Von Jonathan Massa

Technologie-Experte

Ansichten: 2

Partager l’article

In einem Umfeld, in dem jede strategische Entscheidung auf verifizierten und strukturierten Fakten basieren muss, beschränkt sich der Einsatz von KI nicht mehr auf punktuelle Interaktionen mit einem Chatbot. Es geht nun darum, Suchmaschinen zu entwickeln, die Informationen sammeln, verifizieren, strukturieren und synthetisieren, um verwertbare, zuverlässige und nachvollziehbare Berichte zu erstellen. Über einfache Prompts hinaus besteht die Herausforderung darin, KI-Orchestrierungsarchitekturen bereitzustellen, die einen vollständigen Analyse-Workflow automatisieren und die Anforderungen an Rentabilität, Geschwindigkeit und Prüfbar­keit erfüllen, auf die sich IT-Abteilungen und Fachbereiche stützen.

Nicht skalierbarer handwerklicher Analyseprozess

Ein traditioneller Marktanalysebericht bindet Experten über mehrere Wochen, verursacht hohe Kosten und Fristen, die mit dem Business-Druck nicht vereinbar sind. Dieses Handarbeitsmodell erfüllt nicht mehr die Anforderungen an Agilität und Wiederholbarkeit, die moderne Organisationen stellen.

In der Schweiz hat eine große Finanzinstitution ein vollständiges Benchmarking ihrer konkurrierenden Software-Suite durchführen lassen. Zwei Senior-Analysten, ein Ingenieur und ein Projektleiter arbeiteten drei Wochen daran, bei Gesamtkosten von nahezu 50.000 Franken. Das Ergebnis war präzise, konnte jedoch erst deutlich später reproduziert werden, da jeder Autor seine eigene Arbeitsmethode nutzt.

Diese Abhängigkeit von Einzelpersonen und deren Expertise verlangsamt nicht nur die Wissensproduktion, sondern erschwert auch erheblich die Aktualisierung dieser Studien. Jede Änderung des Umfangs erfordert einen vollständigen Neustart des Prozesses, ohne Gewähr für Kohärenz zwischen verschiedenen Berichtsversionen. Das Risiko besteht darin, an Relevanz zu verlieren oder Duplikate zu erzeugen.

Hohe Kosten und lange Fristen

Für eine glaubwürdige Markt­bewertung müssen Organisationen häufig mehrere Profile zu hohen Stundensätzen einbinden. In der Schweiz verrechnen Senior-Analysten zwischen 140 und 180 Franken pro Stunde, während Ingenieure mehr als 130 Franken berechnen. Dieses Preisniveau kann das Projektbudget schnell sprengen, vor allem wenn mehrere Iterationen zur Anpassung des Umfangs nötig sind.

Die Durchlaufzeit verlängert sich, sobald eine zusätzliche Expertise-Ebene integriert werden muss, sei es funktionale Spezialisten oder Reviewer, die die strategische Kohärenz der Schlussfolgerungen validieren. Zwischen Recherche, Produkttests und schriftlicher Synthese kann ein einfaches Benchmarking zwei bis vier Wochen dauern. Dieses Tempo gilt in Branchen, in denen sich Chancen stetig verändern, oft als zu langsam.

Die Notwendigkeit, jede eingefügte Information manuell zu validieren, erzeugt zudem Engpässe. Reviewer müssen jede Quelle abgleichen, was die Validierungszyklen verlängert und die Lieferung des Abschlussberichts weiter verzögert. Dieser Prozess, obwohl unerlässlich für die Zuverlässigkeit, wird so zum Haupthemmnis für Reaktionsfähigkeit.

Abhängigkeit von Experten

Der Einsatz von Senior-Analysten und spezialisierten Ingenieuren schafft einen Flaschenhals hinsichtlich ihrer Verfügbarkeit. Wenn ein Experte das Projekt verlässt oder mehrere Studien parallel laufen, kann die Qualität sinken oder die Fristen unvorhersehbar verlängert werden. Diese Variabilität erschwert die präzise Planung von Ressourcen und Budgets über das Jahr hinweg.

