Design-Workshop für Multi-Agenten-Systeme (MAS)

Wozu verwenden?

Automatisiere einen komplexen Prozess mit KI, indem du in einem Design Thinking-Workshop gemeinsam mit einem interdisziplinären Team ein Multi-Agenten-System (MAS) entwickelst.

Wer sollte es verwenden?

Multi-Agenten-Systeme erfordern die Zusammenarbeit von Experten in folgenden Bereichen:

• Geschäftsdomänen und -prozesse

• Big Data und Agentic AI

• IT, Sicherheit und Datenschutz

Es erfordert auch eine Zusammenarbeit aller Stakeholder, also:

• Nutzer: Mitarbeiter und/oder Kunden

• Entwickler: Software-, Daten- und KI-Ingenieure

• Entscheidungsträger: Geschäftsprozessinhaber

• Berater: Datenschutzbeauftragte, Sicherheitsberater usw.

Abschließend wird ein Moderator benötigt, um die unterschiedlichen Personen zusammenzubringen und ein effektives Team zu bilden.

Wann verwenden?

Das Team hat sich zusammengefunden und einen (bereits bestehenden oder neuen Geschäfts-) Prozess entschieden. Das Team möchte diesen Prozess mit Agentic AI automatisieren und optimieren, um Effizienz, Effektivität und/oder Robustheit zu steigern.

Wenn noch kein Prozess identifiziert wurde, empfehlen wir einen Lean Data & AI Strategy Workshop, um potenzielle Use Cases für Agentic AI zu identifizieren und zu priorisieren.

Während des eintägigen MAS-Design-Workshops legen die Teilnehmer die Ziele und Schlüsselergebnisse fest, identifizieren die menschlichen und künstlichen Agenten und gestalten den Arbeits- und Informationsfluss zwischen den Agenten. Darüber hinaus werden die technischen und analytischen Grundlagen definiert und die notwendigen Vorgaben spezifiziert, um Sicherheit, Datenschutz, Fairness und mehr zu gewährleisten.

Was wird verwendet?

Dieses Workshop-Template basiert auf der bewährten Data & AI Business Design Method, die weltweit von vielen namhaften Unternehmen und Beratungsfirmen genutzt wird. Es verwendet die Canvas des Data & AI Business Design Kits, das unter einer Creative Commons-Lizenz frei zur Verfügung gestellt wird.

Wie wird es genutzt?

Dieses Workshop-Template ist für eine eintägige Sitzung konzipiert, die in zwei Halbtage aufgeteilt werden kann. Im Laufe des Tages durchlaufen die Teilnehmer die folgenden sechs Phasen und führen in jeder Phase mehrere Schritte auf sechs verschiedenen Canvas durch. Auf den Canvas finden Sie Zahlen in Kreisen (①, ②, ...), die den Schritten in jeder Phase entsprechen.

I. Intro

Im Intro geht es darum, sicherzustellen, dass alle Teilnehmer das gleiche Ziel verfolgen und bereit sind, gemeinsam dem vorgeschlagenen Weg zu folgen. Um diesen Weg (d. h. die Workshop-Agenda) zu skizzieren und zu präsentieren, verwenden wir das Data & AI Design Thinking Workshop Canvas und führen die folgenden Schritte durch:

① Passen Sie den Canvas-Header an, indem Sie das Unternehmen und gegebenenfalls die Beratung angeben und das Datum eintragen. Dieser Schritt sollte auch auf allen nachfolgenden Canvas durchgeführt werden.

② Legen Sie das spezifische Ziel des Workshops fest und definieren Sie die gewünschten Schlüsselergebnisse (d. h. die zu liefernden Leistungen).

③-⑦ Passen Sie die Agenda-Punkte, Sitzungszeiten und mehr nach Bedarf an.

Wenn Sie an einem Agendapunkt arbeiten, ändern Sie die Farbe der entsprechenden Notiz auf gelb. Wenn Sie fertig sind, markieren Sie sie grün. Dies stellt sicher, dass das Team immer einen Überblick über den aktuellen Status hat.

