Agentic Automation

Organisationen können aus einer Reihe von Ansätzen und Automatisierungstools zur Prozessautomatisierung wählen. RPA, KI-gestützte Automatisierung und Agentic Automation spielen alle eine wichtige, unterschiedliche Rolle in der Unternehmensautomatisierung.

RPA eignet sich perfekt dafür, regelbasierte Aufgaben kosteneffizient und präzise zu erledigen. Die Technologie ist ein Profi im Umgang mit strukturierten Daten und dem Befolgen klarer Anweisungen – ideal für routinierte, vorhersehbare Prozesse wie Dateneingabe oder Rechnungsverarbeitung. Solche Aufgaben sind in vielen Unternehmen unerlässlich, aber oft wenig spannend und erfordern kaum menschliches Urteilsvermögen, Kreativität oder Empathie. Indem Roboter diese repetitiven Tätigkeiten übernehmen, gewinnen Mitarbeitende Zeit für anspruchsvollere und wertschöpfende Aufgaben.

KI-gestützte Automatisierung (manchmal auch als „intelligente Automatisierung“ bezeichnet) verleiht Softwarerobotern fortgeschrittene KI-Fähigkeiten. Mit diesen Fähigkeiten können Roboter eine größere Bandbreite anspruchsvollerer Aufgaben bewältigen, wie z. B. das Verstehen von Dokumentinhalten, das Extrahieren von Daten, das Verstehen der Stimmung in einer E-Mail und Ähnliches. Die KI kann Techniken wie Machine Learning, Verarbeitung natürlicher Sprache (Natural Language Processing, NLP), optische Zeichenerkennung (Optical Character Recognition, OCR) und in jüngerer Zeit auch GenAI und große Sprachmodelle (LLMs) umfassen. Die Aufgaben und Prozesse werden immer noch von Menschen definiert – aber die Aufgaben selbst erfordern eine Reihe von KI-gestützten Fähigkeiten.

Agentic Automation hebt die Automatisierung auf eine neue Ebene der Autonomie, indem sie die Leistungsfähigkeit von GenAI nutzt, um Agents die Fähigkeit zu geben, unstrukturierte Daten zu analysieren, Muster zu erkennen, Aktionen zu planen und selbstständig Entscheidungen zu treffen. Anstatt dass Menschen Robotern innerhalb eines definierten Prozesses genau sagen müssen, was sie tun sollen, nutzt Agentic Automation die neuesten GenAI-Fähigkeiten, um es Agents (stellen Sie sich diese als Software-Roboter mit extrem hohen kognitiven Fähigkeiten vor) zu ermöglichen, autonom zu handeln, indem sie ihre Arbeit verstehen, strukturieren und erledigen.

Ein menschlicher Mitarbeiter könnte einem Agent beispielsweise einen „Aufgaben-Prompt“ geben, wie „bitte erstellen Sie einen detaillierten Bericht auf der Grundlage von Daten aus zwei verschiedenen Systemen, der detaillierte Analysen, Handlungsempfehlungen und Begründungen für diese Maßnahmen enthält“. Der Agent wäre in der Lage, selbstständig zu bestimmen, was zu tun ist, wo die Informationen in verschiedenen Systemen zu finden sind, wie die Informationen analysiert werden müssen und dergleichen. Der Agent könnte dann einen Arbeitsprozess erstellen und ausführen.  

Agentic Automation erfordert eine Reihe technologischer Fähigkeiten, darunter:

Ensembles aus künstlicher Intelligenz (KI) und Machine Learning (ML)

Agentic AI wird oft als der nächste Schritt in der Entwicklung großer Sprachmodelle bezeichnet. LLMs sind zwar notwendig, aber nicht ausreichend. Vielmehr nutzt Agentic AI ein Ensemble verschiedener KI- und ML-Techniken. Dazu gehören fortgeschrittene Ansätze wie bestärkendes Lernen, Deep Learning und überwachte/unüberwachte Lernmodelle, um eine autonome Entscheidungsfindung zu ermöglichen; die Verarbeitung natürlicher Sprache und Computer Vision, um sicherzustellen, dass Agents Dokumente und andere multimodale Daten nutzen können, um den Kontext, in dem sie agieren, zu verstehen; und Machine Learning-Modelle, die historische Daten analysieren, um die Zukunft vorherzusagen, damit Agents die Zukunft vorhersehen und proaktive Entscheidungen treffen können.

Prozessorchestrierung

Ein Arbeitsplatz mit Menschen, an dem jeder sein eigenes Ding macht – und niemand besonders gut darin ist, seine eigenen Arbeitsabläufe zu organisieren – wäre eine ziemlich chaotische und unproduktive Umgebung. Dasselbe gilt für einen Arbeitsplatz mit Agents. Deshalb ist eine flexible und leistungsstarke Prozessorchestrierung ein Muss für Agentic Automation. Agents müssen über eine „höhere Macht“ verfügen, die ihnen bei der Koordinierung von Aufgaben, der Verwaltung von Workflows und der Optimierung von Abläufen hilft, um vordefinierte Ziele zu erreichen. Eine Prozessorchestrierungsfunktion muss in der Lage sein, die Ausführung dynamischer Workflows zu unterstützen, d. h. sicherzustellen, dass mehrere Agents, die eine Reihe unterschiedlicher Aufgaben ausführen, effizient und harmonisch zusammenarbeiten können. Außerdem muss sie die Zusammenarbeit mehrerer Agents ermöglichen, damit Prozesse, an denen mehrere Agents, Roboter und Menschen beteiligt sind, reibungslos und synchron ablaufen.