Zudem bringt jeder Experte seine eigene Sichtweise und Methodik ein, was den Vergleich oder die Integration von Studien zu unterschiedlichen Zeitpunkten komplex macht. Die Teams müssen dann redaktionelle und methodische Konsistenz wiederherstellen, oft in Form von Hin- und Herkommunikation zwischen Autoren und Auftraggebern.

Daher ist die Wiederholbarkeit des Prozesses nicht gewährleistet. Organisationen verlieren Zeit damit, jedes Mal die Struktur des Berichts und die Analyseperspektiven neu zu definieren, was zusätzliche Kosten verursacht und die schnelle Bereitstellung von Insights für die Fachbereiche verzögert.

Begrenzte Reproduzierbarkeit und Industrialisierung

Ein manueller Workflow führt zu einem einmaligen Ergebnis, das ohne erneute Durcharbeitung aller Schritte schwer reproduzierbar ist. Unternehmen tun sich schwer, diese Studien zu industrialisieren, da jede kleine Anpassung des Umfangs einen kompletten Neuanlauf erfordert. Das Ergebnis ist mangelnde Flexibilität und Unfähigkeit, schnell aktualisierte Berichte zu liefern.

Die reaktionsfähigsten Organisationen hingegen können ihre Analysen kontinuierlich erneuern, um aktuelle Daten und aufkommende Trends zu korrelieren. Ohne Automatisierung erfolgt die Aktualisierung der Schlussfolgerungen in einem Tempo, das oft nicht mit der Beschleunigung des Marktes Schritt hält.

Dieses Fehlen von Systematik schränkt die Fähigkeit der Entscheider ein, ihre Langfriststrategie zu steuern, da ihnen eine regelmäßige, aktuelle Übersicht über das Wettbewerbs- und Technologieumfeld fehlt.

Der klassische Fehler: KI „One-Shot“ einsetzen

Ein Sprachmodell nur punktuell anzusprechen, erzeugt lediglich einen plausiblen Text, nicht jedoch verifizierte oder nachvollziehbare Inhalte. Die Antworten bleiben generisch, anfällig für Halluzinationen und oft unbrauchbar für kritische Business-Anwendungen.

Ein großer Schweizer Industriekonzern testete ein großes Sprachmodell, um mit einer einzigen Anfrage einen Wettbewerbsbrief zu erstellen. Das Ergebnis war flüssig, doch zahlreiche Schlüsselfakten waren ungenau oder nicht referenziert. Die Geschäftsleitung musste ein Lektoratsteam mobilisieren, um jeden Punkt zu korrigieren und zu belegen, wodurch die anfängliche Zeit- und Kostenersparnis wieder aufgehoben wurde.

Die direkte Nutzung eines Prompts vermittelt die Illusion einer umfassenden Antwort, doch es fehlt an systematischer Datensammlung und Kreuzvalidierung. Das Modell generiert sein Output auf Basis linguistischer Muster und nicht auf einer aktuellen, verifizierten Faktenbasis.

Generische und veraltete Antworten

Ein LLM kann einen strukturierten Absatz zu einem Thema liefern, garantiert jedoch nicht die Aktualität der Daten. Die Informationen können mehrere Monate oder gar Jahre alt sein und bereits von aktuelleren Quellen widerlegt oder überholt worden sein. Diese Lücke ist für Marktanalysen, die ständige Aktualität und Datenpräzision erfordern, inakzeptabel.

Wenn man sich auf einen simplen Prompt verlässt, existiert kein Mechanismus, um automatisch spezialisierte Datenbanken, technische Reports oder offizielle Websites abzufragen. Die Antwort beschränkt sich auf das Wissen, das das Modell bis zum Zeitpunkt seines letzten Trainingsprozesses aufgenommen hat.

Zudem verhindert die generische Formulierung eines LLM oft ein Eingehen auf die Detailtiefe, die Entscheider benötigen. Nuancen zwischen ähnlichen Funktionen oder spezifische regulatorische Besonderheiten eines Marktes werden leicht durch zu knappe Antworten verdrängt.

Fehlende Nachverfolgbarkeit und Quellenangaben

Ohne Verankerung in präzisen Referenzen kann jede Aussage eines LLM unbegründet sein. Studien, die auf Prompts basieren, bleiben auditunfähig, da unklar ist, welche Webseiten oder Dokumente zur Generierung einzelner Passagen herangezogen wurden.

