AI sind noch nicht bereit für den Kontakt mit Verbrauchern – aber sie können interne Prozesse hervorragend unterstützen.

Auch die Akzeptanz bei den Verbrauchern ist nach wie vor relativ gering. Trotz der Verwendung von Begriffen wie „Revolution“data , dass die meisten Nutzer eher wöchentlich als täglich darauf zugreifen, im Gegensatz zur häufigeren Nutzung von sozialen Netzwerken oder Plattformen wie Google. Dies deutet darauf hin, dass Gen AI noch AI einer echten Verbrauchergewohnheit geworden AI . Die Menschen nutzen es gelegentlich – manchmal intensiv –, aber es ist noch nicht zu einem festen Bestandteil des täglichen Lebens geworden. Mit anderen Worten: Der Hype ist der Realität noch voraus.

Trotz dieser reports glauben wir, dass AI eine grundlegende Veränderung in derselben Größenordnung wie das Internet oder das Smartphone AI . Das Internet hat uns rund zwei Jahrzehnte voller Innovationen und Unternehmensgründungen beschert. Die Smartphone-Revolution hat 15 Jahre Wachstum hervorgebracht, das durch mobile Apps angetrieben wurde. Wir glauben, dass AI eine ähnliche Ära des Wandels einläuten AI – vielleicht ein Jahrzehnt oder mehr voller neuer Wertschöpfung.

Ein solches Muster ist bei neuen Technologien häufig anzutreffen (übermäßiger Optimismus, gefolgt von Desillusionierung und schließlich echter Wertschöpfung, oft beschrieben anhanddes Gartner-Hype-Zyklus). Unserer Ansicht nach übertreiben viele der führenden AI , wenn sie kühne Aussagen treffen, dass ganze Wirtschaftszweige in Kürze durch AI ersetzt werden. Das liegt daran, dass echte, funktionsfähige AI etablierten Unternehmen harte Arbeit ist: Sie erfordert relativ saubere data, Prozessabbildungen und intensive Experimente – und selbst dann ist oft noch ein Mensch im Bilde. Wir beobachten jedoch echte Fortschritte hinter den Kulissen, deren Beispiele darauf hindeuten, dass der Einsatz von Multi-Agenten-Systemen zur Automatisierung und Ersetzung sich wiederholender Aufgaben zu einer längeren, grundlegenderen Steigerung der Produktivität führen kann.

Wir sind der Meinung, dass Führungskräfte nicht versuchen sollten, zu erraten, was in zehn Jahren passieren wird. Stattdessen sollten sie sich fragen, was sie in den nächsten zwei Jahren realistisch erreichen können. Basierend auf den Projekten, die wir seit Ende 2024 durchgeführt haben, AI agentenbasierte AI (zumindest kurzfristig) als echter Game Changer, der Unternehmen einen echten Mehrwert bietet. Die Realität ist auch, dass die finanziellen Gewinne pro Projekt gut sind, aber keines davon ist atemberaubend. Diese inkrementellen Gewinne ähneln denen von Lean, ein Vergleich, denauch Microsoft-CEOSatya Nadella gezogen hat.

Basierend auf unserer Arbeit an einer Reihe von Projekten, in denen agentenbasierte AI erfolgreich implementiert werden, haben wir festgestellt, dass der Erfolg dieser Technologie erfordert, den Hype zu durchschauen, zu verstehen, was die Technologie leisten kann, und diese Fähigkeiten mit klaren Wertschöpfungsmöglichkeiten in Einklang zu bringen. Außerdem ist ein praktischer Ansatz für die experimentelle und lernorientierte Implementierung von Multi-Agenten-Systemen erforderlich.

Der Aufstieg des agentenbasierten Workflow-Paradigmas

In den letzten Jahren hat sich die Reife der AI in mindestens drei verschiedenen Phasen rasch weiterentwickelt:

• Prompting (2022):Die anfängliche Begeisterung konzentrierte sich auf „Power Prompts“. In Proofs of Concept (POCs) schienen Prompts zu funktionieren. In der Produktion sank die Zuverlässigkeit jedoch schnell. Geschäftsprozesse erfordern in der Regel eine Genauigkeit von 95 bis 99 %. Basierend auf Erfahrungen aus mehr als 50 Fällen würden wir schätzen, dass Prompting allein selten mehr als 70 % erreichte.
• Retrieval-Augmented Generation (RAG, 2023):RAG verbesserte die Stabilität, indem es AI Generative AI an Wissensdatenbanken anknüpfte. Auch hier sahen die POCs vielversprechend aus, aber die Komplexität der Produktion deckte oft Schwächen auf, die zu einer inakzeptabel geringen Genauigkeit führten.
• Agentische Systeme (2024 bis heute):Die neuesten Fortschritte betreffen Netzwerke kleiner, spezialisierter Agenten. Einige leiten Fragen weiter. Andere führen eng definierte Aufgaben aus. Wieder andere überprüfen und korrigieren Ergebnisse. Entscheidend ist, dass sinkende Token-Kosten nun kaskadierende Multi-Agent-Systeme kommerziell rentabel machen. Dieses mehrschichtige Design verbessert die Zuverlässigkeit erheblich.

