Die Welt der künstlichen Intelligenz entwickelt sich rasant weiter, und mit ihr entstehen neue Konzepte, die unser Verständnis von automatisierten Systemen grundlegend verändern. In einem aufschlussreichen Gespräch zwischen Andrew Ng, dem renommierten KI-Experten und Gründer von DeepLearning.AI, und Harrison von LangChain, wurden entscheidende Einblicke in die Zukunft agentischer KI-Systeme geteilt.

Das Konzept der Agentischen Systeme verstehen

Von der Diskussion um "Agenten" zu praktischen Lösungen

Andrew Ng prägte vor etwa anderthalb Jahren ein revolutionäres Konzept, das die Art und Weise, wie wir über KI-Systeme denken, verändert hat. Statt endlos darüber zu diskutieren, ob ein System ein "echter Agent" ist oder nicht, schlägt er vor, den Fokus auf die "Agentischkeit" von Anwendungen zu legen.

Diese Denkweise ermöglicht es Entwicklern, Systeme mit unterschiedlichen Graden von Autonomie zu erstellen, ohne sich in theoretischen Debatten zu verlieren. Ein agentisches System kann sowohl minimale als auch maximale Autonomie aufweisen – entscheidend ist nicht die Kategorisierung, sondern die praktische Anwendung.

Das Spektrum der Autonomie in der Praxis

Die meisten aktuellen Geschäftsanwendungen bewegen sich im Bereich linearer Workflows mit gelegentlichen Verzweigungen. Diese Systeme automatisieren Prozesse wie:

• Formularprüfung auf Websites
• Compliance-Checks in Datenbanken
• Automatisierte Web-Recherchen
• Copy-Paste-Operationen zwischen verschiedenen Systemen

Für komplexere Anwendungen nutzt Ngs Team routinemäßig LangGraph, um anspruchsvolle Workflows mit mehreren Verzweigungen und Schleifen zu erstellen.

Kritische Fähigkeiten für Agent-Entwickler

Die Kunst der Workflow-Zerlegung

Eine der größten Herausforderungen für Unternehmen besteht darin, bestehende Geschäftsprozesse in agentische Workflows zu überführen. Dabei sind folgende Fähigkeiten entscheidend:

Granularität definieren: Entwickler müssen lernen, komplexe Aufgaben in optimale Micro-Tasks zu unterteilen. Diese Zerlegung erfordert sowohl technisches Verständnis als auch Geschäftsprozess-Know-how.

Evaluation-Frameworks implementieren: Systematische Bewertungssysteme sind unerlässlich, um die Leistung einzelner Schritte zu messen und Schwachstellen zu identifizieren.

Iterative Verbesserung: Erfahrene Teams entwickeln Instinkte dafür, wann ein Ansatz funktioniert und wann alternative Lösungswege erforderlich sind.

Das Lego-Prinzip der KI-Entwicklung

Andrew Ng verwendet eine treffende Metaphor: KI-Tools sind wie Lego-Steine. Je mehr verschiedene "Steine" (Tools) ein Entwickler beherrscht, desto schneller kann er komplexe Systeme zusammenbauen.

Unverzichtbare Tools für die Agentische Entwicklung

Evaluation-Systeme: Der unterschätzte Gamechanger

Obwohl viele über Evaluations sprechen, setzen nur wenige sie konsequent um. Ng empfiehlt einen pragmatischen Ansatz:

• Schnelle Prototypen: Erstellen Sie in 20 Minuten einfache Evaluations, die menschliche Überprüfungen ergänzen
• Iterative Verbesserung: Beginnen Sie mit unvollkommenen Evaluations und verbessern Sie diese kontinuierlich
• Fokus auf Regressionstests: Entwickeln Sie spezifische Tests für wiederkehrende Probleme

Voice-Stack: Das unterschätzte Potenzial

Während Sprach-Anwendungen in Unternehmen großes Interesse wecken, erhalten sie in der Entwickler-Community noch nicht die verdiente Aufmerksamkeit. Voice-Interfaces bieten entscheidende Vorteile:

Reduzierte Benutzerreibung: Sprechen ist für viele Nutzer weniger einschüchternd als Tippen Natürlichere Interaktion: Menschen können ihre Gedanken spontaner äußern und korrigieren Geringere Latenz-Anforderungen: Antwortzeiten unter einer Sekunde sind kritisch

Model Context Protocol (MCP): Die Zukunft der Integration

MCP standardisiert die Integration verschiedener Datenquellen und APIs. Obwohl noch in der Entwicklung, löst es ein kritisches Problem: Die Reduzierung des Aufwands für Datenintegrationen von n×m auf n+m.

