Gedächtnis
Sprachmodelle können Kontexte über längere Interaktionen hinweg im „Kopf“ behalten.
KI-Agenten sind die nächste große Revolution im Bereich künstlicher Intelligenz. Im Kern sind diese Agenten fortschrittliche KI-Modelle, die über die Fähigkeit verfügen, gezielt Werkzeuge zu nutzen. Doch das wahre Potenzial entfaltet sich, wenn mehrere dieser Agenten miteinander kooperieren und interagieren. Welche neuen Möglichkeiten eröffnen sich dadurch für Unternehmen und Organisationen?
Stellen Sie sich eine Ameisenkolonie vor: Jede Ameise agiert scheinbar autonom, führt einfache Aufgaben aus und interagiert mit anderen Ameisen. Doch zusammengenommen leisten sie Beeindruckendes – von der Nahrungssuche über den Bau stabiler Strukturen bis hin zur Abwehr von Gefahren. Dieses Konzept beschreibt, was in der Informatik als Multi-Agentensystem bezeichnet wird: ein Netzwerk unabhängiger Agenten, die miteinander interagieren und gemeinsam komplexe Aufgaben lösen können.
Ameisenkolonien sind ein gutes Beispiel für Multi-Agentensysteme, weil sie zeigen, wie Einzelakteure in einem System durch Kommunikation und Kooperation ein Ziel erreichen können, das weit über die Fähigkeiten der einzelnen Agenten hinausgeht. Dieses Konzept lässt sich auch auf menschgemachte technische Systeme übertragen. Verwendet man als Technik künstliche Intelligenz, spricht man dabei von KI-Agenten.
Agenten in Haushalten (Smart Meter) und Kraftwerken kommunizieren miteinander, um Strombedarf und Netzauslastung dynamisch zu steuern.
In Fertigungslinien arbeiten Industrieroboter als Agenten zusammen, um komplexe Montageprozesse zu realisieren.
Agenten wie Suchmaschinen und Empfehlungssysteme analysieren Nutzerverhalten und passen Produktvorschläge in Echtzeit an.
KI-Technologien eröffnen neue Möglichkeiten über diese klassischen Multi-Agentensysteme hinaus. In einem KI-Multi-Agentensystem agieren die Agenten im Gegensatz zu den genannten Beispielen nicht nur autonom, sondern können durch den Einsatz von KI-Modellen Aufgaben übernehmen, die zuvor menschlichen Einsatz erforderten. Beispiele hierfür sind selbstständige Textgenerierung bei der Beantwortung von Kundenanfragen, die Entscheidungsfindung auf Grundlage von Textdaten oder die Analyse und Interpretation von Bilddaten, beispielsweise in der medizinischen Diagnostik. Die in den vergangenen Jahren veröffentlichten Sprach- und multimodalen Modelle von OpenAI, Google oder Anthropic ermöglichen aber noch viele weitere Einsatzmöglichen.
Große Sprach- und multimodale Modelle können nicht nur Fragen beantworten oder Texte generieren, sondern bilden als elementare Bausteine von KI-Agenten deren „Sprachzentrum“, um mit Menschen oder anderen Agenten in Interaktion treten zu können. Folgende Eigenschaften der Modelle bzw. deren etablierte Chat-Anwendungen (z.B. ChatGPT), sind dabei für KI-Agenten besonders relevant:

Sprachmodelle können Kontexte über längere Interaktionen hinweg im „Kopf“ behalten.
Die Modelle können komplexe Eingaben analysieren und ihre Antworten dementsprechend anpassen.
Sprachmodelle können präzise Anweisungen ausführen und Aufgaben logisch strukturieren.
Große Sprach- und multimodale Modelle können nicht nur Fragen beantworten oder Texte generieren, sondern bilden als elementare Bausteine von KI-Agenten deren „Sprachzentrum“, um mit Menschen oder anderen Agenten in Interaktion treten zu können. Folgende Eigenschaften der Modelle bzw. deren etablierte Chat-Anwendungen (z.B. ChatGPT), sind dabei für KI-Agenten besonders relevant:

Sprachmodelle können Kontexte über längere Interaktionen hinweg im „Kopf“ behalten.
Die Modelle können komplexe Eingaben analysieren und ihre Antworten dementsprechend anpassen.
Sprachmodelle können präzise Anweisungen ausführen und Aufgaben logisch strukturieren.
Große Sprach- und multimodale Modelle können nicht nur Fragen beantworten oder Texte generieren, sondern bilden als elementare Bausteine von KI-Agenten deren „Sprachzentrum“, um mit Menschen oder anderen Agenten in Interaktion treten zu können. Folgende Eigenschaften der Modelle bzw. deren etablierte Chat-Anwendungen (z.B. ChatGPT), sind dabei für KI-Agenten besonders relevant:

Sprachmodelle können Kontexte über längere Interaktionen hinweg im „Kopf“ behalten.
Die Modelle können komplexe Eingaben analysieren und ihre Antworten dementsprechend anpassen.
Sprachmodelle können präzise Anweisungen ausführen und Aufgaben logisch strukturieren.

Doch ein KI-Agent erfordert mehr als nur ein leistungsfähiges Sprachmodell. Um in einem KI-Multi-Agentensystem effektiv agieren zu können, muss er zusätzliche Fähigkeiten aufweisen:

KI-Agenten müssen externe Werkzeuge wie Datenbanken oder APIs nutzen können, um Aufgaben zu lösen (z.B. eine Google-Suche durchführen).
KI-Agenten müssen Aufgaben reflektiert zerlegen, priorisieren und Handlungspläne entwickeln können sowie deren Umsetzung evaluieren.
Der Austausch und die Koordination mit anderen (KI-) Agenten im Multi-Agentensystem ist essenziell, um Subaufgaben koordinieren zu können.
Doch ein KI-Agent erfordert mehr als nur ein leistungsfähiges Sprachmodell. Um in einem KI-Multi-Agentensystem effektiv agieren zu können, muss er zusätzliche Fähigkeiten aufweisen:

KI-Agenten müssen externe Werkzeuge wie Datenbanken oder APIs nutzen können, um Aufgaben zu lösen (z.B. eine Google-Suche durchführen).
KI-Agenten müssen Aufgaben reflektiert zerlegen, priorisieren und Handlungspläne entwickeln können sowie deren Umsetzung evaluieren.
Der Austausch und die Koordination mit anderen (KI-) Agenten im Multi-Agentensystem ist essenziell, um Subaufgaben koordinieren zu können.
Doch ein KI-Agent erfordert mehr als nur ein leistungsfähiges Sprachmodell. Um in einem KI-Multi-Agentensystem effektiv agieren zu können, muss er zusätzliche Fähigkeiten aufweisen:

KI-Agenten müssen externe Werkzeuge wie Datenbanken oder APIs nutzen können, um Aufgaben zu lösen (z.B. eine Google-Suche durchführen).
KI-Agenten müssen Aufgaben reflektiert zerlegen, priorisieren und Handlungspläne entwickeln können sowie deren Umsetzung evaluieren.
Der Austausch und die Koordination mit anderen (KI-) Agenten im Multi-Agentensystem ist essenziell, um Subaufgaben koordinieren zu können.
Neue Technologien und Frameworks wie LangGraph, AutoGen oder CrewAI ermöglichen KI-Designern und Programmierern, gängige Sprach- und multimodale KI-Modelle als Agenten zu instanziieren und deren Eigenschaften und Verhalten anwendungsfallspezifisch zu planen und umzusetzen.
In der Praxis finden KI-Agenten bereits heute Anwendung. So setzt der schwedische Zahlungsanbieter Klarna seit 2024 auf die Unterstützung von KI-Agenten im Kundenservice. Dort können die Agenten einerseits einfachere Kundenanliegen direkt bearbeiten und andererseits die menschlichen Service-Mitarbeiter bei komplexeren Anfragen unterstützen und somit Effizienzpotenziale heben [1]
Das Ziel: signifikante Kosteneinsparungen bei verbesserter Kundenzufriedenheit.
In einem Zukunftsbeispiel könnten KI-Multi-Agentensysteme in der Versicherungsbranche zahlreiche Prozessschritte in der Schadensbearbeitung übernehmen: Ein Kundenkontakt-Agent nimmt Meldungen in natürlicher Sprache entgegen und erfasst alle relevanten Informationen. Ein Koordinations-Agent delegiert dabei Teilaufgaben an weitere Agenten: Ein Vertragsanalyse-Agent prüft die Versicherungsbedingungen und Deckungsumfänge, während ein Dokumentenprüfungs-Agent die eingereichten Informationen und Dokumente auf Plausibilität analysiert. Ein weiterer Entscheidungs-Agent bewertet anhand dieser Daten, ob ein Gutachter eingeschaltet werden muss oder ob eine Regulierung direkt erfolgen kann. Das Zusammenspiel der KI-Agenten ermöglicht dabei eine schnelle und transparente Bearbeitung, welche, ähnlich wie im obenstehenden Klarna-Beispiel, auf Kosteneinsparungen und verbesserte Kundenzufriedenheit abzielt.
Der Multi-Agentenansatz bietet gegenüber einem einzelnen Agenten, der alle Rollen vereint, entscheidende Vorteile: Die Verantwortlichkeit für einzelne Agenten lässt sich auf verschiedene Fachbereiche oder sogar Organisationen aufteilen. Zudem ermöglicht dieser Ansatz eine unabhängige (Weiter-) Entwicklung der einzelnen Agenten – gegebenenfalls sogar mit unterschiedlichen Lösungsarchitekturen oder Technologien. Ein weiterer Vorteil ist die einfache Erweiterbarkeit um zusätzliche Fähigkeiten.
Die Frage, wie KI-Agenten miteinander kommunizieren, hat eine überraschend einfache Antwort: über natürliche Sprache. Anders als
bei den meisten IT-Systemen, die technisch komplexe und für Menschen schwer lesbare Protokolle nutzen, ist die Kommunikation zwischen KI-Agenten dabei grundsätzlich nachvollziehbar und transparent. Das erleichtert die Abstimmung zwischen Agenten nach bekannten Verhaltensmustern (z.B. hierarchisch oder durch Mehrheitsbeschluss) und ermöglicht es menschlichen Stakeholdern, die Entscheidungen der Agenten nachzuvollziehen.
Zudem sind KI-Multi-Agentensysteme, deren Agenten State-of-the-Art-Sprachmodellenutzen, durch die Kommunikation allgemein leistungsfähiger als die einzelnen Modelle bzw. einzelne Agenten mit diesen Modellen. Dies ermöglicht neue Use Cases und kann Anwendern entscheidende Wettbewerbsvorteile verschaffen.
KI-Multi-Agentensysteme erweitern die Möglichkeiten der Automatisierung enorm. Stellen Sie sich vor, wie ein Team aus spezialisierten KI-Agenten in Ihrem Unternehmen Prozesse unterstützt oder sogar eigenständig durchführt. Technologien wie Azure KI-Services, AWS KI-Services oder vergleichbare Cloud-Werkzeuge bieten einfache Integrationsmöglichkeiten, um KI-Agenten in bestehende IT-Infrastrukturen einzubinden. Für Anwendungsfälle, die maximale
Datensicherheit erfordern, ist jedoch selbstverständlich auch eine vollständige on-premises Umsetzung von KI-Agenten und Multi-Agentensystemen möglich.
Analysieren Sie, welche Prozesse in Ihrem Unternehmen vom Einsatz kooperierender KI-Agenten profitieren könnten.
Starten Sie mit einem klar definierten Anwendungsfall, schaffen Sie Integrationsschnittstellen für KI-Agenten, gestalten und implementieren Sie diese und integrieren sie die Agenten in ausgewählte Workflows.
Ob als Übergangsphase oder Zielarchitektur – die KI-Agenten arbeiten Hand in Hand mit menschlichen Mitarbeitern oder unter deren kontinuierlicher Aufsicht.
TRUSTEQ unterstützt Sie als Trusted Advisor bei jeder Etappe: von der Identifikation geeigneter Use Cases über deren Pilotierung
und Implementierung, bis hin zur begleitenden Sicherstellung regulatorischer Compliance – inklusive der Anforderungen des EU AI Act.
KI-Multi-Agentensysteme stellen einen Wendepunkt in der
Automatisierung dar. Sie bieten Unternehmen die Möglichkeit, Prozesse effizienter, kostengünstiger und skalierbarer zu gestalten. Entscheiderinnen und Entscheider im IT-Bereich sollten diesen Trend im Auge behalten – nicht nur, um die Effizienz zu steigern, sondern auch, um die Wettbewerbsfähigkeit langfristig zu sichern.
Senior AI Consultant bei TRUSTEQ