Seit zwei Jahren werden Unternehmen mit dem Versprechen autonomer KI-Agenten verkauft: Systeme, die mit minimalem menschlichen Aufwand Flüge buchen, Code schreiben und Daten analysieren können. Doch trotz umfangreicher Experimente bleiben die tatsächlichen Einsätze in Unternehmen hartnäckig niedrig. Ungefähr 95 % der KI-Projekte liefern keinen greifbaren Geschäftswert und scheitern unter der Last der Komplexität der realen Welt. Das Kernproblem? Ein grundlegendes Missverständnis darüber, was Agenten sind – keine Zauberkästen, sondern komplexe Softwaresysteme, die eine strenge Entwicklung erfordern.
Das Problem: KI wie eine Demo und nicht wie ein Produkt behandeln
Bei der Diskrepanz zwischen KI-Demos und Unternehmenswert geht es nicht um bessere Modelle; es geht um bessere Architektur. Antonio Gulli, ein leitender Ingenieur bei Google, argumentiert, dass die Branche den neuesten Frameworks statt grundlegenden Prinzipien hinterhergejagt sei. „KI-Engineering unterscheidet sich nicht von jeder anderen Form des Engineerings“, erklärt er. Um dauerhafte Systeme aufzubauen, benötigen Sie wiederholbare Standards und nicht nur hochmoderne Modelle.
Gullis aktuelles Buch „Agentic Design Patterns“ bietet genau das: 21 grundlegende Muster, um experimentelle Agenten in zuverlässige Unternehmenstools umzuwandeln. Der Ansatz spiegelt die „Design Patterns“-Revolution in der Softwareentwicklung wider und bringt Ordnung in ein chaotisches Feld. Diese Muster bestimmen, wie ein Agent denkt, sich erinnert und handelt – die Kernbausteine robuster KI-Systeme.
Fünf Schlüsselmuster mit sofortiger Wirkung
Für Unternehmen, die ihren KI-Stack stabilisieren möchten, identifiziert Gulli fünf Muster mit großer Wirkung:
- Reflexion: Anstelle sofortiger, möglicherweise halluzinatorischer Reaktionen sollten Agenten nachdenken, indem sie einen Plan erstellen, ihn ausführen und die Ergebnisse kritisch bewerten, bevor sie sie präsentieren. Dadurch wird das menschliche Denken nachgeahmt und die Genauigkeit erheblich verbessert.
- Routing: Skalieren Sie ohne explodierende Kosten, indem Sie einfache Aufgaben auf günstigere Modelle verweisen und komplexe Überlegungen den leistungsstärksten (und teuersten) Systemen vorbehalten. Modelle können als Router fungieren und so die Effizienz optimieren.
- Kommunikation: Standardisierte Kommunikationsprotokolle wie das Model Context Protocol (MCP) fungieren als „USB-Port für KI“ und ermöglichen eine nahtlose Integration mit Tools, Datenbanken und anderen Agenten.
- Speicher: Durch die Strukturierung der Art und Weise, wie Agenten vergangene Interaktionen speichern und abrufen, entstehen dauerhafte, kontextbewusste Assistenten, die das „Goldfisch“-Problem des Verlusts des Kurzzeitgedächtnisses lösen.
- Leitplanken: Architektonische Einschränkungen sind für Sicherheit und Compliance von entscheidender Bedeutung und verhindern Datenlecks oder unbefugte Aktionen. Dabei handelt es sich um harte Grenzen, nicht nur um höfliche Systemaufforderungen.
Transaktionssicherheit: Der Schlüssel zum Vertrauen autonomer Agenten
Ein großes Hindernis für den Einsatz ist die Angst: Ein autonomer Agent mit Schreibzugriff auf kritische Systeme ist ein Risiko, wenn er ausfällt. Die Lösung? Transaktionssicherheit, entlehnt aus der Datenbankverwaltung. So wie Datenbanken Prüfpunkte und Rollbacks verwenden, sollten Agenten vorläufig arbeiten und die Möglichkeit haben, bei Fehlern in einen sicheren Zustand zurückzukehren. Dies ermöglicht es Unternehmen, Agenten mit Schreibzugriff anzuvertrauen, da sie wissen, dass es eine „Rückgängig“-Schaltfläche gibt.
Um diese Systeme zu testen, müssen Agent Trajectories bewertet werden: nicht nur die endgültige Antwort, sondern der gesamte Entscheidungsprozess. Gulli befürwortet außerdem automatisierte Peer-Review-Systeme, bei denen spezialisierte Agenten die Leistung der anderen gegenseitig kritisieren, um die Ausbreitung von Fehlern zu verhindern.
Die Zukunft: Vom Prompt Engineering zum Context Engineering
Bis 2026 wird die Ära der Allzweckmodelle voraussichtlich enden. Die Zukunft gehört spezialisierten Agentenflotten: Agenten, die sich auf das Abrufen, die Bilderzeugung oder die Videoerstellung konzentrieren und nahtlos kommunizieren. Entwickler werden vom Prompt Engineering (linguistische Tricks) zum Context Engineering wechseln: Sie entwerfen den Informationsfluss, verwalten den Zustand und kuratieren die „sehenden“ Datenagenten.
Das ultimative Ziel ist nicht nur der Einsatz von KI; Es geht darum, geschäftliche Probleme effektiv zu lösen. Gulli warnt vor KI um der KI willen. Unternehmen müssen mit einer klaren Definition ihrer Bedürfnisse beginnen und die Technologie strategisch einsetzen, um diese zu erfüllen.
