Bisher haben wir gelernt, künstliche Intelligenz hauptsächlich als Gesprächspartner zu nutzen. Wir stellen ihr eine Frage und erhalten im Gegenzug einen Text, eine Analyse, ein Bild, eine Zusammenfassung oder ein Stück Code. Der Wert liegt in der Qualität der Antwort, obwohl die Interaktion oft dort endet.
Mit Agentic AI beginnt sich diese Grenze zu verschieben. Künstliche Intelligenz kann ein Ziel verstehen, die erforderlichen Schritte identifizieren, die verfügbaren Tools nutzen und die nächste Aktion vorbereiten. Sie kann ein System abfragen, Informationen abrufen und vergleichen, eine Konfiguration validieren, einen Entwurf erstellen und ihn dem Benutzer zur Genehmigung vorlegen.
Dies führt ein KI-System ein, das an Prozessen teilnehmen und deren Ausführung unterstützen kann.
Die Änderung ist besonders relevant im Marketing und Datenmanagement, wo die größte Herausforderung selten ein Mangel an Informationen ist. Vielmehr geht es um alles, was erforderlich ist, um diese Informationen nutzbar zu machen. Teams müssen Datensatzstrukturen verstehen, zwischen Tools wechseln, verschiedene Fähigkeiten koordinieren und Analysen in konkrete Aktivitäten übersetzen.
Agentic AI kann diese Distanz verkürzen und einen direkteren Weg zwischen Absicht und Handlung schaffen. Um einen signifikanten Mehrwert zu bieten, muss sie jedoch ihren operativen Kontext verstehen, sich in Geschäftsdaten und Plattformen integrieren und innerhalb klarer, überprüfbarer und kontrollierter Grenzen agieren.
Jenseits des Chatbots: eine neue Ebene der Interaktion mit Plattformen
Ein traditioneller generativer Assistent erhält eine Eingabe und erzeugt eine Ausgabe basierend auf dem verfügbaren Kontext. Ein agentisches System kann ein Ziel in eine Abfolge von Operationen zerlegen, die am besten geeigneten Tools auswählen, APIs oder Plattformfunktionen aufrufen und einen mehrstufigen Workflow koordinieren.
Der Unterschied betrifft auch die Fähigkeit des Systems, mit seiner Betriebsumgebung zu interagieren. Ein Agent kann Datenbanken abfragen, Metadaten lesen, Prüfungen durchführen, spezialisierte Tools verwenden, den Kontext über verschiedene Schritte hinweg beibehalten und neben den bereitgestellten Informationen ein operatives Ergebnis liefern.
Stellen Sie sich zum Beispiel vor, ein Marketingmanager möchte Kunden identifizieren, die in den letzten 30 Tagen mindestens einen Kauf getätigt haben, prüfen, wie viele von ihnen eine gültige E-Mail-Adresse haben, und eine Zielgruppe für eine Kampagne erstellen.
Ein traditioneller Prozess kann von Teams Folgendes erfordern:
- die richtigen Tabellen und Beziehungen identifizieren;
- Qualität, Vollständigkeit und Format der Felder überprüfen;
- die Segmentierungslogik definieren;
- eine Abfrage ausführen oder Filter konfigurieren;
- die potenzielle Zielgruppengröße berechnen;
- das Ziel auswählen;
- die Synchronisierung konfigurieren und starten.
Mit einer agentischen Schnittstelle kann dasselbe Ziel in natürlicher Sprache ausgedrückt werden. Der Agent interpretiert die Absicht, identifiziert die relevanten Quellen, ruft die erforderlichen Tools auf, überprüft die Datenverfügbarkeit und -qualität, erstellt die Zielgruppenlogik und berechnet eine Vorschau.
Bevor eine Operation durchgeführt wird, die das System verändert, kann es die vorgeschlagene Konfiguration, die verwendeten Parameter und die Aktion, die es auszuführen beabsichtigt, präsentieren. Der Benutzer kann den vorgeschlagenen Schritt dann genehmigen, ändern oder ablehnen.