II. Geschäftsprozessanalyse

Als Nächstes müssen wir den Geschäftsprozess visualisieren und analysieren, den wir mit Agentic AI automatisieren und optimieren möchten. Dazu verwenden wir das Value Chain Canvas und grüne Notizen für bestehende Elemente, gelbe für geplante Elemente und rote für fehlende Elemente.

① Schreiben Sie im Feld Fokussiert auf den Namen des Geschäftsprozesses auf.

② Beginnen Sie am Anfang des Prozesses auf der linken Seite des Value Chain Canvas:

a) Was ist der Anfangszustand, die Basisprodukte oder der Auslöser, der den Geschäftsprozess startet?

b) Welche Person, Rolle oder organisatorische Einheit definiert den Ausgangszustand, liefert die Basisprodukte oder löst das Ereignis aus (Produzenten)?

③ Setze dann auf der rechten Seite des Value Chain Canvas den Abschluss des Geschäftsprozesses fort:

a) Was ist der Endzustand, das Endprodukt oder die zentralen Ergebnisse des Geschäftsprozesses?

b) Wer sind die Nutznießer des Endzustands, die Abnehmer der Endprodukte oder die Empfänger der zentralen Ergebnisse (Kunden)?

④ Skizziere nun die Primäraktivitäten, also den Workflow des Prozesses: Welche Schritte sind notwendig und in welcher Reihenfolge treten sie auf? Welche alternativen oder parallelen Abläufe gibt es?

⑤ Neben den Primäraktivitäten sind oft Unterstützungsaktivitäten erforderlich: Welche allgemeinen und internen Maßnahmen/Organisationseinheiten unterstützen den Geschäftsprozess?

⑥ Wenn die Unterstützungsaktivitäten nicht intern, sondern von externen Firmen bereitgestellt werden und den gesamten Prozess begleiten, notiere diese unter Allgemeine Lieferanten.

⑦ Besondere Lieferanten, die nur einzelne Prozessschritte ausführen oder unterstützen, sollten unter Besondere Lieferanten aufgeführt werden.

⑧ Gib die Key Performance Indicators (KPI) auf blauen Notizen an, die die Effizienz, Effektivität, Qualität, Stabilität usw. des Prozesses messen und entsprechende Zielwerte angeben.

Abschließend extrahiere alle Ziele, Schlüsselergebnisse und KPIs, die für Agentic AI relevant sind, aus dem Value Chain Canvas und spezifiziere sie im grünen Feld Business Objectives & Key Results als Ausgabe der Agenten.

III. Nutzerrollenidentifikation

Da wir den Geschäftsprozess nun kennen und verstehen, können wir die Frage beantworten: Wer sind die Stakeholder im Kontext des Prozesses? Um diese Frage zu beantworten, verwenden wir die Stakeholder Analyse Canvas und blaue Notizen, um die Personen oder Rollen zu identifizieren. Wir sollten folgende Funktionen von Stakeholdern berücksichtigen (wobei eine Person/Rolle auch mehrere Funktionen übernehmen kann):

① Im Feld Fokus auf den Namen des Geschäftsprozesses notieren.

② Entscheidungsträger: Wer trifft Entscheidungen, die den Ablauf des Prozesses beeinflussen?

③ Wirtschaftliche Einkäufer: Wenn während des Prozesses Kauf-, Budget- oder andere (finanzielle) Ressourcenentscheidungen getroffen werden, wer stellt das Geld bereit oder ist der Sponsor?

④ Endnutzer: Wer nutzt die Ergebnisse des Prozesses (vgl. Kunden auf der Value Chain Canvas)?

⑤ Saboteure: Wer könnte versuchen, den Prozess durch negative Beeinflussung der Entscheidungsträger, wirtschaftlichen Einkäufer oder Endnutzer zu stören?

⑥ Beeinflusser: Wer könnte den Prozess unterstützen, indem er Entscheidungsträger, Finanzverantwortliche oder Endnutzer positiv beeinflusst?

⑦ Empfehler: Wer ist aktiv im Prozess in beratender Funktion oder bietet Unterstützung mit Informationen?

