Agentische KI im Vergleich zu generativer KI

Sowohl agentische KI (Agentic AI) als auch generative KI (gen KI) bieten Produktivitätsvorteile durch Unterstützen, Erweitern und Optimieren von Aufgaben und Prozessen. Beides sind Formen künstlicher Intelligenz, die Large Language Models (LLMs) nutzen. 

Um die beiden zu vergleichen, können Sie sich agentische KI als proaktiv und gen KI als reaktiv vorstellen. 

• Agentische KI ist ein System, das proaktiv Ziele mit minimaler menschlicher Aufsicht festlegen und erreichen kann. Wenn zum Erreichen dieses Ziels auch das Erstellen von Inhalten gehört, übernehmen gen KI-Tools diese Aufgabe. Agentische KI wird zum Agenten der Nutzenden und/oder des Systems.
• Gen KI ist ein Tool, das als Reaktion auf einen Prompt neue Inhalte erstellt. Sie kann zwar eine Komponente eines agentenbasierten Systems sein, handelt jedoch nicht eigenständig, um eine Aufgabe zu erfüllen. Sie hat keine Handlungsfähigkeit.

Agentische KI und gen KI können zusammenarbeiten. Agentische KI-Systeme können gen KI verwenden, um mit Nutzenden zu kommunizieren, unabhängig Inhalte als Teil eines übergeordneten Ziels zu erstellen oder mit externen Tools zu kommunizieren. Mit anderen Worten: Gen KI ist ein kritischer Teil des „kognitiven“ Prozesses agentischer KI. 

Use Cases für agentische KI erkunden

Die Grenze zwischen agentischer KI und gen KI kann fließend erscheinen, da beide durch Prompts von Nutzenden ausgelöst werden und normalerweise in Form von Chatbots auftreten. Zudem enthalten viele Anwendungen, die früher ausschließlich auf gen KI basierten, mittlerweile auch agentische Elemente – ein Trend, der sich wahrscheinlich fortsetzen wird. 

Viele der gängigen Chatbot-Plattformen (ChatGPT, Gemini, Claude usw.) initiieren beispielsweise automatisch eine Websuche, analysieren die Daten und geben sie als Teil der Unterhaltung zurück. Dies ist eine einfache Form agentischer KI.  

Agentische KI und generative KI unterscheiden sich in ihrer Fähigkeit, unabhängig zu handeln und mit externen Tools zusammenzuarbeiten

Lassen Sie uns zur besseren Erläuterung der Unterschiede zwischen den beiden Technologien einen hypothetischen Use Case analysieren: 

Ein Mitglied des Vertriebsteams möchte mithilfe von KI eine Follow-up-E-Mail an einen potenziellen Kunden schreiben. 

Mit generativer KI würde die Person eine gen KI-Oberfläche öffnen und einen Prompt eingeben, etwa „Schreib eine höfliche und professionelle Follow-up-E-Mail zu unserem Angebot an Maria Wang“. Die generative KI erzeugt sofort einen Entwurf der E-Mail und hat ihre Aufgabe erfüllt. Jetzt muss die Person den Text kopieren, in eine E-Mail einfügen, die E-Mail-Adresse der Empfängerin eingeben und auf „Senden“ klicken.

Betrachten wir nun, wie agentische KI eine ähnliche Aufgabe lösen würde. 

In einem agentischen System würde das Mitglied des Vertriebsteams eine Regel oder einen Befehl in seinem CRM-System (Customer Relationship Management) festlegen. Dieser Prompt könnte beispielsweise folgendermaßen lauten: „Für Vertriebs-Leads, die ich als „Follow-up erforderlich“ markiere, warte 2 Werktage und sende dann eine Follow-up-E-Mail.“

Sobald das Mitglied des Vertriebsteams Maria Wang als „Follow-up erforderlich“ markiert, wird der agentische Workflow ausgelöst. Das System verfügt über Anweisungen (den ersten Prompt) und entwirft selbständig einen Plan, der mithilfe externer Tools umgesetzt wird. Der Plan könnte folgendermaßen aussehen: 

1) Nach 2 Werktagen sendet das System eine Anfrage an den agentischen Workflow.

2) Das System ruft die Daten von Maria aus dem CRM-System ab.

