Der KI-Agent –
ein Selbstgänger?

Dr. Dana Ruiter ist als Senior Consultant in einem interdisziplinären Team von KI-Expertinnen und -Experten bei Porsche Consulting tätig. Die promovierte Computerlinguistin ist spezialisiert auf die Bereiche Artificial Intelligence, Data Analytics und Natural Language Processing. Im Interview mit dem Porsche Consulting Magazin spricht sie darüber, für welche Anwendungsfälle sich KI-Agenten in Unternehmen eignen, wie der erfolgreiche Einsatz gelingt, welche Rolle eine exzellente Datenqualität dabei spielt – und wie die Managementberatung Porsche Consulting ihre Klienten auf diesem Weg begleitet.

Dr. Dana Ruiter: Viele Unternehmen setzen auf KI-Agenten. Was man jedoch beachten muss: Nicht jeder Anwendungsfall ist mit einem KI-Agenten gut bedient. Es ist wichtig, vor der Implementierung zu klären, was wirklich gebraucht wird. Ein Beispiel: Wir hatten einen Klienten, der sein Vertriebsteam mit datengetriebenen Empfehlungen zum Upselling von Kunden ausstatten wollte. Dafür hatte sich der Klient einen KI-Agenten als Chatbot vorgestellt, den die Vertriebsmitarbeitenden nach Upselling-Potenzialen fragen können. Aber ist es hier nicht besser, die Potenziale in einem Vorhersagemodell vorzurechnen und dann automatisiert an den jeweiligen Vertriebsmitarbeiter zu schicken? Damit spart man sich das Frage-Antwort-Spiel und die Empfehlungen sind dank Vorhersagemodell auch qualitativ hochwertiger.

KI-Agenten sind immer dann sinnvoll, wenn aus einer Vielzahl von Dokumenten relevante Informationen identifiziert und nach bestimmten Regeln verarbeitet werden müssen. Außerdem gilt: Die Qualität eines KI-Agenten ist stark abhängig von der Qualität der Daten. Wenn also über den Einsatz eines Agenten entschieden wird, muss klar sein, welche Art von Daten benötigt werden. Diese müssen dann für den KI-Agenten zentralisiert abgelegt werden. Im besten Fall sollten die Daten vorher bereinigt werden, sodass nur noch aktuelle Daten mit gut gepflegten Metadaten vorliegen.

Beides! Wir verfolgen bei Porsche Consulting einen sogenannten „Broad and Deep“-Ansatz. Das bedeutet: Um KI-Agenten in Unternehmen effektiv einzusetzen, ist es sinnvoll, sowohl kleinere, punktuelle KI-Agenten auf Prozessebene als auch KI-Agenten für die breite Nutzung im Gesamtunternehmen umzusetzen.

Für die „Deep“-Agenten bedarf es einer sauberen Prozessbetrachtung. Nur so kann man verstehen, wo der KI-Agent den meisten Effizienzgewinn erbringen kann oder bei welchen Entscheidungen er sinnvoll unterstützen kann. Danach muss klar verstanden werden, welche Datentöpfe zur Implementierung des Agenten gebraucht werden – und wie die daraus gezogenen Informationen verarbeitet und dem Endnutzer zur Verfügung gestellt werden. Das lässt sich schnell umsetzen. Bei einem Klienten haben wir mehrere Deep-Agenten innerhalb weniger Wochen implementiert. Sie helfen unter anderem Customer-Success-Managern dabei, Kundengespräche vor- und nachzubereiten.

Für den „Broad“-Agenten sieht es dann schon kniffliger aus. Sein Ziel ist es, der breiten Belegschaft schnellen Zugriff auf relevante interne Daten zu geben. Bei einem Projekt haben wir einen Broad-Agenten implementiert, der nicht nur interne Informationen zur Verfügung stellt, sondern den Mitarbeitenden dabei hilft, E-Mails zu versenden, freie Terminslots zu identifizieren, Termine einzustellen und simple Analysen über Unternehmensdashboards durchzuführen. All dies erfordert viel Aufwand bei der Datenaufbereitung, Data Governance und Schulung von Mitarbeitenden im Umgang mit dem Tool. Solche Broad-Agenten sind komplex in der Implementierung und gehen mit einem hohen Investment einher. Sie sind jedoch ein wichtiger Pfeiler, wenn ein Unternehmen sich in Richtung „AI first“ entwickeln, sprich KI als Grundlage für sämtliche Prozesse und Entscheidungen etablieren möchte.

Die schwerwiegendsten Fehler liegen in unvollständigen, nicht qualitativ hochwertigen Daten und der Einführung von KI-Agenten, bei denen eine andere Methode zielführender wäre. Ein weiteres Problem liegt darin, dass viele sich einen „Alleskönner“ wünschen. Durch den Hype um KI sind die Erwartungen hoch. Und das zeitliche und monetäre Investment wird oft unterschätzt. Es ist sinnvoll, erst einmal mit kleinen Pilotprojekten anzufangen und dann einen Umsetzungsplan für den weiteren Einsatz von KI-Agenten aufzustellen. Auf die Weise entstehen erste Effizienzhebel und Erfolgsgeschichten und Firmen können sich Stück für Stück ihrer Vision nähern. So bleiben Organisationen dynamisch und können schnell einlenken, wenn in der Zukunft neue Entwicklungen in diesem doch sehr schnell wachsenden Feld alles noch einmal aufwirbeln.

