Was ist agentische KI?
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 (auch bekannt als KI-Agenten) Aufgaben bewältigen, indem sie eine Liste von Schritten erstellt und diese dann eigenständig ausführt.
Sie können sich agentische KI als eine Möglichkeit vorstellen, Automatisierung mit den kreativen Fähigkeiten eines LLM (Large Language Model) zu kombinieren. Wenn Sie agentische KI in die Praxis umsetzen möchten, erstellen Sie ein System, das einem LLM Zugriff auf externe Tools bietet, sowie Algorithmen, die Anweisungen dazu enthalten, wie die KI-Agenten diese Tools verwenden sollen.
Die Kommunikation von Agenten mit Tools erfordert eine Orchestrierung, wobei die Abläufe oder Diagramme vom verwendeten Framework abhängen. Dieser Ansatz ermöglicht es dem LLM, zu „überlegen“ und festzustellen, wie eine Frage am besten beantwortet werden kann – beispielsweise, ob die Anfrage mit den verfügbaren Informationen beantwortet werden kann oder ob eine externe Suche erforderlich ist.
Funktionsweise agentischer KI
Stellen Sie sich einen KI-Agenten als eine Einheit vor, 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 Entscheidungen über den nächsten Schritt zu treffen. Dieser Vorgang wird als Sensorfusion bezeichnet.
In der Zwischenzeit könnte agentische KI in einer Softwareumgebung Daten aus anderen Quellen erfassen, wie etwa APIs, Online-Suchen, Text-Prompts und Datenbanken, die den Agenten dabei helfen, ein „Gefühl“ für Wahrnehmung und Kontext zu entwickeln.
Befassen wir uns etwas näher mit einigen der speziellen Merkmale agentischer KI:
Agentische KI ist adaptiv und dynamisch
Agentische KI lernt aus zuvor verwendeten Mustern und Daten. Das bedeutet, dass sie ihre Strategie basierend auf neuen oder sich ändernden Informationen, die sie erhält, in Echtzeit ändern kann. Im Gegensatz zu herkömmlichen Workflows, die nur einem linearen Ablauf folgen, können agentische Workflows in beide Richtungen arbeiten und Fehler im Nachhinein korrigieren. Mit anderen Worten: Agentische KI kann proaktiv Anforderungen antizipieren und über ihre eigene Arbeit reflektieren.
Beispielsweise kann ein autonomes Fahrzeug agentische KI nutzen, um besser zwischen Müll auf der Straße und einem Eichhörnchen unterscheiden zu können. Da sie ihr eigenes Verhalten kontinuierlich überwacht und analysiert, kann sie das Ergebnis ihrer Handlungen verbessern.
Agentische KI kann Aufgaben eigenständig verwalten und erledigen
Agentische KI wird auch als autonome KI bezeichnet. Das kommt daher, dass sie die Fähigkeit besitzt, mit anderen KI-Systemen und digitalen Infrastrukturen in Vertretung menschlicher Nutzender oder anderer KI-Agenten zu kommunizieren und zusammenzuarbeiten.
Zum Beispiel können Sie einem KI-Agenten mitteilen, dass Sie Spaghetti zum Abendessen kochen möchten. Der KI-Agent kann dann die erforderlichen Schritte ausführen, um ein Rezept zu finden, eine Liste der Zutaten zu erstellen und eine Bestellung für diese Zutaten aufzugeben, die von einem örtlichen Lebensmittelgeschäft zu Ihnen nach Hause geliefert werden.
Agentische KI verfügt über eine „Verkettungsfunktion“
Das bedeutet, dass das KI-System als Reaktion auf eine einzelne Anfrage eine Reihe von Aktionen ausführen kann. Wenn Sie beispielsweise einen KI-Agenten bitten, eine Webseite zu erstellen, kann er sämtliche erforderlichen Schritte ausführen, um diese Aufgabe zu erledigen. Das bedeutet, dass der KI-Agent ab dem ersten Prompt die Aufgaben eigenständig ausführen kann: Schreiben des Codes für die Struktur, Auffüllen der Seiten mit Inhalten, Entwerfen der visuellen Elemente und Testen der Reaktionsfähigkeit.
Red Hat Ressourcen
Vorteile agentischer KI
Agentische KI ist besonders nützlich für Aufgaben, die eine kontinuierliche Überwachung oder schnelle Entscheidungen erfordern. Zu den Vorteilen agentischer KI gehören:
Höhere Produktivität: Die Übertragung von Aufgaben an KI-Agenten ermöglicht einen stärkeren Fokus auf Initiativen, die einen Mehrwert für das Unternehmen darstellen. Sie können sich einen KI-Agenten wie einen Praktikanten vorstellen, der rund um die Uhr arbeitet.