End-to-End-Prozesse umfassen fast immer mehrere Systeme, Apps und Technologien. Daher sollten die Orchestrierungsfunktionen unternehmensübergreifend und agnostisch sein – sie sollten im gesamten Technologie-Ökosystem des Unternehmens funktionieren. Und wenn verschiedene Entscheidungen von verschiedenen Agents getroffen werden – ein Prozess, der als verteilte Entscheidungsfindung bezeichnet wird – muss die Prozessorchestrierungsfunktion die richtige Abfolge von Entscheidungen, Aktionen und Eingaben in andere Entscheidungen sicherstellen.

Identifizierung von Triggern (kontinuierliche Prozess- und Ereignisüberwachung)

Trigger sind Ereignisse oder Aktivitäten, die einen KI-Agent zum Handeln anregt – sei es der Inhalt einer E-Mail, eine Anfrage eines Mitarbeiters, ein ungünstiger Wetterbericht, ein Signal von einem Gerät des Internets der Dinge (IoT) oder eine Vielzahl anderer Ereignisse. Sie sind von grundlegender Bedeutung für die Initiierung und Steuerung der Aktionen von KI-Agenten und stellen sicher, dass Agents ohne menschliche Starthilfe dynamisch reagieren können. Daher muss jedes Agentensystem in der Lage sein, Trigger zu identifizieren und die richtigen Agents zu benachrichtigen. Dies erfordert eine kontinuierliche und genaue Überwachung von Prozessen, Eingaben, Aktivitäten sowie internen und externen Ereignissen.

Robotic Process Automation (RPA)

Von der systemübergreifenden Datenerfassung zur Eingabe in Agentic AI-Modelle bis hin zur tatsächlichen Ausführung einer Reihe von Aufgaben auf Geheiß eines Agents ist RPA eine entscheidende Fähigkeit für die Ausführung von Agentic Automation. Stellen Sie sich RPA-Roboter als die Kraft vor, die einen Großteil der Aufgaben in einem durchgängigen Agenten-Workflow ausführt.

Lernsysteme und -schleifen

Agentic-Systeme müssen in der Lage sein, selbstständig und automatisch aus früheren Erfahrungen zu lernen und sich anzupassen, um ihre Leistung zu verbessern. So wie Menschen aus ihren Fehlern lernen, müssen Agents in der Lage sein, sich selbst auf Fehler zu überwachen – beispielsweise bei der Interpretation unstrukturierter Daten, der Erkennung von Mustern oder der Entscheidungsfindung im Kontext – und dieses Feedback zur Anpassung und Optimierung zu nutzen. Diese Fähigkeit erfordert die Kombination eines automatisierten Feedback-/Bewertungsprozesses mit KI- und ML-Modellen.

Kontextgrundlage

Um die richtigen Entscheidungen zu treffen, muss ein KI-Agent die Umgebung verstehen, in der er tätig ist. Dies kann alles umfassen, von Geschäftsregeln und -richtlinien über historische Entscheidungen bis hin zu spezifischen Informationen über Kunden, Produkte, Partner oder Lieferanten sowie die Werte und Verhaltensnormen des Unternehmens. Agent-Systeme müssen über eine Möglichkeit verfügen, ihren Agents den relevanten Kontext und das Situationsverständnis zu vermitteln, die sie benötigen, um Entscheidungen zu treffen, zu verstehen, vorherzusagen und zu handeln. Automatisierte Prozesse, die es den Agents ermöglichen, auf diese kontextbezogenen Daten zuzugreifen, müssen in Agentensysteme integriert werden.

Unterstütztes Prompt-Engineering

Unterstütztes Prompt-Engineering ist für die Steigerung der Effektivität von Agentic-Systemen unerlässlich, insbesondere für solche, die auf LLMs für das Verständnis natürlicher Sprache, die Entscheidungsfindung oder die Interaktion angewiesen sind. Unterstütztes Prompt-Engineering verbessert die Fähigkeit von Menschen, Prompts zu entwerfen und zu optimieren. Bessere Prompts ermöglichen es Agentic AI-Systemen, eine höhere Präzision zu erreichen, kontextbezogener zu handeln und wichtige Geschäftsziele zu erreichen, während Fehler und Verzerrungen minimiert werden. Das Ergebnis: eine produktivere, anpassungsfähigere und benutzerfreundlichere Agentic Automation.

Das Zusammenspiel von Mensch & Maschine und „Human in the Loop“

KI-Agenten können als virtuelle Mitarbeiter und hochintelligente Assistenten (z. B. Copilots) fungieren, aber um maximal effektiv zu sein, müssen sie in der Lage sein, auf natürliche Weise mit Menschen zu interagieren, und zwar über intuitive Schnittstellen wie Chatbots, Sprachassistenten und dergleichen. Darüber hinaus sollten Agentensysteme die Einbindung und Nutzung von „Human in the Loop“-Prozessen einfach und unkompliziert gestalten, damit Menschen Ausnahmen und Leistungsprobleme schnell erkennen und darauf reagieren können.

Sicherheit, Compliance und Verwaltung

KI-Systeme verarbeiten oft sensible Daten, die vor internen und externen Bedrohungen geschützt werden müssen. Daher benötigen sie KI-gestützte Sicherheitstools, die diese Risiken selbstständig erkennen und mindern können – ohne ständige Überwachung und Intervention durch Menschen. Darüber hinaus müssen Systeme sicherstellen, dass automatisierte Prozesse und KI-generierte Entscheidungen fair, unvoreingenommen und mit rechtlichen und regulatorischen Standards konform sind. Daher sollten KI-Systeme sowohl autonome Prüfungs- und Überwachungsfunktionen als auch Unterstützung für die menschliche Steuerung, einschließlich Sichtbarkeit, Überwachung und Kontrolle, beinhalten.