Muster 6: KI-erste Funktionen

Entwickeln Sie neue Funktionen mit Agenten als zentrale Bausteine, nicht als Nachrüstungen bestehender Workflows. Diese Funktionen waren vor KI nicht möglich. Sie verbessern sich im Laufe der Zeit durch Feedback, Lernen und kontinuierliche Optimierung.

In diesem Muster arbeiten Agenten in Sinnesentscheidungsschleifen: kontinuierliche Überwachung von Signalen, Treffen autonomer Entscheidungen innerhalb von Grenzen, Ausführen von Aktionen und Lernen von Ergebnissen. Diese Systeme sind keine Assistenten. Sie sind intelligente Systeme, die neuen Geschäftswert schaffen.

Note

Dieses Muster unterscheidet sich von den anderen fünf Mustern grundsätzlich und nicht nur im Grad. Es gibt keinen Prozess zum Vergleichen, keinen Basisplan zur Verbesserung und keinen etablierten Workflow, um den Entwurf zu leiten. Sie müssen alles selbst aufbauen, einschließlich der Frage, wie Sie Erfolg messen.

Was dieses Muster ist

KI-orientierte Geschäftsfähigkeiten gehen von einer Frage aus, die die anderen Ansätze nie stellen: Was könnten wir tun, was zuvor schlicht nicht möglich war? Die Antwort ist keine schnellere Version der heutigen Arbeit. Es handelt sich um eine neue Funktion, oft eine autonome Schleife, die eine Situation erkennt, entscheidet und agiert und sich im Laufe der Zeit verbessert. Agenten sind die Bausteine dieser Fähigkeit, nicht eine Erweiterung, die an einen bestehenden Ablauf angeflanscht wurde.

Dieses Muster ist der ausgeprägteste Ausdruck der Ausführen-Seite der Verschiebung von Unterstützung hin zur Ausführung. Da es keinen Präzedenzfall gibt, müssen Sie das Design, die Schutzschienen und die Maßnahmen erfinden.

Was Agenten tun

Agents in diesem Muster gehen über die Ausführung definierter Workflows hinaus, um autonom zu arbeiten:

  • Kontinuierliche Optimierungsmodule: Preise, Bestand, Planung.
  • KI-native Entscheidungsschleifen: Betrugserkennung, Anomalieantwort, adaptives Routing.
  • Markterkundungsplattformen: Wettbewerbsüberwachung, Trendanalyse, Chancenidentifikation.
  • Predictive Planning Systems: Bedarfsvorhersage, Kapazitätsplanung, Risikomodellierung.
  • Autonome Workflowgenerierung: Agents, die ihre eigenen Prozesse entwerfen und optimieren.
  • Multi-Agent-Orchestrierung: Koordinierte Teams von spezialisierten Agenten, die komplexe Probleme lösen.

Diese Funktionen schaffen Einen Wert, der ohne KI nicht vorhanden sein konnte. Sie sind nicht schnellere Versionen vorhandener Prozesse. Sie sind wirklich neu.

Was Menschen tun

Menschen agieren als Produktbesitzer. Sie definieren Ziele, legen Grenzen fest, überwachen Ergebnisse und treffen strategische Entscheidungen zur Entwicklung von Fähigkeiten. Sie erledigen die Arbeit nicht. Stattdessen steuern sie das System, das dies tut.

Diese Rollentransformation ist das wichtigste aller Muster. Verantwortungsvolle Menschen sind für Ergebnisse verantwortlich, auch wenn sie die Arbeit selbst nicht ausführen. Einschränkungen:

  • Definieren Sie Erfolgskriterien und Ergebnismetriken für autonome Systeme.
  • Legen Sie die Grenzen fest, innerhalb derer Agenten agieren (und passen Sie sie an, wenn das Vertrauen wächst).
  • Überwachen Sie Lernschleifen, um sicherzustellen, dass die Funktionen in die richtige Richtung verbessert werden.
  • Treffen Sie strategische Entscheidungen darüber, wann die Agentenautonomie erweitert werden soll.
  • Steuern Sie verantwortungsvolle KI-Praktiken, da Funktionen komplexer werden.

