Künstliche Intelligenz löst präzise Probleme, nicht Fantasien

Vergessen Sie den Hype – echte KI-Agenten lösen definierte Probleme, keine offenen Welten Am 6. Juli 2025 um 13:15 Uhr Überall redet man von KI-Agenten, als stünden sie kurz davor, ganze Abteilungen zu ersetzen. Der Traum ist verlockend: Autonome Systeme, die alles bewältigen können, ohne Schutzmaßnahmen oder Einschränkungen. Man muss ihnen nur Anmeldeinformationen für AWS geben, und schon lösen sie alle Probleme. Doch die Realität sieht anders aus, insbesondere im Unternehmensumfeld, wo Zuverlässigkeit nicht fehlbar ist. Selbst wenn ein Agent 99 % der Zeit korrekt arbeitet, reicht das oft nicht. Bei der Optimierung von Lieferwegen bedeutet dies, dass einer von hundert Bestellungen an die falsche Adresse geliefert wird. In einem Business-Kontext sind solche Fehler teuer, riskant und schwer zu erklären, sei es gegenüber Kunden oder Regulierungsbehörden. In realen Branchen wie Finanzwesen, Gesundheitswesen und Betriebsabläufen liefern die KI-Systeme, die tatsächlich Wert schaffen, nichts mit diesen spekulativen Vorstellungen gemeinsam. Sie improvisieren nicht in der offenen Welt, sondern lösen gut definierte Probleme mit klaren Eingaben und vorhersehbaren Ergebnissen. Was macht ein Problem "offen"? Offene Probleme sind durch das Unbekannte geprägt. Formell definiert sind vollständig offene Welten durch zwei Kernmerkmale gekennzeichnet: Zeit und Raum sind unbegrenzt: Die Vergangenheit des Agents ist irrelevant für neue, unbekannte Szenarien. Aufgaben sind unbegrenzt: Sie werden nicht vorgegeben und können dynamisch entstehen. In solchen Umgebungen operiert die KI mit unvollständiger Information und muss sich anpassen, ohne dass alle relevanten Daten zur Verfügung stehen. Dies stellt enorme Herausforderungen für aktuelle KI-Fähigkeiten dar. Die meisten Unternehmensprobleme sind anders Dagegen sind geschlossene Probleme gut definiert: Das Umfeld ist bekannt, die Regeln klar und das System kann annehmen, dass alle relevanten Daten vorhanden sind. Wenn etwas nicht explizit wahr ist, kann es als falsch betrachtet werden. Solche Probleme sind die, mit denen die meisten Unternehmen täglich konfrontiert sind: Rechnungsbearbeitung, Vertragsvalidierung, Betrugserkennung, Schadensabwicklung, Bestandsvorhersage. Offene vs. Geschlossene Probleme | Merkmal | Offene Welt | Geschlossene Welt | |---------------|-------------|------------------| | Umfang | Unbegrenzt | Gut definiert | | Wissen | Unvollständig | Vollständig (innerhalb des Bereichs) | | Annahmen | Unbekannt ≠ Falsch | Unbekannt = Falsch | | Aufgaben | Dynamisch, nicht vorgegeben | Fest, wiederholend | Diese Probleme werden selten in Schlagzeilen erwähnt, aber sie sind die, die Unternehmen tatsächlich lösen wollen. Das Risiko von Hype und Untätigkeit Der Hype ist jedoch schädlich: Wenn wir das Ziel auf offene, allgemeine Intelligenz setzen, erscheint KI im Unternehmen unerreichbar. Führungskräfte hören von Agents, die alles können, und frieren ein, weil sie nicht wissen, wo sie anfangen sollen. Das Problem erscheint zu groß, zu vage und zu risikoreich. Es ist wie das Versuch, autonomes Fahren zu entwickeln, bevor wir auch nur einen funktionsfähigen Verbrennungsmotor gebaut haben. Der Traum ist aufregend, aber das Auslassen der Grundlagen garantiert Misserfolg. Lösen Sie das, was direkt vor Ihnen liegt Offene Probleme sind gut für Demonstrationszwecke und Finanzierungsrunden, aber geschlossene Probleme sind dort, wo der echte Wert heute liegt. Sie sind lösbar, testbar und automatisierbar. Und sie warten innerhalb jedes Unternehmens darauf, angegangen zu werden. Die Frage ist nicht, ob KI irgendwann offene Probleme