Automatisierung mit KI-Agenten

Bei all der Begeisterung über generative KI – wobei Chatbots wie ChatGPT und Bildgenerierungstools wie Midjourney oder Grok2 im Mittelpunkt stehen – übersieht man leicht die umfassenderen Automatisierungsmöglichkeiten, die Large Language Models (LLMs) bieten.

KI-Chatbots können zwar die persönliche Produktivität massiv steigern, die Erschließung unternehmensweiter Produktivität erfordert jedoch einen anderen Ansatz, der darüber hinausgeht. Im Wesentlichen funktionieren Chatbots wie ein „Gehirn im Glas“: Sie sind beschränkt auf das, was sie aufgrund ihrer Trainingsdaten wissen. Sie sind nicht über die neuesten Ereignisse nach ihrem Training informiert und können nicht auf Unternehmensdaten zugreifen, die hinter Firewalls gespeichert sind.

Um diese Mängel zu beheben, können Techniken wie Retrieval Augmented Generation (RAG) eingesetzt werden, um Internetsuchergebnisse in Echtzeit, Geschäftsdokumente oder Daten aus CRM-Systemen einzubinden und die KI mit aktuelleren und kontextrelevanteren Informationen zu versorgen. Dieser Ansatz erhöht die Genauigkeit der Antworten des KI-Modells und reduziert Halluzinationen (bei denen die KI Wissenslücken mit plausibel klingenden, aber faktisch falschen Ergebnissen füllt).

However, true intelligent automation of a business or workflow necessitates more than simply generating an output. AI models must be capable of responding to events and triggering actions based on the data they evaluate. This proactive approach is essential for creating systems that exhibit intelligent behaviour and drive tangible business outcomes.

Von großen Sprachmodellen zu KI-Agenten

Hier kommen KI-Agenten ins Spiel. Generative KI-Chatbots können Ihnen beim Erstellen, Zusammenfassen, Entdecken und Lernen helfen, während KI-Agenten sich auf das Ausführen von Aktionen konzentrieren – sie kombinieren die Leistungsfähigkeit von LLMs zur Auswertung von Daten und Vorhersage eines gewünschten Ergebnisses (das nächste Wort oder Pixel in einer Sequenz) mit der Fähigkeit, durch Automatisierung Maßnahmen zu ergreifen.

KI-Agenten verbinden Intelligenz und Automatisierung, um autonome Systeme zu schaffen, die unabhängig arbeiten, Entscheidungen treffen und sich an verändernde Umgebungen anpassen. Sie versprechen, eine der langjährigen Herausforderungen der Automatisierung zu lösen: die Anfälligkeit traditioneller Automatisierungsprozesse und Roboter (RPA). Angenommen, ein automatisierter Prozess stößt auf einen Fehler, ein Dokument oder einen Datenpunkt, den er nicht verarbeiten kann. In diesem Fall gerät der Prozess in einen Ausnahmezustand, der oft kostspielige menschliche Eingriffe zur Behebung erfordert.

Durch die Kombination der Vielseitigkeit und der Argumentationsfähigkeiten von Large Language Models mit der Automatisierung von Arbeitsabläufen und robotergesteuerter Prozessautomatisierung können KI-Agenten Aufgaben automatisieren, die eine langfristige Planung und Interaktion in komplexen, dynamischen Umgebungen erfordern, was einen bedeutenden Fortschritt bei der Verwirklichung der Automatisierungs- und Straight-Through-Processing-Ziele von Unternehmen darstellt.

Wesentliche Merkmale von KI-Agenten

KI-Agenten weisen einige wichtige Merkmale auf, und das unabhängig davon, ob sie für Aufgaben in einer offenen Welt entwickelt wurden (wo ihnen eine große Freiheit in Bezug auf die Tools und Ansätze eingeräumt wird, die sie zum Erreichen eines Ergebnisses verwenden können) oder ob sie nur innerhalb strenger Leitplanken mit einer begrenzten Anzahl von Optionen operieren sollen. Zu diesen Merkmalen gehören:

• Autonomy: AI Agents operate independently, making decisions and executing tasks based on predefined goals or dynamically generated objectives, adapting to changing environments without human intervention.
• Goal-Oriented: AI Agents are designed with specific goals in mind and work toward achieving these goals efficiently.
• Interactivity: AI Agents can interact with various workflow components, such as data sources, RPA robots, other software systems’ APIs, or even human users, to gather information, make decisions, and execute tasks.

