Multi-Agent-System (MAS) Design-Workshop

Warum nutzen?

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

Für wen?

Multi-Agent-Systeme erfordern die Zusammenarbeit verschiedener Experten in den folgenden Bereichen:

• Domain und Geschäftsprozesse

• Big Data und Agentic AI

• IT, Sicherheit und Datenschutz

Außerdem müssen alle Stakeholder zusammenarbeiten, das heißt:

• Nutzer: Mitarbeiter und/oder Kunden

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

• Entscheidungsträger: Eigentümer von Geschäftsprozessen

• Berater: Datenschutzbeauftragte, Sicherheitsberater usw.

Schließlich wird ein Moderator benötigt, der die verschiedenen Personen zusammenbringt, um ein effektives Team zu bilden.

Wann einsetzen?

Das Team hat sich zusammengeschlossen und einen (bestehenden oder neuen) Geschäftsprozess festgelegt. Das Team möchte diesen Prozess mit Agentic AI automatisieren und optimieren, um Effizienz, Effektivität und/oder Robustheit zu erhöhen.

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 Objectives & Key Results fest, identifizieren die menschlichen und künstlichen Agenten und entwerfen den Arbeits- und Informationsfluss zwischen den Agenten. Außerdem werden die technischen und analytischen Grundlagen definiert und die notwendigen Vorgaben festgelegt, um Sicherheit, Datenschutz, Fairness und weitere Aspekte zu gewährleisten.

Was verwenden?

Dieses Workshop-Template basiert auf der erprobten Data & AI Business Design Method, die weltweit von vielen bekannten Unternehmen und Beratungen genutzt wird. Es verwendet die Canvas des Data & AI Business Design Kit, die unter einer Creative Commons-Lizenz frei zur Verfügung stehen.

So geht's

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

I. Einleitung

In der Einleitung geht es darum sicherzustellen, dass alle Teilnehmenden dasselbe Ziel verfolgen und bereit sind, den vorgeschlagenen Weg gemeinsam zu gehen. Um diesen Weg (also die Workshop‑Agenda) zu skizzieren und zu präsentieren, verwenden wir das Data & AI Design Thinking Workshop Canvas und führen die folgenden Schritte aus:

① Passe die Kopfzeile des Canvas an, indem du das Unternehmen und, falls zutreffend, die Beratung angibst und das Datum einträgst. Dieser Schritt sollte auch auf allen weiteren Canvases durchgeführt werden.

② Lege das konkrete Objective für den Workshop fest und definiere die gewünschten Key Results (d. h. die zu liefernden Ergebnisse).

③–⑦ Passe die Agendapunkte, die Sitzungszeiten und weiteres nach Bedarf an.

Wenn du an einem Agendapunkt arbeitest, ändere die Farbe der entsprechenden Notiz auf Gelb. Wenn du fertig bist, markiere sie grün. So behält das Team immer den Überblick über den aktuellen Stand.

II. Geschäftsprozessanalyse

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

① Trage im Feld Fokus den Namen des Geschäftsprozesses ein.

② Beginne 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 Anfangszustand, liefert die Basisprodukte oder löst das Ereignis aus (Produzenten)?

③ Setze dann am Ende des Geschäftsprozesses auf der rechten Seite des Value Chain Canvas fort:a) Was ist der Endzustand, die Endprodukte oder die wichtigsten Ergebnisse des Geschäftsprozesses?b) Wer sind die Nutznießer des Endzustands, die Konsumenten der Endprodukte oder die Empfänger der wichtigsten Ergebnisse (Kunden)?

④ Skizziere nun die Primäre Aktivitäten, also den Workflow des Prozesses: Welche Aktionen sind notwendig und in welcher Reihenfolge werden sie ausgeführt? Welche alternativen oder parallelen Abläufe gibt es?

⑤ Zusätzlich zu den Primären Aktivitäten sind oft Support-Aktivitäten notwendig: Welche allgemeinen und internen Maßnahmen oder Organisationseinheiten unterstützen den Geschäftsprozess?