Der Wert geht über die Reduzierung der operativen Zeit hinaus. Er verändert die Abstraktionsebene, über die Menschen auf die Funktionen einer Plattform zugreifen. Benutzer müssen nicht unbedingt die Syntax einer Abfrage, die vollständige Struktur eines Datenschemas oder die technische Abfolge von Operationen kennen. Sie können das Ergebnis ausdrücken, das sie erreichen möchten, während der Agent diese Absicht in Tool-Aufrufe und überprüfbare Konfigurationen übersetzt.
Die konversationelle Interaktion wird daher zu einer Orchestrierungsebene, die Benutzer, Daten und Plattformfunktionen verbindet. Sie ergänzt die traditionelle Schnittstelle, indem sie einen direkteren, geführten und transparenten Zugang zu operativen Prozessen bietet.
Der wahre Wert liegt im operativen Kontext
Um in einem Geschäftsumfeld einen sinnvollen Mehrwert zu bieten, benötigt ein Agent mehr als das allgemeine Wissen eines Sprachmodells. Er muss innerhalb eines präzisen Anwendungskontexts agieren und verstehen, welche Daten verfügbar sind, wie sie organisiert sind, welche Beziehungen zwischen Tabellen und Profilen bestehen, welche Tools er verwenden kann, welche Modelle aktiv sind und welche Berechtigungen der Benutzer besitzt.
Dieser Kontext umfasst mehr als nur die Bereitstellung einer größeren Menge an Informationen. Er beinhaltet Metadaten, Schemata, Geschäftsregeln, Konfigurationen, Autorisierungen und den aktuellen Zustand der Ressourcen. Diese Elemente ermöglichen es dem Agenten, eine allgemeine Anfrage in eine Abfolge von Operationen zu übersetzen, die mit der tatsächlichen Umgebung kompatibel sind.
Ohne Zugriff auf diesen Kontext kann die KI eine Methode vorschlagen oder ein Verfahren beschreiben, ist jedoch möglicherweise nicht in der Lage zu prüfen, ob die erforderlichen Daten vorhanden sind, ob ein Feld geeignet ist, ob eine Verbindung aktiv ist oder ob der Benutzer autorisiert ist, eine bestimmte Aktion auszuführen.
Agentic AI stützt sich daher auf die Fähigkeit, ein Sprachmodell über strukturierte Schnittstellen mit operativen Tools zu verbinden. Der Agent muss die verfügbaren Funktionen entdecken, ihre Parameter und Einschränkungen verstehen, sie im richtigen Moment aufrufen und das Ergebnis jeder Operation nutzen, um den nächsten Schritt zu bestimmen.
Innerhalb dieser Architektur interpretiert das Sprachmodell die Absicht und orchestriert den Prozess, während spezialisierte Tools, APIs und Dienste die Ausführung übernehmen. Das Model Context Protocol beispielsweise definiert einen offenen Standard, über den ein KI-Assistent kontrolliert auf Daten, Ressourcen und Funktionen zugreifen kann, die von externen Systemen bereitgestellt werden.
Diese Integration adressiert eine der Haupteinschränkungen bei der KI-Einführung in Geschäftsprozessen: die Trennung zwischen der Umgebung, in der eine Anfrage entsteht, und dem System, in dem sie ausgeführt werden muss. Wenn ein Assistent nicht auf die vom Team verwendeten Tools zugreifen kann, muss der Benutzer Informationen manuell abrufen, sie in die Konversation kopieren, die Antwort interpretieren und die Operation in einer anderen Anwendung nachbilden.
Ein integriertes agentisches System kann diese Schritte reduzieren. Es kann direkt innerhalb der Plattform arbeiten oder ausgewählte Plattformfunktionen über KI-Assistenten verfügbar machen, die bereits im Unternehmen eingeführt wurden. Dies schafft einen kontinuierlicheren Workflow, in dem Daten, Argumentation und Operationen Teil desselben Prozesses sind, während Rollen, Autorisierungen und Zugriffsebenen getrennt bleiben.