Framework für die Verwaltung von KI-Agenten

Für die effektive Nutzung von KI-Agenten ist ein robustes Framework unerlässlich. Dieses Framework sollte die folgenden Schlüsselfaktoren berücksichtigen:

• Inputs & Outputs: The documents, data, user prompts, etc. used to dynamically configure and provide context to the AI Agent’s workflow.
• Allowed Actions & Rules: The actions, capabilities or APIs the agent is permitted to use, and the guardrails to direct the agent’s behaviour.
• Agent Framework: The underlying structure that supports the creation and operation of AI Agents.
• Workflow: The processes through which AI Agents operate and how they are managed. Frameworks should also determine when an automation is complete and whether human intervention is necessary.
• SLA (Service Level Agreement): The agreed-upon performance standards to ensure AI Agents meet speed, accuracy and reliability expectations.
• Safety System: Mechanisms to ensure AI Agents operate within safe and ethical boundaries.
• Audit History: A record of actions taken by AI Agents to ensure accountability and transparency.

Ein ideales Framework ist mit begrenzter Schulung einfach zu implementieren, sodass Geschäftsanwender ohne tiefgreifende technische Kenntnisse mit No-Code- und Copilot-Chat-Oberflächen ihre eigenen KI-Agenten und Automatisierungen erstellen können. Angesichts des hohen Innovationstempos im Bereich der KI sollten die Frameworks zudem unabhängig von einem bestimmten Large Language Model arbeiten, um eine langfristige Bindung an einen bestimmten Anbieter zu vermeiden.

Auch eine nahtlose Integration in eine bestehende Automatisierungsplattform kann von Vorteil sein. Die Einbindung neuer KI-Agenten in bestehende Automatisierungsprozesse und Arbeitsabläufe beschleunigt oft die KI-gestützte Kapitalrendite (ROI).

Erstellen von KI-Agenten mit TotalAgility

Intelligent Automation platforms like TotalAgility easily support AI Agents. We offer two approaches to creating AI agents in TotalAgility, including:

AI Powered Processes: Workflow processes that use LLMs to make decisions or control the path an instance of the process follows.

Jeder Schritt im Workflow führt eine bestimmte Aufgabe aus, wie das Abrufen einer E-Mail, einer Website oder eines Dokuments oder das Extrahieren von Daten aus einem verbundenen System über eine API oder einen Roboter. Dann fordert es das Large Language Model auf, diese Inhalte und Informationen anhand definierter Kriterien zu bewerten, die als Eingabeaufforderungen und Systemanweisungen angegeben sind. Der Aufruf des LLM ist nur ein weiterer Schritt im Prozess. Eingabeaufforderungen werden verwendet, um das LLM anzuweisen, eine Antwort in einem Format zurückzugeben, das der Workflow verwenden kann, z. B. als JSON-Daten in einem definierten Format oder oder einem booleschen Wert „true/false“. Dies ermöglicht es dem LLM, zu reagieren und den Fluss oder Pfad zu steuern, der im Workflow eingeschlagen wird.

Custom LLMs: These have specific interfaces that can be interacted with using chat completions or called as part of a workflow.

Benutzerdefinierte LLMs sind eine leistungsstarke neue Funktion, die in TotalAgility 8 eingeführt wurde und es möglich machen, mithilfe von Low-Code-Tools im Handumdrehen KI-Agenten zu erstellen. In der Regel nutzen sie vortrainierte Basismodelle (wie GPT4 von Open AI) und erweitern diese um andere automatisierte Aktionen, wie das Suchen nach relevanten Inhalten aus einer Unternehmensdatenbank, das Abrufen von Daten aus dem CRM oder die Verwendung von Internet-Suchergebnissen, um Antworten auf aktuelle und relevante Kontextdaten zu stützen. Benutzerdefinierte LLMs können zudem in jeden Aufruf Aktivitäten einbetten, wie das Speichern von Prompts und Antworten oder das Abgleichen der generierten Ausgabe anhand vorgegebener Kriterien oder sogar mit den Ergebnissen eines anderen LLMs. Einmal erstellt, kann das benutzerdefinierte LLM verwendet werden, um eine Chat-Komponente in einem Webformular zu betreiben oder als Aktivitätsschritt in einem KI-gestützten Prozess aufgerufen zu werden.