lösen wird. Die Frage ist: Was können Sie jetzt tatsächlich implementieren, um Ihr Unternehmen schneller, intelligenter und zuverlässiger zu machen? Was echte Unternehmens-Agenten ausmachen Wenn man sich KI-Agenten heute vorstellt, denkt man an eine Chat-Schnittstelle. Ein Benutzer gibt eine Anfrage ein, und der Agent antwortet hilfreich (und löst möglicherweise ein paar Tools aus). Das ist in Ordnung für Demos und Consumer-Apps, aber so funktioniert KI im Unternehmen nicht. In Unternehmen sind die nützlichsten Agenten autonom. Sie warten nicht darauf, von einem Menschen angestoßen zu werden, sondern sind laufende Prozesse, die auf Daten reagieren, die durch das Unternehmen fließen. Sie treffen Entscheidungen, rufen Dienste auf und erzeugen Ausgaben, kontinuierlich und asynchron, ohne dass jemand sagt, wann sie beginnen sollen. Stellen Sie sich einen Agenten vor, der neue Rechnungen überwacht. Jedes Mal, wenn eine Rechnung eingehört, extrahiert er die relevanten Felder, überprüft sie gegen offene Bestellpositionen, kennzeichnet Ungereimtheiten und leitet die Rechnung zur Genehmigung oder Ablehnung weiter, ohne dass jemand ihn dazu auffordert. Er hört einfach das Ereignis ("neue Rechnung eingegangen") und geht ans Werk. Oder denken Sie an die Kundenanbindung. Ein Agent könnte den Moment beobachten, in dem ein neues Konto erstellt wird, dann eine Kaskade auslösen: Dokumente verifizieren, KYC-Prüfungen durchführen, die Willkommensnachricht personalisieren und eine Nachverfolgungsnachricht planen. Der Benutzer merkt gar nicht, dass der Agent existiert. Er läuft einfach. Zuverlässig. In Echtzeit. Dies sind echte Unternehmens-Agenten: Mikroservices, die auf Ereignisse reagieren und verarbeiten, Kontextdaten verwenden und von Sprachmodellen gesteuert werden. Solche Agenten bauen Sie nicht, indem Sie ein großes Modell feintunen. Sie bauen sie, indem Sie bestehende Modelle, Tools und Logik zusammenfügen. Es ist ein Software-Ingenieurproblem, kein Modellierungsproblem. Unternehmens-Agenten sind im Kern moderne Mikroservices mit Intelligenz. Sie gewähren ihnen Zugriff auf Ereignisse, geben ihnen den richtigen Kontext und lassen ein Sprachmodell die Begründung führen. Agent = Ereignisgesteuerter Mikroservice + Kontextdaten + LLM Gut gemacht, ist das ein mächtiges architektonisches Muster. Es ist auch eine Veränderung im Denken. Die Entwicklung von Agenten geht nicht darum, künstliche allgemeine Intelligenz (AGI) zu verfolgen. Es geht darum, reale Probleme in kleinere Schritte zu zerlegen und dann spezialisierte, zuverlässige Komponenten zusammenzusetzen, die diese Schritte bewältigen können, genau wie wir es in guten Software-Systemen immer getan haben. Wir haben dieses Problem schon einmal gelöst Wenn Ihnen das bekannt vorkommt, liegt das richtig. Wir waren schon einmal hier. Als Monolithen nicht mehr skaliert werden konnten, zerlegten wir sie in Mikroservices. Als synchrone APIs zu Engpässen und unzusammenhängenden Systemen führten, wandten wir uns der ereignisgesteuerten Architektur zu. Diese Lektionen wurden durch Jahrzehnte des Bauens von realen Systemen hart erkämpft. Sie funktionierten, weil sie Struktur und Determinismus in komplexe Systeme brachten. Ich mache mir Sorgen, dass wir diese Geschichte vergessen und die gleichen Fehler wiederholen, die wir beim Bau von KI machen. Das ist nicht nur ein neues Problem, sondern die gleite Ingenieurherausforderung, nur mit neuen Komponenten. Aktuell braucht Unternehmens-KI die gleichen Prinzipien, die uns bisher erfolgreich geführt haben: klare Grenzen, lose Kopplung und Systeme, die von Anfang an zuverlässig gestaltet sind. KI-Modelle sind nicht deterministisch, aber Ihre Systeme können