3) Ein weiteres Tool ruft zusätzliche Informationen über Maria ab (Kundenhistorie, Personalisierungsdetails, Unternehmensinformationen usw.), die den Kontext für den Prompt für die Follow-up-E-Mail bieten.

4) Das System erstellt einen Prompt für die Follow-up-E-Mail und stellt sie einem integrierten gen KI-Modell zur Verfügung, das den Text für die E-Mail schreibt.

5) Das System leitet einen Entwurf der Follow-up-E-Mail an das Mitglied des Vertriebsteams weiter, das die E-Mail genehmigt oder sie zur Neufassung zurücksendet.

6) Wenn das Mitglied des Vertriebsteams die E-Mail genehmigt, führt das System einen API-Aufruf an den E-Mail-Service von Maria durch.

7) Das System sendet die E-Mail an Maria. 

8) Das System aktualisiert das CRM-System, um anzuzeigen, dass die E-Mail gesendet wurde. 

Agentische KI und generative KI unterscheiden sich in ihrer Anpassungsfähigkeit 

Beide KI-Formen sind auf ihre Weise adaptiv. Generative KI zeigt Anpassungsfähigkeit, indem sie Inhalte in verschiedenen Stilen und für unterschiedliche Kontexte erzeugt. Agentische KI demonstriert Anpassungsfähigkeit, indem sie ihre Pläne und Strategien an veränderte Umgebungsbedingungen oder neue Informationen anpasst.  

Agentische KI bietet ein Framework für Workloads, die früher als Robotic Process Automation (RPA) klassifiziert wurden. Durch die Integration von KI können Agenten besser auf Änderungen in ihrer Runtime-Umgebung reagieren. Beispielsweise hätten Screen Scraping-Bots selbst mit geringfügigen Änderungen auf der Zielseite Schwierigkeiten, während sich agentische KI an Änderungen anpassen und ihre Vorgehensweise zur Datenerfassung entsprechend ändern kann. Daher können KI-gestützte Agenten auf einem Niveau arbeiten, für das zuvor menschlicher Input erforderlich war.

Kontextverständnis

Agentische KI verwendet Kontext für Aktionen. Agentische Systeme haben Zugriff auf:

• Den anfänglichen Prompt
• Den Zustand oder die Bedingungen der digitalen oder physischen Umgebung
• Verfügbare Tools (API-Zugang, gen KI-Anwendung usw.)
• Speicher und vorangegangene Aktionen

Mit diesen Informationen und mathematischen Formeln, die ihm bei der Navigation durch die Daten helfen, gewinnt ein agentisches System Erkenntnisse über den Kontext. Denn nur so kann es fundierte Argumente liefern und Maßnahmen ergreifen. 

Bei generativer KI hingegen wird der Kontext für die Erstellung verwendet. Da das Ziel der gen KI das Erzeugen neuer Inhalte ist, haben generative Anwendungen Zugriff auf:

• Den Prompt
• Gesprächsverlauf
• Daten, mit denen sie trainiert wurde

Diese Informationen in Kombination mit Machine Learning-Techniken und Deep Learning-Algorithmen ermöglichen der generativen KI, Informationen zu erfassen, Verbindungen herzustellen und einen entsprechenden Output zu erzeugen. 

Agentische KI (Agentic AI) ist ein Softwaresystem, das für die Interaktion mit Daten und Tools ausgelegt ist, sodass nur minimale menschliche Eingriffe erforderlich sind. Mit dem Schwerpunkt auf zielorientiertem Verhalten kann agentische KI Aufgaben bewältigen, indem sie Schritte erstellt und diese dann eigenständig ausführt. Agentische KI kann ihre eigenen Ziele festlegen, Aufgaben an andere KI-Agenten oder externe Tools delegieren und sich an neue oder unstrukturierte Bedingungen anpassen, auf denen sie nicht trainiert wurde.  

KI-Agenten sind Komponenten in einem agentischen System. Sie können sich einen KI-Agenten als eine Einheit vorstellen, die über anderen Softwaretools steht und diese steuert. Agentische KI kann eine physische Struktur, ein Softwareprogramm oder eine Kombination aus beidem sein.

