)