In diesem Herbst gab es eine Explosion von kommerziellen Initiativen im Bereich der Agenten. OpenAI gingPartnerschaften mit Stripe und Shopify ein.Google kündigte sein Agent Payment Protocol an, das den Kauf- und Transaktionsprozess automatisiert. Auch wenn Unternehmen versucht sein mögen, dem Beispiel der Technologieriesen zu folgen, wird hier möglicherweise nicht die erste Welle nachhaltiger Werte entstehen. In eineraktuellen Verbraucherumfrage von Bain gaben 76 % der Befragten an, dass sie sich bei der Nutzung agentenbasierter Systeme für Einkäufe nicht wohlfühlen würden – die meisten nannten Bedenken hinsichtlich Sicherheit und Datenschutz als Grund für ihre Zurückhaltung.

Kundenorientierte Kontexte sind für die derzeitigen Fähigkeiten von AI ungeeignet. Sie sind chaotisch und unvorhersehbar; die Eingaben sind unstrukturiert, Tonfall und Kontext ändern sich ständig, und Regulierungsbehörden und Verbraucher haben wenig Toleranz für Halluzinationen oder Fehler. Multi-Agenten-Systemekönnenein hohes Maß an Genauigkeit erreichen, aber dafür muss jeder einzelne Agent eher wie ein Kleinkind behandelt werden. Man würde ein Kleinkind nicht bitten, den Tisch für das Abendessen zu decken. Aber wenn man die Aufgabe aufteilt und es Schritt für Schritt anleitet – „zuerst stellst du einen Teller hin“, „jetzt legst du die Gabeln dazu“, „als Nächstes die Gläser“ –, kann das Kleinkind einen sinnvollen Beitrag leisten. Entscheidend ist auch, dass die Umgebung kontrolliert wird: keine lauten Geschwister, keine ablenkenden Haustiere und nur ein Elternteil, das Anweisungen gibt. Aber durch die Entwicklung von Multi-Agenten-Systemen, die so strukturiert sind, wie man einem Kleinkind Anweisungen gibt – die Aufgabe aufteilen, eine Aufgabe nach der anderen zuweisen, die Aufgaben auf ihre Genauigkeit überprüfen –, bauen wir bemerkenswert genaue Systeme auf.

Insbesondere werden diese Systeme häufig für Backend-Prozesse eingesetzt, bei denen Perfektion nicht unbedingt erforderlich ist, da ein Mensch in den Prozess eingebunden ist. Im Gegensatz dazu können Frontend-Experimente zwar inspirierend sein, aber sie sind wahrscheinlich nicht der erste Bereich, in dem ein echter Mehrwert für das Unternehmen geschaffen wird. Backend- und Betriebsprozesse sind ein fruchtbarer Boden, da sie strukturiert und repetitiv sind – und sich daher viel besser für die Automatisierung von Arbeitsabläufen eignen. Eng umgrenzte Aufgaben, klar definierte Umgebungen und strukturierte Eingaben können zu Projekten führen, die einen bedeutenden Beitrag leisten.

Aufbau von agentenbasierten Systemen auf Unternehmensebene

Auf Unternehmensebene ist die Konzeption dieser Systeme konzeptionell einfach, aber operativ anspruchsvoll. Als allgemeiner Rahmen für den Aufbau von Multi-Agenten-Systemen gilt Folgendes: 1) Eine Aufgabe wird an einen Router-Agenten wie Google ADK gesendet, der wie ein Elternteil, das ein Kleinkind anweist, die Aufgabe in Teilaufgaben unterteilt. 2) Die Unteraufgaben werden dann von einzelnen Aufgabenagenten ausgeführt, die einen kleineren Teil der Aufgabe erledigen, so wie ein Elternteil einem Kleinkind sagt, es solle die Gläser auf den Tisch stellen, und einem anderen, es solle die Gabeln auflegen. Danach 3) werden die Ergebnisse dieser Unteraufgaben von einem Validierungsagenten überprüft, und 4) wenn ein Fehler entdeckt wird, empfiehlt ein Verbesserungsagent eine Anpassung.

