Use Cases für agentische KI

Agentische KI nutzt Large Language Models (LLMs) und Tools und basiert auf der Leistungsfähigkeit von generativer KI (gen KI). Agentische KI stellt eine Verbindung mit externen Quellen her und kommuniziert mit diesen. So kann die Technologie eine automatisierte Aufgabe wahrnehmen, Entscheidungen treffen und die Aufgabe orchestrieren, um ein definiertes Ziel zu erreichen. 

Wenn Sie agentische KI in die Praxis umsetzen möchten, erstellen Sie ein System, das einem LLM Zugriff auf externe Tools bietet, sowie auf eine Logik, die Anweisungen dazu enthalten, wie das agentische System diese Tools verwenden soll. Ein agentisches System ist eine Ebene, die andere Softwaretools steuert und ausführt. 

Agentische KI kann eine physische Struktur, ein Softwareprogramm oder eine Kombination aus beidem sein. Beispielsweise kann ein KI-Agent in einem robotergestützten System 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. Dieser Vorgang wird als Sensorfusion bezeichnet. 

Agentische KI erfasst in einer Softwareumgebung Daten aus anderen Quellen, wie APIs (Application Programming Interfaces), Online-Suchanfragen, Prompts und Datenbanken, anhand derer die Agenten ihr Wahrnehmungs- und Kontextverständnis entwickeln können.

Mehr über Red Hat AI erfahren

Agentische KI im Vergleich zu KI-Agenten

Ein KI-Agent ist ein Substantiv („Ich entwickle 3 Agenten“). Damit ist eine Software-Entität gemeint, die für die Ausführung einer bestimmten Rolle in einem agentischen System entwickelt wurde.

Agentische KI ist ein beschreibender Begriff und bezieht sich auf die Verhaltensmerkmale eines Systems („Wir müssen unsere Software agentischer machen.“). Damit wird ein System beschrieben, das mit begrenzter menschlicher Unterstützung planen, Entscheidungen treffen und Maßnahmen ergreifen kann, um Ziele zu erreichen. 

Eine kurze Geschichte (der kurzen Geschichte) der KI-Agenten

Frühe Iterationen von KI-Agenten umfassten den Aufruf grundlegender API-Funktionen. Zu diesem Zeitpunkt begannen KI-Agenten damit, Anweisungssätze für ihre Systeme zu erstellen. 

Als Nächstes verwandelten Frameworks einen einzelnen Tool-Aufruf in eine Schleife: Argumentieren, Handeln, Beobachten und Wiederholen. 

Dann kam das Model Context Protocol (MCP), das die Kommunikation zwischen Anwendungen und Diensten standardisierte. Dadurch wurde es einfacher denn je, Tools, Ressourcen und Prompts für einen MCP-Client (die Komponente, die den Zugang zu externen Daten oder Ressourcen anfordert) bereitzustellen und zu erkennen. 

Heute haben wir autonome Codierungsagenten und Multi-Agent-Systeme, bei denen ein Agent Aufgaben plant und sie an Unteragenten delegiert, die er ohne Vorbereitung erstellt. Der Mensch befindet sich nicht mehr in der Schleife, sondern wird von der Schleife benachrichtigt.

Wenn Ihr Agent also auf echten Systemen mit echten Zugangsdaten über lange Zeiträume hinweg agieren kann, was hindert ihn dann daran, falsche Entscheidungen zu treffen?

AgentOps. 

AgentOps (Agent Operations) ist ein Framework von Tools zum Monitoring des „Gehirns“ einer KI bei der Entscheidungsfindung in Echtzeit. 

Das Handeln der Agenten ist nichtdeterministisch – das heißt, es wird durch eine Reihe zufälliger Wahrscheinlichkeitsverteilungen bestimmt. Das bedeutet, dass wir ihre Aktionen nicht genau vorhersagen können. Agentische Workflows können helfen, Probleme kreativ zu lösen, aber diese Kreativität muss gemanagt werden, damit Systeme nicht außer Kontrolle geraten.

AgentOps betrifft die Produktionsebene und macht Software zuverlässiger. AgentOps unterstützt Sie durch:

• Verfolgen von Hardwareressourcen
• Monitoring der Häufigkeit von Halluzinationen
• Sicherstellen, dass die Daten verschlüsselt bleiben
• Erstellen eines auditierbaren Protokolls der vom Agenten durchgeführten Aktionen
• Beenden eines Prozesses bei Richtlinienverletzungen

In einem Unternehmen ist AgentOps für agentische Workflows von entscheidender Bedeutung. Es ermöglicht KI-Systeme, die auf Ihrer Infrastruktur aufbauen, mit Ihren Daten trainiert, auf Ihre Werte abgestimmt sind und Ihren Regeln folgen. 

