Vom Experiment zur Praxis - KI im Wandel

Die Künstliche Intelligenz prescht weiter voran und wandelt sich vom Experiment zur Praxis. Für 2025 stellen sich damit zwei Fragen: Was funktioniert? Und wo lohnt es sich? Während auf der einen Seite bereits am nächsten KI-Coup gearbeitet wird, kämpfen Unternehmen auf der anderen Seite noch mit der Integration. Ein Blick auf neue Formen von KI, die Rolle von Graphen und zukünftige Killerkriterien.

1. Agentic AI: Agenten auf dem Vormarsch

Während Unternehmen noch an der praktischen Umsetzung arbeiten, geht die Entwicklung von KI ungebremst weiter. 2023 plauderten Anwender mit Chatbots. 2024 übernehmen KI-Agenten gleich komplette Workflows und Routineaufgaben. Die Rede ist von Agentic AI, die Zugriff auf eine Reihe von Werkzeugen erhält (z. B. Datenbank, Schnittstellen oder Service-Integrationen). Die agentenbasierte KI verfügt über „Chaining“-Fähigkeit und kann so eine Abfrage in einzelne Schritte aufteilen und sie der Reihe nach und zudem iterativ abarbeiten. Dabei agiert sie dynamisch, plant und ändert Aktionen kontextbedingt und delegiert Teilaufgaben an diverse Tools.

Agentic AI ist nicht neu. Im nächsten Jahr könnte die KI jedoch eine ähnliche Erfolgsstory wie GenAI hinlegen. Anthropic stellte im Herbst KI-Agenten in Claude vor, die den Computer fast wie ein Mensch bedienen und dort selbständig tippen, klicken und im Internet nach Informationen surfen. Auch Microsoft hat eigene Agenten am Start, die zukünftig Aufgaben im Vertrieb, Kundensupport und Buchhaltung erledigen sollen.

Das Outsourcen von Routineaufgaben an die KI klingt verführerisch, stimmt aber zugleich mulmig. Wie lassen sich die Agenten kontrollieren und im Notfall bändigen? Wer übernimmt die Verantwortung, wenn etwas schief geht? Einen Chatbot um Antwortvorschläge für eine E-Mail zu bitten, ist eine Sache. Eine andere ist es, wenn die KI die Nachricht an den Geschäftspartner auf eigene Faust verfasst und abschickt. Zumal die Agenten Fehler machen und sich sogar ablenken lassen. Anthropics Claude zum Beispiel legte in einer Demo plötzlich eine Pause ein und fing an, im Internet nach Fotos des Yellowstone-Nationalparks zu suchen. Hier gilt es noch, Kriterien zu definieren, wie die korrekte Ausführung zu überprüfen und wie im Fehlerfall zu reagieren ist.

2. Reasoning AI: Lautes Nachdenken in der Blackbox

Ebenfalls nicht ganz neu, aber hochinteressant ist Reasoning AI. Wie bei GenAI generieren hier LLMs Antworten, nehmen sich dabei jedoch deutlich mehr Zeit, um über die Frage in gewisser Weise „laut nachzudenken“. Die Modelle erwägen Optionen, entwerfen Lösungen und verwerfen sie wieder, ehe sie mit einem Vorschlag herausrücken. Das dauert zwar länger, die Qualität der Ergebnisse ist dafür aber deutlich höher. OpenAIs KI-Modell o1 schaffte es mit solchen logisch angelegten, mathematischen Fähigkeiten sogar unter die Top 500 der US-Mathematik-Olympiade (AIME).

Auch Reasoning AI hat ein Problem: Der „Denkprozess“ (Chain of Thought) findet versteckt im LLM statt und ist von außen nicht einsehbar. Das „laute Nachdenken“ der KI verläuft also tatsächlich im Stillen und kratzt deutlich an der Vertrauenswürdigkeit. Darüber hinaus sind die erhöhte Laufzeit und Kosten eher für individuelle Forschungsaufgaben geeignet als für Endnutzer.