Ein schnell wachsendes Ökosystem aus Tools, Methoden und Dienstleistungen unterstützt diesen Ansatz, der sich hervorragend für Nicht-Kernprozesse eignet. Wenn Sie jedoch zu Kernprozessen übergehen, bei denen data und die Kontrolle über Halluzinationen unerlässlich sind, benötigen Sie individuell programmierte Agenten, eine tiefere Integration in Unternehmenssysteme sowie eine bessere Kontrolle und Schutzvorkehrungen.

Ein Fallbeispiel: Neugestaltung des Außendienstes

Zur Veranschaulichung betrachten wir ein Projekt, das wir mit einem großen europäischen Internetprovider durchgeführt haben. Unser Ziel war es, sowohl die Lösungszeit als auch die Kosten für Serviceeinsätze zu reduzieren. Die meisten Menschen haben schon einmal die Erfahrung gemacht, dass sie wegen einer unterbrochenen Verbindung den Helpdesk angerufen, Informationen mehrfach wiederholt und schließlich auf einen Techniker gewartet haben. Was hinter den Kulissen passiert (oder nicht passiert), ist aufschlussreich: Techniker kommen oft mit unvollständigen Informationen an und sind gezwungen, die Fehlerbehebung von Grund auf neu zu beginnen. Dies führt zu langen Ausfallzeiten – manchmal über einen Monat – und Tausenden von verschwendeten Arbeitsstunden.

Wir beschlossen, klein anzufangen. Wir konzentrierten uns darauf, ein System zu entwickeln, das Technikern dabei helfen sollte, ihre Aufgaben schneller und besser zu erledigen – ein Helfer im Prozess, kein eigenständiger Agent. Im Rahmen dieser Bemühungen haben wir data mehr als 15 Informationssystemen integriert und den Technikern eine Zusammenfassung der gemeldeten Fehler sowie eine Übersicht über die bereits versuchten Lösungen zur Verfügung gestellt. So erhielten sie einen Überblick über die Aufgabe – beispielsweise die Fehlerbehebung bei der Verbindung eines Kunden –, den sie auf dem Weg zum Einsatzort lesen oder anhören konnten. Auf diese Weise konnten sie sofort nach ihrer Ankunft mit der Fehlerbehebung beginnen und Zeit sparen, die sonst oft für die Einarbeitung in das Problem verschwendet wurde.

Als Nächstes entwickelten wir eine Funktion, die Empfehlungen für die nächstbeste Maßnahme zur Problemlösung generierte. Eine weitere Funktion umfasste eine dialogorientierte Schnittstelle, über die der Techniker die zugrunde liegenden IT-Systeme des Internetunternehmens in natürlicher Sprache abfragen konnte, um die Ursachen zu ermitteln. Schließlich haben wir viele einfache und sich wiederholende Aktionen automatisiert, z. B. die Korrektur von CRM-Datensätzen, wenn der falsche Haushalt verknüpft war, oder das Auslösen von Netzwerk-Resets, wenn ein Switch in der zentralen Nachbarschafts-Anschlussbox nicht richtig funktionierte. Dies sparte den Technikern enorm viel Zeit, da sie nicht mehr das interne Callcenter anrufen mussten, um Hilfe bei kleinen Änderungen zur Behebung des Problems zu erhalten.

Über einen Zeitraum von acht Monaten arbeiteten wir iterativ – wir kartierten Prozesse, behoben Schwachstellen und fügten Schritt für Schritt neue Funktionen hinzu, wobei wir wöchentlich Feedback von Außendiensttechnikern erhielten, die die tabletbasierte Lösung testeten.

Die Ergebnisse:

• 60 % Verkürzung der Lösungszeit
• Jährlich werden wiederkehrend mehr als eine Million Euro eingespart.
• Deutliche Verbesserung des CustomerNet Promoter Score

Aufgrund dieser Ergebnisse wollte der Kunde das Projekt auf sieben weitere Regionen ausweiten. Dies erforderte einen erheblichen Mehraufwand: Die Methodik und einige Agent-Komponenten waren zwar wiederverwendbar, aber jede Region verfügte über unterschiedliche IT-Systeme. Jede Einführung erforderte neue Integrationen und data . Die Erweiterung auf jede der sieben Regionen erforderte nur halb so viel Aufwand wie die ursprüngliche Einführung pro Region.

