Agenten-KI: Auf dem Weg zu größerer Autonomie

Agenten-KI repräsentiert einen Wandel in der Funktionsweise von LLMs, indem sie ihnen durch kontrollierten Zugriff auf Werkzeuge und Arbeitsabläufe verschiedene Grade von Autonomie gewährt. Im Gegensatz zu traditionellen „KI-Contact-Center-Agenten“, die primär als Konversationsschnittstellen dienen, existieren Agenten-KI-Systeme entlang eines Kontinuums integrativer Fähigkeiten. Diese Evolution ermöglicht es ihnen, reale Probleme jenseits ihrer Trainingsdaten durch Interaktion mit externen Systemen zu lösen.

Diese Sichtweise der Agenten-KI wird von großen Akteuren wie HuggingFace unterstützt, „Agentur entwickelt sich auf einem kontinuierlichen Spektrum, je nachdem, wie viel oder wenig Macht Sie dem LLM in Ihrem Workflow geben.“, sowie von Branchenanalysten wie Gartner, „KI-Agentur ist ein Spektrum.“ Dieses Spektrum verdeutlicht, wie sich Agenten-KI an verschiedene Geschäftsanforderungen anpassen kann. Zum Beispiel exzellieren innerhalb der einheitlichen Spitch-Plattform Lösungen mit hoher Agentur wie der Coaching-Simulator oder Sprachassistenten und Chatbots in anpassbaren natürlichen Antworten und fortgeschrittenem Anruf-Routing, während werkzeugintegrierte Systeme wie Agent Assist und Speech Analytics komplexe Hintergrundautomatisierung für Live-Interaktionen und Nachgesprächsanalysen durchführen.

Im Jahr 2025 wird die rasche Expansion von Agenten-KI-Anwendungsfällen – insbesondere im Kundenbeziehungsmanagement – Arbeitsabläufe neu definieren und es Unternehmen ermöglichen, eine Balance zwischen Automatisierung, Effizienz und Benutzererfahrung zu finden.

Kleiner, Intelligenter, Schneller: Der Aufstieg der SLMs

Auch Small Language Models (SLMs) sind im Trend. In einigen Fällen entsprechen diese Modelle der Leistung größerer Systeme wie GPT-4 bei zielgerichteten Aufgaben, während sie auf Standardhardware laufen. Diese Verschiebung adressiert die Bedürfnisse von Unternehmen nach skalierbarer, kosteneffektiver KI. In diesem Bereich haben Google Research und DeepMind kürzlich einen neuen Ansatz vorgestellt, bei dem SLMs als Lehrer verwendet werden, um wesentlich größere Modelle zu trainieren.

Contact Center als Fallstudie

Der sich entwickelnde Einfluss der generativen KI ist besonders in Contact Centern evident. Laut einem aktuellen Bericht von McKinsey spiegelt diese Verschiebung drei wesentliche Veränderungen wider, die die Branche erfassen: Contact Center werden nun als Geschäftschancen statt als Triagepunkte betrachtet, Organisationen erweitern ihre KI-Ökosysteme, um diese Bestrebungen zu unterstützen, und es gibt einen wachsenden Fokus auf die Weiterqualifizierung von Mitarbeitern durch besseres Onboarding, Training und Coaching.

Frühe Anwender wie Klarna haben von einer 14-prozentigen Reduzierung der Kundenservicekosten berichtet, während KI-gesteuerte Systeme bis zu 80 % der Routineinteraktionen bewältigen. KI-gestützte Trainingsplattformen, wie die derzeit bei Spitch entwickelte, revolutionieren auch die Personalentwicklung, indem sie Echtzeit-Coaching und personalisierte Simulationen anbieten, die die Einarbeitungszeit verkürzen und die Mitarbeiterleistung verbessern.

Trotz dieser Fortschritte bleibt die Akzeptanz begrenzt. Nur 6,1 % der US-amerikanischen Unternehmen implementierten im Jahr 2024 KI-Lösungen. Zu den Herausforderungen gehören die Integration in bestehende Systeme, hohe Schulungskosten und ein erhebliches öffentliches Misstrauen. Laut Qualtrics bleiben 75 % der Verbraucher skeptisch gegenüber der Nutzung von KI durch Unternehmen, was einem Rückgang von 11 % gegenüber 2023 entspricht.

Überwindung von Inferenz-Herausforderungen

Die Inferenz bleibt ein Engpass für die weit verbreitete KI-Adoption. Unternehmen wie Groq und Cerebras entwickeln spezialisierte Hardware für Echtzeit-Anwendungen und erreichen bis zu 70-fach schnellere Inferenzgeschwindigkeiten. Andere, wie Acurast, nutzen verteiltes Rechnen, um fortschrittliche Modelle auf handelsüblichen Geräten auszuführen und bieten skalierbare Lösungen für nicht zeitkritische Aufgaben. Währenddessen gewähren große Anbieter wie OpenAI erhebliche Rabatte auf die Inferenz ihrer Standard-Kundenmodelle.

Regulierung, Daten & Vertrauen

Mit dem nun in Kraft getretenen EU AI Act bietet Europa einen der fortschrittlichsten regulatorischen Rahmen für den KI-Einsatz, der technische Robustheit, Transparenz und Datenschutz betont. Die Herausforderung, die Einhaltung zu bewerten, bleibt jedoch ungelöst. Jüngste Forschungen der ETH Zürich unterstreichen diese Lücke und zeigten, dass keines der heute am weitesten verbreiteten großen Sprachmodelle (LLMs) die Anforderungen des Gesetzes vollständig erfüllt. Im Jahr 2025 wird es weiterhin eine wichtige Priorität bleiben, Compliance-Benchmarks zu entwickeln, die die legislative Auslegung mit praktischen Evaluierungsmethoden in Einklang bringen und so sowohl Sicherheit als auch Innovation gemeinsam fördern.

OpenAI-Mitbegründer Ilya Sutskever bemerkte kürzlich, wir nähern uns dem „Peak Data.“ Die Verfügbarkeit hochwertiger Trainingsdatensätze schwindet, was die Branche in Richtung synthetischer Datengenerierung und Echtzeit-Lernen drängt. Diese Fortschritte werden wahrscheinlich die Wachstumstrajektorie der KI in den kommenden Jahren definieren und sich von der Mustererkennung hin zu echtem Denken und adaptivem Lernen bewegen.

Unterdessen müssen Unternehmen weiterhin Datentransparenz, ethische Praktiken und messbare Kundenvorteile priorisieren, um die öffentliche Skepsis zu überwinden und die Akzeptanz voranzutreiben.