Herzlich Willkommen zu den AI FIRST Insights!
Ich muss zugeben, dass ich KI-Agenten anfänglich sehr skeptisch gegenüber stand.
Mir war das Versprechen zu groß, dass diese Anwendungsform von KI, komplexe, vielschrittige Aufgaben autonom und zuverlässig erledigen kann.
Wie sollte das funktionieren, wenn LLMs schon bei einfachen Prompts halluzinieren, aber in Geschäftsprozessen konsistente Ergebnisse erforderlich sind?
Doch mein Blick auf KI-Agenten hat sich in den letzten 12 Monaten verändert.
Sehr stark sogar.
Ich bin fest davon überzeugt, dass KI-Agenten in Prozessen und der Organisationsstruktur mitgedacht werden müssen und einen immer größeren Teil unserer Arbeit unterstützen oder übernehmen.
Aber um KI-Agenten richtig einzusetzen, müssen wir sie differenziert betrachten.
KI-Agenten können ganz unterschiedlich funktionieren.
Ich habe dafür 2 Typen definiert.
Los geht's!
Nur noch 8 Tage Early Bird für die AI-First School
In der AI-First School geht es um mehr als Tools und Prompts.
Wir entwickeln neue Arbeitsweisen und Routinen, um KI tief in die eigene Arbeit zu integrieren.
Das Ziel ist, dass du deine Grenzen des Möglichen verschiebst und maximale Wirkung bei maximaler Leichtigkeit erreichst.
Der Early Bird läuft nur noch 8 Tage. Hier gibt's alle weiteren Info's.
Alles wird agentisch
Im August '24 habe ich hier das erste Mal über die Differenzierung zwischen KI-Assistenten, -Automationen und -Agenten geschrieben.
Meine Definition lautete damals so:
- Assistenten: Vom Menschen gesteuerte LLM-Bots mit Wissen angedockt
- Automationen: LLMs in Prozess-Schritte eingebunden, Wenn->Dann
- Agenten: Planen Aufgaben eigenständig basierend auf Ziel, nutzen Tools
Ich finde diese Struktur weiterhin gut, doch in diesen 13 Monaten hat sich etwas verändert. Alles ist agentisch geworden.
Wenn früher ein KI-Assistent (zB CustomGPT) mit einer Wissensbasis und einem Systemprompt Aufgaben erledigen konnte, so kann er heute mit Tools arbeiten und selbstständig planen.
Das liegt im Kern an zwei Entwicklungen:
- Reasoning-Modelle, die längere Aufgabenverarbeitung zulassen
- Tool-Zugriff über immer mehr vorgebaute Integrationen in allen KI-Plattformen
Damit wird alles zu einem KI-Agent, der basierend auf einem LLM (in gewissem Maße) planen und mit Tools Aufgaben ausführen kann.
Viele dieser Agenten können wir heute out-of-the-box nutzen:
- Deep Research in Gemini, ChatGPT oder Copilot
- Multifunktions-Agenten wie Manus oder Genspark
- Coding-Agenten wie Lovable, Cursor oder Replit
- Sales-Agenten wie Agentforce oder Artisan
- Agentische Browser wie Comet oder Atlas
...es gibt hunderte, wenn nicht tausende weiterer Beispiele.
Doch sie unterscheiden sich oft fundamental.
2 Agenten-Typen
Wenn alles agentisch wird, benötigen wir eine Differenzierung dieser Agenten.
Schauen wir uns zwei Beispiele an:
Beispiel 1: Agent (zB Cursor) programmiert eine Web-App
Der Agent bekommt ein Briefing vom Nutzer, stellt Rückfragen, bricht einen Prozess runter, führt die Aufgaben aus, berichtet einen Arbeitsstand, bekommt wieder Feedback und iteriert bis das Ergebnis passt.
Dieser Agent ist in sich sehr autonom, arbeitet jedoch als Assistent für den Nutzer, der die volle Kontrolle behält.
Beispiel 2: Agent (zB in Langdock aufgesetzt) klassifiziert eine Mail in FAQ/Rechnung
Der Agent wird automatisch durch eine neue E-Mail ausgelöst, klassifiziert diese nach vorgegebenen Regeln und führt evtl. noch eine einfache Aktion aus (zB Weiterleitung an anderen Agenten oder Menschen).
Dieser Agent ist fest in den Workflow integriert und hat dort genau eine spezifische Aufgabe immer und immer wieder auszuführen.
Diese Agenten unterscheiden sich in 2 Dimensionen:
- Steuerung: Fest integriert in Prozess vs. vom Menschen gesteuert
- Aufgabenspektrum: Sehr spezifisch vs. breitere Rolle
Schauen wir uns beide Typen etwas genauer an.
