Überblick über den Standing des Agent Engineering-Berichts

Bild vom Herausgeber

# Einführung

LangChaineines der heute führenden Frameworks für die Erstellung und Orchestrierung von Anwendungen der künstlichen Intelligenz (KI), die auf großen Sprachmodellen (LLMs) und Agent Engineering basieren, hat kürzlich das veröffentlicht Bericht zum Stand der Agententechnikin dem 1.300 Fachleute mit unterschiedlichen Rollen und Geschäftshintergrund befragt wurden, um den aktuellen Stand dieses bemerkenswerten KI-Tendencies aufzudecken.

In diesem Artikel werden einige der wichtigsten Tipps und Erkenntnisse aus dem Bericht ausgewählt und in einem für ein breiteres Publikum zugänglichen Ton erläutert, wobei einige der wichtigsten Begriffe und Fachjargon im Zusammenhang mit KI-Agenten aufgedeckt werden. Weitere Informationen zu den Schlüsselkonzepten hinter KI-Agenten finden Sie auch in diesen verwandten Artikel.

Bevor wir uns auf die Fakten, Zahlen und unterstützenden Beweise für jede unserer drei wichtigsten Erkenntnisse konzentrieren, stellen wir einige wichtige Begriffe und Definitionen vor, die Sie kennen sollten, kurz erklärt:

# Große Unternehmen übertreffen Startups in der Produktion

Die wichtigsten Konzepte, die Sie kennen sollten:

• Agent: Ein KI-System, das im Gegensatz zu Commonplace-Chat-basierten Anwendungen, die reaktiv auf Benutzerinteraktionen reagieren, in der Lage ist, selbstständig Entscheidungen zu treffen und Maßnahmen zu ergreifen. Im heute am häufigsten genutzten Kontext nutzen Agenten ein LLM als ihr „Gehirn“, das sie bei der Entscheidungsfindung darüber unterstützt, welche Schritte sie als Nächstes unternehmen müssen – zum Beispiel das Abfragen einer Datenbank, das Versenden einer E-Mail oder das Durchführen einer Websuche –, um ein Ziel zu erreichen.
• Produktion (Umwelt): Obwohl dies ein grundlegendes Konzept in der Softwareentwicklung ist, magazine es für Leser mit anderen Hintergründen ungewohnt klingen. „In Produktion“ bedeutet, dass ein Softwaresystem stay ist und echte Benutzer, Kunden oder Mitarbeiter es verwenden, um Arbeiten oder Aktionen auszuführen. Im Grunde handelt es sich dabei um das, was nach einem Prototyp oder Proof of Idea (PoC) entsteht: eine Testversion der Software program, die in einer kontrollierten Umgebung ausgeführt wurde, um mögliche Probleme zu identifizieren und zu beheben.

Die wichtigsten Fakten im Bericht:

• Während es ein weit verbreitetes „bürokratisches“ Missverständnis gibt, dass größere Unternehmen bei der Einführung neuer Technologien langsamer sind, zeigen die Datenzahlen etwas anderes: Sie sind führend bei der Bereitstellung von KI-Agenten, wobei 67 % der Unternehmen mit mehr als 10.000 Mitarbeitern agentenbasierte Anwendungen in die Produktion gebracht haben, während dies nur 50 % der kleineren Unternehmen mit weniger als 100 Mitarbeitern tun.
• Gründe für den oben genannten Punkt können die Kosten für den Aufbau zuverlässiger Agentenlösungen sein, die erhebliche Investitionen in die Infrastruktur erfordern.

Ähnliche Beweise finden sich in Deloittes Stand der KI im Unternehmen im Jahr 2026 Und McKinseys Stand der KI im Jahr 2025 Berichte.

