Von statischen Modellen hin zu autonomen Agenten
Im Jahr 2026 AI der Schwerpunkt der AI von der grundlegenden Implementierung hin zur Skalierung autonomer Systeme verlagert. Gartner prognostiziert, dass bis 2028 ein Drittel aller generativen AI auf autonomen Agenten beruhen wird.
In der Ausgabe dieses Monats:
• Wir untersuchen, wie das Post-Memory-Training AI in die Lage versetzt, ihren eigenen kognitiven Zustand aktiv zu steuern, wodurch die Rechenkosten gesenkt werden, während die Genauigkeit größerer Modelle erreicht wird.
• Unser neues Whitepaper „People Analytics Beyond Turnover Prediction: Potential Applications of AI HR“ zeigt auf, wie HR-Führungskräfte autonome Agenten über den gesamten Mitarbeiterlebenszyklus hinweg einsetzen, um die Personalentwicklung zu personalisieren und Fehlzeiten zu prognostizieren – und damit weit über die einfache Vorhersage von Fluktuation hinausgehen.
• Wir erörtern den transformativen Einfluss AIauf die Fertigungsindustrie und heben hervor, dass vorausschauende Wartung Ausfallzeiten um 30 % reduzieren kann, vorausgesetzt, Unternehmen implementieren eine robuste operative Governance.
Teil I – Post-Memory-Training: TAgenten beibringen, sich zu erinnern, nicht nur abzurufen.
„In der Vergangenheit haben Unternehmen AI durch kostspielige Feinabstimmungen angepasst, die enorme Rechenleistung und spezialisierte Ingenieure erforderten“, erklärt Victor Coimbra, Partner und Leiter des Bereichs Data und IT Artefact.
Mit zunehmender Komplexität des Konversationskontexts steigen die Kosten quadratisch an, und die Modelle haben Schwierigkeiten, relevante Informationen zu behalten. Herkömmliche Lösungen wie „Retrieval-Augmented Generation“ oder heuristische Regeln greifen zu kurz , da sie sich auf semantische Ähnlichkeit oder starre, von Menschen entworfene Logik stützen.
Das Post-Memory-Training bietet eine leichter umsetzbare Alternative, bei der das Modell in der Nachtrainingsphase mithilfe von bestärkendem Lernen lernt, seinen eigenen kognitiven Zustand zu verwalten. Der Agent lernt durch Ausprobieren, wann er Informationen speichern, aktualisieren, löschen oder abrufen muss, um eine Aufgabe zu erfüllen.
„Diese Methode erfordert deutlich weniger Rechenleistung, sodass auch kleinere Organisationen hochfunktionale autonome Agenten entwickeln können“, erklärt Victor.
Zu den wichtigsten architektonischen Erkenntnissen gehören:
• Kleinere Modelle, die Post-Memory-Training nutzen, können die Genauigkeit wesentlich größerer Modelle erreichen oder sogar übertreffen und gleichzeitig die Latenz bei der Inferenz reduzieren.
• Agenten können eine konstante Speichergröße beibehalten, indem sie einen internen Zustand generieren und den vorherigen Kontext verwerfen.
• Spezielle Speicheroperationen ermöglichen es Modellen, umfangreiche Dokumente mit linearer Komplexität und minimalem Leistungsverlust zu verarbeiten.
Teil II – Vom Gedächtnis zur Navigation: Skalierung autonomer Agenten über das Abrufen hinaus.
Die jüngsten Fortschritte im Bereich des Post-Memory-Trainings und rekursiver Sprachmodelle bieten einen leicht zugänglichen Weg zur Skalierung autonomer AI . In der Vergangenheit waren Unternehmen auf kostspieliges Fine-Tuning oder starre RAG-Modelle angewiesen, um lange Kontexte zu verarbeiten. Heute ermöglicht das verstärkende Lernen den Modellen, ihren eigenen Speicherzustand aktiv zu verwalten, indem sie entscheiden, was gespeichert, gelöscht oder konsolidiert werden soll.
Darüber hinaus betrachten rekursive Sprachmodelle das Kontextmanagement nicht mehr als einfache Abrufaufgabe, sondern als Navigationsherausforderung. Anstatt data passiv zu empfangen, erkunden, filtern und lesen Agenten aktiv und selektiv umfangreiche externe Kontexte . Autonome AI setzen diese Konzepte in der Praxis um, senken dadurch die Rechenkosten erheblich und machen spezielles Fachwissen im Bereich des maschinellen Lernens überflüssig.
Wie Victor bemerkt: „Die Agenten, die sich in der Produktion durchsetzen werden, sind nicht diejenigen mit den größten Kontextfenstern oder den teuersten Modellen.“
• Agenten erlernen Speicherverwaltung durch Versuch und Irrtum, anstatt kostspielige Gewichtsanpassungen vorzunehmen.
• Modelle nutzen externes Wissen aktiv, anstatt sich auf passive semantische Ähnlichkeit zu verlassen.
