Warum die meisten Agenten nur getarnte Flussdiagramme sind, und was stattdessen gebaut werden sollte. Ich habe den größten Teil davon vor mehreren Monaten auf einem Flughafen geschrieben und ihn dann als Entwurf liegen lassen. Der Lärm ist seitdem nur lauter geworden, daher ist hier der Text.
Vor einigen Monaten, auf dem Rückweg von einem Workshop mit einem Kunden, diskutierten wir den Umfang dessen, was Agentic KI ausmacht, und jeder von uns brachte Beispiele aus seiner Erfahrung ein. Es gab eine Diskussion darüber, warum Automatisierung das nicht lösen kann und warum die meisten Anwendungsfälle von Agentic KI nichts anderes als glorifizierte Automatisierung sind. Die Frage lautete: „Gib mir einen echten Anwendungsfall für einen Agenten.
Keine Demo. Keine Automatisierung. Einen echten.
Denn alles, was ich bisher gesehen habe, hätte ich mit einem Workflow-Engine und einem Modellaufruf bauen können.“ Wir hatten damals bereits monatelang über Agentic KI gesprochen. Wir hatten diese Systeme entworfen. Wir hatten sie gepitcht.
Und trotzdem, da saßen wir mit einem Tee und zwanzig Minuten Zeit zur Verfügung, mussten wir lange genug nachdenken, um ein Beispiel zu finden, das einer Prüfung von dreißig Sekunden standhält. Das hat mich genug gestört, um es aufzuschreiben. Der Test, den ich zuerst in Betracht zog, war mein Bauchgefühl: Agentic KI nach der Form der Arbeit zu definieren.
Erfordert die Aufgabe, dass das System während der Ausführung Entscheidungen trifft, die nicht vorhersehbar waren? Wenn ja, dann ist es ein Agent. Wenn nein, dann ist es Automatisierung. Ich dachte an ein Beispiel aus der Luftfahrtwartung, weil ich dort die vorherigen sechs Monate verbracht hatte.
Ein A320-Flugzeug landet mit einer ECAM-Warnung, FEHLER BEI LUFTPAKET 1. Was Automatisierung tut: löst eine Checkliste aus, informiert den Diensthabenden Ingenieur, ruft möglicherweise die MEL-Referenz ab. Erledigt.
Was traditionelles Maschinelles Lernen tut: vorhersagt die Wahrscheinlichkeit eines Komponentenausfalls anhand historischer Fehlerpatterns, erzeugt einen Konfidenzwert. Der Ingenieur entscheidet immer noch. Was ich glaube, dass ein Agent tun würde: beginnt mit der ECAM-Nachricht (eine Nachricht in den Kabinensystemen des Flugzeugs), fragt das CFDS (zentralisiertes Fehleranzeigesystem) nach der Fehlerhistorie ab und stellt fest, dass Paket 1 den gleichen Fehler dreimal innerhalb von sechs Wochen gemeldet hat.
Dadurch ändert sich die Lage, sodass es das TSM (Fehlerbehebungsleitfaden) zieht und vier mögliche Ursachen identifiziert. Dann prüft es in AMOS (eine weltweit in der Luftfahrt genutzte Datenbank), ob die benötigten Teile vorrätig sind, und stellt fest, dass zwei von diesen vier ein Flow-Control-Ventil benötigen, das an dieser Station nicht vorrätig ist. Anschließend prüft es, welche Ursachen gemäß der MEL (Mindestausrüstungsliste, das Minimum, das ein Flugzeug haben muss, um flugtauglich zu sein) aufschiebbar sind, und stellt fest, dass eine davon unter Kategorie C (eine von vielen Kategorien) für zehn Tage aufschiebbar ist.
Danach betrachtet es die nächsten zehn Flüge des Flugzeugs, um die Betriebskosten der Aufschiebung zu verstehen, und formuliert eine Empfehlung: Aufschiebung unter Kategorie C, Bestellung des Flow-Control-Ventils (FCV) für die Ankunft vor dem achten Tag, und Kennzeichnung für eine gründliche Inspektion im nächsten Basismaintenance-Slot. Niemand hat diesen Entscheidungsbaum vorher programmiert. Der Plan entstand aus dem Prozess heraus, nicht vorher.
Ich war mir selbst noch nicht sicher. Und nach Reflexion glaube ich, dass ich richtig lag. Warum dieses Beispiel scheitert Weil du dieses Flussdiagramm zeichnen kannst.
CFDS, dann TSM, dann AMOS, dann MEL, dann die Rotationen. Es ist ein komplexes Flussdiagramm mit Verzweigungen, aber ein kompetenter Ingenieur hätte es im Voraus spezifizieren können. Komplexität ist nicht dasselbe wie Offenheit.
Ein Baum mit zweihundert Zweigen ist immer noch ein Baum. Dieser Fehler wird in fast jedem Pitch-Deck für Agentic KI gemacht, einschließlich meinem. Wir zeigen etwas Komplexes und erwarten, dass die Komplexität selbstverständlich agentisch ist.
Das ist nicht der Fall. Komplexität ist nur ein größeres Flussdiagramm, und Flussdiagramme haben bereits eine Technologie, und sie ist günstiger, schneller und viel zuverlässiger als jedes LLM, das du in diesen Slot steckst. Wo liegt also die eigentliche Grenze? Bekannte Unbekannte versus unbekannte Unbekannte Hier ist die Unterscheidung, die ich getroffen habe, und sie ist enger als die meisten Menschen in diesem Markt bereit sind zuzugeben.
Automatisierung handelt mit bekannten Unbekannten. Du weißt nicht, ob das Teil auf Lager ist, aber du weißt, dass du den Lagerbestand prüfen musst. Agenten handeln mit unbekannten Unbekannten.
Du weißt nicht, was du prüfen musst, und du wirst es nur herausfinden, indem du nachschaust. Nimm ein u...
Quelle: Towards Data Science · Zusammengefasst von HeadlinesBriefing