Webinar: KI Agenten in der Praxis

Ich habe im Rahmen eines Webinars gemeinsam mit meinem Kollegen Stefan Heberling über ein Thema gesprochen, das mich schon lange fasziniert: generative KI und die sogenannte agentische Arbeitsweise. Unser Ziel war es, den Teilnehmenden zu zeigen, wie sich diese Technologien konkret in Unternehmen einsetzen lassen und wo die Vorteile gegenüber rein passiven Chatbots wie ChatGPT liegen. Stefan, Leiter des KI-Teams bei der BBV, hat zu Beginn unseres Treffens hervorgehoben, dass wir den Fokus auf das Zusammenspiel von KI-Agenten mit betrieblichen Prozessen legen wollten. Er hat mich als Gesprächspartner eingeladen, weil ich selbst in mehreren KI-Projekten eng an solchen Anwendungsfällen arbeite.

„Wir gewähren Ihnen heute einen exklusiven Einblick in unseren BBV AI Hub, ausgehend von den Herausforderungen, die wir täglich bei unseren Kunden antreffen.“

Dieses Zitat von Stefan umreißt den Kern unserer Veranstaltung. Uns ging es darum, zu zeigen, was generative KI im Unternehmensumfeld praktisch leisten kann. Die Teilnehmenden wollten wissen, wie man agentische Systeme so einführt, dass sie nicht nur nettes Beiwerk sind, sondern zu echten Entlastungen im operativen Alltag werden.

KI-Agenten als autonome Problemlöser

Ich habe im Webinar zunächst den Begriff KI-Agenten erläutert. Dieser bezeichnet virtuelle Einheiten, die in der Lage sind, ihre Aufgaben ähnlich wie menschliche Mitarbeitende selbstständig zu bearbeiten. Das bedeutet, dass sie nicht nur eine Frage beantworten, sondern ein Ziel definiert bekommen und eigenständig überlegen, wie sie dieses Ziel am besten erreichen. Stefan formulierte es im Gespräch so:

„Autonom auf Eingaben reagieren, einem bestimmten Workflow folgen und anhand dieses Workflows die gewünschten Resultate liefern.“

Dahinter steht eine Abfolge von Schritten, die beim menschlichen Problemlösungsprozess ähnlich auftreten. Der Agent erkennt eine Situation, interpretiert sie und legt im nächsten Schritt fest, welche Handlungen sinnvoll sind. Anschließend führt er diese Handlungen aus und prüft, ob sie zum gewünschten Ergebnis führen. Sollten sich Lücken oder Fehler zeigen, passt er sein Vorgehen an. Ich habe betont, dass das weit über simple Chatbot-Logik hinausgeht. KI-Agenten arbeiten nach einem agentischen Workflow, dessen Kernelemente Wahrnehmung, Planung, Handlung und Feedbackschleifen sind.

Um das greifbarer zu machen, habe ich ein Beispiel zum Bestandsmanagement in einem Logistikunternehmen beschrieben. Ein KI-Agent prüft ständig, wie viel Material noch verfügbar ist, prognostiziert den Bedarf anhand von historischen Daten und stößt, falls notwendig, eigenständig die Neubestellung an. Er entscheidet sogar, wann welche Mengen sinnvoll sind und informiert automatisch die zuständige Fachabteilung.

„Ein KI-Agent könnte hier den Lagerbestand in Echtzeit überwachen, bei niedrigen Mengen automatisch Aktionen auslösen und so langfristig Zeit und Ressourcen sparen.“

Damit möchte ich illustrieren, dass diese Programme einiges mehr können als reine Chat-Funktionen.

Der BBV AI Hub: Technologieplattform und Chancen

In einem zweiten Schritt habe ich den BBV AI Hub vorgestellt. Dabei handelt es sich um eine Technologieplattform, die wir entwickelt haben, um möglichst schnell neue KI-Agenten zu programmieren und diese in bestehende IT-Landschaften einzubetten. Wer sich fragt, warum man so etwas braucht, dem habe ich erklärt, dass klassische Softwarearchitekturen nicht immer auf die Geschwindigkeit, mit der sich KI-Anwendungen weiterentwickeln, ausgelegt sind.