Mehr über AgentOps erfahren

Mit Retrieval-Augmented Generation (RAG) können Sie bessere Antworten von einer generativen KI-Anwendung erhalten, da ein Large Language Model (LLM) mit einer externen Ressource verbunden wird. Agentische RAG geht einen Schritt weiter als die traditionelle RAG, indem sie dem LLM ermöglicht, Daten aktiv zu untersuchen und nicht nur abzurufen.

RAG kann zwar Antworten abrufen und einen gewissen Kontext aus der Dokumentation und den Datensätzen, auf die Zugriff besteht, bereitstellen, ist aber auf manuelles Prompt Engineering angewiesen. Herkömmliche RAG verfügt nur über ein begrenztes Kontextwissen und stützt sich ausschließlich auf die ursprüngliche Anfrage, um relevante Informationen zu finden.

Agentische RAG ist vergleichsweise ausgereifter und dynamischer. Sie kann selbst Fragen stellen, aus gespeicherten Daten Kontext erstellen und zusätzliche Aufgaben ausführen, ohne ausdrücklich dazu aufgefordert zu werden. Dieser Schritt über herkömmliche RAG hinaus verleiht agentischer RAG die Fähigkeit, in Ihrem Namen unabhängig von Ihrem manuellen Eingreifen fundiertere Entscheidungen zu treffen.

Wenn Modelle nicht mehr reagieren, sondern agieren

Agentische KI kann für viele Zwecke eingesetzt werden. Sehen wir uns an, wie sie in verschiedenen Branchen eingesetzt wird:

Agentische KI im Finanzwesen

Finanzteams überwachen Millionen von Transaktionen, sodass eine manuelle Betrugserkennung und Durchsetzung von Richtlinien in Echtzeit nicht möglich sind. 

Autonome Finanzagenten können die täglichen Transaktionen kontinuierlich überwachen und Betrug oder Richtlinienverstöße erkennen, bevor diese sich ausweiten. Agents erfassen Live-Daten, gleichen sie mit internen Regeln ab und kennzeichnen Anomalien. Anschließend greifen menschliche Prüfende ein, um die gemeldete verdächtige Aktivität zu analysieren und abschließend zu entscheiden, ob Maßnahmen ergriffen werden müssen.

Agentische KI in IT und Software-Engineering

Entwicklungsteams verbringen Stunden damit, Fehler zu reproduzieren und Fixes zu schreiben, obwohl sie diese Zeit auch für die Entwicklung und Verbesserung neuer Funktionen aufwenden könnten. KI-Agenten können bei der Triage helfen, indem sie Bugs in einer Sandbox reproduzieren, potenzielle Fixes entwerfen und Tests durchführen, um zu überprüfen, ob die Patches funktionieren. Sobald eine Lösung verifiziert ist, prüft ein menschliches Entwicklungsteam den Code und genehmigt das Deployment in der Produktion.

Agentische KI im Lieferkettenmanagement

Externe Faktoren wie extreme Wetterbedingungen, Arbeitsstreiks und überlastete Häfen können Lieferketten unterbrechen und zu Verzögerungen und finanziellen Verlusten führen. Agenten können aktuelle Nachrichten nachverfolgen, das Wetter überwachen und Teams über mögliche Verzögerungen informieren. Sie könnten sogar die finanziellen Auswirkungen einer erneuten Planung berechnen. Lieferkettenmanagement kann dann die Kosten-Nutzen-Analysen des Agents überprüfen und abschließend über die am besten geeignete Strategie entscheiden.

Agentische KI für autonome Fahrzeuge

Selbstfahrende Fahrzeuge müssen sich in komplexen realen Umgebungen bewegen und dabei riesige Mengen widersprüchlicher und sensibler Daten verarbeiten. Ein agentisches Sensorfusionssystem führt unterschiedliche Rohdaten von Kameras und Radar zu einem zusammenhängenden Echtzeitmodell der Fahrzeugumgebung zusammen. Das agentische System verarbeitet, organisiert und filtert die Daten der einzelnen Fahrzeugsensoren, um visuelle Mehrdeutigkeiten zu erkennen und Kollisionsrisiken innerhalb von Millisekunden vorherzusagen. Menschliche Sicherheitstreiber oder Remote-Operatoren überwachen Ausnahmen in besonderen Situationen und die Zuverlässigkeit dieser Systeme und übernehmen bei Bedarf die manuelle Steuerung.

Agentische KI in der Kommunikation und Public Relations

Die Online-Welt entwickelt sich schneller, als ein menschliches Kommunikationsteam darauf reagieren kann. Geschichten sind rund um die Uhr verfügbar, Stimmungen können sich innerhalb von Minuten ändern und aus kleinen Nachrichten kann schnell eine Krise werden.