⑥ Falls die Support-Aktivitäten nicht intern, sondern von externen Unternehmen erbracht werden und den gesamten Prozess betreffen, trage diese unter Allgemeine Lieferanten ein.

⑦ Spezielle Lieferanten, die nur einzelne Prozessschritte ausführen oder unterstützen, sollten unter Speziallieferanten eingetragen werden.

⑧ Trage die Key Performance Indicators (KPIs) auf blauen Notizen ein, die die Effizienz, Effektivität, Qualität, Stabilität usw. des Prozesses messen, und lege die entsprechenden Zielwerte fest.

Zuletzt extrahiere alle für Agentic AI relevanten Ziele, Key Results und KPIs aus dem Value Chain Canvas und trage sie im grünen Feld Geschäftsziele & Schlüsselergebnisse als Ausgabe der Agenten ein.

III. Identifikation der Nutzerrollen

Jetzt, da wir den Geschäftsprozess kennen und verstanden haben, können wir die Frage beantworten: Wer sind die Stakeholder im Kontext des Prozesses? Zur Beantwortung verwenden wir das Stakeholder Analyse Canvas und blaue Notizen, um Personen oder Rollen zu identifizieren. Wir sollten die folgenden Funktionen der Stakeholder berücksichtigen (wobei eine Person/Rolle auch mehrere Funktionen übernehmen kann):

① Im Feld Fokus auf trage den Namen des Geschäftsprozesses ein.

② Kontakt mit Entscheidungsbefugnis: Wer trifft Entscheidungen, die den Ablauf des Prozesses beeinflussen?

③ Budgetverantwortliche: Falls während des Prozesses Beschaffungs-, Budget- oder andere (finanzielle) Ressourcenentscheidungen getroffen werden, wer stellt das Geld bereit oder ist Sponsor?

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

⑤ Saboteure: Wer könnte versuchen, den Prozess zu stören, indem er Kontakt mit Entscheidungsbefugnis, Budgetverantwortliche oder Endnutzer negativ beeinflusst?

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

⑦ Empfehlende: Wer ist aktiv beratend am Prozess beteiligt oder unterstützt mit Informationen?

⑧ Umsetzende: Wer setzt den Prozess tatsächlich um, d. h. wer führt die Schritte aus?

Im späteren Design des Multi-Agenten-Systems übernehmen Agenten die Funktionen einiger Personen oder Rollen. Aber selbst bei einem sehr hohen Automatisierungsgrad bleiben bestimmte Funktionen bei menschlichen Agenten: sie müssen die Ergebnisse der KI-Agenten prüfen, Freigaben erteilen oder sind die Nutzer und/oder Nutznießer des automatisierten Prozesses.

Durch Ändern der Farbe der Notizen kennzeichnen wir bestimmte Stakeholder:

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

• Rot markiert Stakeholder, die keine Rolle mehr spielen sollen (also keine menschlichen Agenten).

• Gelb markiert Stakeholder, bei denen wir uns noch nicht sicher sind (also eventuell menschliche Agenten).

Abschließend übertragen wir alle menschlichen Agenten in das gelbe Feld Menschliche Agenten, um im nächsten Schritt den Agentic-AI-Workflow und die AI-Agenten zu entwerfen.

IV. Agentic-Workflow-Design

Für das Agentic-Workflow-Design verwenden wir das DiagrammFormat und die Agentic Workflows-Formen von Miro. Aus II. Business Process Analysis kennen wir bereits die Ergebnisse, die wir von den Agenten erwarten. Aus III. User Role Identification kennen wir die Stakeholder, die Eingaben an die Agenten 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 AI zu automatisieren:

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

2. Den Prozessablauf vollständig überdenken, um die Vorteile von Agentic AI zu nutzen: zum Beispiel die parallele Bearbeitung mehrerer alternativer Lösungen.