3. Small Language Models (SML): Vertikal und sparsam

Statt Science-Fiction wird es im Jahr 2025 für Unternehmen vornehmlich darum gehen, bestehende KI-Technologien effektiv in der Praxis zu nutzen. Die Integration ist nicht nur eine Frage von Compliance und Expertise, sondern auch eine Frage der Kosten. Sobald KI in großem Maßstab zum Einsatz kommt, ist sie (ähnlich wie die Cloud) nicht gerade billig. Zudem schaffen auf öffentlich verfügbaren Daten trainierte LLMs wenig Raum, um sich von anderen Anwendern und Wettbewerbern am Markt zu differenzieren. Unternehmen richten ihr Interesse daher verstärkt auf vertikale KIs, die zielgenau auf individuelle Use Cases und Bedürfnisse ausgerichtet ist und kontinuierlich verfeinert, optimiert und angepasst wird (Post Training).  

Statt Large Language Model fällt immer öfter die Wahl auf Small Language Models (SLMs), die es in Sachen Leistung in domänen- und branchenspezifischen Bereichen getrost mit den Großen aufnehmen können. Ihr Vorteil: Die kleinen Modelle lassen sich besser kontrollieren und validieren (z. B. via Knowledge Graphen), das Training mit hochqualitativen Daten verläuft schneller, und sie benötigen weniger als 5% des Energieverbrauchs von LLMs – angesichts EU Green Deal und ESG-Reporting für Unternehmen kein unerheblicher Punkt. Zudem lassen sich mit guten LLMs hochwertige synthetische Trainingsdaten für SLMs erzeugen, so dass diese praktisch „angelernt“ werden können.

4. All you need is Data

Während KI-Anbietern wie OpenAI, Anthropic, IBM oder Google langsam die öffentlichen Daten ausgehen, beschäftigt Unternehmen vor allem die Verwendung ihrer eigenen Daten. Wie leistungsstark die KI konkret ist, hängt von der Fähigkeit der Verantwortlichen ab, die Modelle mit ihren eigenen Datensätzen zu verknüpfen und anzureichern – von Retrieval Augmented Generation (RAG) über Fine-Tuning bis hin zum Training eigener Modelle. Datenqualität ist deshalb grundentscheidend. In den meisten Fällen liegen in Organisationen ausreichend strukturierte Daten vor, in denen schon die Essenz ihres Geschäftsbetriebs repräsentiert ist.

So wichtig strukturierte Daten sind, machen sie doch nur 10% der verfügbaren Daten aus. Die anderen 90% bestehen aus unstrukturierten Daten (z. B. Dokumente, Video, Bild). GenAI, Natural Language Processing und Graphtechnologie helfen, diese Daten nutzbar zu machen. Knowledge Graphen beispielsweise repräsentieren unstrukturierte Daten so, dass LLMs sie als Kontext „verstehen“ können. Dabei erhalten sie dank der Graphstruktur ihre Reichhaltigkeit.

5. Graphtechnologie im Mittelpunkt

Überhaupt bieten Graphen als Netzwerk von Informationen auf allen Ebenen eine ideale Repräsentation von Daten – egal ob strukturiert oder unstrukturiert. GraphRAG ist dafür ein gutes Beispiel. Der RAG-Ansatz stellt GenAI-Anwendungen einen Knowledge Graphen als zusätzliche Quelle domänenspezifischer Daten zur Seite. Das macht Ergebnisse genauer, aktueller, erklärbarer und transparenter. Eine zunehmend wichtige Rolle spielen dabei Graph Patterns. Diese Muster stellen differenzierte Informationen dar und können bestimmten Arten von komplexen Fragen beantworten.

Ein weiteres Beispiel für die Verzahnung von KI und Graphen sind Graph Neural Networks (GNN). Die neuronalen Netze versuchen besonders schwierige Probleme zu lösen. Google DeepMind arbeitet mit GNNs seit Jahren an zahlreichen Projekten, zum Beispiel an einer intelligenten Wettervorhersage (GraphCast) oder einem KI-gestützten Design von Halbleitern (AlphaChip). Im November 2024 veröffentlichte das Unternehmen die dritte Version von AlphaFold, einem KI-System, das die Struktur von Proteinen sowie deren Interaktionen mit anderen Biomolekülen präzise vorhersagen kann.

Das Zusammenspiel zwischen Graphen und KI verläuft zudem in die andere Richtung. So helfen LLMs beispielsweise bei der Graph-Modellierung, verbessern das Domain- und Modellverständnis, kommunizieren bzw. agieren mit den im Graphen abgelegten Daten und identifizieren und erstellen neue Verknüpfungen.

Bild von freepik