Entwicklung von KI-Coding-Assistenten

Über das "Vibe Coding" hinaus

Der Begriff "Vibe Coding" führt in die Irre – erfolgreiche KI-unterstützte Programmierung ist eine hochintellektuelle Tätigkeit, die tiefes Verständnis erfordert. Andrew Ng betont:

Präzise Kommunikation: Die Fähigkeit, einem Computer exakt zu sagen, was er tun soll, wird zur Schlüsselkompetenz Erweiterte Programmiersprachen: Auch erfahrene Entwickler nutzen KI-Assistenten, um in weniger vertrauten Sprachen zu arbeiten Debugging-Kompetenzen: Das Verständnis von Fehlermeldungen und Debugging-Prozessen bleibt essentiell

Warum Programmieren lernen wichtiger denn je ist

Entgegen der Behauptung, KI würde das Programmieren obsolet machen, zeigt die Geschichte: Je einfacher das Programmieren wird, desto mehr Menschen programmieren. Bei AI Fund kann jeder Mitarbeiter – vom Empfangspersonal bis zum Rechtsanwalt – programmieren, was zu signifikanten Produktivitätssteigerungen führt.

Startup-Erfolg in der KI-Ära

Die zwei entscheidenden Erfolgsfaktoren

Geschwindigkeit: Der wichtigste Prädiktor für Startup-Erfolg ist die Ausführungsgeschwindigkeit. Erfahrene Teams arbeiten deutlich schneller als unerfahrene.

Technische Tiefe: Da sich Technologie schnell entwickelt, ist tiefes technisches Verständnis seltener und wertvoller als Go-to-Market-Kenntnisse.

Praktische Empfehlungen für Gründer

• Fokus auf technische Exzellenz vor Marketing-Strategien
• Aufbau von Teams mit komplementären technischen Fähigkeiten
• Schnelle Iteration und kontinuierliches Lernen
• Vermeidung von Perfektionismus zugunsten von Geschwindigkeit

Die Zukunft agentischer Systeme

Multi-Agent-Systeme: Noch in den Kinderschuhen

Agent-zu-Agent-Kommunikation bleibt eine große Herausforderung. Während Multi-Agent-Systeme innerhalb eines Teams funktionieren, ist die Interaktion zwischen verschiedenen Organisationen noch nicht ausgereift.

Emerging Technologies und ihre Auswirkungen

Längere Kontext-Fenster: Moderne LLMs mit erweiterten Kontext-Kapazitäten verändern Best Practices für RAG-Systeme Echzeit-Voice-APIs: Ermöglichen neue Kategorien von Anwendungen mit natürlicher Sprachinteraktion Verbesserte Evaluation-Tools: Automatisierte Bewertungssysteme werden zugänglicher und präziser

Fazit: Der Weg nach vorn

Die Entwicklung agentischer KI-Systeme steht noch am Anfang, bietet aber bereits heute enormes Potenzial für Unternehmen und Entwickler. Andrew Ngs Insights zeigen, dass Erfolg weniger von theoretischen Diskussionen als von praktischer Umsetzung abhängt.

Der Schlüssel liegt in der Kombination aus technischer Tiefe, iterativer Verbesserung und der Bereitschaft, neue Tools zu erlernen und zu beherrschen. Während die Technologie weiter fortschreitet, werden diejenigen erfolgreich sein, die sich auf praktische Lösungen konzentrieren und die Geschwindigkeit der Ausführung priorisieren.

Die Zukunft gehört nicht den perfekten Agenten, sondern den praktischen agentischen Systemen, die reale Probleme lösen und kontinuierlich verbessert werden können.

Häufig gestellte Fragen (FAQ)

1. Was ist der Unterschied zwischen einem Agent und einem agentischen System?

Ein agentisches System beschreibt jede Anwendung mit einem gewissen Grad an Autonomie, ohne die philosophische Debatte darüber, ob es sich um einen "echten" Agenten handelt. Dies ermöglicht es Entwicklern, sich auf praktische Lösungen zu konzentrieren, anstatt in theoretischen Diskussionen zu verharren.

2. Warum ist Geschwindigkeit der wichtigste Erfolgsfaktor für KI-Startups?

In der schnelllebigen KI-Branche können erfahrene Teams Lösungen entwickeln und implementieren, die um ein Vielfaches schneller sind als bei langsameren Konkurrenten. Diese Geschwindigkeit ermöglicht es, schneller zu lernen, zu iterieren und Marktchancen zu nutzen, bevor sie von anderen besetzt werden.

3. Sollte ich als Nicht-Entwickler trotz KI-Assistenten noch programmieren lernen?

Absolut ja. Die Geschichte zeigt, dass vereinfachte Programmierung zu mehr Programmierern führt, nicht zu weniger. Das Verstehen von Programmierkonzepten verbessert Ihre Fähigkeit, KI-Systemen präzise Anweisungen zu geben, was in allen Berufsfeldern zunehmend wichtiger wird.