Für den strategischen Einsatz ist das Fehlen von Verlinkungen zu überprüfbaren Quellen inakzeptabel. Manager könnten Entscheidungen auf nicht belegten Informationen treffen, was erhebliche finanzielle oder regulatorische Folgen haben kann.

Die Qualitätsprüfung verwandelt sich in manuelle Quervergleiche und verdoppelt oder verdreifacht den Zeitaufwand für die Validierung der KI-generierten Ergebnisse.

Edana: Strategischer Digitalpartner in der Schweiz

Wir begleiten Unternehmen und Organisationen bei ihrer digitalen Transformation.

Sprechen wir über Sie

Mehragenten-KI-Pipeline für automatisierte Analyse

Es reicht nicht mehr, nur ein Sprachmodell anzusprechen; es gilt, mehrere Agenten und Schritte zu orchestrieren, um eine Recherche zu strukturieren und die Analyse zu automatisieren. Die Multi-Agenten-Pipeline verwandelt KI in ein WissensIngenieurwesen-System.

Ein Schweizer Technologie-KMU hat eine automatisierte Kette implementiert, die OpenAI, Anthropic und einen internen Webscraper kombiniert, um innerhalb von 24 Stunden einen Due-Diligence-Bericht zu liefern. Der Prozess reduzierte eine zweiwöchige Arbeit auf wenige Stunden und gewährleistete dennoch ein Prüfniveau, das einer manuellen Studie entspricht.

Multi-Modell-Orchestrierung

Der gleichzeitige Einsatz mehrerer KI-Modelle (OpenAI, Claude, Google Gemini etc.) ermöglicht es, die Stärken jedes Modells zu nutzen: Einige glänzen bei strategischer Synthese, andere bei faktischer Präzision oder multimodaler Verarbeitung. Ein Orchestrator verteilt die Aufgaben entsprechend der Spezialisierung der einzelnen Agenten.

Wenn mehrere Modelle dieselbe Anfrage bearbeiten, werden ihre Antworten verglichen, um Divergenzen und Übereinstimmungen zu identifizieren. Dieser Konsensmechanismus erhöht die Robustheit der Informationen und minimiert das Risiko isolierter Halluzinationen.

Dazu ist es notwendig, eine Regel-Engine zu definieren, die Ergebnisse priorisiert, filtert und aggregiert. Der Aufwand lohnt sich: Das finale Dokument entsteht so aus einer Mosaik von KI-Expertisen.

Extended Thinking

Im Gegensatz zu einem klassischen LLM, dessen Rechenbudget durch den Anbieter limitiert ist, kontrolliert der Extended-Thinking-Ansatz die zugewiesenen Compute-Ressourcen. Mehr Rechenkapazität bedeutet eine längere und tiefere Erkundung des Themas.

So lassen sich parallel mehrere Agenten einsetzen, um unterschiedliche Facetten desselben Themas zu analysieren: technologische Trends, Finanzanalyse, funktionale Vergleiche usw. Jede Dimension wird separat recherchiert und in Mikro-Fakten strukturiert.

Die Antwortzeit verlängert sich leicht, doch die Qualität und Präzision der Analyse steigt exponentiell. Diese Kontrolle des Rechenbudgets unterscheidet eine professionelle KI-Pipeline von einer einfachen One-Shot-Anfrage.

Refinement-Agent

Anstatt von Anfang an perfekte Ergebnisse anzustreben, integriert man einen „Redaktions-Agenten“, der die Ergebnisse überarbeitet. Dieser Agent prüft die Gültigkeit des HTML-Codes, passt das Layout an, korrigiert Inkonsistenzen und optimiert die Lesbarkeit des finalen Berichts.

In Anlehnung an den Software-Entwicklungszyklus folgt die Pipeline dem Schema „Generieren → Testen → Korrigieren“. Der Refinement-Agent identifiziert Verbesserungsbereiche, aktiviert Drafting- oder Review-Agenten erneut und erstellt ein nutzbares Ergebnis ganz ohne manuelle Eingriffe.

Dieser Reifegrad sorgt für eine deutlich höhere Robustheit als eine Einzeldurchlauf-Generierung und reduziert die manuellen Iterationen erheblich.