# Die Lücke zwischen Beobachtbarkeit und Bewertung

Die wichtigsten Konzepte, die Sie kennen sollten:

• Beobachtbarkeit: KI-Modelle, insbesondere fortgeschrittene, werden oft als undurchsichtige „Black Packing containers“ mit unvorhersehbaren Ergebnissen angesehen. Beobachtbarkeit ist die Fähigkeit zu untersuchen und aufzuzeichnen, was die KI „denkt“ und wie dies zu Entscheidungen oder Ergebnissen führt.
• Nachverfolgung: Ein spezifischer Aspekt der Beobachtbarkeit, der darin besteht, die Reise eines KI-Agenten Schritt für Schritt aufzuzeichnen – additionally seinen Denkweg.
• Offline-Bewertung: Dabei wird ein Testdatensatz mit bekannten „richtigen“ Antworten durchlaufen, um zu messen, wie genau und effektiv ein KI-Agent (oder ein anderes KI-System) arbeitet.

Die wichtigsten Fakten im Bericht:

• Erstaunliche 89 % der Befragten mit unterschiedlichem Hintergrund haben einen Beobachtbarkeitsmechanismus implementiert, obwohl nur 52,4 % Offline-Bewertungen durchführen, was eine bemerkenswerte Diskrepanz zwischen der Artwork und Weise, wie Groups KI-Agenten überwachen, und der strengen Prüfung ihrer Leistung zeigt.
• Dies signalisiert eine „Ship and Watch“-Mentalität, bei der Entwicklungsteams der Fehlerbehebung nach ihrem Auftreten Priorität einräumen, anstatt sie vor der Bereitstellung in der Produktion zu verhindern. Das Reparieren „kaputter Roboter“ statt sicherzustellen, dass sie ordnungsgemäß funktionieren, bevor sie die „Fabrik“ verlassen, kann unerwünschte Konsequenzen und Kosten nach sich ziehen.

Ähnliche Beweise finden sich in Giskards LLM-Beobachtbarkeit vs. Bewertung Artikel.

# Die Kosten sind nicht mehr der größte Engpass: Qualität ist es

Die wichtigsten Konzepte, die Sie kennen sollten:

• Halluzinationen: Wenn ein KI-Modell wie ein LLM selbstbewusst falsche oder unsinnige Informationen generiert, als ob sie wahr wären, spricht man von einer Halluzination. Dies stellt ein gefährliches Drawback dar, wenn KI-Agenten auf dem Laufenden bleiben, da das Drawback nicht nur darin besteht, etwas Falsches zu sagen, sondern auch darin, möglicherweise etwas Falsches zu tun – z. B. einen Flug auf der Grundlage ungenauer oder falsch ermittelter Fakten zu buchen.
• Latenz: Dies bezieht sich auf die Geschwindigkeit oder Verzögerung zwischen dem Stellen einer Frage durch einen Benutzer und dem Erhalt einer Antwort durch einen Agenten, mit einer „Denk“- oder Prozesslogik dazwischen, die häufig den Einsatz von Instruments erfordert. Dies erhöht den Zeitaufwand im Vergleich zu eigenständigen LLMs oder Chatbots.

Die wichtigsten Fakten im Bericht:

• Die Kosten für den Einsatz von KI-Agenten stellen laut den Befragten kein kritisches Drawback mehr dar. 32 % von ihnen nennen die Qualität als ihr größtes Hindernis für die Einführung und Bereitstellung.
• Qualität bezieht sich in diesem Zusammenhang auf Genauigkeit, Konsistenz und die Vermeidung von Halluzinationen.
• Unterdessen gibt es einen interessanten Haken: Die zweitkritischste Hürde ist je nach Unternehmensgröße unterschiedlich, wobei kleine Startups Latenz und Unternehmen mit über 2.000 Mitarbeitern Sicherheit und Compliance nennen.

Ähnliche unterstützende Beweise finden sich in den zuvor zitierten Bericht über Hindernisse bei der Einführung von KI von Deloitte, während differenzierte Beweise über die wichtigsten Unternehmensblocker hier weiter analysiert werden können Mittlerer Artikel.

Iván Palomares Carrascosa ist ein führender Autor, Redner und Berater in den Bereichen KI, maschinelles Lernen, Deep Studying und LLMs. Er schult und leitet andere darin, KI in der realen Welt zu nutzen.