Herausforderungen und Erfahrungen beim Einsatz von KI-Agenten: Was Sie wissen müssen

Sergey Kozlov, Direktor des Entwicklers des CRM-Systems „Megaplan“ und der Wissensdatenbank mit KI-Assistent Collabis, teilt gemeinsam mit Igor Sukhoverkhov, Leiter der Collabis-Entwicklung, seine Erfahrungen bei der Implementierung von KI-Agenten. Sie stellen fest, dass die Qualität der Arbeit des Agenten stark davon abhängt, wie gut die Wissensdatenbank strukturiert ist: Ist sie chaotisch, fallen die KI-Antworten ungenau aus. Auch der Kontext ist wichtig – einfach „mach es cool“ zu schreiben reicht nicht; man muss den Agenten tief in den Aufgabenkontext eintauchen lassen. Der moderne Ansatz zur Arbeit mit KI ist Loop Engineering, bei dem der entscheidende Faktor ist, wie der Agent die Aufgabe ausführt und Werkzeuge nutzt. Die Autoren warnen: Wenn die KI in die falsche Richtung geht, verschwendet sie Zeit und Tokens. Sie nennen ein Beispiel: Bei einer Tester-Aufgabe, anstatt auf einen defekten Button hinzuweisen, stieg der Agent in den Code ein und versuchte, ihn zu reparieren. Die meisten Modelle bewältigen einfache und klar definierte Aufgaben gut, aber komplexe mehrschrittige Aufgaben erfordern teurere Modelle – sie können den Anfang vergessen, genau wie Menschen. Manuelle Kontrolle ist zwingend erforderlich: Ein Agent ist heute wie ein Junior, dessen Arbeit von einem Senior überprüft werden muss. Auch die Risiken einer Blockade des Zugangs zu ausländischen Modellen werden erwähnt, daher wird empfohlen, Daten in einer persönlichen Wissensdatenbank zu speichern. Das Unternehmen „Megaplan“ hat einen MCP-Server für die Datenübertragung entwickelt, und es gibt auch ein Pet-Projekt auf Basis von GPT 5.6, das lokal läuft.