KI-Agent für SDG-Forschung: Kontextgerechte Analyse von Entwicklungszielen

Ein kritischer Aspekt bei der Entwicklung von KI-Forschungsagenten ist die sogenannte Context Gap – die Lücke zwischen dem umfassenden, lebenslangen Erfahrungshorizont eines Menschen und dem begrenzten, kontextuellen Wissen eines KI-Systems, das sich ausschließlich auf die unmittelbare Umgebung und aktuelle Eingaben stützt. Das Projekt DeepRishSearch adressiert diese Herausforderung durch einen ReAct-basierten KI-Agenten, der die UN-Nachhaltigkeitsziele (SDGs) als strukturiertes Forschungsfeld nutzt. Der Agent verarbeitet Benutzeranfragen über eine mehrstufige Workflow-Architektur: Zunächst klärt ein „Moderator“ die Eingabe, identifiziert Schlüsselbegriffe und klassifiziert sie mittels eines feinabgestimmten DistilBERT-Modells in eine der 17 SDGs. Anschließend wird ein „Expertenpanel“ aktiviert, das über spezialisierte Tools – wie Semantic Scholar für wissenschaftliche Studien, Tavily für aktuelle Nachrichten und Our World in Data (OWID) für quantitative Trends – Informationen aus verschiedenen Quellen abruft. Diese Daten werden durch eine Retrieval-Augmented Generation (RAG)-Strategie zusammengeführt, um eine fundierte, kontextreiche Antwort zu generieren. Ein zentrales Merkmal ist die kontinuierliche Verbesserung durch ein Feedback-System: Expertenbewertungen werden in eine Vector-Datenbank zurückgespeist, was die Genauigkeit des Agents von 70–80 % auf über 90 % steigert und das Risiko von Wissensverzerrungen („drift“) minimiert. Die Evaluation anhand von Fragen zu Indonesien zeigt, dass der Agent – trotz Verwendung eines kleineren Modells (GPT-4o-mini) – die Leistung von großen Modellen wie Gemini 2.5 Pro übertrifft, da er durch zusätzliche, präzise externe Daten kontextreichere und nuanciertere Antworten liefert. So wird Indonesien in der Analyse mit einer Bewertung von 4/10 eingeschätzt – deutlich niedriger als die vorsichtige, aber oberflächliche Einschätzung von Gemini –, da der Agent die hohen Kinderstunting-Raten, die mangelnde Verbesserung der Ernährungssituation und den moderaten Global Hunger Index (GHI) von 16,9 berücksichtigt. Die Anwendung ist nicht auf die SDGs beschränkt: Der Framework lässt sich auf HR, Marketing oder Vertrieb übertragen, indem der Agent auf interne Dokumente wie Stellenbeschreibungen oder Produktstudien trainiert wird, um maßgeschneiderte Fragen oder Berichte zu generieren. Eine öffentlich zugängliche Streamlit-Anwendung und Open-Source-Code ermöglichen die Interaktion und Transparenz. Die Architektur nutzt eine hierarchische Kontextstruktur: Menschen verfügen über abduktives Denken und hypothetisches Schlussfolgern, KI-Agenten arbeiten zielorientiert mit Werkzeugen, während LLMs durch RAG kontextuell erweitert werden, und traditionelle NLP-Tools wie NER nur auf statistischen Mustern operieren. Industrieexperten sehen in solchen Systemen eine transformative Kraft: Sie erweitern die Fähigkeit von Forschern und Entscheidungsträgern, aus riesigen Datenmengen schnell und verlässlich Erkenntnisse zu gewinnen. Unternehmen wie Google, OpenAI und Anthropic arbeiten bereits an ähnlichen Agenten-Ökosystemen. DeepRishSearch demonstriert, dass KI-Agenten nicht als Ersatz, sondern als intelligente Ergänzung menschlicher Expertise fungieren sollten – besonders in komplexen, datenintensiven Bereichen wie nachhaltiger Entwicklung.