Zuverlässigkeit und Prüf-/Auditierbarkeit der KI-Pipeline

Um KI in ein überprüfbares System zu verwandeln, muss jede Information belegt, strukturiert und nachverfolgbar sein. Ohne diese Garanten bleibt jede Pipeline anfällig für Fehler und Bias.

Ein Schweizer Pharma-Unternehmen implementierte eine KI-Pipeline für seine Wettbewerbsbeobachtung. Jeder Mikro-Fakt wurde mit einem Link zur offiziellen Quelle versehen, sei es eine Webseite oder ein PDF. Dieses Maß an Nachverfolgbarkeit ermöglichte eine rasche interne Prüfung und sicherte die regulatorische Compliance des Prozesses.

Obligatorische Quellenangabe

Jede Aussage muss zwingend auf eine verlässliche Quelle verweisen; alternativ wird sie als „N/A“ gekennzeichnet. Diese Regel eliminiert erfundene oder nicht überprüfbare Inhalte und fördert die Vollständigkeit der Informationssammlung.

Mehrere Agenten sind speziell auf das Extrahieren von Referenzen ausgerichtet: Webseiten, PDF-Dokumente oder Fachdatenbanken. Sie versehen jeden Mikro-Fakt systematisch mit einer Quellen-ID und einem Zeitstempel.

Dieser Ansatz „lieber Lücke als Falschinformation“ stärkt das Vertrauen in das Ergebnis und macht jede Information sofort für interne oder externe Auditoren überprüfbar.

Schema-Validierung

Die Pipeline erzwingt eine strikte HTML-Struktur. Jeglicher Output, der nicht konform ist, wird automatisch abgelehnt und erneut ausgeführt. So ist sichergestellt, dass das Ergebnis das geforderte Format enthält und alle erwarteten Blöcke – Auszug, Referenz, Analyse und Scoring – beinhaltet.

Auf jeder Pipeline-Ebene erfolgen Compliance-Tests: Vollständigkeitsgrad, Konsistenz der HTML-Tags und Einhaltung der fachlichen Vorgaben (Vorhandensein einer Executive Summary, eines Scorings etc.).

Diese Strenge minimiert das Risiko von Auslassungen oder Inkonsistenzen und erlaubt eine reibungslose Anbindung an automatisierte Publishing-Systeme oder interne Wissensdatenbanken.

Evidence Layer

Jeder Mikro-Fakt wird durch eine Evidence-Komponente belegt: Auszug, Quelllink, Kontext der Extraktion. Diese Faktenebene ermöglicht es, den Verlauf jeder Information nachzuverfolgen und bis auf die kleinste Granularität zu prüfen.

Während einer Qualitätskontrolle können Teams bis zum Agenten, Model und Dokumentfragment zurückverfolgen, das die Information erzeugt hat. Dieser Transparenzgrad ist unverzichtbar für regulierte oder sensible Anwendungsfälle.

Bei Entdeckung eines Fehlers kann die Pipeline gezielt an der betroffenen Stelle neu gestartet werden, die Quelle oder den Prompt korrigieren und nur den betroffenen Teilbereich erneut verarbeiten, ohne den gesamten Workflow zu wiederholen.

Industrialisieren Sie Ihren Wettbewerbsvorteil mit orchestrierter KI

Der Schritt vom handwerklichen Prozess zu einer strukturierten Multi-Agenten-KI-Pipeline verändert die Spielregeln grundlegend. Anstelle von wochenlanger Bezahlung für Analysten lassen sich komplette, zuverlässige und nachvollziehbare Berichte in weniger als 24 Stunden bereitstellen. Die Fähigkeit, Insights schnell und reproduzierbar zu generieren, wird so zum strategischen Hebel für jede Organisation.

Unsere Expertinnen und Experten bei Edana unterstützen IT-Leitungen und Fachverantwortliche bei der Konzeption und Implementierung dieser hybriden, quelloffenen Architekturen ohne Vendor Lock-in – zugeschnitten auf jede Anforderung. Ob Sie Software-Benchmarks, Wettbewerbsbeobachtungen oder Technologie-Audits automatisieren möchten: Wir helfen Ihnen, eine robuste und skalierbare KI-Pipeline aufzubauen.

Besprechen Sie Ihre Herausforderungen mit einem Edana-Experten