Umsetzung
Agentic AI + Wissensgraphen: Der nächste Schritt zu intelligenten Systemen
Wir entwickeln intelligente Anwendungen, die Agentic AI mit Wissensgraphen kombinieren. So entstehen Systeme, die kontextbasierte Entscheidungen treffen, Prozesse aktiv steuern und gleichzeitig nachvollziehbar und kontrollierbar bleiben.
Chancen
Warum Agentic AI ohne Wissensgraphen an Grenzen stößt
Unternehmen setzen zunehmend KI ein, doch viele Anwendungen bleiben reaktiv und isoliert. Agentic AI geht einen Schritt weiter und ermöglicht Systemen, Aufgaben eigenständig zu verstehen, zu planen und auszuführen.
Gerade dabei stellt sich vielen die Frage: Warum braucht es noch Wissensgraphen, wenn KI scheinbar alles versteht?
Die Antwort liegt in der Verlässlichkeit. Sprachmodelle können Inhalte generieren, doch ohne strukturierte Wissensbasis fehlt eine klare Grundlage für nachvollziehbare Entscheidungen.
Ohne semantische Basis bleiben auch Agentensysteme anfällig für Unschärfen und schwer kontrollierbar. Erst auf einer stabilen Wissensgrundlage handeln Systeme kontextbasiert, treffen fundierte Entscheidungen und lassen sich zuverlässig in bestehende Prozesse integrieren.
Typische Ausgangssituationen
- KI arbeitet auf unstrukturierten oder uneinheitlichen Daten
- Informationen sind verteilt und semantisch nicht verknüpft
- Kontext fehlt oder ist nicht eindeutig definiert
- Agentic AI stößt ohne Wissensbasis an Grenzen
- Geringes Vertrauen führt zu manuellen Entscheidungen
Typische Herausforderungen
- Unklare oder widersprüchliche Ergebnisse
- Fehlende Nachvollziehbarkeit von Entscheidungen
- Schwierige Steuerbarkeit autonomer Agenten
- Unsicherheit bei Qualität, Sicherheit und Compliance
- Überschätzung von LLM-Fähigkeiten ohne Kontextschicht
Agentic AI im Detail
Von ersten Use Cases zum Agentensystemen
Wir begleiten Unternehmen bei der Einführung von Agentic AI immer in Verbindung mit einer stabilen semantischen Grundlage. Unser Vorgehen verbindet Agentensysteme mit Wissensgraphen und stellt sicher, dass technologische Möglichkeiten, Datenstrukturen und organisatorische Realität sinnvoll zusammengeführt werden.
01Zieldefinition und Reifegradbewertung
Am Anfang steht nicht die Technologie, sondern die Frage: Welche Aufgaben sollen sinnvoll delegiert werden und welche nicht? Nicht jeder Prozess ist für Agentic AI geeignet. Ein realistischer Einstieg reduziert Risiken und schafft Akzeptanz, insbesondere dann, wenn die notwendige Wissensbasis frühzeitig mitgedacht wird.
Wir betrachten:
- konkrete Anwendungsfälle und deren Nutzen
- vorhandene Daten- und Wissensstrukturen
Prozess- und Datenqualität - organisatorische Voraussetzungen
02Analyse von Prozessen, Daten und Systemen
Agentic AI benötigt eine belastbare Wissensbasis. Wissensgraphen und Ontologien schaffen die semantische Struktur, die notwendig ist, damit Agenten kontextbasierte und verlässliche Entscheidungen treffen können. Ohne saubere Datenmodelle und klare Strukturen bleiben auch Agentensysteme ineffektiv.
Wir analysieren:
- bestehende Workflows und Entscheidungslogiken
- Datenverfügbarkeit und -qualität
- Systemlandschaften und Integrationsfähigkeit
03Architektur, Agent Design und Governance
Auf dieser Basis entwickeln wir Agentensysteme, die nicht nur funktionieren, sondern kontrollierbar, nachvollziehbar und belastbar sind. AI Governance ist dabei integraler Bestandteil der Architektur.
