PODCAST
Wo autonome KI echten Mehrwert schafft und wie Unternehmen sinnvoll starten

TRANSKRIPT

Braucht wirklich jeder AI Agents?

Andreas:
Hallo zusammen zu unserem Podcast AI or Die. Heute wollen wir über die Grenzen von Agents sprechen.

Wir kennen es alle: Gerade will gefühlt jeder einen AI Agent haben. Viele Agenten funktionieren auch wirklich gut, darüber sprechen wir natürlich auch. Aber wir wollen heute auch darauf schauen, wo es Grenzen gibt. Wo ist vielleicht gar kein Agent nötig? Wo ist vielleicht gar kein Agent der richtige Ansatz, obwohl man trotzdem produktiv sehr schnell etwas bewegen kann?

Darum geht es heute. Christian, schön, dass du dabei bist. Erzähl doch mal: Wie sieht es momentan bei euren Kunden aus? Wie nimmst du den Markt rund um das Agent-Thema wahr?

Warum Agenten aktuell das große Hype-Thema sind

Christian:
Hi Andreas. Ja, wie nehme ich das wahr? Das Thema ist natürlich in aller Munde. Es ist gerade das Hype-Thema. Es reicht nicht mehr, einfach nur zu sagen: „Wir wollen etwas mit KI machen.“ Viele wollen heute direkt ein Agentic System.

Und natürlich haben wir das auch schon bei vielen Kunden umgesetzt. Es gibt wirklich starke Anwendungsfälle aus der Praxis, bei denen ich sagen würde: Genau dort sind Agentic Systems extrem wertvoll. Wenn du ein System hast, das ein Stück weit mitdenkt und selbst Entscheidungen vorbereitet oder trifft, können daraus ganz neue Möglichkeiten entstehen.

Ein Beispiel aus der Praxis ist ein Vertriebsagent, den wir mit einem Manufacturing-Unternehmen umgesetzt haben. Dort kann ein Agent neue Zielkunden recherchieren. Wenn ein Unternehmen zum Beispiel bestimmte Fachkräfte sucht oder mit bestimmten Maschinentypen arbeitet, kann das ein Hinweis darauf sein, dass dieses Unternehmen einen konkreten Bedarf hat. Ein Agent kann solche Informationen erkennen, Webseiten analysieren, Gesprächsvorbereitungen erstellen und mögliche Cross-Selling-Potenziale sichtbar machen.

Ich würde lügen, wenn ich sagen würde, dass wir solche Ansätze nicht auch selbst für uns nutzen.

Ein ähnliches Prinzip lässt sich im Einkauf einsetzen. Dort kann ein Agent Lieferanteninformationen überwachen, alternative Lieferanten recherchieren, Preise vergleichen und Handlungsempfehlungen vorbereiten. Das sind Aufgaben, die sonst häufig händisch erledigt werden, sehr viel Zeit kosten und Mitarbeitende von wertvolleren Tätigkeiten abhalten.

Serviceagenten kennt inzwischen auch fast jeder. Wenn man irgendwo ein Ticket erstellt oder mit einem Chatbot im Kundenservice spricht, begegnet man solchen Systemen bereits. Ehrlicherweise würde man sich manchmal noch lieber einen Menschen wünschen, weil die Ergebnisse nicht immer überzeugen. Aber intern kann das sehr sinnvoll sein, zum Beispiel für die IT-Dokumentation. Ein Self-Service-Portal mit einem Agenten kann Mitarbeitenden erste Hilfestellungen geben, Dokumentationen durchsuchen und mögliche Lösungswege vorschlagen, bevor ein IT-Mitarbeiter eingebunden werden muss.

Auch im HR-Bereich gibt es Möglichkeiten, wobei man dort sehr vorsichtig sein muss. Themen wie Diskriminierung und faire Bewertung müssen unbedingt beachtet werden. Aber Unterstützung bei Stellenanzeigen, bei der Vorauswertung von Bewerbungen oder bei der Planung von Interviewterminen kann sehr hilfreich sein. Ein Agent kann zum Beispiel Kalender vergleichen und optimale Slots für Gespräche vorschlagen.