Größere operative Fähigkeiten bei gleichzeitiger Beibehaltung des menschlichen Urteilsvermögens
Die Idee eines Systems, das in der Lage ist, Maßnahmen zu ergreifen, lenkt die Aufmerksamkeit oft auf seinen Grad an Autonomie. In einem Geschäftsumfeld ist eine nützlichere Frage, welche Aktivitäten dem Agenten zugewiesen werden sollten, innerhalb welcher Grenzen und unter welcher Aufsicht.
Der Agent übersetzt das Ziel des Benutzers in technische Operationen. Er identifiziert relevante Quellen, wählt Tools aus, prüft Voraussetzungen und bereitet die Aktion vor. Die strategische Bewertung verbleibt bei der Person, die den Geschäftskontext versteht und bestimmen kann, ob das vorgeschlagene Ergebnis kohärent, nützlich und angemessen ist.
Eine Zielgruppe kann formal korrekt sein, während sie für die Kampagne schlecht geeignet ist. Ein Modell kann gültige Felder verwenden, die für das Ziel nur begrenzt relevant sind. Eine Synchronisierung kann technisch machbar sein, während sie mit der internen Governance unvereinbar bleibt.
Menschliches Eingreifen ist daher ein integraler Bestandteil einer agentischen Architektur. Lese-, Explorations- und Vorschauaktivitäten können oft automatisiert werden, während Schreib-, Aktivierungs- und Löschvorgänge eine Autorisierung, explizite Bestätigung und Rückverfolgbarkeit erfordern.
Innerhalb eines Human-in-the-Loop-Modells reduziert der Agent die technische Komplexität und bereitet die Aktion vor. Der Benutzer bewertet deren Relevanz und entscheidet, ob er fortfährt. Um eine fundierte Entscheidung zu unterstützen, muss das System die konsultierten Daten, die verwendeten Tools, die ausgewählten Parameter und die vorgeschlagenen Änderungen transparent machen.
Agentic AI in der Bytek Prediction Platform
Die neuen Funktionen der Bytek Prediction Platform entwickeln sich in diese Richtung und machen den gesamten Daten-Workflow zugänglicher. Dies umfasst die Konfiguration von Datenquellen, die Entwicklung prädiktiver Modelle, die Analyse und die Aktivierung. Das Ziel geht über die Einführung einer konversationellen Schnittstelle hinaus und betrifft die Art und Weise, wie Benutzer mit den operativen Funktionen der Plattform interagieren.
Data Source Manager: Konfiguration von Daten durch einen geführten Prozess
Der erste Schritt besteht darin, die Datenquellen, die die Plattform speisen, zu verbinden und korrekt zu konfigurieren.
Data Source Manager führt Benutzer durch das Onboarding von Datensätzen. Er analysiert automatisch Tabellen und Felder, ermöglicht die Auswahl der einzuschließenden Informationen, unterstützt die Konfiguration von Identifikatoren und ermöglicht eine Überprüfung der Gesamtstruktur vor der Aktivierung.
Für BPP-Benutzer bietet dies eine schnellere Möglichkeit zu verstehen, welche Daten verfügbar sind und wie die Plattform sie interpretieren wird. Benutzer können entscheiden, welche Tabellen sie einschließen möchten, Feldnamen und -beschreibungen verbessern, Identifikatoren wie E-Mail-Adressen oder Kunden-IDs korrekt zuordnen und überprüfen, wie diese Identifikatoren zur Profilzusammenführung beitragen.
Der geführte Prozess verringert die Wahrscheinlichkeit, dass anfängliche Konfigurationsfehler spätere Aktivitäten beeinträchtigen. Eine unvollständige Definition von Identifikatoren, ein unklares Feld oder eine falsch ausgewählte Tabelle können Zielgruppen, Signale und Modelle gefährden. Der Data Source Manager macht diese Schritte sichtbarer und einfacher zu kontrollieren, bevor die Plattform aktiviert wird.
Der Wert erstreckt sich auch auf die Zusammenarbeit zwischen Teams. Infrastrukturteams behalten die Kontrolle über die technische Konfiguration, während Marketing-, Analyse- und Datenteams Zugang zu einer klareren und konsistenteren Darstellung der von ihnen verwendeten Daten erhalten. Das Onboarding kann somit zum Ausgangspunkt eines zuverlässigeren operativen Prozesses werden, der eng mit dem Rest der Plattform verbunden ist.
