“Daten nicht nur sammeln, sondern Mitarbeitern zugänglich machen”

Schluss mit dem Bauchgefühl: In der Praxis ist dieses Ziel, Entscheidungen rational auf Basis von Daten zu treffen, schwieriger umzusetzen, als es in der Theorie klingt. Was sind Ihrer Meinung nach die größten Herausforderungen für Unternehmen bei der Verarbeitung und Nutzung ihrer Daten?

Sofiane Fessi: Tatsächlich stehen Unternehmen oft vor mehreren Herausforderungen, wenn es darum geht, datenbasierte Analysen in ihren täglichen Arbeitsprozessen umzusetzen. Eine der größten Hürden ist die Kluft zwischen den technischen Teams, die die Daten analysieren, und den Mitarbeitern sowie Führungskräften ohne spezifisches IT-Wissen, die die daraus gewonnenen Erkenntnisse nutzen sollen. Häufig werden die Ergebnisse in einer Form präsentiert, die für Nicht-Analytiker schwer verständlich ist. Zudem mangelt es vielen Unternehmen an der nötigen Infrastruktur, um Daten schnell und effizient zu verarbeiten. Infolgedessen beauftragen Unternehmen entweder langwierige Datenanalysen oder warten darauf, dass ein Analyst die gewünschten Informationen liefert. Das ist nicht nur kostspielig, sondern auch mühsam und ineffizient. Dagegen können Unternehmen deutlich schneller auf Trends, Kundenbedürfnisse und Marktentwicklungen reagieren, wenn Mitarbeitende relevante, datenbasierte Verläufe in Echtzeit, idealerweise visuell, einsehen können. Letztlich ist Datenverarbeitung jedoch nur der erste Schritt. Es geht nicht nur darum, Daten zu sammeln, sondern auch darum, mit Hilfe automatisierter Prozesse die Erkenntnisse, die in den Daten schlummern, den relevanten Mitarbeitenden transparent zugänglich zu machen. Erst dann kann man von der Demokratisierung von Daten sprechen.

Es ist eine Sache, Daten zu verarbeiten und Erkenntnisse daraus zu gewinnen. Aber KI-Agenten fungieren als Brücke zwischen den Nutzern und den Daten – wie funktioniert das in der Praxis?

Sofiane Fessi: Zunächst einmal ist es wichtig, den Begriff „KI-Agent“ zu definieren. Wenn wir von KI-Agenten sprechen, meinen wir in der Regel Systeme, die ein großes Sprachmodell (LLM) oder ein multimodales Modell im Kern haben. Ein multimodales Modell ist eine Art künstlicher Intelligenz, die mehrere Arten von Informationen gleichzeitig verarbeiten kann. Während ein typisches Sprachmodell wie GPT-3.5 oder GPT-4 nur Text versteht und generiert, sind multimodale Modelle in der Lage, sowohl Text als auch andere Medien wie Bilder, Audio oder Video zu interpretieren und zu generieren. Man kann sich solche Agenten ähnlich wie Chatbots vorstellen, jedoch mit zusätzlicher Software ausgestattet, die ihre Funktionalität erweitert. Mit „zusätzlicher Software“ sind spezialisierte Programme und Werkzeuge gemeint, die die Funktionalität von KI-Agenten erweitern. Zu dieser Software gehören zum Beispiel Datenverarbeitungstools, die es den Agenten ermöglichen, Informationen aus verschiedenen Quellen zu sammeln und zu bereinigen, sowie analytische Algorithmen, die tiefere Einblicke in die Daten bieten. Wo KI-Agenten ins Spiel kommen, ist die Überbrückung der Kluft zwischen Analyse und der anschließenden Durchführung der relevanten Aufgaben basierend auf den Erkenntnissen aus den Daten. Sie fungieren als leistungsstarke Werkzeuge für sowohl die Analyse als auch die operative Umsetzung. KI-Agenten können Datenanalysen automatisieren, vereinfachen und beschleunigen und Ergebnisse in Echtzeit liefern. Sie sind in der Lage, große Datenmengen schnell zu verarbeiten und klare, umsetzbare Empfehlungen zu geben.

Haben Sie ein typisches Beispiel?