Die Herausforderungen bei der Implementierung von Multi-Agenten-Systemen

Wie oben dargestellt, können Multi-Agenten-Systeme erfolgreich einen echten Mehrwert schaffen, aber nur wenige sprechen über die tatsächliche Arbeit, die mit ihrer Implementierung verbunden ist. Mit welchen Realitäten und Hindernissen waren wir konfrontiert?

Schnelles Testen vs. Skalierung.

Haben wir es von Anfang an in einer schönen skalierbaren Architektur aufgebaut? So sehr wir das auch behaupten möchten, wäre es doch unmöglich gewesen. So wie Innovatoren iterativ die Produkt-Markt-Passung entdecken, entwickelten sich auch die Anwendungsfälle des Multi-Agenten-Systems und die Lösung iterativ, während wir uns in einem Zyklus schneller Experimente befanden. Daneben entwickelten sich auch die Technologie, die Methodik und die Dienstleistungen zum Aufbau dieser Systeme rasant weiter.

Wir haben nicht mit dem vollständigen System begonnen. Stattdessen haben wir mit einem LLM plus RAG als zentralem Bestandteil begonnen, um im Wesentlichen den ersten Anwendungsfall zu lösen. Während der Tests stellten wir fest, dass wir das System in kleinere Agenten mit spezialisierteren Aufgaben aufteilen mussten, um die Zuverlässigkeit zu erhöhen. Nach und nach entwickelte sich daraus ein vollständig agentenbasiertes System. Schließlich entwickelten wir ein hochzuverlässiges, funktionierendes System, das einen Mehrwert liefert. Mit diesem Wissen und den Ergebnissen, die wir jetzt haben, bauen wir es zu einer Architektur um, die viel robuster für die Skalierung anderer Teile des Unternehmens ist und leichter gewartet werden kann.

Problemzonen vs. Ursachen.

Als Faustregel haben wir festgestellt, dass Führungskräfte und mittlere Manager zwar ungefähr wissen, welche Prozesse viel Zeit oder Aufwand erfordern, aber nur unzureichende Kenntnisse darüber haben, wo die Komplexität und die Chancen liegen. Nur die Mitarbeiter vor Ort wissen das. Das bedeutet, dass Sie zwei Dinge tun müssen, bevor Sie wirklich mit dem Aufbau beginnen können: 1) sich ausreichend Zeit nehmen, um die Probleme aus der Perspektive der Führungskräfte zu verstehen, aber auch 2) mit den Mitarbeitern vor Ort darüber sprechen, was ihrer Meinung nach die Ursache für ein bestimmtes Problem ist.

Beispielsweise wiesen uns die Manager auf Teile des Prozesses hin, in denen Zeit oder Ressourcen verschwendet wurden (z. B. im Shared Service Center), und forderten uns auf, nach den richtigen „Wissenselementen” für den Bediener zu suchen, um ein Problem schneller zu lösen. Als wir jedoch begannen, direkt mit den Mitarbeitern zusammenzuarbeiten, stellten wir fest, dass die Hälfte der Mitarbeiter die „Wissenselemente” innerhalb von 10 Sekunden fand, während die andere Hälfte Minuten brauchte, um die gleichen Informationen zu finden, weil sie nicht gut darin waren, das System zu durchsuchen. Dies ist kein Problem, das agierende AI gut lösen AI – es ist eine Frage der Schulung. Wir stellten jedoch auch fest, dass Führungskräfte und Manager völlig übersehen hatten, dass die Mitarbeiter etwa 50 % ihrer Zeit damit verbringen, nach Kundenanrufen das CRM auszufüllen. Für einen Agenten ist dies ein gutes Problem, da er das Gespräch transkribieren und alle Informationen in die richtigen Felder eintragen kann, was den Prozess erheblich beschleunigt und data verbessert. Der Mitarbeiter muss nur noch überprüfen und auf „OK” klicken.

IT-Systeme bremsen Sie nicht aus – Menschen tun das.

Die aufwändigsten und komplexesten Teile unserer Arbeit bestanden darin, die richtigen Managementgespräche zu führen, Stakeholder zu überzeugen und Abhängigkeiten zu identifizieren und zu lösen, die aufgrund unserer Arbeit entstanden waren. Die Integration mit einem Dutzend IT-Systemen, damit die Lösung funktioniert, ist aus technologischer Sicht komplex, aber die eigentliche Herausforderung besteht darin, dass alle diese Systeme ihre eigenen Entwicklungsteams mit unterschiedlichen Zeitplänen, Prioritäten und Roadmaps haben. Die Bereitstellung von API-Endpunkten und deren Testen kann zwei Wochen Arbeit in Anspruch nehmen. Die Einarbeitung in die jeweiligen Roadmaps dieser Systeme dauerte viel, viel länger. Die meisten Teams, mit denen wir zusammenarbeiteten, stuften diese Arbeit mehrere Monate lang als weniger wichtig ein und behaupteten (aus ihrer Sicht wahrscheinlich zu Recht), dass sie wichtigere Aufgaben zu erledigen hätten, die Vorrang hätten.