Workflow-Agent: Der effiziente Abarbeiter
Typ 1 nenne ich den Workflow-Agent:
- Fest in Prozess integriert
- Führt eine spezifische Aufgabe aus
- Erfordert geringe menschliche Kontrolle
- Nutzt schnelles, eher Mini-LLM
Ein Workflow-Agent macht immer dann Sinn, wenn eine atomare Aufgabe in einem Prozess automatisiert werden soll, jedoch Flexibilität für Ausnahmefälle erforderlich ist.
Beispiele unserer Workflow-Agents:
- Rechnungsprüfer – prüft eingehende Rechnungen automatisch auf Plausibilität und Vollständigkeit
- Lead-Qualifizierer – bewertet neue Leads nach festen Kriterien und routet sie weiter
- Inbox-Agent prüft einkommende Mails und schreibt basierend auf Wissensdatenbank je eine Antwortvorlage
- Meeting Follow-Up – verarbeitet das Meeting-Transkript und schickt Zusammenfassung mit nächsten Schritten an Teilnehmer
Der Workflow-Agent kann klar abgegrenzte Aufgaben erledigen, erfordert jedoch eine umfangreiche "Einarbeitung", um Fehler zu vermeiden und Ausnahmefälle richtig zu lösen.
Wichtig: LLMs erzeugen Ergebnisse basierend auf Wahrscheinlichkeiten. Wahrscheinlichkeiten liegen nie bei 100%. Ergo können LLMs Fehler machen. Da KI-Agenten auf LLMs basieren, können sie ebenfalls Fehler machen. Aus diesem Grund ist es sehr sehr wichtig, dass die Aufgaben für Workflow-Agenten sehr spezifisch sind, um darüber eine 99,x% Genauigkeit in der Erledigung der Aufgaben zu erreichen.
In kritischen Prozessen, wie zB Customer Support Bearbeitung, würde ich auch immer einen 2. Agenten als Kontroll-Instanz für den 1. Agenten integrieren.
Assistent-Agent: Der Sparringspartner
Typ 2 ist der Assistent (ich habe lange über diese Bezeichnung nachgedacht, aber Assistent beschreibt einfach weiterhin am besten, was er tut):
- Vom Nutzer gesteuert
- Führt mehrere Aufgaben in einem Bereich aus
- Erfordert hohe menschliche Kontrolle und Feedback
- Nutzt leistungsstarkes, eher Reasoning-LLM
Ein Assistent-Agent macht immer dann Sinn, wenn ein Mensch in einem Aufgabenfeld (zB Coding, Recherche, Vertrieb, Content-Marketing) unterstützt werden soll, um Aufgaben schneller und besser zu erledigen.
Beispiele unserer Assistenz-Agents:
- Donna – meine persönliche Assistenz für Kommunikation, Dokumentation und Strategie-Sparring mit Zugriff auf alle Tools und vollständiges Kontextwissen
- Agent Builder unterstützt uns, neue Systemprompts, LLM-Empfehlung, Tools, erforderliches Kontextwissen für neue Agenten zu entwickeln
- Workshop Designer – unterstützt bei der Vorbereitung von Kundenworkshops inkl. Agenda, Übungen, Moderationsleitfaden, Folien-Inhalte
- Lovable – nutzen wir out-of-the-box, um interne Tools und Apps zu entwickeln
Der Assistent-Agent kann ein breiteres Aufgabenspektrum abdecken, auf mehr Tools und auf umfangreicheres Wissen zugreifen, weil er vom Menschen gebriefed und kontrolliert wird. Genau dieses Briefing und Feedback sind jedoch entscheidend.
Assistenten sind Sparringspartner.
Meiner Meinung nach sind Assistenten in vielen Bereichen der beste Weg, um KI in die produktive Nutzung zu bringen. Jeder Mitarbeiter am PC kann mit ihnen erweitert werden, um besser und produktiver zu arbeiten. Gleichzeitig reduziert die menschliche Kontrolle die Fehleranfälligkeit und den Setup-Aufwand enorm.
🏁 Fazit
Alles wird agentisch, aber nicht jeder Agent ist gleich.
Wenn du KI-Agenten produktiv einsetzen möchtest, solltest du zwischen zwei Typen unterscheiden:
- Workflow-Agent: Automatisiert atomare Aufgaben in Prozessen. Erfordert umfangreiche Einarbeitung und klar abgegrenzte Aufgaben.
- Assistent-Agent: Unterstützt Menschen bei komplexen Aufgaben. Erfordert detaillierte Briefings und Feedback.
Mir hat diese Unterscheidung enorm dabei geholfen, KI-Agenten richtig einzustellen und in unsere Arbeitsweisen und Prozesse zu integrieren.
Das ist alles für diese Woche.
Bis nächsten Sonntag,
Felix
P.S. Wenn du lernen willst, wie du KI-Agenten aufbaust und in deine Arbeit integrierst, dann komm in unsere AI-First School.
Logge Dich ein oder registriere Dich,
um am Austausch teilzunehmen.