AI-Agenten – Chancen, Herausforderungen und Auswirkungen auf den Alltag

• „AI-Agenten“ haben sich in den letzten 18 Monaten rasant von Technologieexperimenten zum Mainstream entwickelt, und frühe Anwender berichten von bemerkenswerten Ergebnissen wie Kostensenkungen, Zeitersparnis und Produktivitätssteigerungen
• Diese Innovation bringt einen grundlegenden Wandel bei der Automatisierung komplexer Aufgaben, doch es bestehen weiterhin Grenzen, Herausforderungen und ungelöste Fragen

Was sind AI-Agenten?

• AI-Agenten sind Softwaresysteme, die mithilfe von Tools, Speicher und anderen AI-Systemen komplexe Aufgaben planen, koordinieren und ausführen
• Sie arbeiten ähnlich wie Menschen, indem sie Ziele setzen und diese in kleinere Schritte zerlegen, um sie zu erreichen
• Dank der Fortschritte bei Large Language Models (LLMs) und generativer AI (gen AI) können sie Intelligenz, Tools und Speicher nutzen, um durch Planen, Ausführen, Bewerten und Iterieren Ziele zu erreichen

Ein einfaches AI-Agenten-System

• Die Frage eines Freundes: „Wäre eine App möglich, die Reiseziele mit dem besten Wetter und den günstigsten Flügen anbietet?“
  • Das wäre auch mit herkömmlichem Code möglich, aber AI-Agenten bieten einen interessanteren Ansatz mit natürlicher Sprache
• Beispiel für eine Reiseempfehlung mit natürlicher Sprache:
  1. Erfassung der Nutzerpräferenzen: Wettervorlieben und Abflugsort werden in natürlicher Sprache eingegeben. Das LLM interpretiert die Eingabe, erkennt die benötigten Tools und entscheidet, wie die Aufgabe ausgeführt wird
  2. Ziele finden: Mit dem Tool „find_destinations“ werden auf Basis von Wetterdaten aus den vergangenen 12 Monaten für 200 Städte passende Reiseziele gesucht
  3. Flüge suchen: Flugdaten und Preisinformationen für die Reiseziele abrufen
  4. Empfehlung erstellen: Die Daten aus Schritt 2 und 3 zusammenführen und die endgültige Empfehlung in natürlicher Sprache erzeugen

Fortgeschrittene AI-Agenten-Systeme

• Dank leistungsfähigerer LLMs können AI-Agenten auch komplexere Aufgaben bewältigen
• Wichtige Anwendungsfälle:
  • Softwareentwicklung: AI-Agenten, die Software erstellen und warten. Dazu gehören Devin, Cursor, Replit und GitHub Copilot (mittlerweile mit 1,8 Millionen Abonnenten)
  • Kundenservice: AI-Agenten, die Kundenanfragen bearbeiten. Klarna AI ersetzt die Arbeit von 700 Mitarbeitern und spart 2024 Kosten in Höhe von $40m
  • Vertrieb und Marketing: AI-Agenten, die Lead-Generierung und Marketing automatisieren. Das generative-AI-Marketing von KFC und Taco Bell steigerte das Kundenengagement im zweistelligen Bereich

Bereiche mit Chancen

• Verschiedene Startups entwickeln innovative Produkte auf Basis von AI-Agenten
• Beispiele für Anwendungen:
  • Gesundheitswesen: OpenClinic – ein System zur Unterstützung von Ärzten
  • Roboterausbildung: innate – eine Plattform zum Trainieren von Robotern
  • Persönlicher Assistent: Khoj – fungiert als zweites Gehirn für Nutzer
  • Innendesign: Rastro – fungiert als personalisierter Interior Designer
  • Erfolgsbeispiel: HappyRobot
    • Automatisiert Telefonate und Kommunikation in Logistikunternehmen
    • Hat bereits mehr als 50 Kunden und erzielt sichtbare Vorteile. Die durchschnittliche Gesprächsdauer sank um 50 %, die Betriebskosten um ein Drittel
• Beispiele für Tooling
  • No-Code-Agentenbau: Gumloop – AI-Agenten ohne Code schreiben erstellen
  • Telefonisches Bezahlsystem: Protegee – ermöglicht sichere Telefonzahlungen über Agenten
  • Sicherheitstests: Automatisierte Stresstests der Sicherheit und Alignment von Systemen mit „Red-Team“-AI-Agenten