⑧ Implementierer: Wer setzt den Prozess tatsächlich um, also führt die Handlungen aus?

Im späteren Entwurf des Multi-Agenten-Systems übernehmen Agenten die Funktionen einiger Personen/Rollen. Doch selbst bei einem hohen Automatisierungsgrad bleiben bestimmte Funktionen bei menschlichen Agenten: Sie müssen die Ergebnisse der KI-Agenten überprüfen, Genehmigungen erteilen oder sind die Nutzer und/ oder Nutznießer des automatisierten Prozesses.

Indem wir die Farbe der Notizen ändern, kennzeichnen wir bestimmte Stakeholder:

• Grün sind menschliche Agenten, die im Agentic AI-Prozess eine Rolle spielen.

• Rot sind Stakeholder, die keine Rolle mehr spielen sollen (d.h. keine menschlichen Agenten).

• Gelb sind die Stakeholder, bei denen wir uns noch nicht sicher sind (d.h. möglicherweise menschliche Agenten).

Schließlich übertragen wir alle menschlichen Agenten in die gelbe Box Human Agents, um im nächsten Schritt den Agentic AI-Workflow und die AI-Agenten zu gestalten.

IV. Agentic Workflow Design

Für das agentische Workflow-Design verwenden wir das DiagrammFormat und die Agentic Workflows Formen von Miro. Wir kennen bereits die Outputs, die wir von den Agenten erwarten, aus II. Geschäftsprozessanalyse. Aus III. Nutzerrollenidentifikation wissen wir, welche Stakeholder den Agenten Eingaben liefern, d.h. den Prozess auslösen, Prompts schreiben, Informationen und Dokumente bereitstellen, Anfragen der Agenten beantworten, Entscheidungen treffen oder (Zwischen-)Ergebnisse prüfen und freigeben.

Es gibt zwei Möglichkeiten, den bestehenden Prozess mit KI zu automatisieren:

1. Den bestehenden Prozessablauf weitgehend beibehalten und die menschlichen Agenten durch KI-Agenten ersetzen, die die Aktionen ausführen und Entscheidungen treffen.

2. Den Prozessablauf komplett neu überdenken, um die Vorteile von agentischer KI auszunutzen, wie zum Beispiel die parallele Bearbeitung mehrerer alternativer Lösungen.

Wenn Sie sich nicht sicher sind, welche Variante besser ist, entwerfen Sie zwei (oder mehr) Versionen und entscheiden Sie dann – oder mischen Sie die Lösungen.

Um Kandidaten für KI-Agenten zu identifizieren, stellen Sie den Workshop-Teilnehmern folgende Fragen:

• Welche Aktivitäten oder Verantwortlichkeiten haben die menschlichen Agenten übernommen?

➡️ Der menschliche Agent wird zum KI-Agenten.

• Welche spezialisierten Aufgaben erfordern besonderes Fachwissen?

➡️ Ein KI-Agent wird mit diesem Fachwissen trainiert.

• Mit welchen IT-Systemen oder Datenquellen müssen wir uns verbinden?

➡️ Ein KI-Agent dient als Schnittstelle zur Datenquelle oder IT-System.

• Mit welchen Nutzern (Rollen) müssen wir interagieren?

➡️ Ein KI-Agent übernimmt die Kommunikation mit dem Nutzer.

• Welche Aktivitäten können parallelisiert werden?

➡️ Die Aktivitäten werden auf verschiedene KI-Agenten verteilt.

• Welche Aktivitäten werden von anderen Agenten mehrfach benötigt?

➡️ Ein KI-Agent stellt diese Aktivität anderen Agenten als Dienst zur Verfügung.

• Welche Aktivitäten erfordern besondere Sicherheits- und Datenschutzvorkehrungen?

➡️ Speziell gesicherte KI-Agenten führen diese Aktivitäten durch.

• Welche internen KI-Agenten sind bereits im Einsatz?

➡️ Der vorhandene KI-Agent wird wiederverwendet.

