AI-Agent: Was ist das und wie funktioniert er wirklich?

👁 114 Aufrufe

Das Wort „Agent“ klebt mittlerweile an allem, was AI im Namen trägt, und hat dadurch seine Bedeutung verloren. Dabei lässt sich der Unterschied zwischen Chatbot und Agent konkret in einem Satz beschreiben: Ein Chatbot antwortet, ein Agent handelt. Der Rest dieses Artikels ist die Ausführung dieses Satzes und zeigt, wie Sie einen eigenen Agenten ohne Code aufbauen.

Was ist der Unterschied zwischen Agent und Chatbot

Ein gewöhnlicher Chatbot erhält eine Frage und gibt Text zurück. Mehr passiert nicht. Wenn Sie ihn bitten, eine E-Mail zu versenden, schreibt er den Inhalt der E-Mail, versendet sie aber nicht.

Ein Agent erhält ein Ziel, keine Frage, und hat Werkzeuge zur Verfügung. Er kann etwas im Netz nachschlagen, eine Datei lesen, einen Eintrag in einer Datenbank speichern, eine Nachricht versenden. Er entscheidet selbst, in welcher Reihenfolge er vorgeht, und überprüft unterwegs das Ergebnis.

Darin liegt der ganze Unterschied. Zu einem Chatbot sagen Sie „schreibe eine Zusammenfassung dieser Datei“. Zu einem Agenten sagen Sie „prüfe jeden Morgen neue Dateien in diesem Ordner, fasse jede zusammen und schicke mir eine Nachricht mit allem“.

Woraus besteht ein AI-Agent

Unabhängig davon, womit Sie ihn aufbauen, hat ein Agent vier Teile.

1. Modell. Es entscheidet, was im nächsten Schritt zu tun ist.
2. Werkzeuge. Alles, womit der Agent etwas bewirken kann außer Schreiben: Suchmaschine, Dateizugriff, E-Mail-Versand, Datenbankabfrage.
3. Gedächtnis. Aufzeichnung dessen, was er bereits getan und erfahren hat, damit er nicht bei jedem Schritt von vorne beginnt.
4. Auslöser. Was ihn startet: eine Uhrzeit, eine neue E-Mail, eine neue Datei, ein Klick.

Wenn eines dieser vier Elemente fehlt, ist es kein Agent, sondern ein Chatbot mit hübscherer Verpackung. Am häufigsten fehlen die Werkzeuge.

AI-Agent erstellen ohne Programmierung

Der einfachste Weg führt über Automatisierungstools, in denen Sie fertige Bausteine verbinden. Das Schema ist immer dasselbe.

Schritt eins: Beginnen Sie mit einer Aufgabe, die Sie manuell erledigen. Nicht mit der Vision eines Assistenten, der Ihre Firma führt. Mit einer Tätigkeit, die Sie jeden Montag wiederholen. Das ist der einzige Rat aus dieser Liste, der wirklich über Erfolg oder Misserfolg entscheidet.

Schritt zwei: Schreiben Sie sie so detailliert auf, als würden Sie sie einer neuen Person erklären. Wo nachsehen, was prüfen, was tun, wenn etwas fehlt. Dieser letzte Punkt ist der, den alle vergessen und weswegen Agenten hängen bleiben.

Schritt drei: Geben Sie dem Agenten nur die Werkzeuge, die er braucht. Nicht „Zugriff auf Postfach“, sondern „Lesen von Nachrichten aus einem Label“. Je enger die Berechtigungen, desto weniger kann schiefgehen.

Schritt vier: Führen Sie ihn zunächst im Trockenlauf aus. Lassen Sie ihn eine Woche lang aufschreiben, was er tun würde, statt es zu tun. Sie sehen dann alle Stellen, an denen er sich auf eine Weise geirrt hat, die Sie nicht erwartet haben.

Schritt fünf: Erst jetzt aktivieren Sie die Ausführung, und zwar an etwas, das sich rückgängig machen lässt.

Wo AI-Agenten wirklich scheitern

Ich schreibe das aus Erfahrung mit eigenen Automaten, die täglich laufen.

Bei untypischen Situationen. Ein Agent funktioniert hervorragend, solange die Daten so aussehen wie während der Tests. Die erste Datei in einem anderen Format kann ihn in die Irre führen, und schlimmer noch: Der Agent meldet das Problem meist nicht, sondern tut etwas vernünftig Aussehendes und Falsches.

