Lesen Sie den Artikel auf<\/u><\/p>\n<\/div> Auch die Akzeptanz bei den Verbrauchern ist noch relativ gering. Trotz der Verwendung von Worten wie \u201cRevolution\u201d,\"\u00a0data zeigt<\/a>\u00a0dass die meisten Nutzer eher w\u00f6chentlich als t\u00e4glich zugreifen, anders als bei der h\u00e4ufigeren Nutzung von sozialen Netzwerken oder Plattformen wie Google. Das deutet darauf hin, dass die KI-Generation noch nicht zu einer echten Verbrauchergewohnheit geworden ist. Die Menschen nutzen sie gelegentlich - manchmal sogar intensiv - aber sie ist noch nicht zu einem festen Bestandteil des t\u00e4glichen Lebens geworden. Mit anderen Worten: Der Hype ist der Realit\u00e4t noch voraus.<\/p>\n Trotz dieser reports glauben wir, dass die Gen-KI eine grundlegende Ver\u00e4nderung in der gleichen Gr\u00f6\u00dfenordnung wie das Internet oder das Smartphone darstellt. Das Internet hat uns etwa zwei Jahrzehnte der Innovation und des Aufbaus von Unternehmen beschert. Die Smartphone-Revolution sorgte 15 Jahre lang f\u00fcr ein Wachstum, das durch mobile Apps angeheizt wurde. Wir glauben, dass die Gen-KI eine \u00e4hnliche \u00c4ra des Wandels einleiten wird - vielleicht ein Jahrzehnt oder mehr der neuen Wertsch\u00f6pfung.<\/p>\n Ein solches Muster ist bei neuen Technologien \u00fcblich (\u00fcberm\u00e4\u00dfiger Optimismus, gefolgt von Ern\u00fcchterung und dann echter Wertsch\u00f6pfung, oft artikuliert durch\u00a0der Gartner-Hype-Zyklus<\/a>). Unserer Ansicht nach \u00fcbertreiben viele der f\u00fchrenden KI-Bef\u00fcrworter, wenn sie k\u00fchne Behauptungen aufstellen, dass ganze Bereiche der Wirtschaft in K\u00fcrze durch KI ersetzt werden. Das liegt daran, dass echte, funktionierende KI in etablierten Unternehmen harte Arbeit ist: Sie erfordert eine relativ saubere data, Prozessabbildung und tiefgreifende Experimente - und selbst dann ist oft ein Mensch in der Schleife erforderlich. Wir sehen jedoch echte Fortschritte hinter den Kulissen, die darauf hindeuten, dass der Einsatz von Multi-Agenten-Systemen zur Automatisierung und Ersetzung sich wiederholender Aufgaben zu einem l\u00e4ngeren, grundlegenderen Anstieg der Produktivit\u00e4t f\u00fchren kann.<\/p>\n Wir sind der Meinung, dass F\u00fchrungskr\u00e4fte nicht versuchen sollten, zu erraten, was in 10 Jahren passieren wird. Stattdessen sollten sie sich fragen, was sie in den n\u00e4chsten zwei Jahren realistischerweise erreichen k\u00f6nnen. Ausgehend von den Projekten, die wir seit Ende 2024 durchgef\u00fchrt haben, erweist sich die agentenbasierte KI als echter Game Changer (zumindest kurzfristig), der den Unternehmen einen echten Mehrwert bietet. Die Realit\u00e4t ist auch, dass die finanziellen Gewinne pro Projekt gut sind, aber keines davon ist atemberaubend. Diese inkrementellen Gewinne sind vergleichbar mit Lean, ein Vergleich, den Microsoft CEO\u00a0Satya Nadella hat auch die<\/a>.<\/p>\n Auf der Grundlage unserer Arbeit an einem Portfolio von Projekten, die erfolgreich agentenbasierte KI-Systeme implementieren, haben wir festgestellt, dass es f\u00fcr den Erfolg mit dieser Technologie erforderlich ist, den Hype zu durchbrechen, zu verstehen, was die Technologie leisten kann, und diese F\u00e4higkeit mit klaren Wertsch\u00f6pfungsm\u00f6glichkeiten abzugleichen. Au\u00dferdem ist ein praktischer Ansatz zum Experimentieren und Lernen bei der Implementierung von Multi-Agenten-Systemen erforderlich.