Was es braucht, um KI-Agenten für den produktiven Einsatz zu entwickeln

Der Markt für Entwicklungsplattformen für KI-Agenten entwickelt sich rasant weiter, wie aus dem erstmals von Gartner veröffentlichten „Emerging Market Quadrant for AI Agent Development Platforms“ hervorgeht. SnapLogic wird in dem Bericht als „Pace Setter“ ausgezeichnet. Gartner-Kunden können auf den vollständigen Bericht zugreifen.

Was bedeutet die Einstufung als „Emerging Market Quadrant“?

Es ist mittlerweile eine Binsenweisheit, dass viele Menschen mit KI-Agenten experimentieren, diese jedoch nur selten in der Produktion einsetzen. Der Bericht weist ausdrücklich auf diese Situation hin und zitiert dabei Umfragedaten von Gartner: 

Manche mögen sagen, dass dieser Markt noch nicht ausgereift genug für spezialisierte Werkzeuge ist, aber aus unserer Sicht trifft das Gegenteil zu – je nachdem, wie wir den Bedarf definieren. Schließlich zielt dieser EMQ auf „Entwicklungsplattformen für KI-Agenten“ ab. Das letzte Wort ist hier entscheidend.

Kehren wir noch einmal zum Ausgangspunkt zurück und nennen wir die geschäftlichen Herausforderungen, die Gartner identifiziert hat und auf die die Anbieter reagieren: 

• Die Notwendigkeit, komplexe, mehrstufige Prozesse zu automatisieren, die logisches Denken und Entscheidungsfindung erfordern
• Die Nachfrage nach KI-Systemen, die sich tief in bestehende Unternehmensarchitekturen integrieren lassen
• Die Anforderung an eine anpassbare, steuerbare KI-Implementierung, die bestimmte Sicherheits-, Compliance- und Leistungsstandards erfüllt

Gerade weil der Markt noch relativ unausgereift ist, bieten sich Plattformen als Lösung an. Die von Gartner beschriebenen Herausforderungen erfordern bereits heute eine auf Unternehmensebene geeignete Entscheidungsfindung, Integration und Steuerung, und dieser Bedarf wird mit zunehmender Verbreitung nur noch weiter steigen.

Grundvoraussetzungen für die Ausbildung zum Makler

Die erste Anforderung ist von grundlegender Bedeutung für das gesamte Konzept der Entwicklung von KI-Agenten. Der Hauptzweck von Multi-Agenten-Frameworks besteht darin, komplexe Prozesse durch autonome Entscheidungen verschiedener spezialisierter Unteragenten zu koordinieren, die alle zusammenarbeiten, um ein gemeinsames Ziel zu verfolgen.

Dies ist eher eine zwingende funktionale Anforderung als alles andere: Man kann gar nicht erst mit dem „Testen“ oder „Erkunden“ beginnen, wenn man dieses Entwicklungsmuster nicht unterstützen kann. Es ist insofern neuartig, als dies vor einem Jahr noch kaum praktiziert wurde, und spezielle Werkzeuge helfen in der Tat immer mehr Mitarbeitern innerhalb des Unternehmens dabei, diese Funktionen zu nutzen.

Dies bringt einen konkreten Vorteil mit sich. Je niedriger die Eintrittsbarriere ist, desto leichter sind diese Funktionen für diejenigen zugänglich, die am nächsten an den tatsächlichen Geschäftsprozessen sind, die von KI-Agenten unterstützt werden sollen. 

Benutzerfreundliche Werkzeuge, die diese Funktionen auch außerhalb des engen Fachgebiets der KI-Spezialisten zugänglich machen. Dies steigert den Nutzen, da so sichergestellt wird, dass das Ergebnis dieser Entwicklungsarbeit zweckmäßig ist und tatsächlich von den Endnutzern angenommen wird, anstatt als Demonstrationsmodell einer Sackgasse-Technologie in der Versenkung zu verschwinden.

KI stirbt an Datenmangel

Die zweite Voraussetzung ist für die Leser dieses Blogs ein vertrautes Thema, denn sie wissen:„Der wahre Grund, warumKI-Agenten im Produktivbetrieb scheitern, hat nichts mit dem Modell zu tun.“ Wir vertreten schon seit Langem die Ansicht, dass das größte Hindernis zwischen einer coolen Demo oder einem vielversprechenden Pilotprojekt und dem groß angelegten Einsatz im Produktivbetrieb der Zugang zu Daten ist. 

IT-Architekturen in Unternehmen sind kein Neuland. Es gibt bereits zahlreiche Anwendungen, Systeme und Datenbanken, die das Tagesgeschäft des Unternehmens abwickeln. Genauso wie einem neuen Mitarbeiter zunächst Zugriff auf all diese Systeme gewährt werden muss, bevor er seine Arbeit ordnungsgemäß aufnehmen kann, benötigen auch KI-Agenten Zugriff auf die Kerndaten und -anwendungen des Unternehmens.

Für eine Demo können Sie einen Daten-Snapshot exportieren und damit arbeiten. Für ein Pilotprojekt können Sie sich selbst Zugriff auf ein oder zwei repräsentative Systeme einrichten – natürlich nur auf die Testinstanzen. Für die Bereitstellung in Produktionsumgebungen ist jedoch eine wesentlich robustere Lösung erforderlich.

Ein durchschnittliches Unternehmen verfügt mittlerweile über 305 SaaS-Anwendungen. Dabei sind die nach wie vor vorhandenen On-Premise-Anwendungen noch nicht einmal berücksichtigt. Ebenso wenig umfasst diese Zahl den florierenden Bereich der „informellen“ App-Nutzung, sei es durch intern entwickelte Anwendungen oder solche, die stillschweigend auf der Ebene einzelner Teams oder Abteilungen eingeführt wurden. 