Modelle können und werden halluzinieren.

Agenten sind noch recht instabil und können Halluzinationen haben, was strenge Sicherheitsvorkehrungen und Kontrollen in Form von LLM-as-a-judge (dem Validierungsagenten) erforderlich macht. Die Systemaufforderung des Agenten muss stark genug und dennoch leicht genug sein, damit der Agent Aufgaben ordnungsgemäß ausführen kann. Dies erfordert Nuancen, Zeit sowie data und data , damit diese agentenbasierten Systeme mit einer ausreichend hohen Zuverlässigkeit arbeiten, um sie in Ihrem Unternehmen einsetzen zu können. Mit anderen Worten: Gute Entwickler und Erfahrung im Geschäftsleben sind nach wie vor sehr wichtig.

Die neue Disziplin der agentenbasierten Transformation

Welche allgemeineren Lehren können wir aus diesem Fall ziehen? In vielerlei Hinsicht fühlt es sich an, als würde man Lean neu entdecken – die Arbeit von Grund auf neu gestalten. Der Unterschied besteht darin, dass die heutigen Tools wesentlich leistungsfähiger sind und nicht nur eine schrittweise Optimierung, sondern eine vollständige Neugestaltung der Prozesse ermöglichen, sogar abteilungsübergreifend.

Über data AI hinaus hängt der Erfolg von einer tiefgreifenden Prozesskompetenz ab – dem Verständnis des aktuellen Zustands, der Vorstellung des zukünftigen Zustands und der Umsetzung in kleine, umsetzbare Schritte. In diesem Sinne erleben wir die Rückkehr der„Lean Black Belts“, die diesmal jedoch durch generative AI unterstützt werden.

Die Arbeit ist detailliert und methodisch, nicht glamourös. Man muss Schritt für Schritt vorgehen. Der Ansatz basiert auf Methodik, nicht auf Magie. Jeder neue Geschäftsbereich erfordert eine neue Analyse und eine individuelle Anpassung.

Vollautonome Agenten sind noch in weiter Ferne. Derzeit ist es am effektivsten, wenn ein Mensch weiterhin involviert ist – dadurch wird der Bediener intelligenter, schneller und besser ausgestattet.

Der Fortschritt erfolgt zunächst schrittweise. Erst wenn die Kernsysteme miteinander verbunden sind und der Informationsfluss reibungslos funktioniert, lassen sich erhebliche Effizienzsteigerungen erzielen.

Die Technologie entwickelt sich auch schneller als Projekte. Die Tools, die wir vor acht Monaten verwendet haben, sind bereits veraltet. Deshalb konzentrieren wir uns auf Anwendungsfälle, die sich innerhalb eines Jahres amortisieren – bevor sich die zugrunde liegende Technologie verändert.

Noch wichtiger ist, dass Unternehmen interne Kompetenzen aufbauen müssen –data , data , AI und das, was manche heute als Kontextingenieure oder AI bezeichnen: Menschen, die Prozesse tiefgreifend verstehen und Transformationen in erreichbare Schritte unterteilen können. Der Aufbau dieser Kompetenzen als Unternehmen ermöglicht es Ihnen, neue agentenbasierte Workflows schneller zu entwickeln (im Zuge der technologischen Weiterentwicklung), was ein echtes Alleinstellungsmerkmal gegenüber der Konkurrenz sein kann.

Auch wenn diese Initiativen letztendlich in den normalen Geschäftsbetrieb integriert werden, ist es wichtig, sie mit einer starken Governance zu starten, die technische und geschäftliche Perspektiven vereint. Dieses Gleichgewicht ist es, das Experimente in Transformationen verwandelt.

Das kommende Jahrzehnt

Der Hype AIGen AImag die tatsächliche Verbreitung überholt haben, aber sein Potenzial ist real. Wie schon zuvor die Revolutionen durch das Internet und Smartphones wird auch dieser Plattformwechsel ganze Branchen umgestalten – nicht durch eine plötzliche Umwälzung, sondern durch jahrelange disziplinierte Neuerfindungen.

Die Organisationen, die erfolgreich sind, werden nicht nur Tools einsetzen, sondern auch die Fähigkeit entwickeln, sich mithilfe dieser Tools kontinuierlich neu zu erfinden.