Und dann natürlich Reporting. Da kommen wir alle her. Gerade im Reporting gibt es sehr viele Möglichkeiten, mit Agenten zu arbeiten. KPIs analysieren, Auffälligkeiten in Reports erkennen und am Ende nicht mehr selbst ein Dashboard in eine PowerPoint-Folie übertragen müssen, sondern auf Knopfdruck eine Management Summary erhalten. Vielleicht sogar direkt abrufbar durch das Management.

Bei unseren Kunden sehen wir also sehr viel Bedarf, viele Möglichkeiten und viele spannende Projekte. 

Die technische Perspektive: Warum wir auch über Grenzen sprechen müssen

Andreas:
Wir beide haben auf das Thema oft eine gewisse Helikopterperspektive. Wir schauen von oben drauf und sagen: Das sind Einsatzbereiche, da gibt es Möglichkeiten, darüber müssen wir sprechen. In diesem Podcast bringen wir viele Beispiele dafür, wie Agentic AI funktionieren kann und welche Probleme man damit lösen kann.

Worüber wir aber noch zu wenig sprechen, sind die Grenzen von Agentic AI.

Deswegen hast du gesagt: Nico, komm doch mal dazu und erzähl aus der Praxis. Wie sieht es wirklich aus, wenn man an der Front arbeitet und mit einer technischen Brille auf das Thema schaut?

Aus Fachbereichs- oder BWL-Sicht denkt man schnell: Wir können Mitarbeitende befähigen, wir können mehr Aufgaben gleichzeitig bearbeiten, wir können uns stärker um strategische Themen kümmern und müssen operative Arbeit reduzieren.

Aber was nimmst du im Markt wahr, Nico, wenn bei Kunden das Thema Agentic AI aufkommt? 

Der größte Irrtum: Nicht jedes Problem braucht einen Agenten

Nico:
Hallo zusammen. Was wir sehr häufig erleben, ist Folgendes: Wir bekommen eine Anfrage oder sind mit Kunden im Gespräch, und dann heißt es: „Agenten sind cool, das ist gerade das große Ding. Wir wollen auch etwas mit Agenten machen.“

Das ist erst einmal valide. Man will die Technik ausprobieren und kennenlernen.

Oder es gibt bereits einen Use Case, und der Kunde schlägt direkt vor, diesen mit Agenten umzusetzen. Das ist fast schon der Klassiker.

Wenn man einfach einmal etwas ausprobieren möchte, ist das auch eine gute Gelegenheit. Da findet man meistens schöne Beispiele. Aber Agenten nur deshalb einzusetzen, weil sie gerade im Hype sind, ist nicht immer die beste Lösung.

Es gibt weiterhin klassische Verfahren, die ihren Wert haben. Ein normales Machine-Learning-Modell kann die richtige Lösung sein. Oder eine Automatisierung, wie man sie seit Jahrzehnten kennt, bei der Abläufe klar programmiert werden.

Diese Ansätze sind nicht plötzlich wertlos, nur weil Agenten jetzt das große Thema sind. Und man kann sie natürlich auch mit modernen Methoden erweitern. Wenn Sprache verarbeitet werden muss, kann man zum Beispiel ein LLM ergänzen. Im Kern bleibt der Ansatz aber möglicherweise derselbe wie früher. Er kann nur etwas mehr.

In Fällen, in denen man keinen Agenten braucht, kann man damit Kosten sparen, bestimmte Probleme umgehen und trotzdem das gleiche Ziel erreichen, ohne einen großen Agenten mit all seinen Vor- und Nachteilen einzusetzen. 

KI, Machine Learning, LLMs und Agenten verständlich erklärt

Andreas:
Jetzt sagst du so nebenbei: ein normales LLM, ein normaler Anwendungsfall, ein Case, wie wir ihn seit zehn Jahren machen.

Ich möchte deinen technischen Ehrgeiz gar nicht schmälern. Ihr seid bei Five1 oft vorne dabei und setzt Dinge um, die technisch wirklich anspruchsvoll sind. Aber es gibt sicherlich genug Zuhörerinnen und Zuhörer, die sagen: Moment, AI Agent, AI, LLM und Machine Learning sind also unterschiedliche Dinge?

Kannst du das noch einmal einordnen? Was ist was? Wofür kann man was nutzen? Und warum sind Agents nicht automatisch die allgemeine Lösung?