es sein Die wertvollen Probleme, mit denen die meisten Unternehmen konfrontiert sind, sind geschlossen: Probleme mit bekannten Eingaben, klaren Regeln und messbaren Ergebnissen. Die Modelle, die wir verwenden, insbesondere LLMs, sind jedoch intrinsisch nicht deterministisch. Sie sind wahrscheinlichkeitsbasiert konzipiert. Die gleiche Eingabe kann je nach Kontext, Sampling oder Temperatur unterschiedliche Ausgaben erzeugen. Das ist in Ordnung, wenn es darum geht, eine Anfrage zu beantworten. Aber wenn es um die Durchführung eines Geschäftsvorgangs geht? Diese Unvorhersehbarkeit ist ein Risiko. Wenn Sie robuste KI-Systeme für die Produktion bauen möchten, ist Ihre Aufgabe einfach: Nicht deterministische Modelle in deterministische Infrastruktur einbinden. Wo ereignisgesteuerte Multi-Agentensysteme glänzen Ereignisgesteuerte Multi-Agentensysteme zerlegen das Problem in kleinere Schritte. Wenn Sie jedem Schritt einen spezialisierteren Agenten zuweisen und sie mit strukturierten Ereignissen auslösen, erhalten Sie ein lose gekoppeltes, vollständig nachvollziehbares System, das wie Unternehmenssysteme funktionieren soll: zuverlässig, verantwortlich und mit klarer Kontrolle. Und weil es ereignisgesteuert ist: Verhalten ist testbar: Jeder Agent im System hat eine schmale Verantwortung. Sein Verhalten kann unabhängig getestet werden, seine Eingaben und Ausgaben simuliert oder zurückgespielt. Leistung ist evaluierbar: Die Leistung jedes Moduls kann einzeln bewertet werden. Modulares Vorgehen und geschlossene Problembereiche ermöglichen Testsets, die Ihnen tatsächlich Vertrauen einflößen. Dies bildet die Grundlage für Vertrauen in die KI-Produktion. Den richtigen Fundament bauen Die Zukunft der KI im Unternehmen beginnt nicht mit AGI. Sie beginnt mit effektiver Automatisierung. Dazu gehört der Fokus auf geschlossene Probleme, die strukturiert, begrenzt und voller Möglichkeiten für echte Wirkungen sind. Sie brauchen keinen Agenten, der alles kann. Sie brauchen ein System, das etwas zuverlässig tun kann: Rechnungsbearbeitung Vertragsvalidierung Betrugserkennung Schadensabwicklung Bestandsvorhersage Diese Siege sammeln sich. Sie senken Kosten, sparen Zeit und fördern das Vertrauen in KI als verlässlichen Teil des Stacks. Um dorthin zu kommen, braucht es keine durchbruchsvolle Prompt-Engineering oder Wetten auf das nächste Modell, das plötzlich generalisiert. Es braucht das, was gute Ingenieure schon immer getan haben: Probleme zerlegen, komponierbare Systeme bauen und Komponenten so verbinden, dass sie testbar und beobachtbar sind. Ereignisgesteuerte Multi-Agentensysteme sind kein Allheilmittel, sie sind nur eine praktische Architektur, um mit unvollkommenen Tools auf strukturierte Weise zu arbeiten. Sie ermöglichen es, den Bereich zu isolieren, in dem Intelligenz benötigt wird, den Bereich zu enthalten, in dem sie nicht benötigt wird, und Systeme zu bauen, die vorhersagbar arbeiten, selbst wenn einzelne Teile es nicht tun. Dies geht nicht darum, die Zukunft zu jagen. Es geht darum, grundlegende Software-Ingenieursprinzipien auf eine neue Klasse von Problemen anzuwenden. Sean Falconer ist Unternehmens-Gründungsinwelier bei Confluent. Die Branche hat erkannt, dass der Fokus auf geschlossene, strukturierte Probleme das Potenzial von KI im Unternehmen maximiert. Unternehmens-Experten betonen, dass die Integration von KI in bestehende Systeme durch modulare, ereignisgesteuerte Architekturen erleichtert wird, die zuverlässige und praktische Lösungen bieten. Confluent, ein führender Anbieter von streaming-platform-Technologien, setzt auf diese Ansätze, um KI-Agenten effektiv einzusetzen und die digitalen Prozesse seiner Kunden zu optimieren.