Geringere Kosten: Agentische KI reduziert menschliche Fehler und damit die Kosten, die mit Ineffizienz, Versäumnissen und Fehlern verbunden sind.
Fundierte Entscheidungsfindung: Agentische KI nutzt maschinelles Lernen, um riesige Datenmengen in Echtzeit zu filtern und zu verarbeiten – mehr als ein Mensch je könnte. Die Gewinnung von Insights aus einem größeren Pool hochwertiger Daten führt zu besseren Prognosen und Strategien.
Verbessertes Benutzererlebnis: Das Erstellen eines automatisierten Workflows erfordert in der Regel Fachwissen in den Bereichen Technik und Programmierung. Mit agentischer KI können Nutzende in normaler Sprache interagieren, ähnlich wie wir mit Plattformen wie ChatGPT interagieren.
Use Cases für agentische KI
Diese besonderen Funktionen machen agentische KI vielseitig einsetzbar. Im Folgenden werden die Einsatzmöglichkeiten agentischer KI in verschiedenen Branchen erläutert:
- Unternehmen könnten KI-Agenten einsetzen, um Lieferketten zu verwalten, Lagerbestände zu optimieren, Bedarf vorherzusagen und Logistik zu planen.
- Im Gesundheitswesen könnten KI-Agenten mit Kunden in Kontakt treten, Bedürfnisse überwachen, Behandlungspläne ausführen und individuelle Unterstützung leisten.
- Die Softwareentwicklung könnte durch den Einsatz KI zur automatischen Generierung von Debugging-Code, zur Verwaltung des Entwicklungs-Lifecycles und zum Entwurf der Systemarchitektur effizienter werden.
- Im Softwarebetrieb könnte agentische KI für den autonomen Betrieb von Netzwerken und anderen IT-Infrastrukturen oder -Services eingesetzt werden.
- Die Cybersicherheit könnte von einem KI-Agenten profitieren, der bei der Überwachung des Netzwerkverkehrs, der Erkennung von Problemen und der Reaktion auf Bedrohungen in Echtzeit hilft.
- Forschende könnten mittels agentischer KI Experimente entwerfen und durchführen, Daten analysieren, neue Hypothesen formulieren und das Innovationstempo insgesamt beschleunigen, indem sie schneller arbeiten, als es ein einzelner Mensch (oder eine Gruppe von Forschenden) könnte.
- Finanzwesen und Handel könnten von der Fähigkeit agentischer KI profitieren, ständig Markttrends zu analysieren, Handelsentscheidungen zu treffen und die Strategie auf der Grundlage von Echtzeitdatenströmen, auf die sie Zugriff hat, anzupassen.
Was ist ein agentischer Workflow?
Agentische KI bringt uns der Entwicklung intelligenter, unabhängig arbeitender Systeme näher, die effektiv zusammenarbeiten und aus ihren Interaktionen mit Daten lernen können. Agentische KI basiert auf einem Prozess, der als „agentischer Workflow“ bezeichnet wird.
Ein agentischer Workflow ist eine strukturierte Reihe von Aktionen, die von KI-Agenten verwaltet und abgeschlossen werden. Bekommt ein KI-Agent eine Zielvorgabe, beginnt er den Workflow, indem er eine Aufgabe in kleinere Einzelschritte zerlegt und diese dann ausführt.
Zur Durchführung dieser Reihe von Schritten erzeugt der KI-Agent weitere Versionen von sich selbst, wodurch ein MAS (Multi-Agent System) entsteht. In diesem Workflow delegiert der Hauptagent (auch bekannt als Metaagent, Orchestrator oder Supervisor) Aufgaben an andere Agenten, weist ihnen Werte zu und interagiert in einer Feedback-Schleife mit dem Speicher. Gemeinsam arbeiten die Agenten dann parallel, bis die Zielvorgabe erfüllt ist.
Innerhalb dieses MAS besteht jeder Agent aus einer internen Struktur, die es ihm ermöglicht, sowohl unabhängig als auch kooperativ in seinem System zu arbeiten. Diese Zusammenarbeit hängt von gemeinsam genutzten Speicherplätzen ab, die Kontext zu individuellem Wissen, Erfahrungen und Haltungen liefern.
