Im ersten Teil unserer Blog-Reihe haben wir die Grundlagen der Künstlichen Intelligenz (KI) betrachtet und die wichtigsten Begriffe wie KI, Machine Learning, NLP, Generative AI und Large Language Models (LLMs) eingeordnet.
Spätestens seit dem Erfolg von ChatGPT, Gemeni, Claude etc. begegnet uns ein weiterer erklärungsbedürftiger Begriff immer häufiger: KI-Agenten.
Viele Unternehmen fragen sich, ob KI-Agenten die nächste Entwicklungsstufe von ChatGPT sind, welche Aufgaben sie übernehmen und ob sie bereits heute sinnvoll eingesetzt werden können.
Genau diese Fragen wollen wir in diesem Beitrag beantworten.
Ein KI-Agent – was ist das?
Ein Agent ist mehr als nur ein KI-Modell. Er arbeitet innerhalb eines Systems, das es ihm ermöglicht, zu handeln und sich anzupassen. Als digitaler Mitarbeiter kann er eigenständig Schritte ausführen, verschiedene Werkzeuge einsetzen und Aufgaben vollständig erledigen, statt nur Antworten auf Fragen zu geben.
Einfach ausgedrückt, ist ein KI-Agent ein System, das nicht nur Antworten erzeugt, sondern auch eigenständig Aufgaben ausführt.
Ein KI-Agent erledigt zunächst die notwendigen Aufgaben, um eine Frage beantworten zu können – im Gegensatz zu einem herkömmlichen KI-Modell, das direkt eine Antwort generiert.
Beispiel
Frage: Sollte ich heute einen Regenschirm mit zur Arbeit nehmen?
KI-Agent:
- 📍 Ermittelt den aktuellen Standort.
- 🌦️ Ruft den aktuellen Wetterbericht für diesen Standort ab.
- 🤔 Bewertet, ob unter den Wetterbedingungen ein Regenschirm sinnvoll ist.
Antwort: Ja. In Bochum ist es heute bewölkt und es werden mäßige bis starke Regenfälle erwartet. Daher solltest du einen Regenschirm mitnehmen.
Dieses Beispiel verdeutlicht den Unterschied:
- Normales KI-Modell: Beantwortet die Frage auf Basis seines vorhandenen Wissens.
- KI-Agent: Führt aktiv mehrere Schritte aus (hier: Standort bestimmen, Wetterdienst abfragen, Informationen auswerten), bevor er eine fundierte Antwort gibt.
LLM vs. KI-Agenten – wo ist da der Unterschied?
Ein Large Language Model (LLM) ist zunächst lediglich das „Gehirn“. Es kann Texte verstehen, zusammenfassen, übersetzen oder erzeugen. Es besitzt jedoch von sich aus keine Möglichkeit, auf Unternehmenssysteme zuzugreifen, Dateien zu bearbeiten oder Prozesse auszuführen.
Ein KI-Agent hingegen ist wie der gesamte Körper mit Werkzeugen und Handlungsspielraum.
Dazu gehören beispielsweise:
- Zugriff auf Datenbanken
- Zugriff auf ERP-, CRM-, PIM- oder MAM-Systeme
- Nutzung von APIs
- Ausführung von Workflows
- Planung mehrerer Arbeitsschritte
- eigenständige Verarbeitung von Ergebnissen
Vereinfacht gesagt: Jeder Agent nutzt ein Modell, aber nicht jedes Modell ist automatisch ein Agent.
Wie arbeitet ein KI-Agent?
Die meisten Agenten folgen einem ähnlichen Ablauf:
1. Ziel verstehen
Der Agent erhält eine Aufgabe. Zum Beispiel: „Prüfe alle neuen Produktdaten auf Vollständigkeit.“
2. Informationen beschaffen
Der Agent sammelt die benötigten Daten aus verschiedenen Quellen. Beispielsweise aus:
- PIM-Systemen
- ERP-Systemen
- DAM- oder MAM-Systemen
- CRM-Systemen
- Excel-Dateien
- Webseiten
3. Nachdenken und neu bewerten
Er prüft beispielsweise:
- fehlende Attribute
- inkonsistente Daten
- Dubletten
- Qualitätsprobleme
4. Handlung ausführen
Der Agent kann nun aktiv werden. Zum Beispiel:
- Tickets erzeugen
- Verantwortliche informieren
- Daten korrigieren
- Berichte erstellen
- Workflows anstoßen
Wie können KI-Agenten Unternehmen unterstützen?