Das gesamte Personal ist sehr wichtig, denn es muss am Ende mit den KI-Agenten arbeiten. Ein Change-Management-Plan mit Fokus auf das Training und die Befähigung der Belegschaft ist hier entscheidend. Und im besten Fall werden die Mitarbeitenden selbst zu Entwicklern. Die Belegschaft sollte im ersten Schritt lernen, sinnvoll mit der Künstlichen Intelligenz umzugehen: Worauf muss man achten, damit Unternehmensdaten sicher bleiben? Bei welcher Art von Fragen kann die KI helfen? Wie formuliere ich die besten Prompts? Im nächsten Schritt lassen sich motivierte Mitarbeiterinnen und Mitarbeiter darin schulen, selbst zum Entwickler von KI-Agenten zu werden. Sie lernen, in ihren eigenen Prozessen und Arbeitsweisen das Potenzial für KI-Agenten zu erkennen und dann durch eigene Initiative sinnvolle Agenten zu implementieren und mit anderen Kollegen zu teilen.

Im White-Collar-Bereich liegen wir bei rund 30 Prozent, je nach Branche und Prozess. Aber ich bin kein Fan von so groben Zahlen, da die Effizienzsteigerung immer vom jeweiligen Prozess abhängt. Wir haben zum Beispiel auch schon KI-Agenten implementiert, bei denen der jeweilige Fachbereich die Effizienzsteigerung auf 100 Prozent geschätzt hat – hier ging es um das Validieren von Angebotsanfragen im Engineering-Bereich.

Erweiterbar ist ein gutes Stichwort: Um lange Lastenhefte zu umgehen, sollten Broad-Agenten stets in Phasen implementiert werden. Man startet mit einem sogenannten „Minimum Viable Product“ und fügt dann nach Bedarf schrittweise neue Funktionalitäten hinzu. Dafür ist es natürlich wichtig, dass der Broad-Agent von Anfang an als modulares Konstrukt verstanden wird. Nicht nur, um zukünftige Erweiterungen zu ermöglichen. Sondern auch, damit sich der Agent selbst mit dem sich schnell entwickelnden KI-Umfeld mitentwickeln kann. Zum Beispiel, indem sich das Sprachmodell im Kern des Agenten leicht austauschen lässt, wenn ein neueres, besseres Sprachmodell auf den Markt kommt.

Sie sind relevant für alle Branchen, aber vor allem für die White-Collar-Bereiche. Sprich da, wo Menschen viel am Computer sitzen und mit Daten und Dokumenten arbeiten: Rechtsabteilungen, IT-Entwicklung, Marketing, HR und Vertrieb können hiervon sehr stark profitieren. Aber auch spezielle Lösungen im Engineering-Bereich oder auf dem Shopfloor können Wirkung zeigen. Bei einem Klienten haben wir zum Beispiel mithilfe eines Sprachmodells häufig auftretende Probleme an den Maschinen in der Produktion geclustert, priorisiert und dann automatisiert den Schichtleiterinnen und -leitern zur Verfügung gestellt. Das schafft Transparenz und hilft ihnen dabei, die Mitarbeitenden anhand der Best Practices zu den häufigsten Fehlertypen zu schulen.

Kurz gesagt: den Transfer vom Prozess zum Agenten. Wir schauen uns die Prozesse an, identifizieren Potenziale. Und bewerten auf der Grundlage, welche KI-Lösung sinnvoll eingesetzt werden sollte. Danach wird mit den jeweiligen Fachexperten des Klienten die Lösung genau unter die Lupe genommen: Wie soll das Tool verwendet werden? Was für Daten werden benötigt? Welche Kriterien sind bei der Verarbeitung besonders wichtig? Wie sollten die Ergebnisse aussehen, damit die Mitarbeitenden den größten Mehrwert erfahren? Sobald die User-Story, die technischen und nicht-technischen Anforderungen klar sind, kann es losgehen. Der KI-Agent wird zum Leben erweckt in kurzen Teilprojekten: entweder erst als Proof of Concept, oder – bei kleineren KI-Agenten – direkt als Minimum Viable Product. Dabei ist es den KI-Expertinnen und -Experten bei Porsche Consulting wichtig, die Belegschaft mitzunehmen. Im Rahmen von dedizierten Schulungen lernen die Mitarbeitenden den Umgang mit den neuen Tools – oder werden selbst dazu befähigt, eigene kleine KI-Agenten in Zukunft selbst zu implementieren.

In den Branchen Industriegüter, Konsumgüter, Software as a Service, Luft- und Raumfahrt und der Automobilindustrie – auch im internationalen Kontext.

Wie bei allen disruptiven Entwicklungen, wie dem Internet, den Sozialen Medien und nun der Künstlichen Intelligenz: Wer nicht mit der Zeit geht, der geht mit der Zeit. Und bei einer sich so schnell entwickelnden Technologie wie der KI ist es wichtig, diese zu verstehen und in den richtigen Fällen effektiv einzusetzen. Das muss aktiv geschehen, denn KI-Agenten sind kein Selbstgänger. So bleibt man kompetitiv. Es geht schon lange nicht mehr nur um die Wirtschaftlichkeit oder Wettbewerbsfähigkeit einzelner Unternehmen – es geht um die Zukunftsfähigkeit von Industrie und Wirtschaft.