Agentische und generative KI
Während sich generative KI auf das Erstellen konzentriert, liegt der Schwerpunkt bei der agentischen KI auf dem Ausführen. Generative KI erstellt neue Inhalte mithilfe prädiktiver Modellierung und linearer Regression. Agentische KI nutzt mathematische Systeme für Entscheidungen auf der Grundlage prädiktiver Modelle, geht aber noch einen Schritt weiter, indem sie eine Aktion – oder mehrere Aktionen – im Namen der Nutzenden ausführt.
Generative KI erzeugt Ausgaben auf der Grundlage der von uns getroffenen Eingaben. Agentische KI unterscheidet sich von herkömmlicher KI durch die Fähigkeit, Aktionen zu initiieren. So kann ein KI-Agent beispielsweise auf der Grundlage der ihm zugänglichen Informationen eigene zusätzliche Prompts und Ausgaben erstellen.
Was ist agentische RAG?
Mit Retrieval-Augmented Generation (RAG) können Sie bessere Antworten von einer gen KI-Anwendung erhalten, indem Sie ein Large Language Model (LLM) mit einem alternativen Instructed Prompt oder einer externen Ressource verbinden. Agentische RAG geht einen Schritt weiter als die traditionelle RAG, indem sie es 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.
Mit herkömmlicher RAG können Sie zum Beispiel bei einem Chatbot die Rückgaberichtlinien eines Unternehmens abfragen. Mit agentischer RAG könnte Ihre Abfrage Ihnen die Rückgabebedingungen anzeigen und Ihnen dann die Option anbieten, eine Rückgabe einzuleiten. Daraufhin könnten die KI-Agenten das Rücksendeformular mit Ihrer Bestellnummer ausfüllen, Ihre Kreditkartendaten für die Rückerstattung überprüfen und die Transaktion in Ihrem Namen abschließen.
Einschränkungen und Überlegungen zur agentischen KI
Agentische KI verspricht Innovation und Geschwindigkeit für viele unserer Systeme. Es gibt jedoch ethische und technische Fragen, die noch zu klären sind. Wie können wir beispielsweise sicherstellen, dass agentische Systeme mit unseren Werten in Einklang stehen? Wer ist verantwortlich, wenn agentische KI einen Fehler macht? In einigen Fällen gibt es Probleme mit der Transparenz, da wir nicht mit Sicherheit wissen, wie der Agent zu dem Ergebnis gekommen ist, das er als Ausgabe anbietet (auch bekannt als „Blackbox“-Problem).
Unter den Gesichtspunkten des Datenschutzes und der Sicherheit ist es wichtig, die KI-Modelle, die wir entwickeln oder verwenden, mit Sorgfalt und Bedacht zu behandeln. Das heißt, es muss sichergestellt werden, dass die Architektur über Sicherheitsparameter zum Schutz des Datenflusses verfügt.
Zu beachten ist auch, dass agentische KI beträchtliche Ressourcen benötigt, darunter viel Rechenleistung und Speicherplatz. Dabei ist es wichtig, die Auswirkungen auf die Umwelt zu berücksichtigen.
Und wie bei jeder neuen Technologie gibt es auch hier eine Lernkurve, der man sich bewusst sein muss. Die Implementierung und Verwaltung von agentischen LLM-Workflows erfordert besonders auf Unternehmensebene spezielle Kompetenzen.
Wie Red Hat helfen kann
Für Unternehmen, die die Vorteile der generativen KI noch erkunden, könnten KI-Agenten der Schlüssel zur Entdeckung eines konkreten Geschäftswerts sein. Red Hat® AI und unser KI-Partnernetzwerk unterstützen Sie bei der Entwicklung von Frameworks für den Aufbau agentischer Workflows und die Skalierung von KI-Agenten.
Red Hat Enterprise Linux® AI ist eine agentische Orchestrierung von InstructLab und kann für das Fine Tuning der von agentischen Workflows verwendeten LLMs und SLMs genutzt werden.
Red Hat OpenShift® AI bietet eine einheitliche Plattform zur Erstellung von Systemen mit mehreren Agenten. Außerdem kann adaptives Lernen und Schlussfolgern durch KI-Agenten über die MLOps-Funktionen von OpenShift gesteuert werden.
Der offizielle Red Hat Blog
Lernen Sie mehr über unser Ökosystem von Kunden, Partnern und Communities und erfahren Sie das Neueste zu Themen wie Automatisierung, Hybrid Cloud, KI und mehr.