Nico:
Die Entwicklung war in den letzten Jahren extrem schnell. Da wurden sicherlich viele Menschen abgehängt, die gar nicht mehr genau wissen, was gerade Stand der Technik ist.

Ich würde ganz am Anfang starten. Seit Jahrzehnten gibt es normale Programmierung. Damit kann man Automatisierung umsetzen. Man programmiert zum Beispiel eine Heuristik. Aufgaben werden nacheinander abgearbeitet: A, B, C. Es gibt Regeln und Entscheidungspunkte. Wenn etwas eintritt, passiert das eine. Wenn etwas anderes eintritt, passiert etwas anderes.

Das funktioniert sehr gut, ist aber noch keine KI. Das ist normale Programmierung.

KI ist ein Überbegriff, der viele verschiedene Ansätze umfasst. Dazu gehören zum Beispiel Machine-Learning-Modelle, die es schon seit den 1950er- und 1960er-Jahren gibt. Auch statistische Modelle sind in diesem Kontext relevant und teilweise schon sehr alt.

Später kamen neuronale Netze und Deep Learning dazu. Auch das ist als Verfahren nicht ganz neu, hatte aber vor ungefähr zehn Jahren den großen Durchbruch. Darauf bauen wiederum viele neuere Methoden auf, unter anderem große Sprachmodelle.

Sprachmodelle haben ihren Durchbruch geschafft, und im Zuge dessen sind auch Agentensysteme stärker in den Fokus gerückt. Sie setzen noch einmal etwas darauf auf.

Kurz gesagt: KI ist der Oberbegriff. Machine Learning ist ein Teilbereich der KI. Sprachmodelle sind ebenfalls Teil dieses Feldes, ebenso wie Agentensysteme. 

Warum der richtige Use Case wichtiger ist als der Hype

Andreas:
Christian, wir haben jetzt natürlich auch die Aufgabe, als Übersetzer zwischen Technik und Kundensicht zu agieren. Das, was deine Leute technisch können, und das, was der Kunde möchte, matcht nicht immer direkt.

Ich kenne das noch von früher. Da hieß es oft: „Ich brauche ein Management Cockpit“ oder „Ich brauche ein Analytics Dashboard.“ Am Ende brauchte der Kunde aber vielleicht einfach nur einen guten Bericht.

Wie machst du diese Übersetzungsarbeit? Wie schafft man es, einerseits die technische Kompetenz und den Drive nicht zu bremsen und andererseits dem Kunden zu helfen, wirklich seine Probleme zu lösen?

Christian:
Das ist absolut wichtig. Der größte Punkt in der Kundenbeziehung ist Vertrauen.

Am Ende will der Kunde ein Ergebnis. Und dieses Ergebnis kennt er manchmal noch gar nicht so genau. Dein Beispiel passt sehr gut: Der Kunde sagt, er braucht ein Management Cockpit, und am Ende stellt sich heraus, dass ein einzelnes Dashboard oder ein Bericht ausreicht.

Was der Kunde braucht, ist Vertrauen darin, dass wir den richtigen Weg finden. Wir müssen erklären, warum wir diesen Weg gehen, und den Kunden auf der Reise mitnehmen.

Nico hat gerade die verschiedenen Technologien voneinander abgegrenzt. Dem Kunden ist diese Unterscheidung oft gar nicht so klar. Der Kunde hört: „Wir müssen etwas mit KI machen.“ Oder: „Wir müssen etwas mit Agents machen.“

Für uns ist entscheidend: Dort, wo die Technologie Sinn macht, setzen wir sie ein. Und dort gehen wir den Weg auch. Aber wichtig ist, dem Kunden klarzumachen: Was ist dein Zielbild? Und welche Technologie ist dafür optimal?

Dabei geht es auch um Aufwand und um die Kosten, die später im Betrieb entstehen. Die optimale Lösung ist nicht automatisch die technologisch neueste oder größte Lösung. Es ist die Lösung, die zum Ziel, zum Aufwand und zum Nutzen passt. 

Was einen echten AI Agent überhaupt ausmacht

Andreas:
Nico, was ist für dich ein klassischer Anwendungsfall für einen KI-Agenten? Ich habe verstanden: Eine klassische Programmierstrecke oder ein festgelegter Workflow ist noch kein Agent. Irgendetwas muss also dazukommen.

