Starten, lernen, verbessern

Kommt Ihnen das bekannt vor? «Wir können noch keinen KI-Agenten ausrollen. Unsere Wissensdatenbank ist nicht fertig.» Solche Sätze lassen viele KI-Projekte schon im Keim ersticken und der Aufbau von KI-Agenten, die Arbeitsprozesse unterstützen sollen, wird gar nicht erst angestossen. Denn viele Unternehmen gehen von der Annahme aus, dass ein Agent Zugriff auf perfekt abgestimmte Daten und Tools benötigt, bevor er produktiv sein kann. Das muss nicht der Fall sein. KI-Agenten können selbst dazu beitragen, die erforderlichen Strukturen in Unternehmen zu gestalten. 

Keine Angst vor den Daten

Eine aktuelle Studie bestätigt, dass 86 Prozent der befragten Entscheider grosses Potenzial in KI-Agenten sehen. Allerdings setzt nur jedes neunte Unternehmen die Technologie bereits in einer fortgeschrittenen Phase ein. Das liegt vor allem an der grundlegenden These, dass KI-Agenten nur so gut sind, wie die Informationen, mit denen sie arbeiten. Das ist generell auch richtig. Jedoch bedeutet es nicht, dass Agenten nur mit perfekter Ausgangslage an Daten und Strukturen ihren Dienst aufnehmen können. Denn Agenten können sich selbst verbessern, wenn wir ihnen helfen, Zugang zu besseren Informationen zu erhalten. 

Dieser Perspektivenwechsel senkt die Hürden für den Start von KI-Projekten. Statt auf eine perfekt vorbereitete Umgebung zu warten, die es sowieso wahrscheinlich nie gibt, da ständig neue Daten hinzukommen und Strukturen verändert werden, können Unternehmen einen Agenten aufsetzen und ihn durch aktive Interaktion mit menschlichen Experten und Fachabteilungen kontinuierlich lernen lassen.  

Am Anfang seines Einsatzes kann man den Agenten mit einem Trainee vergleichen, der Unterstützung und Aufsicht benötigt. Durch den aktiven Einsatz in der Praxis und Interaktionen mit den Fachexperten trägt er jedoch selbst dazu bei, die Basisumgebung zu gestalten, die er für seine Arbeit benötigt. 

Phase 1 – Der Agent als Trainee: Interaktion Mensch und KI hilft bei den ersten Schritten 

In der Anfangsphase ist der menschliche Fachexperte das wichtigste Kapital des Agenten. Ohne aktive Hilfe kann der Agent noch nicht selbständig arbeiten und sinnvolle Beiträge zu Arbeitsprozessen leisten.  

Nehmen wir das Beispiel eines KI-Analysten. Mitarbeiter wenden sich an ihn und fragen nach recht einfachen Analysen. Selbst diese Analysen kann der Agent zu Beginn nicht selbständig bearbeiten und wird seine menschlichen Helfer beispielsweise fragen: Wo finde ich diesen Datensatz? In welcher Tabelle ist diese Kennzahl enthalten? Welches System verwaltet diese Informationen? 

Diese Fragen erscheinen zu Beginn trivial, doch jede Antwort hilft dem neu aufgesetzten KI-Agenten, die Datenlandschaft des Unternehmens besser zu verstehen.  

Phase 2 – Der Agent wird selb­ständiger und hilft, Wissensbasis und Strukturen zu gestalten

Mit der Zeit beantwortet der KI-Agent nicht nur diese einfachen Fragen selbständig, sondern kann auch komplexere Anfragen beantworten. Intern hat er implizit Datenkataloge erstellt, von denen man bisher davon ausging, dass diese existieren müssen, bevor man einen KI-Agenten aufsetzen kann.  

Dasselbe Muster zeigt sich auch an anderen Stellen. Ein Support-Mitarbeiter baut seine Wissensbasis schrittweise anhand von gelösten Fällen und Expertenbeiträgen auf. Ein Mitarbeiter im operativen Bereich lernt, welche Tools existieren und wie sie eingesetzt werden können. Die Umgebung wird besser strukturiert, da der Agent – nach wie vor mit Hilfe durch Mitarbeiter – aktiv darin arbeitet. 

Anstatt von vornherein eine perfekte Struktur zu erfordern, hilft der Agent dabei, diese Struktur im Laufe der Zeit zu entwickeln. Danach wird er mehr zum Kollegen: die meisten Arbeiten führt der Agent autonom durch und nur bei spezielleren Anfragen wird er bei den Experten nachfragen. Peu à peu baut der Agent damit eine komplexe Wissensbasis auf. Das Schöne dabei: der Agent vergisst nichts und wechselt auch nicht den Job und nimmt sein Wissen mit.  

Phase 3 – Der Agent als Kollege: Entlastung der Mitarbeiter und veränderte Rollen 

Mit zunehmender Leistungsfähigkeit der KI-Agenten verändert sich am Ende die Rolle der menschlichen Fachexperten. Das Datenteam wird deutlich entlastet und verbringt kaum noch Zeit mit der Beantwortung von Fragen. Es kann sich stattdessen darauf konzentrieren, die KI-Agenten zu überwachen, den Datenzugriff zu verbessern und sicherzustellen, dass das System kontinuierlich bessere Ergebnisse liefert.  

Gleichzeitig besteht eine wichtige Aufgabe der Fachexperten darin zu gewährleisten, dass die Antworten des KI-Analysten vertrauenswürdig und nachvollziehbar sind. Die Transparenz über die genutzten Daten und alle Prozesse, die KI-Agenten anstossen, ist entscheidend für den sicheren und Compliance-konformen Einsatz von KI. Das deckt sich auch mit der Beschreibung vieler erfolgreicher KI-Einführungen: man geht zunehmend dazu über, Agenten wie Mitarbeiter zu managen, anstatt Prompts zu schreiben oder sie gar zu programmieren.

Fazit: Start statt Perfektion

Die Erfahrung erfolgreicher KI-Projekte zeigt ganz klar, dass die Hürden für den Start von KI-Projekten oft niedriger sind, als wir denken. Wir brauchen keine perfekt gepflegte Wissensdatenbank, keinen fehlerfreien Datenkatalog und kein vollständig dokumentiertes Tool-Set, bevor wir beginnen. Unternehmen sollten daher nicht auf ein perfekt organisiertes Umfeld warten, bis sie anfangen KI-Agenten aufzubauen. Stattdessen können KI-Agenten aktiv dazu beitragen, genau dieses Umfeld zu schaffen und so nach kurzer Zeit ihre Leistungsfähigkeit zu steigern. Entscheidend ist vielmehr, früh konkrete Anwendungsfälle zu identifizieren und iterativ vorzugehen. Kleine, klar abgegrenzte Use Cases schaffen schnell sichtbaren Mehrwert und liefern gleichzeitig die Grundlage für Skalierung. Agenten sind durchaus lernfähig. Mit einem phasenweisen Vorgehen lassen sich die Wissensbasis erweitern und Transparenz sicherstellen. Wer beginnt, lernt – und wer lernt, baut die organisatorischen, technischen und kulturellen Voraussetzungen quasi nebenbei auf.