Ein KI-Agent in einem robotergestützten System kann Kameras, Sensoren und Monitore verwenden, um Daten über seine Umgebung zu erfassen, und diese Informationen dann zusammen mit Software ausführen, um den nächsten Schritt zu bestimmen. Ein gutes Beispiel hierfür ist ein autonomes Fahrzeug, das auf Geröll auf der Straße stößt und entscheiden muss, ob es bremsen oder weiterfahren soll. 

In der Zwischenzeit würde agentische KI in einer Softwareumgebung Daten aus anderen Quellen erfassen, wie etwa APIs, Onlinesuchen, Text-Prompts und Datenbanken, die den Agenten dabei helfen, ein „Gefühl“ für Wahrnehmung und Kontext zu entwickeln. Betrachten wir unser vorheriges Beispiel des Beschäftigten, der die mehrstufige Aufgabe automatisieren möchte, nach einem Treffen mit einem potenziellen Kunden eine personalisierte Follow-up-E-Mail zu versenden. 

Wie funktioniert agentische KI?

Agentische KI kann Probleme in 3 Schritten lösen: Wahrnehmen, Planen und Handeln. Sie verfügt über eine Verkettungsfunktion. Das heißt, dass sie als Reaktion auf eine einzelne Anfrage oder einen Prompt eine Abfolge von Aktionen ausführen kann. 

Wenn Sie beispielsweise einen KI-Agenten bitten, eine Webseite zu erstellen, kann er sämtliche erforderlichen Schritte ausführen. Das heißt, dass der KI-Agent anhand eines einzigen Prompts den Code für die Struktur schreiben, die Seiten mit Inhalten füllen, die visuelle Gestaltung entwerfen und die Reaktionsfähigkeit testen kann.

In diesem Fall kann agentische KI als ein „Macher“ und ein „Projektmanager“ betrachtet werden. Sie kann alle Hindernisse überwinden und Aktionen einleiten, beispielsweise das Erstellen eigener Prompts, um aufkommende Fragen zu beantworten. 

Was ist ein agentischer Workflow?

Agentische KI basiert auf einem Prozess, der als „agentischer Workflow“ bezeichnet wird. Ein agentischer Workflow kann aus einer Orchestrierung von Agenten, Robotern und Menschen bestehen. Es handelt sich dabei um einen End-to-End-Prozess, der darauf ausgelegt ist, ein bestimmtes Ziel zu erreichen. Dieser schließt die Lücke zwischen der digitalen und der physischen Welt und integriert gleichzeitig die menschliche Aufsicht. 

Ein agentischer Workflow ist eine strukturierte Abfolge von Aktionen, die von KI-Agenten manchmal unter Einbeziehung von Menschen verwaltet und ausgeführt werden. Bekommt ein KI-Agent eine Zielvorgabe, beginnt er den Workflow, indem er eine Aufgabe in kleinere Einzelschritte unterteilt und diese dann ausführt.

Zur Durchführung dieser Schritte erzeugt der KI-Agent weitere Versionen von sich selbst, wodurch ein MAS (Multiagentensystem) entsteht. In diesem Workflow kann der Hauptagent (auch als Metaagent, Orchestrator oder Supervisor bezeichnet) neue Agenten erstellen und ihnen Aufgaben und Werte zuweisen sowie in einer Feedback-Schleife mit dem Speicher interagieren. Die Agenten arbeiten parallel, bis sie das Gesamtziel erreicht haben.

Innerhalb dieses MAS bestehen die einzelnen Agenten aus einer internen Struktur, die sie sowohl unabhängig als auch kooperativ in ihrem System arbeiten lässt. Diese Zusammenarbeit hängt von gemeinsam genutzten Speicherplätzen ab, die Kontext zu individuellem Wissen, Erfahrungen und Haltungen liefern.

Use Cases für agentische KI

Agentische KI zeichnet sich durch dynamische Problemlösung und Entscheidungsfindung aus. Zu den branchenspezifischen Use Cases für agentische KI gehören:

Produktion: Agentische Workflows können helfen, Lieferketten zu verwalten, Lagerbestände zu optimieren, Bedarf vorherzusagen und Logistik zu planen. 

Gesundheitswesen: Agentische KI kann mit den Kunden in Kontakt treten, indem sie ihre Bedürfnisse überwacht, Behandlungspläne ausführt und individuelle Unterstützung bereitstellt. 

Softwareentwicklung: Agentische KI kann automatisch Debugging-Code generieren, Entwicklungs-Lifecycles verwalten und Systemarchitekturen entwerfen. 