Bei stillen Ausfällen. Ein Modell kann eine leere Antwort mit Erfolgsstatus zurückgeben. Ich habe das gemessen: In meinem Test von zehn Modellen lieferten drei bei einer Aufgabe Status 200 und leeren Inhalt, ohne jede Fehlermeldung. Wenn Ihr Agent das nicht prüft, speichert er Leere und macht weiter.

Bei den Kosten. Ein Agent, der laut denkt, zahlt für jeden Schritt. Bei Modellen mit obligatorischem Reasoning machen Reasoning-Token sogar 96 Prozent aller Output-Token aus, und Output ist die teurere Seite der Preisliste. Die Rechnung für einen rund um die Uhr laufenden Agenten kann überraschen.

Bei Schleifen. Ein Agent ohne Schrittlimit kann sich im Kreis drehen. Setzen Sie immer ein hartes Limit für Versuche und ein hartes Kostenlimit.

Wofür eignet sich ein AI-Agent wirklich

Für wiederholbare und langweilige Dinge. Durchsehen, Ordnen, Zusammenfassen, Umschreiben von einem Format ins andere. Hier rechnet sich ein Agent ab der ersten Woche.

Für Monitoring. Prüfen, ob sich etwas geändert hat, und sich nur dann melden, wenn es sich geändert hat. Das ist wahrscheinlich das beste erste Projekt für jeden.

Nicht geeignet für Entscheidungen, die Sie nicht überprüfen können. Wenn Sie nicht in fünf Sekunden beurteilen können, ob der Agent richtig gehandelt hat, geben Sie ihm diese Aufgabe nicht. Nicht weil er es nicht schafft, sondern weil Sie nicht bemerken, wenn er es nicht schafft.

Welches Modell für einen AI-Agent wählen

Für einen Agenten, der in einer Schleife läuft, wählt man anders als für ein einmaliges Gespräch, weil sich die Kosten mit der Anzahl der Schritte multiplizieren. Ich habe zehn Modelle bei Aufgaben auf Polnisch gemessen, und der Unterschied in der Rechnung zwischen Modellen mit identischer Korrektheit erreichte das Zweiunddreißigfache.

Hinzu kommt etwas, woran sich kaum jemand erinnert: Der auf der Modellkarte sichtbare Preis muss nicht der Preis sein, den Sie zahlen, denn dasselbe Modell wird von einem Dutzend Firmen mit eigenen Tarifen gehostet. Ich habe das anhand von Daten von fünfzehn Modellen aufgeschlüsselt.

Was kostet ein AI-Agent der schreibt

Bei einem in einer Schleife laufenden Agenten multiplizieren sich die Kosten mit der Anzahl der Schritte, sodass die Modellwahl zur finanziellen Entscheidung wird. Ich habe das an konkreten Zahlen aufgeschlüsselt: Was kostet ein von AI geschriebener Artikel, von vier Hundertstel Cent bis neunzehn Cent für denselben Text.

Modell auf dem eigenen Computer

Ein Agent muss nicht in der Cloud laufen. Wenn Ihnen wichtig ist, dass Daten Ihre Maschine nicht verlassen, habe ich geprüft, wie das in der Praxis funktioniert: lokal ausgeführtes Modell.

Wo Automatisierung endet

Bei der Planung von Agenten ist es nützlich zu wissen, welche Tätigkeiten sich heute an ein Tool abgeben lassen und welche nicht. Ich habe das konkret im Text über AI und Arbeit aufgeschlüsselt.

Bevor Sie ein Modell für einen Agenten wählen

Bei Arbeit in einer Schleife multiplizieren sich die Kosten mit der Anzahl der Schritte, daher ist es wichtig zu wissen, dass sieben von achtzehn Modellen das Reasoning nicht mehr abschalten lassen. Wenn Ihr Code diesen Parameter fest sendet, funktioniert er nach einem Modellwechsel überhaupt nicht mehr.

// weiterlesenKI-Agenten von Grund auf: Funktionsweise und BauanleitungAnleitungenKI-Schulung mit Zertifikat: Was der AI Act wirklich verlangtMagazinRunway AI: Funktionen, Einsatzbereiche und Grenzen im TestKI-Werkzeuge

Kinetyra