Agenten können rund um die Uhr globale Markenerwähnungen auf verschiedenen Plattformen verfolgen und Zusammenfassungen erstellen, um die öffentliche Stimmung einzuschätzen. Sie können auch Nachrichten, kürzlich veröffentlichte wissenschaftliche Arbeiten und gesellschaftliche Trends scannen, um tägliche Briefings zusammenzustellen. Die Agenten können diese Erkenntnisse dann zusammenfassen, damit die Teams dem Wandel in der Branche immer einen Schritt voraus sind. Auf Grundlage dieser Kurzdarstellungen können Kommunikationsfachkräfte wichtige Nachrichten formulieren und PR-Strategien für eskalierte Vorfälle entwickeln.

Agentische KI in der Personalabteilung

Das Onboarding neuer Beschäftigter erfordert sich wiederholende administrative Aufgaben, Planungsaufgaben und die Beantwortung einer Vielzahl von Fragen, die Ressourcen stark beanspruchen können. Um dabei zu unterstützen, können neue Onboarding-Agenten neue Mitarbeitende durch Dokumentation, IT-Einrichtung und Training führen. Sie können neuen Mitarbeitenden dabei helfen, spezifische Fragen zu beantworten und Einführungsgespräche mit den jeweiligen Beschäftigten und ihren Abteilungen zu planen. Diese Entlastung für Personalverantwortliche und Teamleitende lässt ihnen mehr Zeit, sich auf eine intensive kulturelle Integration, Mentoring und den Aufbau persönlicher Beziehungen zu den neuen Mitarbeitenden zu konzentrieren. 

Agentische KI für Recht und Compliance

Globale Handelsgesetze und Umweltbestimmungen ändern sich ständig, sodass internationale Unternehmen leicht den Überblick über ihre Compliance-Anforderungen verlieren können. Agenten können weltweit regulatorische Aktualisierungen kontinuierlich nachverfolgen und analysieren, wie sich geänderte rechtliche Rahmenbedingungen auf operative Workflows auswirken. So können Unternehmen rechtlichen Risiken vorbeugen, ohne dass manuelle Richtlinienüberprüfungen erforderlich sind. Sobald ein Agent einen bestimmten Bereich identifiziert, der interne Anpassungen erfordert, können menschliche Rechtsberatende die Ergebnisse interpretieren und bei Bedarf aktualisierte Unternehmensrichtlinien entwerfen. 

Agentische KI für Marketing und Vertrieb

Auf einem wettbewerbsorientierten Marketplace können statische Preise zu Umsatzeinbußen führen. Agenten überwachen die Preise der Mitbewerber und die Marktnachfrage in Echtzeit. Sie schlagen Preisanpassungen vor, um einen Wettbewerbsvorteil zu sichern und gleichzeitig die Gewinnspannen zu schützen. Marketing- und Vertriebsleitende legen die Grenzen der Preisstrategie fest, prüfen automatisierte Empfehlungen und genehmigen Werbekampagnen. 

Agentische KI im Gesundheitswesen

Beschäftigte im Gesundheitswesen werden mit administrativen Aufgaben und Daten überlastet, was zu Burnout bei Leistungserbringenden und zu Fehlern bei der Patientenversorgung führen kann. Ein klinischer Agent kann dabei helfen, Patientendaten zu organisieren, fehlende Laborergebnisse zu kennzeichnen und das Team auf mögliche Medikationskonflikte oder Probleme bei der Medikamentenversorgung aufmerksam zu machen. Ärztinnen und Ärzte sowie klinisches Personal nutzen den Agenten als Sicherheitsnetz, indem sie die angezeigten Warnmeldungen überprüfen und so mehr Zeit für die direkte Patientenversorgung gewinnen. 

Mehr über agentische Use Cases mit Red Hat erfahren

Red Hat® AI operationalisiert den gesamten Lifecycle eines Agenten durch eine dedizierte AgentOps Control Plane. Dadurch wird sichergestellt, dass die einzelnen Deployments in Ihrer Hybrid Cloud-Umgebung geschützt, nachvollziehbar und effizient sind. 

Die Plattform bietet Governance auf Unternehmensebene durch integrierte Sicherheits-Leitplanken. Die zugrundeliegende Infrastruktur nutzt vLLM und llm‑d für leistungsstarke verteilte Inferenz, sodass Sie ressourcenintensive Workflows skalieren können, von On-Premise- bis hin zu Edge-Umgebungen.

Red Hat AI bietet schnelle, flexible und effiziente Inferenz durch seinen vLLM-basierten Server. Die Lösung verknüpft die Modelle zuverlässig mit Ihren Daten, um die Anpassung und Entwicklung spezialisierter Agenten auf einer einzelnen Plattform zu vereinheitlichen. Unsere KI-Produkte basieren auf Open Source und bieten Ihnen die vollständige End-to-End-Kontrolle über KI-Workflows in beliebigem Umfang.