Der AI Hub schafft Klarheit bei der Verwaltung von Daten und Verbindungen zu verschiedenen Sprachmodellen. Das bedeutet, dass man wahlweise auf kommerzielle Dienste wie OpenAI oder Google Cloud zurückgreifen kann oder auch Open-Source-Modelle im eigenen Rechenzentrum betreibt. Für manche Unternehmen ist Letzteres unverzichtbar, weil sensible Daten nicht das Firmennetzwerk verlassen dürfen. Ein weiterer Vorteil besteht in der Skalierbarkeit. Wenn ein Agent sehr häufig Anfragen verarbeiten muss, können wir rasch feststellen, ob eine leistungsstärkere Umgebung oder ein anderes Modell sinnvoller ist.

Herausforderungen in Kundenprojekten

Ich werde oft gefragt, wo im Praxisalltag die größten Hürden bei der Entwicklung dieser KI-Lösungen liegen. Meine Antwort ist stets, dass wir als KI-Team das rein Technische gut im Griff haben, aber die fachliche Richtigkeit der Ergebnisse mit Unterstützung unserer Kunden prüfen müssen. Beim Bestandsmanagement-Beispiel ist klar: Wir kennen uns nicht in jedem Detail jeder Branche aus. Das bedeutet, dass ein KI-Agent zwar formal korrekt arbeiten kann, aber es kann immer sein, dass eine bereichsspezifische Regel übersehen wird.

Wir haben im Webinar gezeigt, wie wir dieses Problem angehen. Wir protokollieren die einzelnen Schritte unserer Agenten. Sobald eine fehlerhafte Antwort auftaucht, kann man in einem sogenannten Agenten-Logbuch nachverfolgen, welche Texte oder Datenquellen ausgewertet wurden und ob das System vielleicht eine veraltete Information herangezogen hat. Das Schöne daran ist, dass man aus diesen Analysen viel lernt und die Agenten auf Basis des Kundenfeedbacks beständig verbessert.

„Gerade bei kritischen Entscheidungen wollen wir sicherstellen, dass der KI-Agent uns sagt, auf welches Dokument er sich stützt.“

So habe ich es im Webinar erklärt. Wenn eine automatisierte Handlung weitreichende Konsequenzen hat, ist Transparenz essenziell.

Zusammenarbeit zwischen Agenten Ein Thema, das die Teilnehmenden im Anschluss sehr interessierte, war die Frage, ob mehrere KI-Agenten untereinander kommunizieren können. Ich habe bestätigt, dass wir hierfür bereits Lösungen entwickelt haben.

Es ist möglich, dass ein übergeordneter Koordinator-Agent erkennt, dass eine Aufgabe mehrere Spezialagenten erfordert. Er leitet die Anfragen dann an die relevanten Agenten weiter und sammelt deren Teilergebnisse, bis eine Gesamtlösung vorliegt. Dieses Prinzip folgt der gleichen Logik wie in echten Teams, wo verschiedene Experten zusammenarbeiten.

Im Webinar habe ich zum Beispiel gezeigt, wie ein Agent, der für die Überwachung von Lagerbeständen zuständig ist, mit einem anderen Agenten kooperieren kann, der Bestellungen oder Ausschreibungen initiiert. So entsteht ein KI-Agenten-Team, das am Ende eigenständige Entscheidungen fällen kann, ohne dass ein Mensch jeden Zwischenschritt kontrollieren muss.

Rollen, Rechte und Datenzugriffe

In vielen Kundengesprächen kommt rasch die Frage nach Zugriffskontrollen auf. Mitarbeiter sollen nur die Informationen sehen, auf die sie auch laut ihrer Rolle zugreifen dürfen. In solchen Fällen betone ich, dass wir Agenten immer recht klar definieren. Ein Agent bekommt genau die Datenquellen, die er für seine Aufgabe benötigt, nicht mehr und nicht weniger.

Der AI Hub bietet zudem Anbindungen an bestehende Zugriffs- und Rechtesysteme. Wer den Agenten nicht nutzen darf, sieht ihn auch nicht und kann somit keine kritischen Daten lesen. Ich habe darauf hingewiesen, dass dies ein Schlüsselpunkt ist, damit sich KI-Systeme langfristig sicher in den betrieblichen Alltag integrieren.

Wissen finden statt suchen

Viele Unternehmen haben umfangreiche Dokumenten- oder Wissensablagen. Mitarbeiter verschwenden laut Studien täglich wertvolle Zeit, weil sie nicht genau wissen, wo eine Information abgelegt ist. Im Webinar hat Stefan eine Statistik erwähnt, wonach Mitarbeitende mitunter 30 Minuten am Tag nur mit der Suche nach Dokumenten verbringen. Ich habe erklärt, wie KI-Agenten in Verbindung mit den sogenannten vektorbasierenden Datenbanken Abhilfe schaffen können.