Selbst wenn man davon ausgeht, dass man die Zugangsdaten erhalten kann, möchte man sich nicht erst damit beschäftigen, herauszufinden, wie man auf all diese Daten zugreift – selbst mit einem KI-Coding-Copiloten, der einem dabei hilft. Und das noch bevor wir überhaupt zum nächsten Punkt kommen.

Von „Spaghetti-Integrationen“ zur geregelten Architektur

Wenn man über die Notwendigkeit von Kontrollmechanismen für KI-Agenten nachdenkt, konzentriert man sich in der Regel auf das Risiko von Halluzinationen (auch als Konfabulationen bezeichnet), bei denen Agenten eine Antwort liefern, die zwar plausibel, aber falsch ist. Dies ist noch ein sehr junges Forschungsgebiet, doch es zeichnen sich bereits erste bewährte Verfahren ab. 

Einer der vielversprechendsten Ansätze ist die Kombination von probabilistischer KI mit traditioneller deterministischer Logik: Manchmal benötigt man lediglich eine strenge Gleichheitsprüfung oder eine einfache mathematische Berechnung, und dafür gibt es bewährte Methoden, die ohne die Komplexität (und die Kosten!) von KI-Agenten auskommen. Ein weiterer Ansatz ist natürlich die gute alte menschliche Aufsicht – der „Mensch an der Spitze“, der die KI leitet.

Es gibt jedoch noch eine weitere, entscheidende Kontrollebene, die auf architektonischer Ebene greift. Irgendwann müssen Sie, um die Freigabe für den Einsatz Ihrer Agenten in der Produktion zu erhalten, einige strenge Fragen von Personen beantworten, die sich mit Architektur und Compliance befassen:

• Wie greift Ihr Agent auf die Daten zu?
• Welche Kontrollmaßnahmen haben Sie hinsichtlich der Daten getroffen, auf die innerhalb der einzelnen Systeme zugegriffen werden kann?
• Wie können wir nachprüfen, auf welche Daten Ihr Mitarbeiter in der Vergangenheit zugegriffen hat?
• Wie können wir feststellen, welcher Benutzer welche Daten über den Agenten angefordert hat?
• Wie können wir feststellen, welche Version Ihres Agenten zu einem bestimmten Zeitpunkt ausgeführt wurde und welche Änderungen danach daran vorgenommen wurden?

Das sind alles keine neuen Fragen; es handelt sich genau um die Art von Fragen, die der Entwickler jeder beliebigen Anwendung in den vergangenen Jahren hätte beantworten müssen. 

Die Tatsache, dass diese Fragen im Zusammenhang mit KI-Agenten gestellt werden, ist ein Zeichen für deren zunehmende Reife, da die „Pilot-“ und „Erkundungsphase“ nun zu Ende geht und diese Projekte allmählich mit realen Problemen konfrontiert werden. Dies ist die Steuerungsebene, die Ihren KI-Agenten noch fehlt.

Potenzial in Produktion umsetzen

Der Grund, warum SnapLogic in diesem aufstrebenden Bereich der KI-Agenten-Entwicklungsplattformen als „Pace Setter“ ausgezeichnet wurde, liegt genau darin, dass das Unternehmen gute, fundierte und bewährte Antworten auf all diese Fragen rund um KI-Agenten bietet.

AgentCreator wurde entwickelt, um die Entwicklung, Weiterentwicklung und Wartung von Multi-Agenten-Systemen zu ermöglichen. Die grafische Low-Code-/No-Code-Entwicklungsumgebung und der SnapGPT-Copilot machen diese leistungsstarken Funktionen auch für Nutzer ohne formale Programmierkenntnisse zugänglich. Mit Funktionen wie dem Agent Visualizer können Entwickler sehen, wie KI-Agenten kommunizieren und zusammenarbeiten.

Mit der MCP-Unterstützung ist es sehr einfach, alle Unternehmenssysteme, die bereits über die mehr als 1.000 Snaps von SnapLogic angebunden sind, für die Nutzung durch Agenten bereitzustellen – und zwar auf sichere und kontrollierte Weise. Mit „Trusted Agent Identity“ übernimmt der Agent beispielsweise die Anmeldedaten des auslösenden Benutzers, um sowohl granularen Zugriff zu gewähren (oder zu verweigern) als auch diese Interaktion im Nachhinein zu überprüfen.

Schließlich bedeutet eine agentische Data Fabric, dass es einen einzigen Anschluss- und Steuerungspunkt für alle Interaktionen mit den zentralen Geschäftssystemen und Daten gibt. Anstelle der sogenannten „Spaghetti-Integrationen“, die aus unkontrollierten Punkt-zu-Punkt-Verbindungen resultieren, gibt es eine übersichtliche und einfache Architektur. 

Diese Abstraktion verhindert zudem die Anbieterabhängigkeit, die mit vertikal integrierten Agenten-Stacks einhergeht, und bewahrt so die Freiheit, die Architektur in dem Tempo anzupassen und weiterzuentwickeln, das die Entwicklung des Bereichs der agentenbasierten KI erfordert.

Möchten Sie sehen, wie diese Funktionen in der Praxis funktionieren? Entdecken Sie unsere Plattform im Rahmen einer selbstgesteuerten Produkttour oder vereinbaren Sie eine individuelle Demo, um Ihre spezifischen Unternehmensanforderungen mit unserem Team zu besprechen.