Besonders interessant werden Agenten dort, wo Mitarbeitende heute viele wiederkehrende Tätigkeiten durchführen. Dabei geht es nicht darum, Menschen zu ersetzen. Vielmehr übernehmen Agenten zeitaufwendige Routineaufgaben und schaffen Freiräume für wertschöpfende Tätigkeiten.
Typische Vorteile sind:
- höhere Geschwindigkeit
- weniger manuelle Arbeit
- bessere Datenqualität
- schnellere Reaktionszeiten
- höhere Prozesssicherheit
Beispiele aus dem Umfeld von Produktdaten und PIM
Gerade in den Bereichen Produktkommunikation, E-Commerce und Stammdatenmanagement entstehen aktuell sehr interessante Einsatzmöglichkeiten.
Produktdaten-Qualitätsagent
Der Agent überwacht kontinuierlich die Datenqualität im PIM-System. Er erkennt:
- fehlende Pflichtattribute
- fehlende Bilder
- inkonsistente Einheiten
- unvollständige Produkttexte
Anschließend informiert er die zuständigen Teams oder erstellt automatisch Aufgaben.
Content-Agent für Produktbeschreibungen
Der Agent analysiert vorhandene Produktdaten und erstellt daraus:
- Produkttexte
- Marketingbeschreibungen
- Bullet-Points
- SEO-Texte
- Kategorietexte
Dabei können unternehmensspezifische Vorgaben und Corporate-Language-Richtlinien berücksichtigt werden.
Übersetzungsagent
Der Agent übersetzt neue Produktinformationen automatisch in verschiedene Sprachen und prüft gleichzeitig die Einhaltung definierter Terminologien.
Agenten in PIM-Workflows
In modernen PIM-Systemen lassen sich KI-Agenten, sofern das PIM-System über entsprechende APIs verfügt, problemlos in Workflows integrieren. So kann ein Texterstellungsworkflow zum Beispiel einen Agenten für die Texterstellung auf Basis von Attributen verwenden. Wenn der Workflowschritt abgeschlossen ist, der Text also durch den Agenten erstellt wurde, wird in einem nächsten Schritt der „menschliche“ Anwender nur noch prüfen, ob der Text nach den Vorgaben erstellt wurde – Human in the Loop.
Vertriebs- und Angebotsagent
Im Zusammenspiel mit CRM-, ERP- und CPQ-Systemen können Agenten Vertriebsmitarbeiter unterstützen, indem sie Informationen zusammenführen, Kundenanfragen analysieren oder bei der Erstellung von Angeboten helfen. Zum Beispiel in Shopsystemen. Ein weiterer Vorteil hier, wie im Übrigen auch bei allen anderen Beispielen: Der KI-Agent steht 24/7 zur Verfügung.
Dadurch stehen relevante Informationen schneller bereit und administrative Tätigkeiten werden reduziert.
Warum viele KI-Projekte scheitern, bevor die KI überhaupt zum Einsatz kommt
Wer sich aktuell mit KI-Agenten beschäftigt, stößt schnell auf beeindruckende Demonstrationen. Ein Agent analysiert Daten, erstellt Inhalte, recherchiert Informationen oder führt Prozesse aus. Dadurch entsteht schnell der Eindruck, der größte Erfolgsfaktor sei die Wahl des richtigen Modells oder der richtigen Plattform.
In der Praxis sieht die Realität jedoch häufig anders aus.
Die meisten Herausforderungen eines KI-Projekts liegen nicht in der KI selbst, sondern in den vorhandenen Daten, Prozessen und Systemlandschaften.