Beispiele für KI-Agenten

KI-Agenten lassen sich auf verschiedene Geschäftsanforderungen zuschneiden und bieten eine breite Palette von Funktionen, um bisher schwer zu automatisierende Szenarien zu bewältigen. Hier sind einige Beispiele:

• RAG Agent: This agent uses Retrieval Augmented Generation to process documents, data, and search results, providing synthesized information or insights. This improve LLMs response quality and reduces the incidence of incorrect or hallucinated replies.
• Email Responder: Automates the process of responding to emails, including understanding the content, generating appropriate replies, and sending them.
• Research Agent: Combines RAG, search capabilities, and document processing to gather and synthesize information for research purposes. Citations and references to supporting content can be added automatically, to improve transparency and trust in the results.
• Customer Service Agent: Handles customer inquiries by responding to emails, requesting more information if needed, and providing solutions or escalating issues as necessary.
• Quote & Proposal Generation: Assembles and cross-checks the required documentation and correspondence for Request-for-Information and Request-for-Quote processes.
• Event Monitoring: Reviews live feeds to news, pricing, competitor or intelligence data, automatically reporting and responding to events of interest.

Anwendungsfälle für KI-Agenten

KI-Agenten können in verschiedenen Branchen und Funktionen eingesetzt werden, um die Effizienz und Produktivität zu steigern. Hier sind einige spezifische Anwendungsfälle:

1. Customer Support: AI Agents can handle customer queries, provide instant responses, and escalate complex issues to human agents. This reduces response times and improves customer satisfaction.
2. Sales and Marketing: AI Agents can analyse customer data, predict trends, and personalize marketing campaigns. They can also automate follow-up emails and manage customer relationships.
3. Human Resources: AI Agents can streamline recruitment processes by screening resumes, scheduling interviews, and even conducting initial interviews. They can also manage employee onboarding and training.
4. Finance: AI Agents can automate routine financial tasks such as invoice processing, expense management, and financial reporting. They can also assist in fraud detection and risk management.
5. Healthcare: AI Agents can assist in patient data management, appointment scheduling, and providing medical information. They can also support telemedicine by facilitating virtual consultations.
6. Supply Chain Management: AI Agents can optimize inventory management, track shipments, and predict supply chain disruptions. They can also automate order processing and vendor management.

Der Einstieg ist einfach

Zwar können viele codebasierte Tools und Frameworks (z. B. LangChain, Azure Semantic Kernel) für die programmgesteuerte Erstellung von KI-Agenten eingesetzt werden, es ist jedoch auch einfach, KI-Agenten mithilfe von Low-Code-Workflows und Automatisierungstools zu erstellen, die von Automatisierungsplattformen wie TotalAgility bereitgestellt werden.

Der integrierte KI-Copilot kann Ihnen sogar dabei helfen, die Logik in Ihrem KI-Agenten zu modellieren – basierend auf Ihrer Beschreibung dessen, was Sie erreichen möchten. Geben Sie einfach die Automatisierungsziele, die Eingaben (Ereignisse, Inhalte, Daten, Kanäle) und Ausgaben (Aktionen, Inhalte, Systemaufrufe usw.) an, und der Copilot erstellt die Schritte für den KI-Agenten für Sie.

Die Zukunft der KI-Agenten

KI-Agenten stellen einen bedeutenden Fortschritt auf dem Gebiet der Automatisierung dar, da sie die Intelligenz von LLMs mit der Fähigkeit zum Handeln kombinieren. Durch den Einsatz von KI-Agenten können Unternehmen komplexe Arbeitsabläufe automatisieren, die Produktivität steigern und eine höhere Effizienz erreichen. Mit der weiteren Entwicklung der Technologie werden sich die möglichen Anwendungen von KI-Agenten erweitern und noch mehr Möglichkeiten für Innovation und Wachstum bieten.

Ein Verständnis der Kernfunktionen, der wesentlichen Merkmale und der praktischen Anwendungsfälle von KI-Agenten versetzt Geschäfts- und Technologieexperten in die Lage, die Leistung von KI besser nutzen, um die unternehmensweite Produktivität und Transformation voranzutreiben.

Das Potenzial von KI-Agenten endet hier jedoch nicht. Ein einzelner KI-Agent kann zwar viel leisten, aber durch die Zusammenführung mehrerer KI-Agenten zu kollaborativen Teams kann jeder Agent sein spezifisches Fachwissen zu verschiedenen Teilen eines Geschäftsprozesses beitragen. Wenn man KI-Agenten entwickelt, die modular und wiederverwendbar sind, können diese größere und komplexere Probleme innerhalb eines organisierten Rahmens lösen, was eine reibungslose Koordination und optimierte Effizienz gewährleistet. Eine modulare und wiederverwendbare Gestaltung von KI-Agenten ermöglicht es Agenten-Teams, als anpassungsfähige Einheiten auf ein gemeinsames Ziel hinzuarbeiten und so die grenzenlosen Möglichkeiten fortschrittlicher KI-gestützter Automatisierung voll auszuschöpfen. Durch den Einsatz von Agententeams sind die Möglichkeiten der KI-gestützten Automatisierung endlos.