Vom Chatbot zum autonomen Agenten
Large Language Models (LLMs) haben sich seit ihrem Durchbruch im Jahr 2022 stark weiterentwickelt. Damals veröffentlichte OpenAI ChatGPT für die Öffentlichkeit und gewann in den ersten fünf Tagen eine Million Nutzer. Anfang 2023 waren es bereits 100 Millionen. Wer diese ersten Modelle genutzt hat, kennt Halluzinationen, Bilder mit sechs Fingern pro Hand und Chats, die sich im Kreis drehten, weil der Chatbot sich selbst widersprach und sich immer wieder entschuldigte. Heute können Modelle riesige Datenmengen auf wissenschaftlichem Niveau analysieren. Mit einem einzigen Textprompt lassen sich durchgängig konsistente Videos erstellen, und mithilfe spezieller Tools erhält die eigene KI sprichwörtlich Hände und kann zum Beispiel direkt die Steuererklärung übernehmen (keine Finanzberatung). Doch wie schafft man den Sprung von der KI als einfachem Chatpartner hin zu einer KI, die komplexe Aufgaben eigenständig übernimmt?
Es gibt inzwischen einige Tools, mit denen sich erste Erfahrungen mit Agentic Automation sammeln lassen, wobei die passende Wahl von den eigenen Gegebenheiten abhängt. Wer Workflows innerhalb des eigenen Unternehmens einsetzen möchte, hat mit Power Automate von Microsoft möglicherweise bereits ein passendes Werkzeug. Wer nicht an diese Dienste gebunden ist, sollte auch einen Blick auf kommende Lösungen von Anthropic und OpenAI werfen, mit denen sich mehrere Agenten koordinieren lassen.
Praxisbeispiel
Wie KI die Entwicklung eines Klasse-III-Medizinprodukts unterstützen kann
Tools wie n8n oder Power Automate basieren auf der Konfiguration und dem Einsatz von Agenten, die einzelne Aufgaben übernehmen, parallel arbeiten und sich gegenseitig Informationen und Kontext liefern, ähnlich wie in einem eingespielten Team. In unserem Webinar zeigen wir einen Workflow, der die Entwicklung eines AEDs als Klasse-III-Medizinprodukt simuliert. Der Workflow nimmt die Kundenanforderungen als Input entgegen und verteilt Aufgaben an verschiedene Agenten, ähnlich wie Abteilungen innerhalb eines Unternehmens. Eine Requirements-Abteilung (in diesem Fall ein Requirements-Agent) übernimmt die Kundenanforderungen, prüft sie auf Inkonsistenzen und hält anschließend die technischen Anforderungen schriftlich fest. Diese Anforderungen gehen dann an das Entwicklungsteam (eine Gruppe aus Software-, Hardware- und Mechanik-Agenten), das die Anforderungen umsetzt und sich untereinander abstimmt, um Konflikte in der Umsetzung zu vermeiden. Im letzten Schritt simulieren zwei Agenten eine Konformitätsbewertung nach MDR. Dafür prüfen sie die gesamte Dokumentation aus dem Workflow und gleichen sie mit den MDR-Anforderungen ab. Dieser Schritt funktioniert wie ein kleines internes Audit, das dem Team hilft, mögliche Beanstandungen zu reduzieren, indem sichergestellt wird, dass die erforderlichen Unterlagen vollständig vorliegen, sobald die Benannte Stelle kontaktiert wird.
Der Workflow lässt sich innerhalb weniger Minuten durchführen und liefert dem menschlichen Entwicklungsteam wichtige Erkenntnisse, noch bevor die eigentliche Entwicklung beginnt. Das verschafft dem Team einen entscheidenden Vorsprung und wandelt einen erheblichen Teil des Entwicklungsaufwands in Review-Aufgaben um, die erfahrene Entwickler und Ingenieure bearbeiten können.
Das ist nur ein Beispiel dafür, was sich mit Agentic Automation erreichen lässt. Teams entwickeln bereits Workflows, um repetitive oder zeitintensive Aufgaben zu bewältigen.
Weitere Anwendungsfälle
Stellen Sie sich vor, Sie entwickeln ein Medizinprodukt und nutzen einen Workflow, der eingehende E-Mails Ihres Unternehmens durchsucht und Rückmeldungen aus dem Markt identifiziert. Da Sie verpflichtet sind, innerhalb eines festgelegten Zeitfensters auf diese Meldungen zu reagieren, fasst der Workflow die E-Mail automatisch zusammen, stuft den Schweregrad des gemeldeten Vorkommnisses ein und sendet eine dringende Nachricht an Ihre PRRC (Person Responsible for Regulatory Compliance) zur Prüfung des Falls.
Oder stellen Sie sich vor, Sie möchten regelmäßige interne Audits durchführen, um sicherzustellen, dass Ihre Dokumentation für den unangekündigten Besuch eines Kunden oder einer Benannten Stelle jederzeit aktuell ist, Ihr Team ist jedoch schon voll ausgelastet. Auch dafür lässt sich ein Workflow einrichten, der in regelmäßigen Abständen läuft und die gesamte Dokumentation auf Abweichungen oder Lücken prüft. So weiß Ihr Team jederzeit, wo Handlungsbedarf besteht.
Solche Beispiele zeigen, dass KI zunehmend Aufgaben übernimmt, für die früher erfahrene Fachkräfte nötig waren. Im Fall der AED-Entwicklung sogar ganze Teams hochqualifizierter Experten. Dadurch reduziert sich der Aufwand von Stunden oder Wochen auf einen Bruchteil der Zeit. Die menschliche Verantwortung verschiebt sich dabei von der Entwicklung hin zu Review und Freigabe. Einige Teams bei Corscience testen bereits den Einsatz von KI-Agenten und automatisierten Workflows, um sich bei neuen Projekten einen Vorsprung zu verschaffen.
Unsere Teams beschäftigen sich mit dem Einsatz von KI in Bereichen wie Cybersecurity, Requirements Engineering, Testautomatisierung und weiteren Themen. Wer sich für diese Themen interessiert, findet mehr dazu in unserer kürzlich veröffentlichten Podcast-Folge zu Cybersecurity sowie in unserer kommenden Folge zum AI-Act und den regulatorischen Implikationen dieser Tools.
Es bleibt also die Frage: Was werden Sie oder Ihr Team mit der neu gewonnenen Zeit tun?
Lamborghini Sotelo | AI Consultant
