Stelle dir eine nahe Zukunft vor, in der KI-Agenten nahtlos mit dir und deinen Kolleg:innen zusammenarbeiten. Einige repräsentieren Kund:innen, andere Teammitglieder – alle kommunizieren in der spezifischen Sprache deines Unternehmens, sogar über mehrere Sprachen hinweg. Diese Agenten aktualisieren kontinuierlich eine gemeinsame Wissensdatenbank und integrieren dabei sowohl etablierte Informationen als auch neue Erkenntnisse in Echtzeit.
Während wir von Anwendungsfällen mit einzelnen Agenten zu Multiagentensystemen und schließlich dazu übergehen, dass jedes Unternehmen seinen eigenen Omniagenten hat, werden wir sehen, wie KI-Agenten kontextübergreifend mit immer größerer Autonomie arbeiten. Wir werden unseren Tag mit Fragen beginnen wie: „Welche neuen Probleme haben Kund:innen diese Woche angesprochen?" oder „Was beschäftigt meine Mitarbeitenden am meisten?" Ein Ensemble von Agenten wird die Antwort aus Tausenden von Kundeninteraktionen, Gesprächen und Erkenntnissen deiner Kolleg:innen zusammenfassen. All das hält die Ära der Agenten für uns bereit.
Die Frage lautet: Wie kommen wir dahin? Die Antwort liegt in der Art von Informationen, die Agenten am meisten benötigen, um ihre Aufgaben effektiv zu erfüllen: Kontext.
Warum Kontext für KI essenziell ist
Kontext ist der Schlüssel dafür, dass agentenbasierte KI Unternehmen einen echten Mehrwert bietet. Agentenbasierte Architekturen nutzen die Inferenzleistung von LLMs (Large Language Models, Große Sprachmodelle), um Aufgaben trotz Mehrdeutigkeit zu automatisieren. Je mehr Kontext sie zur Interpretation dieser Mehrdeutigkeit haben, desto besser ist ihre Leistung.
Agenten führen zwecks Automatisierung eine neue Art der Computernutzung ein, die keine erschöpfende frühzeitige Festlegung von Regeln für jedes Szenario erfordert. Agentensysteme können die Mustererkennungsfähigkeiten eines LLM nutzen, um die Besonderheiten einer bestimmten Situation zu erschließen, und sie werden effektiver, wenn sie den umfassenden Kontext erhalten – mit anderen Worten, je weniger sie raten müssen.
Die Zusammenarbeit zwischen Mensch und KI misslingt, wenn Agenten ständig nach Details fragen müssen, bevor sie handeln.
Überlege, wie die meisten frühen KI-Agenten heute funktionieren und was die Zukunft verspricht. Viele aktuelle KI-Agenten haben Schwierigkeiten außerhalb ihrer definierten Parameter und können Anfragen leicht falsch interpretieren, wenn sie den Faden verlieren. Wenn sie darauf warten, dass die Benutzer:innen ihnen sagen, was sie interpretieren sollen, zwingen sie die Benutzer:innen dazu, Prompt Engineers zu werden.
Ein Beispiel für eine vage Benutzungsanfrage, die weitere Nachfragen erfordert, um den Mangel an Kontext auszugleichen
Ohne Zugang zu umfassendem Kontext geraten Agent-Entwickler:innen in ein Dilemma, das den Zweck von Agenten von vornherein zunichte macht. Sie können enge Anwendungsfälle mit vorhersehbaren kontextuellen Hinweisen und zuverlässiger Leistung, aber begrenzter Flexibilität entwerfen, oder sie können einen breiteren Ansatz wählen und die Agenten so gestalten, dass sie ohne Kontext auskommen. Dann liegt es jedoch an den Benutzer:innen, fehlende Details im letzten Moment zu liefern. Die Zusammenarbeit von Mensch und KI misslingt, wenn Agents ständig nach Details fragen müssen, bevor sie handeln können. Beide Strategien können schrittweise Verbesserungen erzielen, können aber die Einführung ihrer Agenten im großen Stil verhindern.
Wenn einem Agenten der Kontext fehlt, sind Benutzer:innen gezwungen, mehr Zeit damit zu verbringen, ihre Anfrage zu klären, als die eigentliche Aufgabe zu erledigen. Die Lösung besteht darin, Agenten in einer Umgebung einzusetzen, in der sie laufende Gespräche über die durchgeführte Arbeit beobachten und ihre Interpretationsfähigkeit nutzen können, um ihre Anweisungen und Tools an den Kontext der realen Arbeit anzupassen.
Gespräche bieten die umfassendste und dynamischste Quelle für Kontext in der natürlichen Sprache, die LLMs der Agenten leicht entschlüsseln können. Sie enthalten Echtzeit-Absichten, Nuancen darüber, was hilfreich ist und was nicht, sowie Hinweise auf sich entwickelnde Bedürfnisse – und liefern so die entscheidenden Hinweise, die KI-Agenten benötigen, um Kompromisse feinfühlig abzuwägen. Gesprächsbasierte Substrate ermöglichen es KI-Agenten, sich anzupassen, proaktiv zu werden und mit einer Präzision zu handeln, die sonst unmöglich zu erreichen wäre.
Ein Beispiel für einen Slack-Agenten, der den Gesprächskontext nutzt, um die gleiche vage Benutzungsanfrage zu interpretieren und effektiv zu reagieren.
