Trotz der kontinuierlichen Sammlung und Analyse großer Datenmengen scheitern KI-Agenten in Unternehmen oft an einem Mangel an Wissen. Wissen ist in diesem Kontext das Verständnis, was Daten im spezifischen Organisationskontext bedeuten. Dieses Verständnis ist für KI-Agenten, die autonom Situationen bewerten, Entscheidungen treffen und Handlungen ausführen sollen, unerlässlich, um zuverlässige Ergebnisse zu liefern.
Forschungsergebnisse zeigen, dass dieser Wissensmangel ein Hauptgrund dafür ist, dass viele Anwendungsfälle von KI-Agenten die Produktionsreife nicht erreichen. Der Wettbewerbsdruck zwingt Unternehmen jedoch dazu, diese Projekte schneller zu skalieren und zu implementieren, um die von KI versprochenen Effizienzgewinne zu realisieren. Andernfalls riskieren sie, bisherige Investitionen zu verlieren und Wettbewerbern Terrain zu überlassen, die ihre KI-Agenten bereits effektiver einsetzen.
Herausforderungen bei der Implementierung von KI-Agenten
Eine Studie, basierend auf einer Befragung von 300 Führungskräften aus den Bereichen Daten, KI und weiterer Technologien, beleuchtet diese Problematik. Sie untersuchte die Fähigkeiten von Organisationen, ihren KI-Agenten ein umfassendes kontextuelles Verständnis der verarbeiteten Daten zu vermitteln. Dies umfasst semantisches Wissen (Bedeutung der Daten), episodisches Gedächtnis (Erinnerung an spezifische Interaktionen) und prozedurales Wissen (Kenntnis von Abläufen).
Die Untersuchung ergab, dass im Durchschnitt lediglich 34 Prozent der Projekte mit KI-Agenten in Unternehmen tatsächlich in die Produktion überführt werden. Selbst High-Tech-Firmen kämpfen mit dieser Herausforderung. Als Hauptursachen für das Scheitern wurden identifiziert:
- Fragmentierte Datensysteme: Die unzureichende Datenfreigabe über verschiedene Systeme hinweg wurde von 55 Prozent der Befragten als größte Hürde für den Wissenszugang der Agenten genannt.
- Sicherheits- und Datenschutzbedenken: Bei Unternehmen, die bereits eine höhere Produktionsrate von KI-Agenten aufweisen (durchschnittlich 61 Prozent ihrer Projekte), waren diese Bedenken mit 72 Prozent die am häufigsten genannte Sorge.
- Fehlendes Wissen und Kontext: Dies wurde ebenfalls als kritischer Punkt identifiziert.
Die Studie zeigt zudem eine klare Korrelation: Organisationen mit stärkeren Wissensfähigkeiten, insbesondere im Bereich des semantischen Wissens, erreichen signifikant höhere Produktionsraten ihrer KI-Agenten-Projekte.
Strategien zur Verbesserung des Wissenszugangs
Die meisten Unternehmen planen, die Verbindung zwischen ihren Daten und KI-Agenten zu stärken. Führungskräfte erwarten den größten Einfluss auf die Qualität der Agenten-Entscheidungen durch den Aufbau einer soliden strukturellen Basis. Experten sehen in einer sogenannten Wissensschicht (Knowledge Layer) einen primären Weg, dies zu erreichen.
Die Investitionsprioritäten zur Erweiterung des Wissenszugangs für KI-Agenten umfassen:
- Retrieval-Technologien: Dazu gehören Ingestion Pipelines (Datenaufnahme-Pipelines), KI-fähige APIs und Retrieval-Augmented Generation (RAG). Letzteres ist eine Technik, die es KI-Modellen ermöglicht, externe Wissensquellen für präzisere Antworten abzurufen.
- KI-Evaluierungsagenten: Systeme zur Bewertung und Verbesserung der Leistung von KI-Agenten.
- Wissensgraphen: Strukturierte Darstellungen von Fakten und ihren Beziehungen, die ein kontextuelles Verständnis erleichtern.
Diese Maßnahmen sollen dazu beitragen, die Wissenslücken zu schließen und die Erfolgsquote von KI-Agenten-Projekten in der Unternehmenspraxis deutlich zu erhöhen.
Thema: Technologie / KI allgemein. Quelle/Inspiration: MIT Technology Review.