Aktuelle Grenzen

• Trotz der hohen Erwartungen an AI-Agenten ist es wichtig, die aktuellen Grenzen zu erkennen und realistische Erwartungen zu setzen
• Einige Probleme könnten in naher Zukunft gelöst werden, andere könnten auch langfristig bestehen bleiben
• Technische Grenzen: Zuverlässigkeitsprobleme von LLMs, Schwierigkeiten bei langfristiger Zielplanung, mögliche Fehlerakkumulation
  • Large Language Models (LLMs), das Gehirn von AI-Agenten, haben Zuverlässigkeitsprobleme
  • Das Phänomen der „Halluzination“: Es werden Informationen erzeugt, die nicht den Tatsachen entsprechen
  • Fehlende Fähigkeiten für langfristige Zielplanung und Schlussfolgerung
  • Bei der Verknüpfung mehrerer Aufgaben besteht das Risiko einer Fehlerakkumulation
    • Beispiel: Ein 10-stufiger Prozess mit 90 % Genauigkeit pro Schritt erreicht am Ende nur 35 % Zuverlässigkeit (90%^10)
• Operative Herausforderungen: Probleme bei Datenintegration und Sicherheit, Schwierigkeiten im Umgang mit sensiblen Informationen
  • Die Interaktion mit anderer Software, der Umgang mit sensiblen Informationen und autonome Entscheidungen (z. B. das Ausführen von Zahlungen) bringen hohe Anforderungen an Integration und Sicherheit mit sich
  • Datenschutz- und Sicherheitsprobleme
  • Die Verbindungsstrukturen und Schutzmechanismen zur Unterstützung solcher Systeme sind noch unzureichend
• Gesellschaftliches Vertrauen: Mangelndes Vertrauen und Auswirkungen wie Arbeitsplatzabbau könnten eine breite Einführung verzögern
  • Es dürfte Zeit brauchen, bis die Gesellschaft AI-Agenten vertraut und sie in großem Maßstab einsetzt
  • Neben Fragen zu Zuverlässigkeit und Sicherheit gibt es Sorgen über Jobverluste durch AI und Störungen bestehender Arbeitsweisen
  • Selbst wenn in einigen Bereichen vollständige Automatisierung möglich ist, ist sie nicht unbedingt wünschenswert

Offene Fragen

• AI-Agenten haben das Potenzial, die Wirtschaft zu transformieren, doch je intelligenter und verbreiteter diese Systeme werden, desto mehr ungelöste Fragen stellen sich
• Technische Fragen
  • Wird die Zukunft von AI-Agenten geprägt sein, die auf bestimmte Fachbereiche spezialisiert sind, oder sind leistungsstarke allgemeine Agentensysteme möglich?
  • Wird man weiterhin LLMs mit probabilistischen Eigenschaften verwenden, oder braucht es deterministischere Planungssysteme?
  • Welche Maßstäbe sollten zur Leistungsbewertung verwendet werden? Das Niveau menschlicher Leistung oder darüber hinaus?
• Auswirkungen auf Menschen und Arbeit
  • Wie viel menschliches Eingreifen ist nötig, und wo ist es nicht wichtig?
  • Welche Auswirkungen werden AI-Agenten auf Beschäftigung und den globalen Arbeitsmarkt haben?
• Geschäftsmodelle und kommerzielle Fragen
  • Wie sollten AI-Agenten-Produkte bepreist werden? Pro Aufgabe, pro Zeit oder nach geschaffenem Wert?
  • Welche kreativen Aufgaben könnten durch AI-Agenten möglich werden, die zuvor unmöglich waren?
    • Beispiel: Der Einsatz von Agentensystemen, um Tausende von Produktbewertungen zu synthetisieren und damit Aufgaben zu ermöglichen, die Menschen nicht leisten konnten
• Regulierung und Risikomanagement
  • Wie sollten Agentensysteme reguliert werden? Wie lassen sich Datenschutz- und Sicherheitsprobleme lösen?
  • Wer trägt die Verantwortung, wenn ein Agentensystem fehlerhaft arbeitet und Schaden verursacht?
• Darüber hinaus gibt es noch viele weitere Fragen zu erforschen
• Jetzt ist die Zeit, die Technologie selbst auszuprobieren
  • Es wird empfohlen, konkret darüber nachzudenken, wie AI-Agenten Arbeit und Freizeit verbessern können, und dabei Hype und Realität zu unterscheiden

[kipsong133]

In letzter Zeit wird wirklich viel über AI Agents gesprochen.