Databricks Mosaic AI: Warum Schweizer Firmen jetzt auf Agenten setzen

Vom Chatbot zum autonomen Agenten: Die nächste KI-Evolutionsstufe

Seit bald zwei Jahren experimentieren Schweizer Fach- und Führungskräfte mit KI-Chatbots wie ChatGPT und Claude. Sie helfen beim Verfassen von E-Mails, beim Zusammenfassen von Dokumenten und bei der Code-Generation. Doch für die Kernprozesse in Finanzabteilungen und Engineering-Teams stossen diese Werkzeuge an ihre Grenzen. Ein Chatbot kann eine Bilanz nicht eigenständig analysieren, mit dem ERP-System abgleichen und einen Reportentwurf erstellen. Er bleibt ein Dialogpartner, kein proaktiver Mitarbeiter.

Genau hier findet aktuell die wichtigste Entwicklung im Bereich der Unternehmens-KI statt: der Übergang von einfachen Chat-Schnittstellen zu sogenannten «Compound AI Systems» – also zu KI-Agenten, die komplexe, mehrstufige Aufgaben autonom erledigen können. Die jüngsten Ankündigungen von Databricks auf ihrer «Data + AI Summit» vom 12. Juni 2024 unterstreichen diesen Trend eindrücklich.

Databricks Mosaic AI: Der Werkzeugkasten für Unternehmens-Agenten

Databricks, ein zentraler Player in der Dateninfrastruktur vieler Schweizer Konzerne, hat mit den Erweiterungen für Mosaic AI eine klare Stossrichtung vorgegeben. Es geht nicht mehr nur darum, ein Sprachmodell mit den eigenen Daten zu verbinden (Retrieval-Augmented Generation, RAG). Das Ziel ist es, robuste, produktionsreife KI-Systeme zu bauen, die aus mehreren Komponenten bestehen und verlässlich agieren.

Die wichtigsten Neuerungen zielen auf drei Kernbereiche ab:

1. Unterstützung für Compound AI Systems: Ein KI-Agent ist mehr als nur ein LLM. Er benötigt Zugriff auf verschiedene Werkzeuge («Tools»), wie zum Beispiel interne APIs, Datenbanken oder externe Datenquellen. Mit dem neuen Mosaic AI Tools Catalog können Unternehmen diese Werkzeuge sicher und zentral verwalten. Ein Finanz-Agent könnte so beispielsweise auf eine API für Echtzeit-Kurse, eine Funktion zur Berechnung von Kennzahlen und eine Schnittstelle zum Buchhaltungssystem zugreifen. All dies wird über den Databricks Unity Catalog gesteuert, was die Einhaltung von Governance-Richtlinien sicherstellt.

1. Verbesserte Modellqualität: Die Qualität der Ergebnisse ist entscheidend für den produktiven Einsatz. Anstatt sich nur auf ein grosses, allgemeines Modell zu verlassen, ermöglicht Databricks Model Training das gezielte Feintuning von Open-Source-Modellen mit unternehmenseigenen Daten. Für ein Schweizer Finanzinstitut bedeutet dies, ein Modell auf die spezifische Terminologie des Swiss GAAP FER oder der FINMA-Rundschreiben zu trainieren. Solche spezialisierten Modelle sind nicht nur präziser, sondern oft auch schneller und kostengünstiger im Betrieb.

1. KI-Governance: In einem regulierten Umfeld wie der Schweiz ist die Nachvollziehbarkeit und Kontrolle von KI-Entscheidungen unabdingbar. Databricks investiert in Werkzeuge für Monitoring, Tracing und Evaluation von KI-Agenten. Führungskräfte müssen wissen, welche Daten ein Agent wann und warum genutzt hat, um eine bestimmte Handlung auszuführen. Dies ist eine direkte Antwort auf die Anforderungen von Regulatoren wie der FINMA, die klare Verantwortlichkeiten und robuste Prozesse für den KI-Einsatz fordern.

Was das für Schweizer Teams bedeutet

Dieser Paradigmenwechsel von der Konversation zur Aktion hat konkrete Auswirkungen auf verschiedene Abteilungen:

• Für Controller und CFOs: Statt monatliche Reports manuell in Excel zu erstellen, können sie einen KI-Agenten beauftragen. Dieser Agent holt sich die Rohdaten aus dem SAP, gleicht sie mit den Budgetzahlen aus der Planungssoftware ab, identifiziert die grössten Abweichungen, formuliert eine erste Analyse und legt den Entwurf direkt im richtigen PowerPoint-Template ab. Der Controller agiert als Reviewer und Stratege, nicht als Datensammler.

• Für Software-Entwickler: Teams können interne Agenten bauen, die den Code-Review-Prozess unterstützen, automatisch Testfälle basierend auf neuen Anforderungen generieren oder komplexe Deployments über verschiedene Systeme hinweg orchestrieren. Dies geht weit über die Code-Vervollständigung eines Copiloten hinaus.

• Für KMU-Führungskräfte: Auch für kleinere Unternehmen ohne grosse Data-Science-Abteilungen wird der Aufbau von Automatisierungen zugänglicher. Anstatt teure Individualsoftware zu entwickeln, können sie auf Plattformen wie Databricks konfigurieren, wie ein Agent beispielsweise Kundenanfragen aus E-Mails extrahiert, mit CRM-Daten anreichert und dem richtigen Mitarbeiter zur Bearbeitung zuweist.

Fazit: Von der Spielerei zum strategischen Werkzeug

Die Zeit der isolierten Chatbot-Experimente neigt sich dem Ende zu. Die Berichte, dass selbst OpenAI den Fokus von «Chat» auf «Agenten» verlagert, bestätigen diesen Trend. Der wahre Geschäftswert von KI liegt in der zuverlässigen Automatisierung von End-to-End-Prozessen.

Für Schweizer Unternehmen bedeutet dies eine strategische Neuausrichtung. Die Kompetenzen, die es jetzt aufzubauen gilt, sind nicht mehr nur «Prompt Engineering», sondern «System Design» und «AI Governance». Es geht darum zu definieren, welche Aufgaben ein Agent übernehmen soll, welche Werkzeuge und Daten er benötigt und innerhalb welcher Leitplanken er agieren darf. Plattformen wie Databricks Mosaic AI liefern die technologische Grundlage dafür. Nun liegt es an den Fach- und Führungskräften, diese Werkzeuge zu nutzen, um ihre Unternehmen für die nächste Phase der künstlichen Intelligenz zu rüsten.