„Lass uns reden …“

Wie Agentic AI die Kommunikation mit Software verändert

Jeder kennt es: wenn man mit Software arbeitet, gibt es Eingabemasken, Suchfelder, einfachere und komplexere Arbeiten. Das was man täglich tut, kann man auch blind, seltene Aufgaben werden zu einer Herausforderung.

Einfach mit Ihrer Software reden – in normalen Sätzen

Stellen Sie sich vor, Sie könnten Ihrer Software einfach Fragen stellen und Anweisungen geben. So wie einem menschlichen Assistenten, der spezialisiert ist auf Ihren Fachbereich. Gesprochen oder geschrieben, wie es gerade am besten passt.

Ein Traum? – Dank Agentic AI bereits Realität und nur der Anfang einer ganz neuen Art, Software zu bedienen.

In den meisten Unternehmen werden bereits KI Tools eingesetzt, sehr oft zur Erstellung von Texten, manchmal zur Analyse von Dokumenten oder als Chatbot für den Kundenservice. Hier kommen die wohlbekannten Large Language Models – kurz LLMs – zum Einsatz.

Vor einem Jahr war GenAI, also generative KI das Buzzwort. Gemeint ist die Möglichkeit, mithilfe von KI nicht nur zu analysieren oder etwas zu reproduzieren, sondern etwas Neues zu schaffen, zu generieren.

Und was ist nun Agentic AI?

„Im Unterschied zur klassischen Assistenz-KI (z. B. Chatbots oder Generative KI, die auf Eingaben reagieren) handelt es sich bei Agentic KI um Systeme, die Ziele verfolgen, Teilaufgaben erkennen, eigenständig agieren und adaptieren. KI-Agenten greifen auf Tools, Daten und das Internet zu, um komplexe Aufgaben zu bewältigen, sich an veränderte Bedingungen anzupassen und mit anderen Agenten zusammenzuarbeiten, um ihre Arbeit zu erledigen“ (Quelle: Amazon Web Services, Inc.)

Stellen Sie sich einfach ein Team von Mitarbeitern vor, die alle eine bestimmte Arbeit besonders gut erledigen. Die eine ist top in Kalkulationen und Excel, der andere macht schöne Grafiken und Powerpoints, die nächste ist die Entwicklerin von Strategien und ein weiteres Team-Mitglied ist besonders gut bei der Recherche. Koordiniert wird das Team von einer Projektleiterin, die die Team-Mitglieder ihren Fähigkeiten entsprechend einsetzt und die Ergebnisse sammelt.

Unter agentischer KI versteht man das Zusammenspiel verschiedener spezialisierter Tools, die komplexe Aufgaben erledigen und auch ganze Workflows abarbeiten können.

Und so kann das mit agentischer KI auch funktionieren. Verschiedene Agenten sind spezialisiert auf Bilderkennung, Auslesen von Texten, Analyse von Zahlen, Erstellung von Zusammenfassungen, Recherche im Internet, Erzeugung von Grafiken. Ihnen allen werden Aufgaben gestellt, deren Ergebnisse zusammenfließen und strukturiert bereitgestellt werden. Blitzschnell, über Nacht, ohne Ermüdung oder Leichtsinns-Fehler.

Ein KI-Email-Hub kann eine erhebliche Effizienz-Steigerung bringen.

So können zum Beispiel E-Mail-Postfächer durchsucht, die E-Mails klassifiziert und die Inhalte verarbeitet werden.

Handelt es sich um eine Service-Anfrage, eine Preisanfrage, ein Transportangebot eines Partners, die Reaktion auf ein Angebot?

Inhalte können direkt ausgelesen und für die nächste Aktion aufbereitet an den richtigen Mitarbeiter gegeben werden.

Zu theoretisch?

Ein Praxis-Beispiel – Die Aufgabe:
Aus hunderten von E-Mails Angaben zu Transportpreisen auslesen und daraus eine Tabelle für eine Preis-Suche nach Relationen befüllen.

In den E-Mails standen die Preise teilweise im Fließtext, teilweise waren sie in Dateianhängen zu finden, diese konnten pdfs, Wort oder Excel sein. Oder in den E-Mails waren einfach Screenshots zu finden, von irgendwelchen Tabellen, mit teilweise abgeschnittenen Spalten-Titeln.

Die verschiedenen Agenten haben ihre Teil-Aufgaben übernommen, also der Bildverarbeitungs-Agent hat gesucht, ob in den E-Mails Bilder mit Preisangaben und Abgangs-/Empfangsinformationen enthalten waren. Der Excel-Agent hat die Dateianhänge nach Excel durchsucht und diese ebenfalls nach Abgangs-Empfangsinfos und Preisen durchsucht. Der Text-Agent hat die E-Mail-Bodies und Word-Dokumente durchsucht. Der PDF-Agent hat dasselbe in seinem Bereich übernommen. Ein Normierungs-Agent hat die Daten in ihren verschiedenen Strukturen analysiert und zusammengeführt. Ein Excel-Agent hat die aufbereiteten Daten in eine Excel-Tabelle geschrieben.