AI Model Copilot: Daten in operative Vorhersagen verwandeln
Sobald die Daten konfiguriert sind, können Benutzer sie auf prädiktive Modelle anwenden, die mit konkreten Geschäftszielen verknüpft sind.
AI Model Copilot leitet die Konfiguration, das Training und die Bereitstellung von Modellen wie Propensity, Churn, Predictive Customer Lifetime Value, RFM-Clustering und Interessenklassifizierung. Benutzer können mit dem gewünschten Ergebnis beginnen und das am besten geeignete Modell identifizieren, wodurch die Notwendigkeit verringert wird, eine Geschäftsanforderung eigenständig in eine technische Konfiguration zu übersetzen.
Ein Marketingteam kann ihn verwenden, um ein Modell zu erstellen, das die Kaufwahrscheinlichkeit schätzt, kündigungsgefährdete Kunden identifiziert, den zukünftigen Kundenwert vorhersagt oder den Kundenstamm nach Aktualität, Häufigkeit und Geldwert segmentiert. Die Ergebnisse können dann die Zielgruppenerstellung, die Definition von Signalen für Werbeplattformen oder die Personalisierung von Retention-Aktivitäten unterstützen.
Der Copilot unterstützt die Auswahl von Tabellen, Variablen, Zeiträumen und Trainingsparametern, wodurch die Beziehung zwischen Eingabedaten und erwarteten Ergebnissen leichter verständlich wird. Das Modell wird zunächst als Entwurf gespeichert, sodass der Benutzer die Konfiguration überprüfen kann, bevor er sie aktiviert und Vorhersagen generiert.
Dieser Ansatz kann die prädiktive Modellierung Teams näherbringen, die das Geschäftsproblem verstehen, aber nicht jede technische Phase des Prozesses direkt verwalten. Data-Science-Expertise bleibt für komplexere Projekte zentral, während wiederkehrende Aktivitäten durch einen geführten, schnelleren und strukturierteren Prozess abgewickelt werden können.
AI Copilot: Zugriff auf BPP-Funktionen durch natürliche Sprache
AI Copilot ist der in die Plattform integrierte konversationelle Assistent. Er ermöglicht es Benutzern, ihren Arbeitsbereich zu erkunden und operative Aktivitäten durchzuführen, indem sie direkt beschreiben, was sie wissen oder erreichen möchten.
Durch eine Anfrage in natürlicher Sprache können Benutzer prüfen, welche Tabellen und Felder verfügbar sind, die Qualität eines Datenfeldes bewerten, die Anzahl der zusammengeführten Profile im Identity Graph einsehen, sehen, welche Modelle aktiv sind, oder die Ziele überprüfen, mit denen eine Zielgruppe synchronisiert wird.
Der Copilot kann auch die Erstellung und Verwaltung von Zielgruppen und Signalen unterstützen. Ein Benutzer kann ihn bitten, ein Segment von Kunden zu erstellen, die in den letzten 30 Tagen gekauft haben, dessen Größe vor dem Speichern zu berechnen oder eine bestehende Zielgruppe mit anderen Bedingungen zu klonen.
Dies kann die Zeit verkürzen, die benötigt wird, um die richtigen Funktionen zu identifizieren, Filter zu konfigurieren oder zwischen verschiedenen Abschnitten der Plattform zu wechseln. Der Benutzer kann sich auf das operative Ziel konzentrieren, während der Copilot die erforderlichen Tools identifiziert und die Schritte organisiert.
Leseoperationen werden sofort ausgeführt. Wenn eine Aktivität eine Änderung beinhaltet, zeigt der Copilot eine Karte mit der vorgeschlagenen Aktion, den ausgewählten Parametern und dem erwarteten Effekt an. Der Benutzer kann diese genehmigen oder ablehnen, während Zielgruppen, Signale und andere Entitäten zunächst als Entwürfe erstellt werden.
Benutzer können somit eine größere Autonomie bei der Datenexploration und -aktivierung gewinnen, während sie gleichzeitig die Sichtbarkeit der vom System konsultierten Informationen und die Kontrolle über Operationen behalten, die den Arbeitsbereich verändern.