Funktionsweise des Betriebssystems

Die erfolgreiche Bereitstellung dieses Musters erfordert Änderungen in vier Dimensionen:

Dimension Vorher Nachher
Personen Operatoren, die Aufgaben ausführen Produktbesitzer, die Funktionen verwalten
Agenten Ausführen vordefinierter Schritte autonome Erkennen-Entscheiden-Handeln-Schleifen
Governance Complianceprüfungen In den Lebenszyklus eingebettete Kontrollen mit kontinuierlicher Überwachung
Metrics Durchsatz und Effizienz Strategische Optionalität + Lernrate + Anpassungsgeschwindigkeit

Ziel-Reifegradprofil

Dieses Muster erfordert ein Höchstmaß an Reife über alle fünf Fähigkeitstreiber hinweg. Es gibt keine Abkürzungen.

Reifeprofil

Fähigkeitstreiber Zielebene Warum?
Technologie und Daten 500 (effizient) Der Maßstabsbrecher. Multi-Agent-Orchestrierung, Echtzeit-Telemetrie und Lerninfrastruktur.
KI-Strategie und -Erfahrung 500 (effizient) Die Fähigkeit ist die Strategie, umgesetzt durch kontinuierliche Iteration.
Geschäftsstrategie 500 (effizient) Eine neue Geschäftsfunktion mit adaptiven, autonomen Prozessen.
Unternehmensführung und Sicherheit 500 (effizient) Predictive Risk Management und kontinuierliche Compliance für autonome Systeme.
Organisation und Kultur 500 (effizient) Eine selbsterhaltende Gemeinschaft und eine Lernkultur, die das Neue erfinden und betreiben kann.

Schlüsselerblick: Dieses Muster erfordert die höchste Reife in allen Funktionen. Es gibt keinen zu vergleichenden Prozess, keinen Basisplan zur Messung der Verbesserung und keinen etablierten Workflow, um den Entwurf zu leiten. Alles muss aufgebaut werden, auch die Art und Weise, wie man Erfolg misst.

Scale-Breaker: Technologie und Daten, insbesondere Multi-Agent-Orchestrierung, Echtzeit-Telemetrie und Lerninfrastruktur. Ohne eine robuste technische Grundlage werden autonome Funktionen unvorhersehbar und unaufdänglich.

KI-orientierte Fähigkeiten werden als Produkte verantwortet, erstrecken sich über mehrere Domänen und erfordern verteilte Produktteams, die innerhalb gemeinsamer Standards arbeiten. Das CoE bietet Architekturmuster, verantwortungsvolle KI-Frameworks und Orchestrierungsstandards. Es wird nicht zentral bereitgestellt.

Tip

Die entscheidende Rolle bei diesem Muster ist der Product Owner des Agenten. Dies ist ein Produkt, kein Projekt. Es benötigt eine Produktmanagementdisziplin: eine Roadmap, einen Backlog, eine Erfolgsdefinition und ein Team, das sich für seine langfristige Entwicklung verpflichtet hat. Ohne diese Rolle wird die Fähigkeit nur einmal entwickelt und nie verbessert.

Erfahren Sie mehr über Struktur, Rollen und risikostufige Governance im Build an agentic Center of Excellence.

Was Sie benötigen und nicht benötigen

Sie benötigen:

  • Produktbesitz mit dedizierten Teams: Jede Funktion benötigt einen Produktbesitzer und ein Team mit dem Mandat, den Fähigkeiten und der Kontinuität, um sie im Laufe der Zeit zu entwickeln. Diese Entwicklung ist kein Projekt, das endet.
  • Autonomiegrenzen bei kontinuierlicher Überwachung: Klare Grenzen festlegen, die mit wachsendem Vertrauen angepasst werden können. Beginnen Sie konservativ und erweitern Sie auf Grundlage der Erkenntnisse.
  • Kontinuierliche Lernschleifen: Die Funktion verbessert sich durch jede Interaktion. Berücksichtigen Sie Lernen von Anfang an im Design, denn später lässt es sich deutlich schwerer integrieren.
  • Eingebettete verantwortungsvolle KI-Praktiken: Ethik und Sicherheit müssen in die Architektur integriert und nicht nach der Bereitstellung angeschraubt werden. Dieser Ansatz umfasst Voreingenommenheitstests, Fairnessbewertung und Erläuterungsdesign.
  • Experimentierkultur mit fehlsicheren Steuerelementen: Teams benötigen die Berechtigung, neue Ansätze auszuprobieren und Sicherheitsnetze zu löschen, wenn die Dinge schief gehen. Kulturen, die Misserfolge bestrafen, können keine Lernsysteme aufbauen.
  • Multi-Agent-Architektur: Wenn Ihre Fähigkeit koordinierte Agents umfasst, entwerfen Sie von Anfang an die Koordination zwischen Agenten und Agenten. Die Nachrüstung der Multi-Agent-Architektur ist teuer.

