Komplexe Agenten-Netzwerke scheitern in der Praxis noch häufig
Momentan beobachten wir einen Trend, Aufgaben an ein hochkomplexes Netzwerk von digitalen Helfern zu delegieren, den sogenannten Agenten. Man verspricht sich eine Art “kollektive KI-Intelligenz”. Aktuelle wissenschaftliche Studien der Hong Kong University of Science and Technology zeigen jedoch, dass in 43,3 % aller untersuchten Fälle eine einzelne KI besser abschneidet als ein komplexes, vernetztes KI-System.
Kommunikationsbrüche und fehlende Qualitätsprüfung sind laut diesen Studien ausschlaggebend für den eklatanten Unterschied zwischen einzelnen KI-Systemen und Multi-Agenten-Systemen. Sobald mehrere KI-Modelle im Hintergrund vollautomatisch miteinander kommunizieren müssen, um ein Problem zu lösen, steigen die Fehlerquellen drastisch an.
Die KI-Lösung DookuSense der Open LS löst die beschriebenen Qualitäts-Probleme hochkomplexer, KI-basierter Agenten unter anderem durch die Integration von Prüfinstanzen (das sogenannte Judgement). Weiterhin werden in DookuSense schlanke, spezialisierte KI-Modelle mit großen Sprachmodellen in einer strikt kontrollierten, minimalen Systemarchitektur verknüpft.
Strategische Leitlinien für eine unternehmensinterne KI-Infrastruktur
Aus diesen Erkenntnissen lassen sich Leitlinien für eine interne KI-Infrastruktur ableiten. Um die kumulierten Fehlerquoten der KI-Systeme im Gesamtprozess möglichst gering zu halten, sollte die Qualität permanent gemessen werden. Wenn die mathematische Sicherheit der KI unter einen definierten Schwellenwert sinkt, stoppt das System den Prozess und übergibt die Aufgabe an einen menschlichen Mitarbeiter (Expert-in-the-loop-Konzept).
Der Versuch, das Ergebnis generischer, minderwertiger oder schlecht trainierter KI-Modelle im Nachgang durch komplexe Vernetzungen und gegenseitige Korrekturschleifen zu reparieren, führt im Regelfall nur zu höheren Kosten – ohne messbare Steigerung der Prozessstabilität. Ein erstklassiges Fundament ist jeder technologischen Flickschusterei überlegen. Die Investition in qualitativ hochwertige, mit individuellen Daten trainierten, eigene KI-Modelle, das zur langfristigen Senkung der Betriebskosten beiträgt, stellt sich als weitaus tragfähigere Strategie dar.
Die Studien der Hong Kong University bestätigen somit die naheliegende Vermutung, dass nicht jede Aufgabe im Hintergrund ein ganzes Orchester erfordert. Während schnelle, schlanke Einzelsysteme einfache Routine-Aufgaben wie das Vorsortieren von E-Mails zuverlässig und wirtschaftlich erledigen, sollten komplexe, agentenbasierte KI-Netzwerke nur im Bedarfsfall eingesetzt werden, um eine möglichst hohe Effizienz der unternehmensinternen KI-Infrastruktur zu gewährleisten.
Fragen zum Thema KI-Agenten?
Please feel free to contact us.