|
Getting your Trinity Audio player ready...
|
Während die Branche mit „Agenten-Buzzwording” experimentiert, zeigt der Reiseplattform-Betreiber, wie ein modularer, evolutionärer Ansatz in der Praxis aussieht. Das Bemerkenswerte daran: Die zugrunde liegenden Prinzipien stammen nicht aus dem Silicon Valley der 2020er Jahre, sondern aus der Organisationstheorie der 1960er bis 1990er.
In der aktuellen Debatte um KI-Agenten dominieren zwei Extreme: auf der einen Seite vollmundige Ankündigungen von Systemen, die „alles autonom erledigen” sollen, auf der anderen Seite die nüchterne Erkenntnis, dass die meisten dieser Projekte über das Demo-Stadium nicht hinauskommen. Booking.com hat einen dritten Weg eingeschlagen, der handwerklich solide wirkt und sich wohltuend vom üblichen Agenten-Hype abhebt.
Architektur nach dem Prinzip der Sparsamkeit
Der technische Ansatz folgt einer klaren Logik: kleine, domänenspezifische Modelle übernehmen Standardaufgaben wie Intent-Erkennung, Routing und klassische Empfehlungen. Ein Large Language Model wird nur dort hinzugezogen, wo tatsächlich komplexeres Reasoning erforderlich ist. Dieses „Small Models First”-Paradigma reduziert nicht nur Kosten und Latenz, sondern erlaubt es vor allem, die bestehende ML-Infrastruktur für Ranking und Retrieval weiterzuverwenden.
Aufschlussreich ist dabei die Entstehungsgeschichte: Das ursprüngliche Intent- und Topic-System war im Grunde bereits ein früher agentischer Framework-Ansatz – Werkzeugauswahl je nach erkannter Absicht, später erweitert um LLM-Orchestrierung, Retrieval-Augmented Generation und API-Anbindungen. Diese Kontinuität ermöglichte einen relativ friktionsarmen Übergang zu einem echten Agenten-Stack, ohne die Architektur von Grund auf neu bauen zu müssen.
Messbare Wirkung statt spekt…