• Welche externen KI-Agenten sind bereits vorhanden?

➡️ Der externe KI-Agent wird integriert und, falls notwendig, von einem internen KI-Agenten gekapselt.

• Welche KI-Agenten können die Koordination der anderen KI-Agenten unterstützen?

➡️ Spezielle KI-Agenten kümmern sich um die Delegation, Aggregation, Synchronisation usw. des Informations- und Arbeitsflusses.

Um das MAS-Design abzuschließen, muss der Informations- und Arbeitsfluss zwischen den KI- und menschlichen Agenten modelliert werden. Dazu werden die Diagrammelemente (menschliche Agenten, KI-Agenten, Ergebnistypen) mit Pfeilen verbunden. In der Regel sind die Informations- und Arbeitsflüsse identisch. In Fällen, wo dies nicht der Fall ist, kann für den reinen Informationsfluss eine gestrichelte Linie verwendet werden.

V. Daten- & KI-Bewertung und Roadmapping

Einige der KI-Agenten benötigen Lesezugriff auf bestehende Datenquellen oder sogar Schreibzugriff auf IT-Systeme, um Datensätze zu ändern oder zu erstellen oder bestimmte Teilprozesse auszulösen. Andere KI-Agenten erfordern spezielle Funktionen und Fähigkeiten, wie ein Large Language Model (LLM), um mit menschlichen Agenten zu kommunizieren, oder ein prädiktives Modell, um Ereignisse und Trends vorherzusagen.

Wir verwenden den blauen Bereich des MAS-Design-Diagramms, um die benötigten IT-/BI-/KI-Systeme festzulegen und verbinden sie mit den KI-Agenten mittels Pfeilen. Hier können wir auch Schnittstellen wie das Agent2Agent (A2A) oder Model Context Protocol (MCP) definieren.

Als Nächstes evaluieren wir, ob wir die benötigten Systeme bereits im Einsatz haben, ob sie sich noch in der Planungs- oder Arbeitsphase befinden oder ob sie erst entworfen und entwickelt werden müssen. Dazu verwenden wir grüne, gelbe und rote Notizen sowie das Analytics & AI Maturity Canvas. Der Canvas differenziert zwischen allgemeinen Tools und speziellen Anwendungen auf verschiedenen Ebenen der Komplexität und Reife.

② Die grünen Boxen beschreiben die spezifischen Anwendungen für:

a) Business Operations: reine Datenverarbeitungsanwendungen ohne Analytik- oder KI-Funktionalität.

b) Business Reporting: Typischerweise Anwendungen zur Automatisierung der Berichtserstellung oder Dashboards basierend auf deskriptiver Analytik.

c) Business Discovery: Anwendungen zur Erkundung von Trends, Korrelationen, Anomalien usw., um Einblicke basierend auf diagnostischer Analytik zu gewinnen.

d) Business Forecasting: Anwendungen für Vorhersagen, Nowcasting oder Backcasting basierend auf prädiktiver Analytik.

e) Business-Optimierung: Anwendungen zur Optimierung von Geschäftsprozessen basierend auf präskriptiver Analytik.

f) Business-Automatisierung: Anwendungen zur Automatisierung von Geschäftsprozessen mittels autonomer Analytik.

AI-​Agenten interagieren häufig über Programmierschnittstellen (API) mit vorhandenen Anwendungen.

③ Die gelben Kästchen sind für die Daten- und Analysetools vorgesehen, die zur Implementierung der AI-Agenten eingesetzt werden können:

a) Datenmanagement: Dazu gehören beispielsweise Datenbanksysteme.

b) Deskriptive Analytik: Zum Beispiel Reporting- oder Dashboard-Tools.

c) Diagnostische Analytik: Statistische Analysetools oder beispielsweise Plattformen für A/B-Experimente.

d) Prädiktive Analytik: Neben Software für maschinelles & tiefes Lernen auch Bibliotheken, z. B. für Bayes'sche Netze, lineare Regression usw..

e) Vorschreibende Analytik: Hier werden sowohl Methoden für Simulation und Optimierung als auch generative KI-Lösungen eingesetzt.

f) Autonome Analytik: Dabei kommen unter anderem Verstärkungslern-Algorithmen oder spezielle Lösungen für agentische KI zum Einsatz.