Sie benötigen folgendes nicht:

  • Inkrementelle Automatisierung: Bei diesem Muster geht es nicht darum, vorhandene Prozesse um 10% schneller zu machen.
  • Zentrale IT-Bereitstellung: Diese Funktionen benötigen dedizierte Produktteams mit Domänenkompetenz.
  • Nachrüsten vorhandener Workflows: Entwurf von Grund auf für KI-native Ausführung. Legacy-Workfloweinschränkungen beschränken, was möglich ist.
  • Einmalige Builds: Diese Funktionen müssen kontinuierlich lernen und verbessern. Eine Fähigkeit, die nicht lernt, verschlechtert sich im Laufe der Zeit.
  • Herkömmliches Projektmanagement: Produktmanagement mit Experimentzyklen verwenden. Meilensteine und Lieferumfang sind das falsche Governancemodell für Lernsysteme.

Verantwortungsvolle KI im großen Maßstab

KI-first-Funktionen stellen die Grenze der autonomen KI-Operation dar. Verantwortungsvolle KI-Praktiken sind hier besonders wichtig, da:

  • Agenten arbeiten mit hoher Autonomie und begrenzter menschlicher Aufsicht in Echtzeit.
  • Fehler können sich in der Maschinengeschwindigkeit verbreiten, bevor der Mensch eingreifen kann.
  • Lernsysteme können unerwartete Verhaltensweisen entwickeln, während sie optimiert werden.
  • Die Wirkungsskala ist sowohl positiv als auch negativ größer als jedes andere Muster.

Integrieren Sie verantwortungsvolle KI von Anfang an in Ihre Architektur:

  • Erläuterung: Können Sie verstehen, warum das System eine bestimmte Entscheidung getroffen hat? Andernfalls können Sie Drift weder erkennen noch korrigieren.
  • Überwachung von Verzerrungen: Kontinuierlich bewerten, ob Lernprozesse Verzerrungen verstärken oder unfaire Ergebnisse erzeugen.
  • Rollbackfunktion: Können Sie zu einem vorherigen Zustand zurückkehren, wenn ein Lernupdate schief geht?
  • Menschlicher Eingriff: Selbst in vollständig autonomen Systemen legen Sie die Bedingungen fest, unter denen ein Mensch eingreifen kann, und wie dieser Eingriff umgesetzt wird.

Erfahren Sie mehr in " Verantwortungsvolle KI-Prinzipien anwenden".

Wert- und Erfolgsmetriken

Der Wert hier ist das Vorhandensein einer Funktion, die noch nicht vorhanden war, und die neuen Ergebnisse, die er erstellt. Stellen Sie Wertschöpfungs- und Existenznachweise in den Vordergrund, nicht Effizienzprozentsätze, denn es gibt keine vorherige Ausgangsbasis, die verbessert werden könnte.

Wie der Wert aussieht

  • Neue Funktionen, die vor KI nicht möglich waren.
  • Neue Einnahmen, Dienstleistungen oder Geschäftsmodelle.
  • Autonome Reaktion in einer Geschwindigkeit und Größenordnung, die kein manueller Prozess erreichen könnte.
  • Ein sich verstärkender Vorteil, da die Fähigkeit dazulernt und sich verbessert.

Erfolgsmetriken zum Nachverfolgen

Kategorie Beispielmaße Was sie Ihnen sagt
Wertschöpfung (Überschrift) Neues Umsatz- oder Geschäftsmodell geschaffen, Vorhandensein einer Fähigkeit („Können wir jetzt X tun?“), neue Reichweite erschlossen Gibt an, ob die Funktion einen Wert erstellt, der noch nicht vorhanden war.
Autonomie und der Regelkreis Entscheidungslatenz von Signal zu Aktion, autonomer Vorgangsvervollständigungsrate, Schleifendurchsatz und Skalierung, Stückkosten pro autonomer Vorgang Ob die Wahrnehmen-Entscheiden-Handeln-Schleife mit Maschinengeschwindigkeit und in großem Maßstab arbeitet.
Qualität und Sicherheit Bewertung, Fundiertheits- und Sicherheitswerte, Eskalations- und Fallback-Rate Ob das autonome System korrekt und sicher bleibt, während des Betriebs.
Innovationsdurchsatz Zeit bis zur Einführung einer neuen Funktion, Anzahl der Funktionen in Produktion, Wiederverwendung über verschiedene Szenarien hinweg Ob man die Grenze immer wieder erreichen kann, nicht nur einmal.
Governance Anteil der Agents unter verwalteter Identität, Richtlinienkonformitätsrate, Schatten-Agent-Anzahl Ob der autonome Bestand beim Wachstum kontrolliert bleibt.

