Die meisten Universitäten haben inzwischen mindestens ein KI-Pilotprojekt durchgeführt. Viele haben sogar mehrere durchgeführt. Das sich daraus ergebende Muster kommt einem meist bekannt vor: ein vielversprechender Proof of Concept, eine Präsentation vor der Führungsspitze und dann ein langsames Abflauen, während die Initiative Schwierigkeiten hat, in die Produktionsphase überzugehen. Die Frustration ist groß, und sie hat selten etwas mit der KI selbst zu tun.
Die eigentliche Ursache ist fast immer dieselbe: Die dem Pilotprojekt zugrunde liegende Dateninfrastruktur wurde nicht für die tatsächlichen Anforderungen der Unternehmens-KI konzipiert. Selbst mit dem besten verfügbaren Modell lässt sich nichts Wertvolles erzielen, wenn die Daten, mit denen es gefüttert wird, in Silos gespeichert, veraltet oder für den Agenten in dem Moment, in dem er handeln muss, nicht zugänglich sind.
Dieser Beitrag befasst sich mit den strukturellen Entscheidungen, die darüber entscheiden, ob KI-Projekte im Hochschulbereich die Produktionsphase erreichen oder im Pilot-Fegefeuer stecken bleiben.
Schaffen Sie zunächst die Datengrundlage
KI-Agenten arbeiten mit Daten. Und in den meisten Hochschulen sind die Daten, die ein KI-Agent benötigen würde, um wirklich nützliche Aufgaben zu erfüllen, über ein Studierendeninformationssystem, ein Lernmanagementsystem, ein CRM, ein Data Warehouse und eine Reihe von Abteilungs-Tools verteilt, die bisher nie systematisch miteinander vernetzt wurden.
In der Praxis bedeutet dies, dass der Einsatz von KI im Hochschulbereich im Grunde genommen eher ein Integrationsprojekt als ein KI-Projekt ist. Die Einrichtungen, denen es gelingt, KI erfolgreich in die Praxis umzusetzen, sind diejenigen, die zunächst in den Aufbau einer einheitlichen Datenstruktur investiert haben, die einen kontrollierten Echtzeit-Zugriff auf systemübergreifende Daten ermöglicht, sodass die Akteure tatsächlich auf der Grundlage aktueller Informationen handeln können.
Dazu ist keine mehrjährige Infrastrukturumstellung erforderlich, bevor Sie den Umstieg vornehmen können. Es ist jedoch notwendig, sorgfältig abzuwägen, welche Datenbereiche Sie zuerst zusammenführen, und zwar danach, wo KI für Ihre Einrichtung den unmittelbarsten Nutzen bringen kann.
Verstehen, was „agentische KI“ in der Praxis eigentlich bedeutet
Da dieser Begriff oft recht locker verwendet wird, lohnt es sich, genau zu definieren, was darunter zu verstehen ist. Ein KI-Agent ist ein Modell, dem Zugriff auf Werkzeuge gewährt wurde und das diese Werkzeuge autonom nutzen kann, um eine Aufgabe zu erfüllen. Der Agent entscheidet anhand des vorgegebenen Ziels und der Ergebnisse, die er bei jedem Aufruf eines Werkzeugs erhält, welche Aktionen in welcher Reihenfolge durchgeführt werden sollen.
In der Praxis bedeutet dies, dass ein Mitarbeiter Ihr Studenteninformationssystem abfragen, eine PDF-Datei auswerten, die Daten mit einer Reihe von in einer Datenbank gespeicherten Anforderungen abgleichen und anschließend einen Fall in Salesforce anlegen könnte, ohne dass ein Mensch jeden dieser Schritte einzeln auslösen muss. Der Mensch legt das Ziel fest und überprüft das Ergebnis. Der Mitarbeiter übernimmt die Zwischenschritte.
Die Möglichkeiten sind real, und die Anwendungsfälle im Hochschulbereich sind wirklich von hohem Wert: Prüfung der Zulassungsvoraussetzungen potenzieller Studierender, Wartelisten für die Studienberatung, Akquise von Förderungsempfängern und Identifizierung gefährdeter Studierender.
Aber nichts davon funktioniert, wenn die zugrunde liegenden Tools, auf die sich der Agent stützt, nicht korrekt implementiert sind.
Legen Sie den Anwendungsbereich Ihrer Tools genau fest und bauen Sie Sicherheitsvorkehrungen ein
Wenn Sie einem KI-Agenten Zugriff auf ein System gewähren, treffen Sie damit eine konkrete architektonische Entscheidung darüber, was dieser Agent tun darf und was nicht. Die Tools, die Sie dem Agenten zur Verfügung stellen, legen dessen Wirkungsbereich fest. Ein gut konzipiertes Agenten-Tool erfüllt eine einzige Aufgabe, verfügt über klar definierte Berechtigungen und kann keine Aktionen ausführen, die über den Rahmen dessen hinausgehen, wofür es entwickelt wurde.
In einem Workflow zur Akquise von Spendern sollte beispielsweise das Tool, das Potenzielle-Spender-Daten aus Salesforce abruft, schreibgeschützt sein. Der Mitarbeiter sollte keine Möglichkeit haben, Spenderdatensätze zu ändern, zu löschen oder zu überschreiben, selbst wenn er aus irgendeinem Grund eine irreführende Anweisung dazu erhalten hätte. Die Sicherheitsvorkehrung ist struktureller Natur: Das Tool verfügt schlichtweg nicht über diese Funktion.