Wann sprechen wir wirklich über einen Agenten?

Nico:
Der zentrale Punkt steckt schon im Wort „Agent“: autonomes Handeln.

Ein Agent kann handeln. Er kann sich selbst Kontext aufbauen, verstehen, worum es geht, und darauf basierend entscheiden, was als Nächstes passieren soll. Diese Entscheidung kann er dann wieder ausführen, bewerten und in einem Loop weiterarbeiten, bis ein Ergebnis erreicht ist.

Eine klassische Automatisierung oder ein festgelegter Workflow kann das nicht. Der Workflow läuft einmal durch, mit allen Verzweigungen, die vorher definiert wurden. Am Ende gibt es ein Ergebnis. Aber er kann nicht wirklich dynamisch auf eine neue Situation reagieren.

Das ist der große Vorteil eines Agenten. Immer dann, wenn ich ein komplexes Problem habe, das ich vorher nicht vollständig fassen und als festen Workflow aufschreiben kann, kann ein Agent seine Stärken ausspielen.

Das tritt häufig auf, wenn Menschen beteiligt sind oder wenn ich mit Informationen arbeite, die ich am Anfang noch nicht vollständig überblicke. Vielleicht müssen Informationen erst während der Bearbeitung dynamisch zusammengesucht werden.

Ein schönes Beispiel aus unserer Praxis ist ein Reporting Agent. Christian hat das vorhin schon kurz erwähnt. Dabei ging es darum, KPIs zu analysieren, Auffälligkeiten zu erkennen und Reports zu erstellen.

Hier hätte es keinen Sinn gemacht, einfach ein Report-Template zu erstellen, das mit festgelegten Berechnungen gefüllt wird. Das System musste dynamisch darauf reagieren können, welche Auffälligkeit in den Zahlen überhaupt vorliegt. Das weiß man vorher nicht.

Damit der Agent das tun kann, braucht er die entsprechenden Möglichkeiten. Wir haben dem System Zugriff auf die Quelldaten gegeben, damit es nachvollziehen kann, wie eine KPI zustande kommt und wo mögliche Ursachen für ein Problem liegen.

Außerdem haben wir bestehende Berechnungen von Business Analysts bereitgestellt. Früher hätten Menschen diese Skripte händisch ausgeführt. Der Agent kann sie ausführen, wenn er Bedarf dafür erkennt.

Zusätzlich hat der Agent eine Sandbox bekommen, in der er selbst Code ausführen kann, um die Daten fallbezogen zu analysieren. Denn die vorgegebenen Berichte oder Berechnungen passen nicht zwangsläufig auf jeden Einzelfall.

Der Agent kann außerdem im Internet und im Intranet recherchieren, um bei Bedarf weitere Kontextinformationen einzubeziehen. Er entscheidet selbstständig, welcher Weg geeignet ist, um die Ursache einer Auffälligkeit aufzulösen.

Das Zusammenfassen am Ende ist dann vergleichsweise einfach. Daraus entsteht ein Report, ein Dashboard oder ein anderes gewünschtes Ergebnis. 

Agenten sind keine Menschen und treffen keine moralischen Entscheidungen

Andreas:
Sprache formt Vorstellung. Wir sagen oft „er“ oder „der Agent“, als würden wir über eine Person sprechen. Wir geben ihm Zugriffsrechte, wir beschreiben ihn fast wie jemanden, den wir für eine Aufgabe eingestellt haben, den wir steuern und ausbilden können.

Mit einem Agenten ist es aber anders.

Kannst du noch einmal aus technischer Sicht erklären, was ein Agent eigentlich tut? Er entscheidet ja nicht im menschlichen oder moralischen Sinn, sondern arbeitet mit Wahrscheinlichkeiten und technischen Mustern. Ich möchte vermeiden, dass der Eindruck entsteht, man installiert etwas, das verantwortungsvoll oder moralisch handelt wie ein Mensch.

Nico:
Da wird es natürlich auch ein bisschen philosophisch. Im Deutschen sind wir durch das generische Maskulinum vielleicht besonders betroffen. In meiner praktischen Arbeit arbeite ich überwiegend auf Englisch. Da hat man etwas mehr Abstand und sieht stärker, dass es sich um ein technisches System handelt.