Sofiane Fessi: Auf den ersten Blick ersichtlich ist der Mehrwert von KI-Agenten etwa in der Kundenbetreuung. Hier übernehmen sie in Form von Chatbots oder virtuellen Assistenten die Beantwortung gängiger Anfragen und verkürzen so Bearbeitungszeiten. Ein KI-Agent im Kundenservice kann nicht nur Kundenanfragen beantworten, sondern auch bei der Sendungsverfolgung, der grundlegenden Fehlerbehebung oder Aufgaben im Kontomanagement unterstützen. Oft kommen KI-Agenten auch in der Logistik zum Einsatz. Dort überwachen sie Lagerbestände in Echtzeit und passen automatisch Bestellungen, um eine reibungslose Lieferkette sicherzustellen.

Im Unternehmensalltag stehen Mitarbeitende oft aber vor kleinteiligeren Aufgaben. In welcher Form helfen KI-Agenten auch bei Routine-Tätigkeiten der Teams und Mitarbeitenden?

Sofiane Fessi: Mikroautomatisierungen sind ein wichtiger Bestandteil der aktuellen Entwicklungen. KI-Agenten können viele kleine, repetitive Aufgaben automatisieren, was Mitarbeitende entlastet. Im Büroalltag könnten Agenten beispielsweise E-Mail-Anfragen analysieren, nach Priorität sortieren und Antwortvorschläge vorbereiten. In der Verwaltung könnten sie Bestandsdaten automatisch aktualisieren oder Termine planen. Solche kleinen Automatisierungen sparen Zeit und sorgen dafür, dass sich Mitarbeitende auf strategischere Aufgaben konzentrieren können.

Das hört sich fast so an, als ob wir durch die aktuellen KI-Agenten tatsächlich einen großen Schritt weiter gekommen sind im Vergleich zu herkömmlichen KI-Tools. Was macht die neue Generation so besonders?

Sofiane Fessi: Die heutige Generation von KI-Agenten ist viel flexibler und vielseitiger als frühere Tools. Während ältere Systeme oft nur für spezifische Aufgaben wie Texterkennung oder einfache Interaktionen genutzt wurden, können moderne Agenten vielfältige Aufgaben übernehmen und mit unterschiedlichen Eingaben umgehen – sei es Text, Sprache oder Bild. Das macht sie nicht nur für den Kundenservice interessant, sondern auch für Bereiche wie Buchhaltung, Logistik und Produktion. Vor allem aber verhindert es, dass Mitarbeitende sich für jeden einzelnen Anwendungsfall wieder neue Expertise für ein neues System aneignen müssen.

Und was ist der nächste Schritt? So werden in Zukunft KI-gestützte Entscheidungssysteme erwartet, die Unternehmen sofortige, jederzeit verfügbare Einsichten bieten…

Sofiane Fessi: Ja, das ist keine Utopie, sondern ein realistisches Szenario. Ein KI-gestützter Entscheidungsprozess ermöglicht es Unternehmen, sofortigen Zugriff auf relevante Einblicke und Empfehlungen zu erhalten, ohne dass ein Analyst jeden Bericht manuell erstellen muss. In der Praxis könnte ein Entscheidungsträger etwa in der Lage sein, eine Frage direkt an den KI-Agenten zu richten – zum Beispiel, ‚Welche Produktlinie verzeichnet diesen Monat die stärkste Nachfrage?‘. Der KI-Agent verarbeitet diese Anfrage sofort und liefert eine umfassende Antwort auf Basis der aktuellen Daten. Diese Technologie kann bereits von Unternehmen genutzt werden.

Das bringt drei zentrale Vorteile mit sich: Schnelligkeit, Genauigkeit und Kosten. Da diese Systeme rund um die Uhr verfügbar sind und ohne Verzögerung auf aktuelle Daten zugreifen können, erhalten Mitarbeitende auch ohne IT-Kenntnisse jederzeit die relevanten Informationen. Das beschleunigt den gesamten Entscheidungsprozess erheblich und erhöht die Agilität im Unternehmen. Besonders in schnelllebigen Märkten ist dies ein großer Wettbewerbsvorteil. Jenseits dessen rentieren sich solche Systeme auch, vorausgesetzt sie werden effektiv in einer kontrollierten, zentralisierten Umgebung implementiert.