Ein nützliches Denkmodell: Behandeln Sie KI-Agenten so, wie Sie menschliche Mitarbeiter behandeln. Sie würden einem neuen Fundraising-Koordinator ja auch keinen Administratorzugriff auf Ihr gesamtes Data Warehouse gewähren. Sie gewähren ihm Zugriff auf das, was er für seine Arbeit benötigt. Die gleiche Logik gilt auch für KI-Agenten.
Von Anfang an auf den Menschen im Regelkreis auslegen
KI-Agenten können sehr schnell arbeiten. In den meisten Anwendungsfällen im Hochschulbereich sollte ihre Arbeitsgeschwindigkeit jedoch nicht so hoch sein, dass ein Mensch die Ergebnisse nicht mehr überprüfen kann, bevor sie einen Studierenden, einen Spender oder ein externes System erreichen.
„Human-in-the-Loop“ ist ein architektonisches Muster und kein nachträglicher Einfall. Der Agent erledigt die Arbeit, stellt das Ergebnis bereit und hält inne, damit ein Mensch es überprüfen und genehmigen kann, bevor etwas versendet oder festgeschrieben wird. Die KI übernimmt die Recherche, die Ausarbeitung und die Datensuche. Der Mensch trifft die Ermessensentscheidung.
In einem Beratungsworkflow für Studierende könnte dies bedeuten, dass der Sachbearbeiter die Berechtigung eines Studierenden prüft, einen Fall in der Beratungswarteschlange anlegt und den Berater benachrichtigt, ohne jedoch direkt mit dem Studierenden zu kommunizieren. Der Berater prüft den Fall und entscheidet über das weitere Vorgehen. Der Sachbearbeiter entlastet den Berater von Verwaltungsaufgaben. Der Berater sorgt für den menschlichen Kontext.
Sorgen Sie dafür, dass Ihre KI-Interaktionen nachvollziehbar sind
Einer der häufigsten Einwände gegen den Einsatz von KI im Hochschulbereich ist, dass die Einrichtungen nicht nachvollziehen können, wie die KI mit sensiblen Studierendendaten umgeht. Diese Bedenken lassen sich ausräumen, allerdings nur, wenn man von Anfang an auf Nachvollziehbarkeit achtet.
Nachvollziehbarkeit in einem agentenbasierten System bedeutet, jeden Tool-Aufruf zu protokollieren: welches Tool ausgeführt wurde, welche Eingaben es erhalten hat, was es zurückgegeben hat und wann. Dieses Protokoll sollte aus Sicht des Agenten schreibgeschützt sein. Der Agent kann nicht entscheiden, ob er protokolliert oder nicht. Die Protokollierung erfolgt auf Tool-Ebene als fest integriertes Verhalten, unabhängig davon, was der Agent anfordert.
Sobald dies umgesetzt ist, können Compliance-Beauftragte, Datenverantwortliche und interne Prüfer genau nachvollziehen, was bei einer bestimmten Interaktion geschehen ist. Diese Transparenz ist oft der entscheidende Unterschied zwischen einem KI-Einsatz, der das Vertrauen der Organisation gewinnt, und einem, der bei einer Governance-Prüfung auf unbestimmte Zeit ins Stocken gerät.
Wo soll man anfangen?
Die Frage, die sich die meisten IT-Führungskräfte an dieser Stelle stellen, lautet: Wo soll man anfangen? Die Antwort, die in der Regel am schnellsten einen echten Mehrwert bringt, ist zugleich die am wenigsten glamouröse: Identifizieren Sie die sich wiederholenden, aufwendigen Aufgaben, die viel Zeit der Mitarbeiter in Anspruch nehmen und derzeit von der manuellen Datensuche in mehreren Systemen abhängig sind.
Dies sind die Arbeitsabläufe, bei denen ein gut eingearbeiteter Mitarbeiter mit Zugriff auf eine einheitliche Datenebene die größten Hindernisse in kürzester Zeit beseitigen kann. Prüfung der Zulassungsvoraussetzungen potenzieller Studierender. Identifizierung potenzieller Spender. Kennzeichnung gefährdeter Studierender zur Überprüfung durch einen Berater. Auswertung und Weiterleitung von Zeugnissen.
Beginnen Sie mit einem Workflow, bauen Sie ihn unter Beachtung der oben genannten Grundsätze korrekt auf, führen Sie ihn in die Produktion ein und messen Sie das Ergebnis. Das Vertrauen innerhalb der Organisation, das durch eine erfolgreiche erste Einführung entsteht, sorgt dafür, dass jede weitere Einführung leichter genehmigt und schneller umgesetzt werden kann.
Das Ziel ist es, ein reproduzierbares Betriebsmodell zu entwickeln, das es derKI ermöglicht, sicher zu arbeiten und Ergebnisse zu liefern, die messbar und nachvollziehbar sind.
Sind Sie bereit, die KI-Initiativen Ihrer Einrichtung auszuweiten? Erfahren Sie mehr über SnapLogic für den Hochschulbereich oder vereinbaren Sie eine Demo, um unsere Plattform in Aktion zu erleben.