• Diese Ansätze senken die Inferenzkosten und verhindern einen Zuverlässigkeitsverlust in erweiterten Arbeitsabläufen.
People Analytics jenseits der Fluktuationsprognose: Mögliche Anwendungsbereiche von AI Personalwesen.
Die Personalabteilung entwickelt sich von einer reaktiven Kostenstelle zu einem proaktiven Motor für den Unternehmenswert. Viele Unternehmen beschränken ihre data jedoch nach wie vor auf einfache Fluktuationsprognosen. Personalverantwortliche müssen den Schritt von passiven Dashboards hin zu aktiver Steuerung vollziehen, indem sie maschinelles Lernen, generative AI und autonome Agenten über den gesamten Mitarbeiterlebenszyklus hinweg integrieren, um Bedürfnisse zu antizipieren, die Personalentwicklung individuell anzupassen und die Mitarbeiterzufriedenheit zu optimieren, lange bevor die Mitarbeiterbindung zum Problem wird.
• Autonome AI ersetzen herkömmliche HR-Ticketingsysteme und ermöglichen es der Personalabteilung, nahtlose Karrierewege in großem Maßstab zu gestalten.
• In der Praxis lassen sich damit Fehlzeiten prognostizieren, um Kosten zu sparen, und menschliche Vorurteile umgehen, um vielfältige Führungstalente zu identifizieren und so finanzielle Erträge zu erzielen.
• AI erfolgreicher AI erfordert eine solide ethische Steuerung und strenge technische Sicherheitsvorkehrungen, um die Privatsphäre der Mitarbeiter zu schützen und das Vertrauen zu wahren.
AI Personalwesen wird oft auf ein einziges, bekanntes Szenario reduziert: die Vorhersage der Mitarbeiterfluktuation. Unternehmen, die über herkömmliche Modelle hinausgehen, verschaffen sich einen beispiellosen Wettbewerbsvorteil.“
Die AI Transformation industrieller Wertschöpfungsketten.
Alexandre Thion de la Chaume, Managing Partner und Global Lead Utilities & Industry Artefact, sowie Florence Bénézit, Partnerin und Global Lead Manufacturing, beleuchten die Herausforderungen der AI Industrie und Fertigung und die Voraussetzungen, die erfüllt sein müssen, damit AI einem echten Motor für Leistung, Innovation und Widerstandsfähigkeit wird.
Hersteller sehen sich mit steigenden Energiekosten, Störungen in der Lieferkette und strengen Nachhaltigkeitsanforderungen konfrontiert. Um sich darauf einzustellen, setzen Unternehmen AI ihres Betriebs ein, um komplexe Arbeitsabläufe zu automatisieren. AI genutzt werden, um die Nachfrage besser vorherzusagen und die Lieferkette darauf abzustimmen“, sagt Alexandre.
Trotz dieser Chancen stellen fragmentierte data strenge Sicherheitsanforderungen nach wie vor erhebliche Hürden dar. Der Erfolg erfordert eine solide Grundlage in Bezug auf data und operative Governance. Wie Florence betont: „Genauso wie wir heute data überwachen, müssen wir künftig auch die Qualität von AI überwachen.“
Wichtige Erkenntnisse aus ihrem Gespräch:
• Vorausschauende Wartung kann Wartungskosten und Ausfallzeiten um etwa 30 % senken.
• AI Automatisierung hat das Potenzial, Prozesslaufzeiten um 70–75 % zu verkürzen.
• Der Einsatz AI solide Governance-Rahmenbedingungen, um Innovation mit operativen Risiken und physischer Sicherheit in Einklang zu bringen.
Adopt AI : Entdecken Sie die Erkenntnisse der Ausgabe 2025.
Der in Zusammenarbeit mit dem Hub Institute erstellte Bericht „Adopt AI Grand Palais 2025“ fasst die wichtigsten Erkenntnisse aus den Diskussionen des vergangenen Jahres im Grand Palais zusammen.
Während AI von Pilotprojekten hin zum Einsatz im industriellen Maßstab AI , fasst der Bericht die Sichtweisen von CEOs, politischen Entscheidungsträgern und AI weltweit zusammen. Er bietet einen strukturierten Überblick darüber, wie Unternehmen ihre Ambitionen in konkrete Ergebnisse umsetzen können.
Lesen Sie den Bericht, um Ihr Unternehmen mit umsetzbaren Erkenntnissen und operativen Roadmaps auszustatten, die auf dem Gipfel vorgestellt wurden:
• Strategische Rahmenkonzepte für den Übergang vom Experimentieren zu messbarem Geschäftsnutzen.
• Branchen-Tiefeneinblicke mit konkreten AI aus 10 Branchen
• Eine Roadmap zur Souveränität, die sich mit Governance, Ethik und Infrastruktur in Europa befasst.
Merken Sie sich den Termin für den „Adopt AI Grand Palais Summit“ 2026 vor
am 3. und 4. Dezember in Paris!
