Data Science beschleunigt die Welt.
Wir synchronisieren Ihr Unternehmen.
01.04.2025 | Künstliche Intelligenz, Maschinelles Lernen
Agentic AI in der Marktforschung: Die Zukunft der Entscheidungsfindung
Die Anwendungsfelder von KI in der Marktforschung kristallisieren sich zunehmend heraus – mit neuen technischen Entwicklungen kommen aber auch neu Use Cases hinzu, die helfen, Marktforschung weiterzuentwickeln. Eine dieser Entwicklungen ist das Thema „Agentic AI“ – ein neues Buzzword, von dem seit einigen Monaten immer häufiger zu lesen ist. Doch welche Möglichkeiten bietet Agentic AI heute schon in der Marktforschung? Wir zeigen Ihnen in unserem Blogbeitrag unter anderem, welche Unterschiede zu großen Sprachmodellen (LLMs) bestehen und wie Sie erste Schritte zur Implementierung von Agentic AI gehen können.
Und für alle, denen nicht auf Anhieb klar ist, worum es beim Thema Agentic AI überhaupt geht, hier schon mal eine kurze Einordnung: Agentic AI bezieht sich auf KI-Systeme, die in der Lage sind, selbstständig Entscheidungen zu treffen und Aufgaben zu erfüllen, oft mit einem gewissen Maß an Autonomie. Diese Agenten können in verschiedenen Anwendungen eingesetzt werden, von der Automatisierung von Prozessen bis hin zu komplexen Problemlösungen, auch indem sie die eigenen Ergebnisse reflektieren und eventuell selbstständig anpassen.
Von LLMs zu Agentic AI: Ein Blick unter die Motorhaube
Um das Potenzial von Agentic AI zu verstehen, ist es wichtig, sich die Grundlagen von großen Sprachmodellen (Large Language Models, kurz LLMs) anzuschauen. LLMs, wie sie zum Beispiel in ChatGPT verwendet werden, arbeiten auf der Basis von Texten, überwiegend aus dem Internet. Sie generieren Antworten, indem sie Wort für Wort die wahrscheinlichsten Fortsetzungen von Eingaben ermitteln. Dabei sind diese Modelle nicht „klug“ im klassischen Sinne, sondern eher wie ein hochentwickelter Textautomat.
Mehr zum Thema Sprachverarbeitung?
In unserem Blogbeitrag zum Thema Word Embeddings tauchen wir in die Grundlagen dieser innovativen Technik ein, die es Maschinen ermöglicht, Wörter und deren Bedeutungen in einem semantischen Kontext zu erfassen. Dort erfahren Sie, wie Word Embeddings die Leistung von KI-Anwendungen verbessern und welche Auswirkungen sie auf die Zukunft der Kommunikation haben.
Ein zentrales Problem bei LLMs ist die Begrenztheit ihrer Wissensbasis. Sie basieren auf den Daten, mit denen sie trainiert wurden und können darüber hinaus erstmal keine weiteren – vielleicht aktuelleren – Informationen einbeziehen, sofern Sie nicht vom Nutzer explizit genannt wurden. Dies führt beispielsweise auch zu Phänomenen wie Halluzinationen (falschen Informationen) und nur eingeschränktem Expertenwissen.
Agentic AI: Der nächste Schritt in der Evolution
Wenn wir von Agentic AI sprechen, entwickeln wir diesen Ansatz weiter und stellen dem LLM zusätzliche Werkzeuge zur Verfügung. Diese Agenten-Systeme sind darauf spezialisiert, Entscheidungen zu treffen und in Interaktion mit anderen spezialisierten Systemen zu agieren. Die Grundlage bilden zwar nach wie vor Sprachmodelle, die Wort-für-Wort Texte generieren, doch durch die Interaktion mit anderen Systemen können zusätzliche Informationen berücksichtigt werden und auch Aktionen ausgelöst werden.
Stellen Sie sich zum Beispiel ein Chatbot-Interface vor, das von verschiedenen Agenten unterstützt wird. Angenommen, Sie stellen eine Anfrage in Form eines Prompts, der folgendermaßen aussieht: „Erstelle mir bitte eine Präsentation für das nächste Strategie-Meeting“. Daraufhin unterstützen verschiedene spezialisierte Agenten bei der Bearbeitung der Anfrage.
Ein Agent könnte beispielsweise Zugriff auf eine Datenbank haben und erkennt, dass wichtige KPIs für das Meeting fehlen und diese generieren. Währenddessen sorgt ein anderer Agent dafür, dass Sie auch die aktuellen politischen Entwicklungen im Blick haben, die Ihre Geschäftsstrategie beeinträchtigen könnten. Ein dritter Agent könnte sich die Frage stellen, welche Personen an dem Strategie-Meeting teilnehmen und welche Informationen für diese relevant sind. Und ein letzter Agent, der auf das Bauen von Präsentationen spezialisiert ist, könnte dann die benötigte PowerPoint-Präsentation erstellen. Jeder dieser einzelnen Agenten basiert auf Sprachmodellen, die aber möglicherweise speziell trainiert oder instruiert wurden, bestimmte Aufgaben besonders effektiv zu lösen. Indem sie beispielsweise Zugriff auf Datenbanken haben oder selbstständig Software-Code schreiben und ausführen können.