Bytek MCP: Nutzung von BPP über bereits im Unternehmen eingeführte KI-Assistenten
AI Copilot bietet agentische Funktionen innerhalb der Plattform. Bytek MCP macht ausgewählte Funktionen über externe Assistenten verfügbar, die mit dem Model Context Protocol kompatibel sind, einschließlich Claude und ChatGPT.
Für Benutzer bedeutet dies, auf BPP zugreifen zu können, während sie weiterhin in ihrer aktuellen Umgebung arbeiten. Über einen externen KI-Assistenten können sie Daten, Zielgruppen, Signale, Verbindungen und Modelle überprüfen, kontrollierte schreibgeschützte Abfragen ausführen und neue Entwürfe für eine spätere Überprüfung innerhalb der Plattform vorbereiten.
Ein Benutzer, der eine Kampagnenstrategie in Claude oder ChatGPT analysiert, kann beispielsweise prüfen, ob eine bestimmte Zielgruppe bereits existiert, verifizieren, welche Daten für deren Erstellung verfügbar sind, oder einen neuen Entwurf vorbereiten, ohne Informationen manuell zwischen verschiedenen Systemen kopieren zu müssen.
Dies reduziert den Kontextwechsel und integriert BPP in die bereits von der Organisation genutzten KI-Workflows. Auf Plattformfunktionen kann von der Umgebung aus zugegriffen werden, in der das Team bereits arbeitet, anstatt an eine einzige Schnittstelle gebunden zu bleiben.
Der Zugriff bleibt persönlich und begrenzt. Jede Anmeldeinformation ist einem bestimmten Benutzer und Arbeitsbereich zugeordnet und gewährt nur die zulässigen Operationen. Externe Assistenten können Informationen lesen und Entwürfe erstellen, während die Aktivierung und sensiblere Änderungen innerhalb von BPP verbleiben.
Dies gibt den Benutzern eine größere Kontinuität über Daten, Analysen und Operationen hinweg, während die Trennung der Umgebungen, der sichere Zugriff und die Überwachung der Aktionen gewahrt bleiben.
Von der Interaktion zur Orchestrierung
Agentic AI führt eine Art des Zugriffs auf Plattformen ein, bei der Benutzer mit dem Ziel beginnen können und nicht mit der technischen Abfolge, die zu dessen Erreichung erforderlich ist. Der Agent interpretiert die Anfrage, identifiziert relevante Daten und Tools, koordiniert die Schritte und liefert einen überprüfbaren operativen Vorschlag.
Dies kann auch das Verhältnis zwischen Fachwissen und der täglichen Nutzung von Technologie beeinflussen. Technisches Wissen bleibt grundlegend für die Gestaltung von Infrastrukturen, Modellen, Autorisierungen und Governance-Regeln. Gleichzeitig können mehr Menschen auf diese Funktionen zugreifen, ohne detaillierte Kenntnisse über Abfragen, Schemata und Konfigurationen zu benötigen.
Die Wirksamkeit dieses Modells hängt von der Qualität seiner Integration in den operativen Kontext ab. Ein Agent kann einen Mehrwert bieten, wenn er die verfügbaren Daten versteht, die Grenzen des Arbeitsbereichs erkennt, autorisierte Tools verwendet und seine vorgeschlagenen Operationen sichtbar macht. Ohne diese Elemente bleibt die Interaktion möglicherweise von realen Prozessen losgelöst.
Die Entwicklung von Schnittstellen kann daher deren schrittweise Transformation beinhalten. Dashboards, Filter und Konfigurationen können weiterhin Kontrolle und Details bieten, während die agentische Ebene Aktivitäten koordiniert, die über Daten, Modelle und Ziele verteilt sind.
Bei Daten- und Marketingplattformen liegt ein Großteil des Wertes darin, eine größere Kontinuität zwischen Analyse und Aktivierung zu schaffen. Dies beinhaltet das Verständnis darüber, welche Informationen verfügbar sind, deren Umwandlung in Segmente oder Vorhersagen und deren Nutzung in operativen Kanälen durch einen direkteren Prozess.