Ein KI-Agent kann nur so gut arbeiten, wie die Informationen, auf die er zugreifen kann, tatsächlich sind. Sind Produktdaten unvollständig, Verantwortlichkeiten unklar oder Prozesse nicht definiert, wird auch der beste Agent keine verlässlichen Ergebnisse liefern.
Gerade in Projekten rund um PIM-, MAM-, ERP- oder CRM-Systeme zeigt sich immer wieder, dass die eigentliche Grundlage für erfolgreiche KI-Anwendungen bereits lange vor dem Einsatz der KI geschaffen werden muss.
Dazu gehören unter anderem:
- klare Datenstrukturen und Verantwortlichkeiten
- definierte Prozesse und Workflows
- ausreichende Datenqualität
- saubere Schnittstellen zwischen den Systemen
- klare Zieldefinitionen und Erfolgskriterien
Ein häufiges Missverständnis besteht darin, dass Unternehmen versuchen, bestehende Probleme durch KI zu lösen. Tatsächlich macht KI vorhandene Schwächen oft erst sichtbar.
Ein Agent kann beispielsweise fehlende Produktinformationen erkennen oder auf Qualitätsprobleme hinweisen. Er kann jedoch nicht automatisch eine fehlende Datenstrategie ersetzen.
Deshalb beginnt ein erfolgreiches KI-Projekt meist nicht mit der Frage: „Welches KI-Modell sollen wir einsetzen?“, sondern mit den Fragen:
- Welches konkrete Problem wollen wir lösen?
- Welche Daten stehen dafür zur Verfügung?
- Wie sieht der bestehende Prozess aus?
- Welche Systeme müssen eingebunden werden?
- Woran messen wir den Erfolg?
Erst wenn diese Grundlagen geschaffen sind, kann ein KI-Agent sein volles Potenzial entfalten.
Wo liegen die Grenzen?
Trotz aller Möglichkeiten sollte man KI-Agenten nicht als Wundermittel betrachten.
Agenten treffen ihre Entscheidungen auf Basis der verfügbaren Daten und Regeln. Sind diese fehlerhaft oder unvollständig, können auch die Ergebnisse falsch sein.
Zudem benötigen Agenten klare Rahmenbedingungen, definierte Prozesse und eine kontinuierliche Kontrolle. Besonders bei geschäftskritischen Entscheidungen sollte immer ein Mensch die finale Verantwortung behalten.
KI-Agenten sind daher keine vollautomatischen Ersatzsysteme, sondern Werkzeuge, die Menschen bei ihrer Arbeit unterstützen.
Fazit
KI-Agenten gehören aktuell zu den spannendsten Entwicklungen im Bereich der Künstlichen Intelligenz.
Während Sprachmodelle vor allem Informationen verarbeiten und Antworten erzeugen, können Agenten eigenständig Aufgaben durchführen, Entscheidungen vorbereiten und Prozesse unterstützen.
Insbesondere in den Bereichen Produktdatenmanagement, PIM, MAM, ERP, CRM und E-Commerce eröffnen sich dadurch zahlreiche Einsatzmöglichkeiten – von der automatisierten Datenqualitätsprüfung bis hin zur Erstellung von Produktcontent oder der Unterstützung von Vertriebsprozessen.
Der größte Nutzen entsteht dabei nicht durch die Technologie allein. Erfolgreiche Projekte kombinieren leistungsfähige KI mit hochwertigen Daten, klaren Prozessen und einer durchdachten Systemintegration.
Unternehmen, die diese Grundlagen schaffen, können KI-Agenten gezielt einsetzen, um Effizienz zu steigern, Datenqualität zu verbessern und Mitarbeitende bei ihrer täglichen Arbeit zu unterstützen.
Im nächsten Teil unserer Blog-Reihe beschäftigen wir uns mit einem weiteren zentralen Thema moderner KI-Lösungen: RAG-Systeme (Retrieval Augmented Generation). Und mit der Frage, wie Unternehmen ihre eigenen Daten sicher und kontrolliert für KI nutzbar machen können.