So messen Sie

  • Microsoft Foundry-Auswertungen und Beobachtbarkeit verfolgen das Verhalten von Agenten und bewerten Qualität und Sicherheit, was besonders dort wichtig ist, wo es keine Vergleichsbasis gibt.
  • Definieren Sie das Erfolgsmaß im Vorfeld, da die Funktion keinen Vorgänger hat. Entscheiden Sie, wie "gut" aussieht, bevor Sie starten.
  • Microsoft Agent 365 verwaltet und überwacht die autonome Umgebung, einschließlich Identitätserkennung und Erkennung von Schatten-Agenten.

Tip

Bewerten Sie eine völlig neue Fähigkeit nicht anhand alter Effizienzkennzahlen. "Wie viel Zeit haben wir gespart", geht von einem Prozess aus, der nicht existierte. Messen Sie, ob die Fähigkeit nun vorhanden ist, welchen neuen Mehrwert sie schafft und wie sicher die autonome Schleife läuft. Entwickeln Sie die Messgröße gemeinsam mit der Fähigkeit.

Allgemeine Antimuster

Fehler in diesem Bereich kommen aus der Behandlung von Grenzarbeit wie ein normales Projekt.

Anti-Muster Wie es aussieht Was stattdessen zu tun ist
Verkleidete Produktivität Die „net-new“-Funktion ist eigentlich eine bestehende Aufgabe, nur beschleunigt. Testen Sie die Idee: Könnten Sie dies überhaupt vor KI tun? Wenn ja, gehört es in ein anderes Muster.
Alte Metriken für neue Arbeit Der Erfolg wird nach der Zeitersparnis gegenüber einem Ausgangswert beurteilt, den es nicht gibt. Legen Sie Maßnahmen für Bestand und Wertschöpfung von vornherein fest.
Bauen, bevor das Fundament fertig ist Die Fähigkeit wird eingeführt, bevor die Technologie, die Daten und die Governance ausgereift genug sind. Die Infrastruktur kann die Lernschleifen, Telemetrie und Überwachung der Anforderungen nicht unterstützen, sodass das System unvorhersehbar ist und keine Einblicke in das Verhalten hat. Erreichen Sie zuerst die ausreichende Reife in Technologie, Daten und Governance. Schaffen Sie die Orchestrierung, die Echtzeittelemetrie und die Lernschleife, bevor Sie die eigentliche Funktionalität umsetzen.
Lernen ohne Schutzschienen Das System lernt aus betriebstechnischen Daten ohne Aufsicht, verstärkt unbeabsichtigte Muster, optimiert für das falsche Ziel oder verstärkt Verzerrungen, die in den Daten vorhanden sind. Definieren Sie, was das System sollte und sollte nicht lernen, bevor Sie das Lernen aktivieren, und überwachen Sie es kontinuierlich.
Keine erfundenen Schutzschienen Sicherheitsgrenzen werden von anderen Mustern ausgegangen, die nicht passen. Entwerfen Sie Schutzschienen speziell für diese Funktion, da es keinen Vorgänger gibt.
Verantwortungsvolle KI-Überprüfung, die nach dem Start geplant ist Das Team plant, verantwortungsvolle KI zu adressieren, sobald sich die Funktion bewährt hat. Anschließend ist die Architektur fest und die Kosten der Änderung sind hoch. Integrieren Sie verantwortungsvolle KI von Anfang an.
Auf ein Produkt angewandte Projektmentalität Das Team erreicht den Go-live-Meilenstein und betrachtet die Arbeit als abgeschlossen. Die Fähigkeit wird nicht aufrechterhalten, die Lernschleifen werden nicht überwacht, und das System baut im Laufe der Zeit ab. Behandeln Sie es als Produkt mit unbestimmtem Management-Engagement, nicht als ein Projekt, das am Start endet.
Unbestimmtes Experiment Grenzvertreter vermehren sich ohne Identität oder Aufsicht. Steuern Sie von Anfang an mit einer verwalteten Identität und einer Registry.