Stelle sicher, dass für alle benötigten Daten und Funktionalitäten ein bestehendes oder geplantes IT/BI/KI-System vorhanden ist.

VI. Anforderungen an KI-Leitplanken

Wir haben den Geschäftsprozess, die Stakeholder, Datenquellen und IT/BI/KI-Fähigkeiten durchgearbeitet, um sicherzustellen, dass unser Multi-Agenten-System machbar, erwünscht und ausführbar ist. Ein weiteres wichtiges Kriterium fehlt noch: KI-Systeme müssen verantwortungsvoll sein.

Schließlich kommt mit großer Macht auch große Verantwortung. Dieses Prinzip ist auch im Gesetz verankert, zum Beispiel im EU AI Act.

Um sicherzustellen, dass unsere KI-Agenten die Prinzipien verantwortungsvoller KI (rAI) einhalten, benötigen wir sogenannte KI-Vorgaben. In einem Multi-Agenten-System können diese Vorgaben wiederum von Agenten umgesetzt werden, die die anderen Agenten überwachen und steuern.

Zuerst definieren wir die Vorgaben, das heißt, die Regeln und Einschränkungen, die wir dem MAS auferlegen wollen. Wir nutzen das 3-Boxen-Canvas, um die Regeln in drei Kategorien zu unterteilen:

1. Sicherheit & Schutz: Weder das MAS noch seine Nutzer dürfen Schaden erleiden.

2. Erklärbarkeit & Transparenz: Die Nutzer müssen in der Lage sein, die Entscheidungen und Handlungen des MAS zu verstehen.

3. Datenschutz & Fairness: Nutzer dürfen durch das MAS keinen Nachteil erleiden.

Wir unterscheiden außerdem zwischen Vorgaben, die sich auf den Input, die internen Modelle und den Output der KI-Agenten beziehen:

• Input-Schranke: Könnte beispielsweise die Nutzereingabe auf Prompt-Injections überprüfen, um Unternehmensdaten vor Diebstahl zu schützen.

• Modell-Schranke: Ein Beispiel zur Sicherstellung der Fairness ist die Überwachung von Qualitätsindikatoren des Modells, um Diskriminierung gegen Personengruppen auszuschließen.

• Output-Schranke: Da LLMs halluzinieren, ist eine Plausibilitätsprüfung des Outputs beispielsweise nützlich.

Im letzten Schritt definieren die Guardrail Agents (graues Kästchen im Diagramm), wie diese Regeln implementiert werden und wie sie durch Pfeile mit den AI Agents verbunden sind.

Zum Abschluss des Workshops, lege konkrete Aufgaben fest, die erledigt werden sollen, und teile sie den Workshop-Teilnehmern zu. Und dann: Ran an die Aufgaben!

Wo finden Sie mehr?

Datentreiber bietet Ihnen nicht nur dieses Miroverse Template, sondern auch:

• Das Data & AI Business Design Kit bietet zahlreiche Open-Source-Canvas zur Anwendung der Data & AI Business Design Methode.

• Zusätzlich steht die kostenlose Data & AI Business Design Community für Austausch, Veranstaltungen und Experteninhalte zur Verfügung.

• Kostenpflichtige Online- und Präsenzschulungen mit Zertifizierung sind an der Data & AI Business Design Academy verfügbar.

• Viele weitere Management-Tools, Workshop-Vorlagen und Projekt-Blaupausen sind von unserer kommerziellen Data & AI Business Design Bench verfügbar.

• Unsere Data & AI Business Consulting bietet Unterstützung für Ihre Daten- & KI-Strategie, Innovations- und Transformationsprojekte.

Wenn Sie interessiert sind oder Fragen oder Feedback haben, kontaktieren Sie uns bitte unter: info@datentreiber.de.

Urheberrecht: Alle Rechte vorbehalten von Datentreiber GmbH.