Was im Hintergrund abläuft, ist im Kern ein Loop. Es werden Kontextinformationen beschafft. Das kann ein Datenzugriff sein. Es kann eine Zusammenfassung erstellt werden. Daraus wird eine Handlung abgeleitet.

Diese Handlung wird typischerweise wieder durch ein Sprachmodell abgeleitet. Dahinter steckt ein großes neuronales Netzwerk, zum Beispiel ChatGPT, Gemini oder Claude. Diese Systeme haben so etwas wie einen modellierten Denkprozess. Man sieht das manchmal, wenn Zwischenschritte angezeigt werden: „Ich habe dies gesehen, ich mache das, ich probiere jetzt jenes aus.“

Das ist von menschlichem Denken inspiriert, aber es ist ein technischer Ablauf. Das System hat Muster gelernt und wendet diese Muster auf die vorliegenden Daten an.

Da steckt keine Moral dahinter. Man kann dem System kein Bewusstsein zuschreiben, zumindest nicht nach heutigem Stand. Deshalb muss man vorsichtig sein, einen Agenten wie einen Menschen zu betrachten.

Das schmälert aber nicht den Wert eines Agenten. Am Ende kann trotzdem ein Ziel erreicht werden. Gerade bei einem technischen Anwendungsfall wie einem Reporting Agent ist es für den Nutzer erst einmal egal, wie genau der Agent im Hintergrund arbeitet.

Der Nutzer startet den Vorgang, gibt ein paar Informationen ein, zum Beispiel welche KPI oder welche Auffälligkeit untersucht werden soll, und bekommt am Ende einen Report, in dem das Ergebnis verständlich aufbereitet ist. 

AI Governance: Warum Agenten klare Regeln brauchen

Andreas:
Christian bringt euch wie immer etwas mit. Den Link findet ihr unten in den Shownotes. Wenn ihr euch dem Agent-Thema weiter nähern wollt, schaut dort gerne rein.

Was mir jetzt wichtig ist: Wir haben gerade über Agenten, Zugriff, technische Möglichkeiten und Entscheidungen gesprochen. Da müssten eigentlich bei vielen Menschen die Alarmglocken angehen.

Muss man nicht jedem Kunden, der sagt „Ich möchte etwas mit KI-Agenten machen“, auch sagen: Wir müssen AI Governance an dieser Stelle mitdenken und können das nicht getrennt betrachten?

Es gibt Anforderungen vom Betriebsrat, rechtliche Vorgaben, sensible Daten und vieles mehr. Wie bekommt man das als Kunde zusammen?

Christian:
Governance darf nie außen vor gelassen werden. Wir sagen oft: KI skaliert nicht nur Wert, sondern auch Chaos. Mit Agenten wird das noch einmal größer.

Ihr habt gerade über Moral gesprochen. Das System hat keine Moral. Nico hat gesagt, dass wir bei dem Kunden eine Sandbox installiert haben. Warum? Weil wir uns bewusst sind, dass es in unterschiedlichen Bereichen unterschiedliche Risiken gibt.

Das System arbeitet in einer eigenen Umgebung und erzeugt dort Ergebnisse. Es wäre nahezu lebensmüde, irgendeinem Agenten einfach schreibenden Zugriff auf ein Produktivsystem zu geben und ihn machen zu lassen. Dafür gibt es inzwischen genug Beispiele, die zeigen, dass man das nicht tun sollte.

Deshalb beleuchten wir in unserem Paper verschiedene Faktoren, anhand derer man bewerten kann, wie man vorgehen sollte. Wir haben dazu eine Scorecard entwickelt, mit der man prüfen kann, ob ein Agentic System für einen konkreten Use Case überhaupt sinnvoll ist.

Das startet mit der Use Case Eignung. Habe ich nur einen komplizierten Vorgang oder ist der Vorgang wirklich komplex, sodass ein Agent einen Vorteil bringt?

Dann geht es um Daten und Systeme. Habe ich überhaupt das Umfeld, in dem ein Agent Mehrwert schaffen kann? Gibt es valide Daten, auf die er im benötigten Maß zugreifen kann?