Personalisierte Unterstützung von Mitarbeitenden: Agentische KI kann ihren Ansatz an sich ändernde Situationen anpassen und maßgeschneiderte und proaktive Unterstützung anbieten. Das heißt, dass sie bei Aufgaben wie der Planung, der Beantwortung von Fragen und dem Onboarding helfen kann. 

Finanzrisikomanagement: Agentische KI kann im Finanz- und Handelsbereich durch ihre Fähigkeit, Markttrends zu analysieren, Handelsentscheidungen zu treffen und Strategien auf Basis von Echtzeitdaten anzupassen, unterstützen. 

Use Cases für agentische KI erkunden 

Generative KI ist eine Form der künstlichen Intelligenz, die neue Inhalte wie Text, Video, Audio und Softwarecode erzeugen kann. Gen KI nutzt Deep Learning, um statistische Beziehungen zwischen Wörtern zu berechnen, und erzeugt Ausgaben basierend auf Trainingsdaten, Mustererkennung und Wahrscheinlichkeiten. 

Generative KI ist reaktiv. Das heißt, sie muss durch eine konkrete Eingabe (Anfrage oder Prompt) aktiviert werden, bevor sie eine Antwort generieren kann. Sie kann keine eigenen Ziele festlegen, keine Aufgaben delegieren oder sich an neue oder unstrukturierte Bedingungen anpassen. 

Die Inhalte, die eine gen KI-Anwendung erstellen kann, sind auf die Daten beschränkt, mit denen sie trainiert wurde. Sie können jedoch Techniken wie Retrieval-Augmented Generation (RAG) anwenden, die externe Datenquellen einbeziehen, um die Ausgabe von gen KI-Modellen genauer zu machen.

Use Cases für generative KI

Generative KI unterstützt in erster Linie die menschliche Entscheidungsfindung, indem sie Informationen und Optionen bereitstellt, die Nutzende übernehmen oder verwerfen können. Zu den Use Cases für generative KI gehören:

Schreiben: Gen KI-Tools können auf Prompts zum Erstellen schriftlicher Inhalte zu nahezu sämtlichen Themen reagieren. Diese Tools können ihre Texte auch an unterschiedliche Textlängen und verschiedene Schreibstile anpassen.

Generieren von Bildern und Videos: Gen KI-Tools zur Bilderstellung können qualitativ hochwertige Bilder erstellen und neue Elemente zu bestehenden Werken hinzufügen. Viele gen KI-Anwendungen bieten auch Tools, die als Reaktion auf einen Prompt ein kurzes Video erstellen können. 

Generieren von Sprache und Musik: Mithilfe von geschriebenem Text und Audiobeispielen der Stimme einer Person können gen KI-Tools zur Stimmerzeugung Erzählungen oder Gesänge erstellen, die den Klang echter Menschen nachahmen. Mit anderen Tools kann künstliche Musik aus Prompts oder Samples erzeugt werden.

Generieren und Vervollständigen von Code: Manche gen KI-Tools können über einen schriftlichen Prompt und auf Wunsch Computercode ausgeben, um Softwareentwicklungsteams zu unterstützen.

Data Augmentation: Generative KI kann eine große Menge synthetischer Daten erzeugen, wenn die Verwendung echter Daten unmöglich oder nicht wünschenswert ist. Synthetische Daten können nützlich sein, wenn Sie ein Modell auf das Verstehen vertraulicher Daten trainieren möchten, ohne personenbezogene Daten einzubeziehen. Sie können sie auch verwenden, um einen kleinen oder unvollständigen Datensatz zu einem größeren Satz synthetischer Daten für Trainings- oder Testzwecke zu erweitern.

Use Cases für generative KI erkunden

Die wahrscheinlich häufigste Sorge in Bezug auf agentische KI ist: Wer ist verantwortlich, wenn ein autonomes System einen Fehler macht? Oder anders ausgedrückt: Wie lässt sich ein Gleichgewicht zwischen Autonomie und Kontrolle herstellen?

Zusammenarbeit von Mensch und KI

Vor dem Implementieren eines agentischen Systems muss ein Framework für Verantwortlichkeit, Transparenz und Kontrolle erstellt werden. 