<\/p>\n In den letzten Jahren hat sich die Reife der KI-Technologie in mindestens drei verschiedenen Phasen rasant weiterentwickelt:<\/p>\n In diesem Herbst gab es eine Explosion von kommerziellen Initiativen im Bereich der Agententechnik. OpenAI startete\u00a0Partnerschaften mit Stripe und Shopify<\/a>.\u00a0Google k\u00fcndigte sein Agent Payment Protocol an<\/a>, die den Kauf- und Transaktionsprozess automatisiert. Auch wenn die Unternehmen versucht sein m\u00f6gen, dem Beispiel der Tech-Giganten zu folgen, ist dies m\u00f6glicherweise nicht der Ort, an dem die erste Welle nachhaltiger Werte entstehen wird. In einem\u00a0aktuelle Bain-Umfrage unter Verbrauchern<\/a>, 76% gaben an, dass sie sich nicht wohl dabei f\u00fchlen w\u00fcrden, Agentensysteme f\u00fcr Eink\u00e4ufe zu nutzen - die meisten nannten Bedenken bez\u00fcglich Sicherheit und Datenschutz als Grund f\u00fcr ihre Zur\u00fcckhaltung.<\/p>\n Kontexte mit Kundenkontakt passen schlecht zu den aktuellen F\u00e4higkeiten von KI-Agenten. Sie sind chaotisch und unvorhersehbar. Die Eingaben sind unstrukturiert, der Ton und der Kontext \u00e4ndern sich st\u00e4ndig, und Regulierungsbeh\u00f6rden und Verbraucher haben wenig Toleranz f\u00fcr Halluzinationen oder Fehler. Multi-Agenten-Systeme\u00a0kann<\/em>\u00a0ein hohes Ma\u00df an Genauigkeit erreichen, aber dazu muss jeder einzelne Agent wie ein Kleinkind behandelt werden. Sie w\u00fcrden ein Kleinkind nicht bitten, den Tisch zu decken. Aber wenn Sie die Aufgabe aufteilen und es Schritt f\u00fcr Schritt anleiten - \u201czuerst einen Teller abstellen\u201d, \u201cjetzt die Gabeln dazulegen\u201d, \u201cals n\u00e4chstes die Gl\u00e4ser\u201d - kann das Kleinkind einen sinnvollen Beitrag leisten. Entscheidend ist auch, dass die Umgebung kontrolliert wird: keine l\u00e4rmenden Geschwister, keine ablenkenden Haustiere und nur ein Elternteil, der Anweisungen gibt. Aber durch die Entwicklung von Multi-Agenten-Systemen, die so strukturiert sind, wie Sie einem Kleinkind Anweisungen geben - die Aufgabe aufteilen, eine Aufgabe nach der anderen geben, die Aufgaben auf ihre Genauigkeit \u00fcberpr\u00fcfen - bauen wir bemerkenswert genaue Systeme.<\/p>\n Vor allem sind diese Systeme oft f\u00fcr Backend-Prozesse gedacht, bei denen Perfektion nicht unbedingt erforderlich ist, weil Sie einen Menschen in der Schleife haben. Im Gegensatz dazu k\u00f6nnen Front-End-Experimente zwar inspirierend sein, aber es ist unwahrscheinlich, dass sie der erste Bereich sind, in dem ein echter Unternehmenswert geschaffen wird. Backend- und Betriebsprozesse sind ein fruchtbarer Boden, weil sie strukturiert und repetitiv sind - viel besser geeignet f\u00fcr die Automatisierung von Arbeitsabl\u00e4ufen durch Agenten. Eng umrissene Aufgaben, klar definierte Umgebungen und strukturierte Eingaben k\u00f6nnen Projekte hervorbringen, die einen sinnvollen Beitrag leisten.<\/p>\n Im Unternehmensma\u00dfstab ist die Entwicklung dieser Systeme konzeptionell einfach, aber operativ anspruchsvoll. Als allgemeiner Rahmen f\u00fcr den Aufbau von Multiagentensystemen wird 1) eine Aufgabe an einen Router-Agenten wie Google ADK gesendet, der, wie ein Elternteil, der ein Kleinkind anweist, die Aufgabe in Teilaufgaben aufteilt; 2) die Teilaufgaben werden dann von einzelnen Aufgabenagenten erledigt, die einen kleineren Teil der Aufgabe erledigen, wie der Elternteil, der einem Kleinkind sagt, es solle die Gl\u00e4ser auf den Tisch stellen und einem anderen, es solle die Gabeln aufstellen; wonach 3) die Ergebnisse dieser Teilaufgaben von einem Validierungsagenten \u00fcberpr\u00fcft werden; und 4) wenn ein Fehler entdeckt wird, empfiehlt ein Verbesserungsagent eine Anpassung.