Ein weiterer Faktor ist Risiko und Kontrollierbarkeit. Welchen Grad an Autonomie gebe ich einem Agenten? Wie passe ich den Handlungsspielraum an den Use Case an? Gerade bei sensiblen Daten muss ich sehr genau hinschauen.

Dann kommt das Thema Wirtschaftlichkeit. Ein Agentensystem kann theoretisch sehr groß skaliert werden. Dann laufen viele Agenten los und arbeiten für mich. Das erzeugt aber auch Workload und Kosten. Deshalb muss ich vorher klären: Ist es für meinen Use Case gerechtfertigt, diese Investition zu tätigen?

Und ganz wichtig: Ich muss meine Menschen mitnehmen. Mitarbeitende müssen verstehen, dass wir sie nicht ersetzen wollen, sondern dass sie vom Ausführen stärker ins Steuern und Bewerten kommen. Sie steuern Agents und bewerten Ergebnisse.

Human in the Loop bleibt für uns extrem wichtig. Wir sagen nicht, dass wir Mitarbeitende beliebig durch Agents ersetzen können. Wir wollen Agents nutzen, um fähigen Mitarbeitenden noch mehr Performance zu ermöglichen.

Am Ende muss auch der strategische Fit bewertet werden. Ist das, was ich aufbauen möchte, überhaupt der richtige Weg für das, was ich mit meinem Unternehmen in Zukunft vorhabe? 

Können Agenten Kreativität und Bauchgefühl ersetzen?

Andreas:
Wir reden im Podcast gerne mit Vergleichen, und ich mache gerne Sportvergleiche. Deshalb eine Frage an dich, Nico.

Die NBA arbeitet seit vielen Jahren mit Data-Driven Decisions. Schon vor 20 oder 30 Jahren wurde analysiert, wie groß ein Spieler auf einer bestimmten Position sein sollte, welche Spannweite er haben muss, welche athletischen Voraussetzungen wichtig sind und so weiter.

Dann kam jemand wie Steph Curry. Er entsprach nicht in allem dem klassischen Bild, hat aber das Spiel verändert. Auf einmal wurde aus großer Distanz geworfen. Heute spielt die ganze NBA anders.

Ein datengetriebenes System kann im Kern immer nur auswerten, was bereits passiert ist. Damals musste jemand erkennen: Dieser Spieler ist besonders. Den müssen wir fördern.

Meine Frage ist positiv gemeint: Werden Agents solche Entwicklungen irgendwann vorhersagen können? Werden sie erkennen können, dass sich ein Spiel, eine Branche oder ein Markt verändern könnte? Denn für Unternehmen geht es ja genau darum: sich abzuheben, USPs zu entwickeln und nicht so zu arbeiten wie alle anderen.

Ist das eine rein menschliche Aufgabe oder werden Agenten diese Aufgabe irgendwann übernehmen können?

Nico:
Die allgemeine Antwort wäre wahrscheinlich: Es hängt davon ab. Meine persönliche Sichtweise ist hier vielleicht interessanter.

Ich glaube, dass das menschliche Element weiterhin notwendig sein wird, solange wir keine wirklich allgemeine künstliche Intelligenz erschaffen. Und da sehe ich zumindest für die mittlere Zukunft noch keine unmittelbare Lösung.

Das liegt auch am Trainingsprozess solcher Modelle. Ein Modell und damit letztlich auch ein Agent wird auf bekannten Daten trainiert. Dadurch hat es prinzipbedingt Schwierigkeiten, Ausreißer und wirklich Neues zu erkennen.

Natürlich gibt es schon lange mathematische Methoden und Modelle, mit denen man auch unerwartete Entwicklungen untersuchen kann. Zum Beispiel die Frage, wann in einer Branche die nächste Transformation auftritt. Solche Themen werden in der Wirtschaft schon lange erforscht.

Prinzipiell geht so etwas also. Aber Menschen arbeiten an solchen Stellen auf einer anderen Ebene: intuitiv, mit Erfahrung und mit einem Verständnis für Kontexte, das ein Agent zumindest heute und aus meiner Sicht auch in den nächsten Jahren nicht abbilden kann.