Wenn du dir nicht sicher bist, welche Variante besser ist, entwirf zwei (oder mehr) Versionen und entscheide dich dann - oder kombiniere die Lösungen.

Um Kandidaten für AI-Agenten zu identifizieren, stelle den Workshop-Teilnehmenden folgende Fragen:

• Welche Aktivitäten oder Verantwortlichkeiten haben die menschlichen Agenten übernommen?

➡️ Der menschliche Agent wird zu einem AI-Agenten.

• Welche spezialisierten Aufgaben gibt es, für die spezielles Domain-Wissen erforderlich ist?

➡️ Ein AI-Agent wird mit diesem Domain-Wissen trainiert.

• Welche IT-Systeme oder Datenquellen müssen wir anbinden?

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

• Mit welchen Nutzern (Rollen) müssen wir interagieren?

➡️ Ein AI-Agent übernimmt die Kommunikation mit den Nutzern.

• Welche Aktivitäten lassen sich parallelisieren?

➡️ Die Aktivitäten werden auf verschiedene AI-Agenten verteilt.

• Welche Aktivitäten werden mehrfach von anderen Agenten benötigt?

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

• Welche Aktivitäten erfordern besondere Sicherheits- und Datenschutzmaßnahmen?

➡️ Speziell abgesicherte AI-Agenten führen diese Aktivitäten aus.

• Welche internen AI-Agenten sind bereits im Einsatz?

➡️ Der vorhandene AI-Agent wird wiederverwendet.

• Welche externen AI-Agenten sind bereits vorhanden?

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

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

➡️ Spezielle KI-Agenten übernehmen Delegation, Aggregation, Synchronisation usw. des Informations- und Arbeitsflusses.

Um das MAS-Design abzuschließen, muss der Informations- und Arbeitsfluss zwischen den KI- und den menschlichen Agenten modelliert werden. Dazu werden die Diagrammelemente (menschliche Agenten, KI-Agenten, Ergebnisse) mit Pfeilen verbunden. In der Regel sind Informations- und Arbeitsflüsse identisch. Falls das nicht zutrifft, 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 benötigen 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 nutzen den blauen Bereich des MAS-Design-Diagramms, um die benötigten IT / BI / KI-Systeme zu spezifizieren und sie mit Pfeilen mit den KI-Agenten zu verbinden. Hier können wir auch Schnittstellen wie Agent2Agent (A2A) oder Model Context Protocol (MCP) definieren.

Als Nächstes prüfen wir, ob die benötigten Systeme bereits im Einsatz sind, sich noch in Planung oder im Aufbau befinden oder erst entworfen und entwickelt werden müssen. Wir verwenden grüne, gelbe und rote Notizen und das Analytics & AI Maturity Canvas dafür. Das Canvas unterscheidet zwischen allgemeinen Tools und spezifischen Apps auf verschiedenen Komplexitäts- und Reifegraden.

② Die grünen Boxen beschreiben die spezifischen Apps für:

a) Business Operations: reine Datenverarbeitungs-Apps ohne Analytics- oder KI-Funktionalität.

b) Business Reporting: typischerweise Apps zur Automatisierung der Berichtserstellung oder für Dashboards, basierend auf deskriptiver Analytik.

c) Business Discovery: Apps zum Erkunden von Trends, Korrelationen, Anomalien etc., um Einblicke auf Basis diagnostischer Analytik zu gewinnen.

d) Business Forecasting: Apps für Forecasting, Nowcasting oder Backcasting auf Basis prädiktiver Analytik.

e) Business Optimization: Apps zur Optimierung von Geschäftsprozessen auf Basis präskriptiver Analytik.

f) Business Automation: Apps zur Automatisierung von Geschäftsprozessen auf Basis autonomer Analytik.

KI-Agenten interagieren oft mit bestehenden Apps über Programmierschnittstellen (API).