<\/p>\n Ein schnell wachsendes \u00d6kosystem von Tools, Methoden und Diensten unterst\u00fctzt diesen Ansatz, und diese sind f\u00fcr Nicht-Kernprozesse hervorragend geeignet. Wenn Sie jedoch in den Kernbereich vordringen - wo data-Integrit\u00e4t und Kontrolle \u00fcber Halluzinationen unerl\u00e4sslich sind - brauchen Sie ma\u00dfgeschneiderte Agenten, eine tiefere Integration in die Unternehmenssysteme und eine bessere Kontrolle und Leitplanken.<\/p>\n Nehmen wir zur Veranschaulichung ein Projekt, das wir mit einem gro\u00dfen europ\u00e4ischen Internetanbieter durchgef\u00fchrt haben. Unser Ziel war es, sowohl die L\u00f6sungszeit als auch die Kosten f\u00fcr die Behebung von Serviceanfragen zu senken. Die meisten Menschen haben schon einmal wegen einer unterbrochenen Verbindung beim Helpdesk angerufen, Informationen mehrfach wiederholt und schlie\u00dflich auf einen Techniker gewartet. Was hinter den Kulissen passiert (oder nicht passiert), ist aufschlussreich: Techniker kommen oft mit unvollst\u00e4ndigem Kontext an und sind gezwungen, das Problem von Grund auf zu l\u00f6sen. Dies f\u00fchrt zu langen Ausfallzeiten - manchmal \u00fcber einen Monat - und Tausenden von verschwendeten Arbeitsstunden.<\/p>\n Wir beschlossen, klein anzufangen. Wir konzentrierten uns auf den Aufbau eines Systems, das den Technikern helfen sollte, ihre Aufgaben schneller und besser zu erledigen - ein Helfer im Prozess, kein eigenst\u00e4ndiger Agent. Im Rahmen dieser Bem\u00fchungen integrierten wir data aus mehr als 15 Informationssystemen, so dass die Techniker einen \u00dcberblick \u00fcber die gemeldeten Fehler und die bereits ausprobierten L\u00f6sungen erhielten. So erhielten sie einen \u00dcberblick \u00fcber die Aufgabe - z. B. die Fehlerbehebung bei der Verbindung eines Kunden -, den sie auf dem Weg zum Einsatz lesen oder anh\u00f6ren konnten. Auf diese Weise konnten sie sofort nach ihrer Ankunft mit der L\u00f6sung des Problems beginnen, was Zeit sparte, die oft mit der Einarbeitung in das Problem verschwendet wurde.<\/p>\n Als N\u00e4chstes entwickelten wir eine Funktion, die Empfehlungen f\u00fcr die n\u00e4chstbeste Aktion zur L\u00f6sung des Problems generierte. Eine weitere Funktion umfasste eine Konversationsschnittstelle, die es dem Techniker erm\u00f6glichte, die zugrunde liegenden IT-Systeme des Internetunternehmens in nat\u00fcrlicher Sprache abzufragen, um die Grundursachen zu finden. Schlie\u00dflich automatisierten wir viele einfache und sich wiederholende Aktionen: z.B. die Korrektur von CRM-Datens\u00e4tzen, wenn ein falscher Haushalt verkn\u00fcpft war, oder das Ausl\u00f6sen von Netzwerk-Resets, wenn ein Schalter in der zentralen Nachbarschaftsanschlussdose nicht funktionierte. Dadurch sparten die Techniker immens viel Zeit, denn sie mussten nicht mehr das interne Callcenter anrufen, um mit kleinen \u00c4nderungen die Fehler zu beheben.<\/p>\n Im Laufe von acht Monaten arbeiteten wir iterativ - wir bildeten Prozesse ab, behoben Schwachstellen und f\u00fcgten Schritt f\u00fcr Schritt neue Funktionen hinzu, wobei wir w\u00f6chentlich Feedback von Technikern erhielten, die die Tablet-basierte L\u00f6sung testeten.<\/p>\n Die Ergebnisse:<\/p>\n![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/03\/hbr_primary_outline_blk_rgb.jpg\")
Der Aufstieg des agentenbasierten Workflow-Paradigmas<\/h2>\n
\n
Aufbau agentischer Systeme auf Unternehmensebene<\/h2>\n
Ein Fallbeispiel: Den Au\u00dfendienst neu erfinden<\/h2>\n