Persönlich glaube ich auch, dass das gar nicht der eigentliche Sinn von Agenten ist. Wir wollen mit Agenten tägliche Arbeit, langweilige Aufgaben, Standardaufgaben und wiederkehrende Tätigkeiten automatisieren oder erleichtern. Dadurch haben Menschen mehr Zeit für die interessanten Fälle, also für die Fälle, in denen es wirklich auf den Menschen ankommt. Sei es in der zwischenmenschlichen Zusammenarbeit oder durch besondere Fähigkeiten, die ein Mensch mitbringt und die für einen Agenten schwer umzusetzen sind.

Damit wird Arbeit für uns am Ende spannender. 

Das Fazit: Erst das Problem verstehen, dann die passende KI wählen

Andreas:
Was ich aus diesem Podcast noch einmal mitnehme: Christian, du hast mit mir bereits eine der erfolgreichsten Folgen des Jahres gemacht, als wir über Anti-Hypes gesprochen haben. Das hat bei den Leuten stark resoniert.

Ich glaube, genau diese Haltung sieht man auch jetzt wieder beim Thema Agenten. Es ist wichtig, darüber zu sprechen. Es ist wichtig, sich damit zu beschäftigen. Die Frage ist nicht, ob wir Agenten irgendwann in Unternehmen einsetzen, sondern wie.

Dieses „Wie“ beantwortet ihr sehr nüchtern. Das hat man heute auch mit Nico gemerkt. Ihr schaut erst einmal darauf: Was ist es eigentlich? Auf welchem Level bewegen wir uns? Und vor allem: Was ist der Use Case?

Ist der Use Case mit einem Agenten zu lösen? Oder mit etwas anderem? Muss ich wirklich mit Kanonen auf Spatzen schießen? Oder reicht es vielleicht, Probleme, die schon seit Jahren liegen geblieben sind, endlich mit Machine Learning oder Automatisierung vernünftig anzugehen?

Wenn am Ende Agent draufsteht und alle sich dafür feiern lassen, ist das vielleicht in Ordnung. Aber entscheidend ist: Nutzt die Welle, die gerade mit KI-Agenten da ist, um Themen wie Datenqualität, Governance, Monitoring und Effizienz anzugehen. Gerade dort, wo Menschen im Anschlag sind und entlastet werden müssen.

Welches Label am Ende daraufsteht, ist im Kundenkontext weniger wichtig. Wichtig ist, dass die richtige Lösung entsteht.

Ich finde, das macht euch als Five1 auch aus: Ihr folgt nicht einfach nur dem Hype, sondern sprecht zuerst über die Basis und über das, was wirklich wichtig ist. Viele Menschen haben bei diesen Themen Unsicherheit. Genau deshalb versuchen wir mit diesem Podcast, zu übersetzen und greifbar zu machen.

Vielen Dank für eure Einschätzung. Christian, du hast die vorletzten Worte. Nico, dir gehört dann traditionell das Schlusswort. Du darfst sagen, was du möchtest. 

Schlusswort: Agenten sind mächtig, wenn sie richtig eingesetzt werden

Christian:
Andreas, es war wie immer eine Freude.

Eine Frage noch an dich: Welcher Agent hätte uns sagen können, was in diesem Jahr passiert? Wahrscheinlich genauso wenig wie irgendein anderer Mensch.

Genau an dieser Stelle ist uns wichtig: Wir sind innovativ, wir wollen mit der Technik gehen und wir beschäftigen uns intensiv mit den neuesten Entwicklungen. Unsere Leute arbeiten täglich daran.

Aber es ist nicht unser Ding, Dinge zu verkaufen, die für den Anwendungsfall überdimensioniert sind.

Von meiner Seite bin ich raus. Nico, die letzten Worte gehören dir.

Nico:
Da schließe ich mich direkt an.

Ich als Entwickler baue natürlich auch lieber einen Agenten. Das ist das spannendere und coolere System. Wenn es im Unternehmen aber mehr bringt, etwas anderes zu machen, dann machen wir auch etwas anderes.

Ich hoffe, wir konnten zeigen, dass man nicht immer mit der sprichwörtlichen Kanone auf Spatzen schießen muss. Auch wenn die Kanone sehr cool ist und viele Vorteile bietet, muss man wissen, wie man sie richtig einsetzt.

In diesem Sinne: Ciao.