Betrachten wir unser vorheriges Beispiel, in dem ein Mitglied des Vertriebsteams mithilfe von KI eine E-Mail an einen potenziellen Kunden sendet: Der Beschäftigte möchte die E-Mail wahrscheinlich vor dem Versand überprüfen.

Agentische KI kann Entscheidungen unabhängig und mit minimalem menschlichen Input treffen. Das bedeutet aber, dass Sie Effizienz gegen vollständige Kontrolle eintauschen. Eine Lösung besteht darin, die Ressourcen auf Tests und Validierung zu konzentrieren. Das heißt, einen Human in the Loop-Ansatz beizubehalten, um Aktionen zu überwachen und Fehlentscheidungen zu vermeiden. 

Beim Implementieren von gen KI-Systemen gelten ähnliche Überlegungen in Bezug auf Vertrauen und Sicherheit. Das offensichtlichste Risiko, das gen KI darstellt, ist die Fähigkeit, Fehlinformationen oder Desinformationen zu erzeugen. Dazu gehören Fälle, in denen schädliche Verzerrungen und Stereotypen aufrechterhalten werden, sowie das Erstellen von Deepfake-Bildern mit böswilligen Absichten. Es ist wichtig, auf „Halluzinationen“ (ungenaue Ergebnisse, die als Fakten dargestellt werden) zu achten und Fakten zu kontrollieren, anstatt Antworten ungeprüft zu übernehmen. 

Datenschutz und Sicherheit

Die Fähigkeit agentischer KI, auf externe Datenbanken zuzugreifen, birgt zusätzliche Risiken für die Sicherheit und den Datenschutz. Das bedeutet, dass Sie Sicherheits-Frameworks benötigen, die die ein- und ausgehenden Daten in Ihrem Workflow schützen. 

Generative KI kann auch Sicherheitsrisiken mit sich bringen. Nutzende geben möglicherweise sensible Daten in Anwendungen ein, die nicht genügend Sicherheit bieten. Gen KI kann auch rechtliche Risiken aufwerfen, indem sie urheberrechtlich geschütztes Material reproduziert oder die Stimme oder Identität einer Person ohne deren Zustimmung verwendet. 

Red Hat® AI, unser KI-Produktportfolio, basiert auf den vertrauenswürdigen Lösungen, die unsere Kunden bereits nutzen. Dank dieser Basis bleiben unsere Produkte auch weiterhin zuverlässig, flexibel und skalierbar.

Mit Red Hat AI können Unternehmen:

• KI einführen und damit Innovationen schaffen
• Die Komplexitäten beim Bereitstellen von KI-Lösungen umgehen
• In vielen verschiedenen Umgebungen bereitstellen

Mehr über Red Hat AI erfahren

Eine Basis mit vielen Möglichkeiten

Red Hat AI kann Funktionen für generative und prädiktive KI unterstützen. Dank der Flexibilität durch „Bring your own model“ bietet Red Hat Unterstützung für Training und Fine Tuning von Basismodellen, die speziell an Ihren geschäftlichen Use Case angepasst sind.

Red Hat Enterprise Linux® AI bietet einen guten Einstieg. Diese Basismodellplattform kann Sie beim Entwickeln, Testen und Ausführen von LLMs und SLMs für Unternehmensanwendungen unterstützen. Mit der KI-Plattform erhalten Entwicklungsteams schnellen Zugriff auf eine einzige Serverumgebung sowie die erforderlichen LLMs und KI-Tools. Sie bietet die notwendigen Funktionen für das Tuning von Modellen sowie für die Entwicklung von gen KI-Anwendungen. 

Mehr über Red Hat Enterprise Linux AI erfahren

Anschließend können Sie Red Hat OpenShift® AI erkunden, eine einheitliche Plattform zum Erstellen von Multiagentensystemen. Außerdem kann adaptives Lernen und Schlussfolgern durch KI-Agenten über die MLOps-Funktionen von Red Hat OpenShift gesteuert werden.

Mehr über Red Hat OpenShift AI erfahren

Außerdem wird unser KI-Partnernetzwerk ständig erweitert. Viele verschiedene Technologiepartner arbeiten mit Red Hat zusammen, um die Kompatibilität mit Red Hat AI zu zertifizieren. Somit eröffnen sich Ihnen viele neue Möglichkeiten.

Mehr über unsere Partner erfahren