Generative KI vs. Agentenbasierte KI

Gen­er­a­tive AI und Agen­tic AI unter­schei­den sich grundle­gend in ihren Fähigkeit­en und Anwen­dungs­bere­ichen. Gen­er­a­tive AI ist auf die Erstel­lung von Inhal­ten wie Tex­ten, Bildern oder Musik spezial­isiert. Sie basiert auf großen Daten­men­gen, aus denen sie Muster lernt, um kreative Inhalte zu gener­ieren. Dabei arbeit­et sie reak­tiv, das heißt, sie antwortet nur auf men­schliche Eingaben und fol­gt ein­er lin­earen Arbeitsweise: von „Start“ bis „Ziel“ ohne iter­a­tive Anpas­sun­gen. Gen­er­a­tive AI ver­fügt über keine Autonomie; sie kann keine Entschei­dun­gen oder Aktio­nen ohne men­schlichen Anstoß aus­führen und lernt nicht aus Erfahrun­gen oder Inter­ak­tio­nen in Echtzeit. Beispiele für Gen­er­a­tive AI sind Chat­G­PT, das Texte erstellt, oder DALL‑E, das Bilder aus Textbeschrei­bun­gen gener­iert¹Agen­tic AI vs Gen­er­a­tive AI: Under­stand­ing the Key Dif­fer­ences and Impacts.

Im Gegen­satz dazu geht Agen­tic AI über die reine Gener­ierung hin­aus und kann eigen­ständig Entschei­dun­gen tre­f­fen sowie Auf­gaben mit min­i­maler men­schlich­er Führung aus­führen. Sie ist autonom und arbeit­et aktiv auf klar definierte Ziele hin. Agen­tic AI passt sich an neue Sit­u­a­tio­nen an, lernt aus Erfahrun­gen und verbessert sich iter­a­tiv. Zudem ver­fügt sie über Umwelt­wahrnehmung, das heißt, sie kann ihre physis­che Umge­bung wahrnehmen und darauf reagieren. Beispiele hier­für sind autonome Fahrzeuge, die in Echtzeit Entschei­dun­gen tre­f­fen, um sich­er zu navigieren, oder smarte virtuelle Assis­ten­ten, die nicht nur Infor­ma­tio­nen bere­it­stellen, son­dern auch Auf­gaben wie Ter­min­vere­in­barun­gen oder Erin­nerungs­man­age­ment übernehmen.

In der Arbeitsweise unter­schei­den sich die bei­den Ansätze deut­lich. Während Gen­er­a­tive AI ein­er ein­fachen, lin­earen Struk­tur fol­gt, arbeit­et Agen­tic AI iter­a­tiv und zyk­lisch. In ihrem Work­flow durch­läuft sie Phasen wie „Denken/Forschen“, „Testen“ und „Verbessern“. Diese iter­a­tive Vorge­hensweise ermöglicht es der Agen­tic AI, qual­i­ta­tiv hochw­er­tigere Ergeb­nisse zu liefern, da sie kon­tinuier­lich selb­st­ständig opti­miert und angepasst wird.

Eine von Andrew Ng vorgestellte Fall­studie verdeut­licht die Vorteile des Agen­tic Work­flows. In ein­er Codierungsauf­gabe, bei der die Summe aller ger­adzahli­gen Posi­tio­nen in ein­er Liste berech­net wer­den sollte, wurde der Agen­tic Work­flow mit dem Zero-Shot Prompt­ing ver­glichen²Agen­ten­basierte Prozes­sautoma­tisierung #1. Bei Zero-Shot Prompt­ing, wo die KI ohne zusät­zliche Anleitung direkt eine Lösung liefert, erziel­ten Mod­elle wie GPT‑3.5 und GPT‑4 solide Ergeb­nisse. Allerd­ings zeigte sich, dass durch den Agen­tic Work­flow, der die Auf­gabe in kleinere Schritte wie das Testen und Debug­ging zer­legt, selb­st ältere Mod­elle wie GPT‑3.5 leis­tungs­fähiger wur­den und bessere Ergeb­nisse erziel­ten.

Zusam­men­fassend lässt sich sagen, dass Gen­er­a­tive AI her­vor­ra­gend für kreative und reak­tive Auf­gaben geeignet ist, jedoch durch ihre man­gel­nde Autonomie und Anpas­sungs­fähigkeit begren­zt bleibt. Agen­tic AI hinge­gen stellt einen bedeu­ten­den Fortschritt dar, da sie Ziele set­zen, Entschei­dun­gen tre­f­fen und selb­st­ständig auf Verän­derun­gen reagieren kann. Durch iter­a­tive Work­flows wie den Agen­tic Work­flow kön­nen KI-Mod­elle kom­plexe Auf­gaben meis­tern, kon­tinuier­lich ler­nen und sich verbessern.