Agentische KI: Herausforderungen und Erwartungen an große Sprachmodelle
Als agentische KI sollen große Sprachmodelle Aufgaben ohne genaue Vorgaben bewältigen. Dabei versprechen die Modellanbieter bisher mehr, als die Systeme halten.
Die Entwicklung von großen Sprachmodellen (Large Language Models, LLMs) zeigt trotz des Hypes um ihre Fähigkeiten im Jahr 2024 klare Grenzen auf. Anstatt die versprochenen automatisierten Lösungen zu liefern, zeigen aktuelle Einschätzungen, dass die Modelle oft auf menschliches Eingreifen angewiesen sind. Die Anbieter betonen die Fähigkeit ihrer Systeme, komplexe Aufgaben autonom zu lösen, was bedeutet, dass sie in der Lage sind, verschiedene Werkzeuge einzusetzen – von Browser über Dokumentenablagen bis hin zu Entwicklungsumgebungen.
Laut den Anbietern zielt diese Autonomie darauf ab, die digitale Transformation voranzutreiben und viele Tätigkeiten zu ersetzen, wodurch Kosten eingespart werden sollen. Dies betrifft nicht nur repetitive Aufgaben, sondern auch komplexe Geschäftsprozesse sowie Softwareentwicklung. Die Hoffnung ist, dass Unternehmen durch die Automatisierung Vorteile im Wettbewerb erzielen und gleichzeitig den Fachkräftemangel kompensieren können.
Ein Vergleich mit autonomen Fahrzeugen
Die Fähigkeiten der agentischen LLMs lassen sich am besten mit den Stufen des autonomen Fahrens vergleichen. Die Anbieter versprechen vollautomatisierte Systeme (Stufe 4) und sogar eine Erreichung der Artificial General Intelligence (AGI) mit der nächsten Modellgeneration, GPT-5 (Stufe 5). Allerdings berichten Nutzer von Erfahrungen, die typischerweise zwischen den Stufen 2 und 3 liegen, was bedeutet, dass menschliches Eingreifen erforderlich ist, sobald die LLMs an ihre Grenzen stoßen.
Kritiker sehen in den LLMs oft lediglich stochastische Sprachgeneratoren, die in vielen Bereichen flüchtig Leistungen erbringen, während die Ergebnisse in anderen Fällen enttäuschend ausfallen. Dies wirft die Frage auf, ob diese Systeme tatsächlich für autonome Problemlösungen geeignet sind.
Objektive Bewertung und Benchmarks
Strukturierte Bewertungen der Sprachmodelle erfolgen mittels gängiger Benchmarks, die Bereiche wie Programmierung und Naturwissenschaften abdecken. Während neueste Modelle in Tests immer bessere Ergebnisse erzielen, ist es unklar, inwieweit Anbieter ihre Modelle speziell auf diese Tests vorbereiten, was die Transparenz ihrer Effizienz in der Praxis einschränkt. Zudem sind die eigentlichen Trainingsdaten der Modelle oft nicht bekannt, was der objektiven Bewertung im Wege steht.
Aktuelle Berichte über die Quartalszahlen führender Unternehmen wie Meta und Microsoft zeigen eine wachsende Wirtschaftlichkeit im Bereich der KI. Während Meta überwiegend durch Werbung waltet, erfährt Microsoft durch seine Azure Cloud-Dienste ein erhebliches Wachstum, dessen Beitrag zu KI-Anwendungen jedoch nicht detailliert offengelegt wird.
Techniken zur Optimierung der LLM-Nutzung
Technologien wie Retrieval Augmented Generation (RAG) werden eingesetzt, um die Resultate der großen Sprachmodelle für Unternehmen zu optimieren. Diese Strategien ermöglichen eine bessere Ausrichtung der Modelle auf spezifische Probleme, wodurch potenzielle Fehlerquoten verringert werden können. Eine strukturierte Verbindung von LLMs mit verschiedenen Tools bietet Chancen für produktive Anwendungen, wobei der Erfolg solcher Technologien erst in der Praxis messbar wird.
Wer heute ein agentisches KI-Produkt erwirbt, muss sich darauf einstellen, dass die Abläufe nicht vollständig automatisiert sind. Es ist wahrscheinlich, dass Mitarbeiter weiterhin eine Überwachungs- oder Kontrollrolle einnehmen müssen. Analysten warnen, dass viele KI-Projekte in naher Zukunft scheitern könnten, was für Unternehmen ein Risiko darstellt, das bedacht werden sollte.
Fazit
Die großen Sprachmodelle zeigen Stärken in der Textbearbeitung und Informationszusammenfassung. Während ihre grundlegenden Sprachfähigkeiten unbestritten sind, ist die Qualität der Programmierleistungen variabel. Die Resultate können beim Programmieren zwischen 30 und 90 Prozent und in den Naturwissenschaften zwischen 50 und 85 Prozent schwanken, was an den spezifischen Anforderungen an Fachkräfte erinnert.
Die Frage bleibt, ob LLMs mit ihrer statistischen Arbeitsweise zuverlässige Ergebnisse liefern können. Der Markt fordert Klarheit über Effizienzgewinne, die LLMs in der praktischen Anwendung bringen, um die Technologie langfristig nachhaltig zu implementieren.