Die einzelnen Agenten arbeiten meist autark, können sich aber entweder gegenseitig die „Bälle zuspielen“ oder werden durch einen übergeordneten Agenten orchestriert. Das Ergebnis ist dann auch wieder im Chat-Interface sichtbar, aber viel passender und umfänglicher als bei einem Sprachmodell ohne Agenten-Unterstützung.
Wir haben Ihnen das oben aufgeführte Beispiel auch nochmal in einer Abbildung anschaulich dargestellt:
Wo stehen wir mit LLMs und Agentic AI?
Der Bereich Agentic AI ist noch in den Kinderschuhen, und die Beispiele, die wir aktuell sehen, sind noch oft experimentell. Ähnlich wie bei den ersten LLMs gibt es hier viel Raum für Wachstum und Innovation. Unternehmen, die heute mit uns an Lösungen arbeiten, haben beispielsweise bereits konkrete Use Cases im FMCG-Bereich und in der Telekommunikation umgesetzt, um Insights der Marktforschung noch effektiver verfügbar zu machen.
Agentic AI in der Praxis?
Unser Insights-Bot macht Agentic AI zu einem zentralen Bestandteil Ihrer Marktforschung, in dem er große Mengen von strukturierten Marktforschungsdaten für Sie und Ihre internen Stakeholder greifbar werden lässt. Wenn Sie einen ersten Eindruck von unserem Insights-Bot gewinnen möchten, vereinbaren Sie jetzt einen Termin für eine Demo!
Empfehlungen für den Start mit Agentic AI
Um erfolgreich mit Agentic AI zu arbeiten, sollten Unternehmen aus unserer Sicht einige Grundvoraussetzungen erfüllen:
- Strukturierte Daten / Datenplattform: In fast allen Projekten sehen wir, dass es im ersten Schritt an der Verfügbarkeit von strukturierten und aufbereiteten Daten scheitert. Ein unstrukturierter Tabellenband ist nämlich ähnlich herausfordernd für den Agenten wie für Sie oder uns. Für einen ersten Piloten ist es dabei nicht so wichtig, eine perfekt aufgestellte Dateninfrastruktur zur Verfügung zu haben, aber die Daten sollten klar strukturiert sein, um von den Agenten effektiv genutzt werden zu können.
- Konkreter Use Case: Wir empfehlen, mit einem konkreten Anwendungsfall zu beginnen. Häufig beobachten wir bei Unternehmen, dass sie bereits im ersten Schritt versuchen, sämtliche Marktforschungsdaten der letzten Jahre zur Verfügung zu stellen. Diese Herangehensweise kann jedoch leicht dazu führen, dass man sich in den Details verliert. Es entsteht die Gefahr, dass eine Studie gut funktioniert, während es bei einer anderen möglicherweise zu Schwierigkeiten kommt. Daher ist es ratsam, fokussiert zu starten und sich zunächst auf einen spezifischen Use Case zu konzentrieren.
- Mut, neue Wege zu gehen: Haben Sie den Mut, Dinge auszuprobieren! Die Entwicklung wird immer zugänglicher, und die ersten Ergebnisse sind schneller sichtbar als je zuvor.
Wir sind überzeugt, dass Agentic AI ein vielversprechender Ansatz für zahlreiche Unternehmensbereiche ist. Und vielleicht sind Sie es nach diesem Blogbeitrag auch? Dann freuen wir uns, wenn Sie diesen Weg gemeinsam mit uns gehen!
Mehr zum Thema Agentic AI in der Markforschung?
Für eine vertiefte Auseinandersetzung mit dem Thema Agentic AI empfehlen wir Ihnen unser Webinar „Chatbot mit Fakten: Wie innovative Markenforschung erlebbar gemacht wird“. Dort erhalten Sie Einblicke in unseren Insights-Bot und mehr über das Potenzial von Agentic AI in der Marktforschung.
Ihr Ansprechpartner:
Christopher Harms
Gründer & Managing Director
Data-Science-News direkt in Ihr Postfach
Sobald wir einen Beitrag in unserem Blog veröffentlichen, schicken wir Ihnen gerne eine E-Mail. Und keine Sorge – wir mögen auch keinen Spam!
„*“ zeigt erforderliche Felder an
Auf der Datenwelle
Hier finden Sie unsere Events und Webinare für Data-Science-Enthusiasten.
Link zu: Webinare
AM 26. März 2025, 14:00 Uhr
Webinar: Chatbot mit Fakten
Wie innovative Markenforschung erlebbar gemacht wird. Jetzt anmelden!
Folge einem manuell hinzugefügten Link
VERGANGENE WEBINARE
Vom Datensammeln zum Consulting
Ein Webinar darüber, wie Hassia mit Dashboards abteilungsübergreifend den Umgang mit Daten verändert