Kundenstimmen

Diese veröffentlichten Microsoft-Kundengeschichten zeigen, wie sich Expertenwissen mit faktenbasierten, quellenbasierten Agenten skalieren lässt, während Menschen rechenschaftspflichtig bleiben.

Customer Gemeldetes Ergebnis
Microsoft (Fragen Microsoft) Ein Multi-Agent-System mit spezialisierten Sub-Agents, die auf bestimmten Inhalten basieren, liefert bis zu 61% niedrigere Latenz und bis zu 70% weniger menschliche Eskalationen, wobei sich engagierte Besucher viel wahrscheinlicher registrieren.
Fujitsu Eine zusammengesetzte KI koordiniert mehrere spezialisierte Agents und einen Orchestrator-Agent, der "als Team" antworte. Diese Multi-Agent-Architektur, die nicht in herkömmlichen generativen KI vorhanden war, verbessert die Erstellung von Vorschlägen um 67%.
Quantum Capital Group Reduzieren Sie die Planung von Feldentwicklungsszenarien von 3 Wochen auf 20 Minuten mit geospatialer Optimierung auf Azure und einem Copilot Studio Abfrage-Agent.
Physics Wallah Unterstützt zwei Millionen Studenten mit dem KI-Tutor "Gyan Guru" auf Azure OpenAI.
Rolls-Royce Erhöhte Maschinenauslastung um 30% mit predictive AI auf Azure Databricks und Microsoft Cloud für die Fertigungsindustrie.
Die Estée Lauder Unternehmen Verkürzen Sie die Gewinnung von Consumer Insights von Wochen auf Minuten mit dem „ConsumerIQ“-Agenten in Copilot Studio und Azure OpenAI.

Microsoft agentische Fähigkeiten für dieses Muster

In den folgenden Beispielen werden Funktionen hervorgehoben, die besonders für KI-first-Funktionen relevant sind. Verwenden Sie diese Beispiele als Ausgangspunkt für den Abgleich von Funktionen zu Ihren Szenarien und Benutzersegmenten, und erkunden Sie dann das Agent-Ökosystem Microsoft für das vollständige Bild.

Fähigkeit entwickeln

Boden, Verbinden und Beobachten

Bewerten und Testen vor dem Versand

Auf dieser Ebene der Autonomie und Komplexität ist die kontinuierliche Bewertung eine Kerndisziplin des Engineerings, nicht eine Checkliste vor dem Start.

  • Die Bewertung von Agents in Copilot Studio führt strukturierte Auswertungen durch, bei denen Antworten anhand von Qualitätsdimensionen wie Genauigkeit, Faktentreue und Aufgabenerfüllung bewertet werden. Verwenden Sie es, um das Verhalten des Agenten über die gesamte Bandbreite an Eingaben hinweg zu überprüfen, einschließlich Randfällen und adversarischen Szenarien, sowohl vor als auch nach jeder Änderung.
  • Copilot Agent Kit (früher bekannt als Copilot Studio Kit) erweitert die Testabdeckung mit Massentests, automatisierten Regressionsläufen und einem Bewertungsdashboard. Für KI-erste Systeme, die sich im Laufe der Zeit verbessern, sind wiederholbare und auditierbare Bewertungsnachweise für die Aufrechterhaltung des Vertrauens unerlässlich, da sich die Fähigkeit weiterentwickelt.

Wie Sie wissen, dass Sie bereit sind

Dieses Muster richtet sich an Organisationen, die mit der höchsten Reife arbeiten. Berücksichtigen Sie dies in folgenden Fällen:

  • Sie verfügen über fortgeschrittene Teams, die autonome Systeme entwerfen, ausführen und verbessern können.
  • Sie haben die technische Grundlage: Multi-Agent-Orchestrierung, Echtzeit-Telemetrie und eine Lernschleife.
  • Sie können Schutzschienen und Erfolgsmaßnahmen erfinden, wo keine vorhanden sind.
  • Sie können ein autonomes Vermögen mit verwalteter Identität und kontinuierlicher Compliance steuern.
  • Sie setzen bereits einige der anderen Ansätze gut um.

Nächste Schritte

Machen Sie die Bewertung der Agentbereitschaft

Oder entdecken Sie das vollständige Reifegradmodell zur Einführung von Agentic AI.

Erkunden Sie weitere Muster ausführlicher:

  • Last updated on