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

a) Data Management: Dazu gehören zum Beispiel Datenbanksysteme.

b) Descriptive Analytics: Zum Beispiel Reporting- oder Dashboard-Tools.

c) Diagnostic Analytics: Statistische Analyse-Tools oder zum Beispiel Plattformen für A/B-Tests.

d) Predictive Analytics: Neben Software für Machine- und Deep-Learning auch Bibliotheken, z. B. für Bayessche Netze, lineare Regression usw.

e) Präskriptive Analysen: Hier werden Methoden zur Simulation und Optimierung eingesetzt, ebenso wie generative AI-Lösungen.

f) Autonome Analysen: Hier kommen unter anderem Reinforcement-Learning-Algorithmen oder spezielle Lösungen für Agentic AI zum Einsatz.

Stelle sicher, dass für alle erforderlichen Daten und Funktionen ein bestehendes oder geplantes IT / BI / AI-System vorhanden ist.

VI. Anforderungen an AI-Leitplanken

Wir haben uns durch den Geschäftsprozess, die Stakeholder, die Datenquellen und die IT / BI / AI-Fähigkeiten gearbeitet, um sicherzustellen, dass unser Multi-Agent-System tragfähig, erwünscht und realisierbar ist. Ein weiteres wichtiges Kriterium fehlt noch: AI-Systeme müssen verantwortungsvoll handeln.

Denn große Macht bringt schließlich große Verantwortung mit sich. Dieses Prinzip ist zum Beispiel auch im EU AI Act gesetzlich verankert.

Um sicherzustellen, dass unsere KI-Agenten den Grundsätzen von Responsible AI (rAI) entsprechen, brauchen wir sogenannte KI-Vorgaben. In einem Multi-Agenten-System können diese Vorgaben wiederum durch Agenten umgesetzt werden, die die anderen Agenten überwachen und steuern.

Zuerst definieren wir die Vorgaben, also die Regeln und Einschränkungen, die wir dem MAS auferlegen wollen. Wir verwenden das 3 Boxes Canvas, um die Regeln in drei Kategorien zu unterteilen:

1. Sicherheit & Schutz: Weder das MAS noch seine Nutzer dürfen geschädigt werden.

2. Erklärbarkeit & Transparenz: Nutzer müssen die Entscheidungen und Aktionen des MAS verstehen können.

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

Außerdem unterscheiden wir zwischen Vorgaben, die sich auf die Eingaben, die internen Modelle und die Ausgaben der KI-Agenten beziehen:

• Input Rail: Könnte beispielsweise die Nutzereingaben auf Prompt-Injektionen prüfen, um Unternehmensdaten vor Datendiebstahl zu schützen.

• Model Rail: Ein Beispiel, um Fairness sicherzustellen, ist das Überwachen von Modellqualitätsindikatoren, um Diskriminierung von Personengruppen auszuschließen.

• Output Rail: Da LLMs halluzinieren können, ist zum Beispiel eine Plausibilitätsprüfung der Ausgabe sinnvoll.

Im letzten Schritt legen die Guardrail Agents (graue Box im Diagramm) fest, wie diese Regeln umgesetzt werden und wie sie durch Pfeile mit den AI Agents verbunden sind.

Zum Abschluss des Workshops: Lege konkrete Aufgaben fest und weise sie den Workshop-Teilnehmenden zu. Und dann: Erledige die Aufgaben!

Wo du mehr findest?

Datentreiber bietet dir 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.

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

• Bezahlte online- und Vor-Ort-Schulungen mit Zertifizierung bietet die Data & AI Business Design Academy an.

• Viele weitere Management-Tools, Workshop-Templates und Projekt-Blueprints sind in unserem kommerziellen Data & AI Business Design Bench verfügbar.

• Unser Data & AI Business Consulting unterstützt dich bei deiner Data & AI-Strategie sowie bei Innovations- und Transformationsprojekten.

Wenn du interessiert bist oder Fragen oder Feedback hast, kontaktiere uns unter: info@datentreiber.de.

Copyright: Alle Rechte vorbehalten von Datentreiber GmbH.