Trotz all der Daten, die KI-Systeme kontinuierlich sammeln und analysieren, leiden Unternehmens-KI-Agenten oft unter einem merkwürdigen Mangel: einem Mangel an Wissen. Mehr als Daten ist Wissen das Verständnis dafür, was die Daten im Kontext einzelner Organisationen bedeuten. KI-Agenten benötigen dieses Verständnis, um über Situationen nachzudenken, Entscheidungen zu treffen und letztendlich Maßnahmen zu ergreifen. Ohne ausreichendes Wissen neigen Agenten dazu, fehlerhafte und unzuverlässige Entscheidungen zu treffen. Ein Mangel an Wissen ist laut unserer Forschung ein Hauptgrund dafür, dass agentische KI-Anwendungsfälle nie in die Produktion gelangen.
Der Wettbewerbsdruck macht es dringend, dies anzugehen. Organisationen müssen mehr ihrer agentischen Projekte bereitstellen und skalieren, um die von der KI versprochenen Effizienzgewinne zu erzielen. Ein Zurückbleiben riskiert, die bereits in diese Projekte investierten Mittel zu verschwenden, und gibt Boden an Konkurrenten ab, die ihre Agenten bereits effektiver einsetzen.
Basierend auf einer Umfrage unter 300 Daten-, KI- und anderen Technologieführern stellt der Bericht fest, dass Daten- und Wissensschwächen konsequent den Fortschritt von KI-Agenten behindern. Im Durchschnitt schaffen nur etwa ein Drittel (34%) der agentischen KI-Projekte von Organisationen den Sprung in die Produktion. Eine kleine Gruppe von Produktionsführern (bei denen im Durchschnitt 61% der agentischen Projekte über das Pilotstadium hinauskommen) verfügt über stärkere Wissensfähigkeiten, insbesondere in Bezug auf Semantik.
Datenfragmentierung wurde am häufigsten als eine der größten Herausforderungen für den erweiterten Wissenszugang von Agenten genannt (von 55% genannt). Die meisten Unternehmen zielen darauf ab, die Verbindung zwischen Daten und Agenten zu stärken, wobei Experten eine Wissensschicht als einen primären Weg zur Erreichung dieses Ziels sehen. Zu den Investitionsprioritäten gehören Abruftechnologien wie Ingestions-Pipelines, KI-bereite APIs und Retrieval-Augmented Generation (RAG); KI-Bewertungsagenten; und Wissensgraphen.
Quelle: MIT Technology Review AI · Zusammengefasst von HeadlinesBriefing