- Definition klarer Rollen und Verantwortlichkeiten von Agenten
- Einsatz eines zentralen Orchestrierungs-Agenten, der Aufgaben strukturiert plant und spezialisierte Agenten koordiniert („Plan and Execute“)
- Gestaltung klar abgegrenzter Entscheidungs- und Handlungsspielräume je Agent
- Integration von Kontrollmechanismen wie Human-in-the-loop und Validierungsschritte
- Nutzung von Wissensgraphen, Ontologien, Regeln und Fakten zur Absicherung von Entscheidungen
- Sicherstellung von Transparenz und Nachvollziehbarkeit durch strukturierte Entscheidungslogik und Monitoring
04Sicherheit, Compliance und Betrieb
Agenten greifen aktiv in Prozesse und Systeme ein. Entsprechend hoch sind die Anforderungen. Wir kümmern uns um:
- Zugriffskontrollen und Berechtigungsmodelle
- Absicherung von API- und Systeminteraktionen
- Monitoring und Logging von Entscheidungen und Aktionen
- Einhaltung regulatorischer Anforderungen
05Integration, Orchestrierung und Skalierung
Agenten entfalten ihren Nutzen im Zusammenspiel. Wir setzen daher auf eine schrittweise Skalierung.
- Koordination mehrerer Agenten (Multi-Agent-Systeme)
- Integration in bestehende Plattformen (CMS, PIM, Service-Systeme)
- Kombination mit Wissensgraphen und Datenmodellen
06Change Management und Akzeptanz
Der Erfolg von Agentic AI entscheidet sich nicht nur technologisch. Der Mensch, der damit arbeitet ist ein zentraler Faktor. Akzeptanz entsteht durch Transparenz, Nutzen und Kontrolle.
Teil unserer Leistung ist daher:
- Einbindung von Fachbereichen und Nutzern
- Klare Kommunikation von Rollen zwischen Mensch und System
- Schulung und Enablement der Teams
Ergebnisse
Ziele unserer Integration von Agentic AI
Verbesserte Antwortqualität durch kontextbasierte Informationsverarbeitung
Höhere Verlässlichkeit von KI-Entscheidungen durch semantische Grundlage
Transparente und nachvollziehbare Entscheidungen
Kontrollierte Automatisierung komplexer Prozesse
Entlastung von Teams ohne Kontrollverlust
Grundlage für skalierbares Unternehmenswachstum
PANTOPIX SPHERE
Integrationsplattform für Agentic AI und semantische Wissensmodelle
Anwendungsfälle
Mehrwerte, die Agentic AI im Alltag schafft
- Automatisierte, aber kontrollierte Content-Prozesse
- Intelligente Assistenz in Service- und Supportprozessen
- Proaktive Entscheidungsunterstützung
- Orchestrierung komplexer, systemübergreifender Workflows
- Entlastung von Wissensarbeit bei gleichzeitiger Transparenz
Praxisbeispiel
Agentic AI im Service bei ZEISS
Ein konkretes Beispiel für den Einsatz von Agentic AI ist der Service Copilot von ZEISS. Das Assistenzsystem kombiniert einen Wissensgraphen als semantische Grundlage mit einer agentenbasierten KI-Architektur.
Statt isolierter KI-Antworten orchestriert ein zentraler Agent mehrere spezialisierte Agenten, um Nutzeranfragen strukturiert zu lösen.
Das Ergebnis: kontextbasierte, nachvollziehbare Antworten und deutlich effizientere Serviceprozesse.
Mehr als 1000 Nutzerinnen und Nutzer greifen heute auf eine gemeinsame, intelligente Serviceplattform zu – mit messbar verbesserter Servicequalität und höherer Kundenzufriedenheit.
Unser Werkzeugkasten
Wir bauen verlässliche Agentic AI auf semantischer Grundlage
LLM-basierte Agentenframeworks
Model Context Protocol (MCP)
APIs und operative Systemfunktionen
Wissensgraphen und semantische Modelle
Orchestrierungsplattformen für Multi-Agent-Systeme
Monitoring-, Logging- und Governance-Lösungen
Ansprechpartner
Unser Experte für Agentic AI
Maximilian Gärber