Mit Kontext können Agenten die Handlungsfähigkeit erhalten, die sie so leistungsstark macht. Sie benötigen eine Umgebung, in der sie genügend Kontext beobachten können, um zu erkennen, was wichtig ist, was nicht, wann sie fortfahren sollen, wann sie Hilfe suchen sollten und sogar wann sie selbst unnötig sind. Wenn sie die sich ändernde Situation, Einschränkungen und neuesten Informationen sehen können, wird eine agentenbasierte Einführung im großen Stil möglich.
Agenten benötigen eine Umgebung, in der sie genügend Kontext beobachten können, um zu erkennen, was wichtig ist, was nicht, wann sie fortfahren sollen, wann sie Hilfe suchen sollten und sogar wann sie selbst unnötig sind.
Wie Slack kontextbezogene KI ermöglicht
Slack gibt dir alles, was du brauchst, um Kontrolle und Handlungsfähigkeit auszubalancieren. Indem du Slack als Substrat für deine Agenten verwendest, verbessern die unstrukturierten Daten deines Unternehmens – benutzungsgenerierte Inhalte, natürlichen Text, Audio und Video – die Schlussfolgerungen und Entscheidungsfindung der Agenten für eine höhere Relevanz. Das hilft Agenten zu verstehen, was sie tun können, um zu helfen, wann sie eingreifen sollten und wann sie sich zurückhalten sollten.
Slack ermöglicht dir auch die Kontrolle darüber, auf welche Daten deine Agenten zugreifen können. Wir trainieren LLMs nie mit Kundendaten. Stattdessen bieten wir die beste Umgebung, damit du kontextbezogene Retrieval-Augmented Generation (RAG) mit deinen eigenen Daten durchführen kannst, um Agenten die Informationen bereitzustellen, die sie benötigen. Das bedeutet, dass deine Agenten spontan ableiten können, welche Daten sie basierend auf dem Kontext ihrer Aufgabe aus deinen Datenbanken abrufen müssen.
Mit Slacks Unterhaltungsverlauf-API und Datenzugriffs-API kannst du adaptive Agenten erstellen, die in der Lage sind, Anpassungen in Echtzeit basierend auf dem sich entwickelnden Gespräch vorzunehmen. Jede neue Slack-Nachricht aktualisiert den Kontext. Statt starr vorgegebener Antworten ermöglicht Slack es Agenten, dynamisch zu werden und Hinweise aus laufenden und vergangenen Gesprächen zu nutzen, um flexibler mit ihren Anweisungen umzugehen und ihre zugewiesenen Rollen oder Ziele effektiver zu erfüllen. Die Kraft des klaren Echtzeit-Kontexts liegt in seiner Fähigkeit, KI dabei zu helfen, Personen zu verstehen. Slacks Architektur unterstützt diese Anpassungsfähigkeit und ermöglicht es Agenten-Entwickler:innen, den aktuellsten Kontext zu nutzen und sogar weiter zu kontextualisieren, worauf die Agenten aus vergangenen Interaktionen oder laufenden Gesprächen in anderen Slack-Channels insgesamt hören.
Da Multi-Agenten-Systeme immer häufiger werden, werden dialogorientierte Plattformen im Mittelpunkt der Einführung und Transformation von Agenten stehen. Slack dient als unternehmensweiter dialogorientierter Server, der für eine harmonische Kommunikation zwischen Agenten und Menschen benötigt wird und sicherstellt, dass Antworten aufeinander abgestimmt und produktiv sind. Agenten können autonom arbeiten und zusammenarbeiten, um ihre Fähigkeiten in Echtzeit zu verbessern, und sich selbst verstärken oder das zugrunde liegende Modell verbessern. Agenten werden zu informierten Mitwirkenden, und mit Slacks Kontextdiensten können sich Agenten-Entwickler:innen auf die Automatisierung konzentrieren, anstatt auf den komplizierten Endspurt oder darauf, ihre Agenten vorzudefinieren und einzuschränken. Und bald werden Slack-Agenten in der Lage sein, andere über alle mit Slack verbundenen Apps hinweg einfach zu verwalten und zu organisieren, mit einem einheitlichen Substrat, das es jedem Agenten ermöglicht, auf Gespräche mit und zwischen Menschen zurückzugreifen, um effektiv zu funktionieren.
Slack ist der Ort, an dem Agenten Menschen wirklich ergänzen können
Wenn du den besten Ort für deine Entwickler:innen zum Erstellen und Bereitstellen von Agenten in Betracht ziehst, ist es wichtig zu bedenken, dass Kontext nicht optional ist – er macht den Unterschied aus. Slack bietet eine Umgebung, in der sich Agenten von einfachen Aufgabenausführenden zu anpassungsfähigen, kollaborativen Partner:innen entwickeln können. Slack ist der Ort, an dem Agenten und Menschen interagieren, um einen ständig wachsenden Wissensschatz im Unternehmen aufzubauen, der mit jeder Nachricht aktualisiert wird. Slacks effektiver Nutzungskontext macht dies möglich und ermöglicht es letztendlich jedem Agenten, die Personen, denen er dient, besser zu verstehen.
Bereit loszulegen? Kontaktiere unser Team von Expert:innen, um mehr zu erfahren.
Super!
Vielen Dank für dein Feedback!
Okay!
Vielen Dank für dein Feedback.
Hoppla! Wir haben gerade Schwierigkeiten. Bitte versuche es später noch einmal!