Herr Fessi, die Vorteile von KI-Agenten liegen auf der Hand, aber nur wenige Unternehmen setzen sie bisher ein. Bleibt die Frage: Warum setzen bislang so wenige Unternehmen diese Technologie ein? Welche technischen Voraussetzungen und organisatorischen Maßnahmen sind notwendig, um KI-Agenten erfolgreich zu integrieren und ihre Nutzung zu skalieren?“

Sofiane Fessi: Um KI-Agenten in großem Maßstab in Organisationen einzusetzen, sind mehrere technische und organisatorische Voraussetzungen zu erfüllen, und es gibt verschiedene Hindernisse, die viele Unternehmen daran hindern, dies erfolgreich umzusetzen. Wie bereits erwähnt, benötigen KI-Agenten eine robuste Infrastruktur, die große Datenmengen verarbeiten kann. Oft ist dafür eine Cloud-Umgebung notwendig, die Speicher, Sicherheit und Rechenleistung flexibel bereitstellt. Zudem stellt die Integration in bestehende Systeme eine Herausforderung dar, da Unternehmen meist eine Vielzahl an Plattformen nutzen, einschließlich älterer, inkompatibler Systeme. Darüber hinaus sind Data Governance und die Qualität der Daten entscheidende Faktoren. KI-Agenten erfordern hochwertige, gut aufbereitete und aktuelle Daten, um verlässliche Ergebnisse zu liefern. Ohne eine durchdachte Datenstrategie besteht das Risiko, dass ungenaue oder veraltete Informationen die Entscheidungsqualität beeinflussen. Zudem kommt die technische Herausforderung der Skalierbarkeit hinzu: Je größer das Unternehmen, desto mehr Rechenleistung und Speicherplatz werden benötigt, um eine wachsende Anzahl an Abfragen in Echtzeit zu beantworten. Ein weiteres Hindernis ist das Thema Sicherheit und Datenschutz. Besonders in regulierten Branchen müssen Unternehmen sicherstellen, dass der Einsatz von KI-Systemen mit den geltenden Vorschriften konform ist, was zusätzliche Investitionen in Sicherheits- und Compliance-Frameworks erfordert. Zusätzlich fehlen oft die internen Kompetenzen und das Know-how, um KI-Agenten effizient zu implementieren und zu warten. Der Aufbau spezialisierter Teams für die Entwicklung, den Betrieb und die Optimierung solcher Systeme ist kostspielig und zeitintensiv. Diese Hürden erklären, warum viele Unternehmen zwar die Vorteile von KI-Agenten erkennen, aber noch zögern, in diese Technologie in großem Maßstab zu investieren. Schließlich ist der Aspekt der Kostenkontrolle ein entscheidender Faktor. Es gibt Tools und Techniken, die den Aufbau von KI-Agenten in großem Maßstab auf kosteneffiziente Weise ermöglichen. Doch Unternehmen wissen oft nicht, welche sie wählen sollen, was die Unsicherheit über die Produktionskosten von KI-Agenten nicht gerade mindert.

Sie haben die Fähigkeit von KI-Agenten angesprochen, Entscheider:innen in Echtzeit zu unterstützen. Inwiefern glauben Sie, dass der Einsatz von Large Language Models als Schlüsseltechnologie dazu beitragen kann, diese Unterstützung zu optimieren?

Sofiane Fessi: Ein vielversprechender Ausblick zeigt KI-Entscheidungssysteme, die auf der Basis mehrerer KI-Modelle arbeiten, um unternehmensspezifische Fragen präzise zu interpretieren. Der Einsatz eines optimierten LLM (Large Language Model), das auf die firmeneigenen Daten trainiert wurde, wäre der einzige gangbare Weg, um die Genauigkeit der Antworten zu erhöhen und wirklich differenzierende sowie geschäftswertschaffende Erkenntnisse zu generieren, die für ein spezifisches Unternehmen oder eine Branche relevant sind. LLMs ermöglichen es KI-Agenten, komplexe Anfragen zu verstehen und relevante Informationen in Echtzeit bereitzustellen, wodurch die Qualität der Antworten verbessert wird. Darüber hinaus spielen proprietäre, prädiktive Machine-Learning-Modelle eine zentrale Rolle: Durch kontinuierliches Training durch den Agenten können sie Muster in den Daten erkennen und präzise Vorhersagen treffen. Diese prädiktiven Erkenntnisse sind besonders wertvoll für die strategische Planung eines Unternehmens, da sie Führungskräfte dabei unterstützen, fundierte Entscheidungen für die Zukunft zu treffen und flexibel auf Marktveränderungen zu reagieren.