Gerade im Bereich Kundenbetreuung und Vertrieb bieten agentische KI-Tools ungeahnte Möglichkeiten.

Nach dem Anlernen der Agenten könnten diese permanent sich verändernde Daten überprüfen, unerwartete Veränderungen melden, Alarme auslösen oder regelgesteuert Aktivitäten auslösen.

Diese Tools können sich an frühere Interaktionen und Abläufe erinnern und daraus lernen. So machen sie nach und nach immer bessere Vorschläge für die nächsten Schritte.

Ein Beispiel, wie die Kommunikation mit der Software im Bereich Kundenbindung sich entwickeln kann:

Nutzer: „ich möchte die Kundenabwanderung verringern“

Agent: „Okay, soll ich aktuelle Abwanderungsraten analysieren, Trends berechnen und Maßnahmen vorschlagen?“

Oder weitergeführt:

Nutzer: „Setze aktive Impulse, wenn Anzeichen für eine Abwanderungs-Tendenz erkennbar werden“

Agent: „Okay, ich werde die Abwanderungs-Szenarien analysieren und bei Anzeichen für eine Abwanderung eine E-Mail an den Betreuer des Accounts senden mit einer Zusammenfassung der relevanten Punkte und Handlungsempfehlungen, um die Abwanderung noch zu verhindern.
Soll ich auch eine Kampagne erstellen und automatisch befüllen, sobald die Marker zu erkennen sind? Soll ich einen Vorschlag für eine automatisierte E-Mail an gefährdete Kunden formulieren?“

Wichtig für erfolgreiche Agentic AI: Datenzugriffe

Je mehr Unternehmen mit agentischer KI arbeiten, umso wichtiger wird es, dass die Tools auf möglichst viele Datenquellen des Unternehmens zugreifen können.

In unserem Beispiel kann eine Abwanderung anhand einer geringeren Rate von positiven Angeboten, weniger Terminen beim Kunden, der Veränderung des Tonfalls in E-Mails, einer Reduzierung des Lager- oder Sendungsvolumens, einer Reduzierung der E-Mail-Frequenz und einigen anderen Faktoren bemerkt werden.

Auf diese Daten benötigen die KI-Tools Zugriff.

Umfangreicher Daten-Pool für die Analysen

Oftmals ist ein CRM der „Data-Lake“, in dem diese Informationen gesammelt werden. Sendungsdaten, Angebote, Potentiale, Umsätze, Verträge, Termine, Gesprächsberichte, E-Mails aktuell und historisch bilden einen Reichtum an Information.

Mit modernen Technologien lassen sich auch andere Datenquellen verbinden. Mit MCP (Machine Communication Protocol) können Unternehmen ihren KI-Tools Zugriff auf die verschiedensten Daten-Pools liefern.

Wichtig in der Kundenbeziehungs-Analyse: Der Tonfall

Was wir Menschen intuitiv wahrnehmen und in unsere weitere Kommunikation einbeziehen, können jetzt auch die KI-Tools. Das Stichwort heißt „Sentiment-Analyse“. Die Large Language Models erkennen die Stimmung in einem Text und können Veränderungen analysieren.

Zum Beispiel finden sich im CRM E-Mails aus verschiedenen Jahren mit denselben Gesprächspartnern. Die KI kann „Alarm schlagen“, wenn der Tonfall plötzlich unfreundlicher oder auch nur kühler wird. Das ist oft ein wichtiger Hinweis darauf, dass man an der Kundenbindung arbeiten muss.

Die Zukunft der Kommunikation mit Software-Tools ähnelt mehr der Zusammenarbeit mit einem menschlichen Assistenten als der Arbeit mit einer Datenbank

Wenn wir uns vorstellen, wie in 1-2 Jahren die Nutzung von Tools wie CRM aussehen wird, hat das nur noch wenig damit zu tun, wie wir in der Vergangenheit gearbeitet haben. Wir werden nicht mehr mit Listen und Masken arbeiten, wir werden nicht mehr Einträge an 5 verschiedenen Stellen vornehmen, um einen Vorgang sauber abzubilden, wir werden nicht mehr stundenlang an Datenbankabfragen basteln um unser nächstes Sales-Meeting vorzubereiten.

Wir werden unserer digitalen Assistentin LOLA einfach sagen, was sie machen soll und uns Aufgaben zuwenden, die unsere menschlichen Fähigkeiten benötigen.

Dorothee Gabor, Vorstand Business Development, LOGO consult AG