Wenn man eine Frage stellt, durchsucht der Agent die relevanten Quellen und findet sehr schnell jene Textstellen, die zur Beantwortung passen. Das sind weit komplexere Suchstrategien als eine einfache Volltextsuche. Indem wir den Kontext, also die inhaltliche Nähe zwischen Begriffen, auswerten, findet der Agent auch bei Synonymen oder Themenverwandtschaft die richtigen Passagen. Entscheidend ist, dass wir dieses System kontinuierlich verbessern und regelmäßig prüfen, ob der Agent korrekte Fundstellen liefert.

Live-Demo: Transparenz und Nachvollziehbarkeit

Während des Webinars habe ich in einer Live-Demo gezeigt, wie ein KI-Agent in einem Frage-Antwort-Szenario funktioniert. Die Teilnehmenden konnten sehen, dass der Agent bei jeder Frage mehrere Zwischenschritte durchläuft. Er prüft, ob er für die jeweilige Frage zuständig ist, sucht relevante Textabschnitte, filtert sie und generiert erst am Ende eine Antwort.

Wir haben außerdem demonstriert, dass man im Agenten-Logbuch alle Teilschritte einsehen kann, beispielsweise welche Dokumente oder Passagen der Agent als Quelle für seine Antwort genutzt hat. Diese Transparenz gibt den Anwenderinnen und Anwendern Sicherheit, weil sie bei Bedarf nachvollziehen können, warum eine Antwort in bestimmter Weise formuliert wurde.

Ausblick und eigene Einsatzszenarien

Am Ende des Webinars fragte Stefan mich, welche KI-Agenten wir selbst intern nutzen. Ich habe erzählt, dass wir einen sogenannten Wiki-Agenten entwickelt haben, der auf unsere firmeneigenen Richtlinien und unser Intranet zugreifen kann. Mitarbeitende, die nach bestimmten HR-Regelungen oder IT-Policies suchen, müssen somit nicht mehr manuell mehrere Plattformen durchforsten.

Darüber hinaus unterstützen wir Teams bei der Erstellung von Projektbeschreibungen, indem ein Agent automatisch die relevanten Kerndaten zusammenträgt und sinnvoll in ein Dokument einfügt. Zusätzlich verfügen wir über einen Agenten, der internes KI-Wissen bündelt. Er beantwortet Kollegenfragen, bevor diese an uns KI-Entwickler herangetragen werden.

„Wir sehen in der Praxis, dass sich viele Fragen auf einen kleinen Kern an Unternehmenswissen konzentrieren. Da lohnt es sich besonders, mit KI-Agenten eine abteilungsübergreifende, zentrale Anlaufstelle zu schaffen.“

Ich habe versichert, dass wir dieses Prinzip in Zukunft noch weiter ausbauen werden, etwa mit Agenten, die Bestellprozesse automatisieren oder Dokumentationseinträge in komplexen Projekten erleichtern.

Stefan hat abschließend auf den Swiss AI Impact Report hingewiesen, der in Kürze von uns veröffentlicht wird. Darin werten wir eine Studie aus, die wir zu KI-Einsatzmöglichkeiten in Schweizer Unternehmen durchgeführt haben. Unsere Erkenntnisse wollen wir in einem nächsten Webinar teilen und dabei zeigen, welche Erfahrungen hiesige Betriebe bereits mit generativer KI gemacht haben.

Fazit

Ich habe den Eindruck, dass der Abend für viele Teilnehmende ein Aha-Erlebnis war. Wir konnten anschaulich verdeutlichen, dass generative KI-Systeme längst mehr sind als einfache Chatbots. Mit KI-Agenten lassen sich konkrete betriebliche Herausforderungen angehen, die weit ins operative Geschäft hineinwirken. Vor allem aber betonte ich den Stellenwert der Transparenz. Nur wenn klar ist, wie ein Agent zu seinen Handlungsempfehlungen kommt, trauen sich Unternehmen, Verantwortung an solche autonomen Systeme zu übergeben.

Für mich persönlich bleibt festzuhalten, dass KI-Agenten immer nur so schlau sind wie das Wissen, das man ihnen zugänglich macht. In der Zusammenarbeit mit Kunden erleben wir jedoch, wie rasch sich das volle Potenzial entfalten lässt, wenn man die richtigen Informationen bereitstellt und die richtigen Rollen- und Sicherheitskonzepte definiert. Genau diese Mischung aus technischer Innovation und durchdachter Integration in bestehende Betriebsprozesse fasziniert mich.