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

Warum einsetzen?

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

Wer sollte teilnehmen?

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

• Geschäftsdomäne und Prozesse

• Big Data und Agentic AI

• IT, Sicherheit und Datenschutz

Außerdem müssen alle Stakeholder zusammenarbeiten, d. h.:

• Nutzer: Mitarbeiter und/oder Kunden

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

• Entscheidungsträger: Verantwortliche für Business-Prozesse

• Berater: Datenschutzbeauftragte, Sicherheitsberater usw.

Schließlich braucht es einen Moderator, der die verschiedenen Personen zusammenbringt, damit ein effektives Team entsteht.

Wann einsetzen?

Das Team hat sich zusammengestellt und sich auf einen (bestehenden oder neuen Business-)Prozess geeinigt. Das Team möchte diesen Prozess mit Agentic AI automatisieren und optimieren, um Effizienz, Effektivität und/oder Robustheit zu steigern.

Falls 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 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 mehr zu gewährleisten.

Was verwenden?

Dieses Workshop-Template basiert auf der bewährten Data & AI Business Design Method, die weltweit von vielen bekannten Unternehmen und Beratungsfirmen eingesetzt wird. Es verwendet die Canvas des Data & AI Business Design Kit, die unter einer Creative Commons-Lizenz frei bereitgestellt werden.

So geht's

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

I. Intro

Beim Intro geht es darum, sicherzustellen, dass alle Teilnehmer 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 durch:

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 in allen folgenden Canvases vorgenommen werden.

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

③–⑦ Passe die Tagesordnungspunkte, Sitzungszeiten und weitere Punkte bei Bedarf an.

Wenn du an einem Tagesordnungspunkt arbeitest, ändere die Farbe der entsprechenden Notiz auf gelb. Wenn du fertig bist, markiere sie grün. So behält das Team jederzeit den Überblick über den aktuellen Status.

II. Geschäftsprozessanalyse

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

① Trage im Feld Focused on den Namen des Geschäftsprozesses ein.

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

a) Was ist der Initial State, die Base Products oder der Auslöser, der den Geschäftsprozess startet?

b) Welche Person, Rolle oder Organisationseinheit definiert den Initialzustand, liefert die Basisprodukte oder löst das Ereignis aus (Produzenten)?

③ Fahre dann mit dem Ende des Geschäftsprozesses auf der rechten Seite des Value Chain Canvas fort:

a) Was ist der Endzustand, die Endprodukte oder die Kernergebnisse des Geschäftsprozesses?

b) Wer sind die Nutznießer des Endzustands, die Konsumenten der Endprodukte oder die Empfänger der Kernergebnisse (Kunden)?

④ Skizziere jetzt die Primären Aktivitäten, also den Workflow des Prozesses: Welche Handlungen sind notwendig und in welcher Reihenfolge erfolgen sie? Welche alternativen oder parallelen Abläufe gibt es?

⑤ Zusätzlich zu den Primären Aktivitäten sind häufig Unterstützende Aktivitäten nötig: Welche allgemeinen und internen Maßnahmen/Organisationseinheiten unterstützen den Geschäftsprozess?

⑥ Falls die Support-Aktivitäten nicht intern erbracht werden, sondern von externen Unternehmen und diese während des gesamten Prozesses beteiligt sind, notiere diese unter Allgemeine Lieferanten.

⑦ Spezielle Lieferanten, die nur einzelne Prozessschritte durchführen oder unterstützen, trage diese unter Spezielle Lieferanten ein.

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

Zum Schluss extrahiere alle für Agentic AI relevanten Ziele, Key Results und KPIs aus dem Value Chain Canvas und trage sie im grünen Feld Geschäftsziele & Key Results 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? Um diese Frage zu beantworten, verwenden wir das Stakeholder Analyse Canvas und blaue Notizen, um Personen oder Rollen zu identifizieren. Wir sollten die folgenden Funktionen von Stakeholdern berücksichtigen (wobei eine Person/Rolle auch mehrere Funktionen übernehmen kann):

① Trage im Feld Fokussiert auf den Namen des Geschäftsprozesses ein.

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

③ Budgetverantwortliche: Wenn während des Prozesses Entscheidungen zu Beschaffung, Budget oder anderen (finanziellen) Ressourcen 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 Kontaktpersonen mit Entscheidungsbefugnis, Budgetverantwortliche oder Endnutzer negativ beeinflusst?

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

⑦ Recommenders: Wer ist aktiv beratend am Prozess beteiligt oder liefert unterstützende Informationen?

⑧ Implementors: Wer setzt den Prozess tatsächlich um, d. h. führt die Aktionen aus?

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

Durch Ändern der Farbe der Notizen markieren wir bestimmte Stakeholder:

• Grün markiert human agents, die im Agentic AI-Prozess eine Rolle spielen.

• Rot markiert Stakeholder, die nicht mehr beteiligt sein sollen (d. h. keine human agents).

• Gelb markiert Stakeholder, bei denen noch unklar ist, ob sie beteiligt sind (d. h. möglicherweise human agents).

Abschließend übertragen wir alle human agents in die gelbe Box Human Agents, um im nächsten Schritt den Agentic AI-Workflow und die AI agents 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 agents erwarten. Aus III. User Role Identification kennen wir die Stakeholder, die Inputs an die agents liefern, d. h. den Prozess auslösen, Prompts schreiben, Informationen und Dokumente bereitstellen, Anfragen der agents beantworten, Entscheidungen treffen oder Zwischenergebnisse 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 Aufgaben ausführen und Entscheidungen treffen.

2. Den Prozessablauf komplett neu denken, um die Vorteile von Agentic AI zu nutzen: z. B. die parallele Bearbeitung mehrerer Alternativlösungen.

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

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

• Welche Aktivitäten oder Verantwortlichkeiten haben die menschlichen Agenten übernommen?

➡️ Der menschliche Agent wird zum 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 dem Nutzer.

• Welche Aktivitäten lassen sich parallelisieren?

➡️ Die Aktivitäten werden auf verschiedene AI-Agenten verteilt.

• Welche Aktivitäten werden von anderen Agenten mehrfach benötigt?

➡️ Ein AI-Agent stellt diese Aktivität anderen Agenten als Dienstleistung 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 im Einsatz?

➡️ Der externe AI agent wird integriert und, falls nötig, von einem internen AI agent gekapselt.

• Welche AI agents können die Koordination der anderen AI agents unterstützen?

➡️ Spezielle AI agents übernehmen Delegation, Aggregation, Synchronisation usw. des Informations- und Arbeitsflusses.

Um das MAS-Design abzuschließen, müssen der Informationsfluss und der Arbeitsfluss zwischen den AI- und human agents modelliert werden. Dazu werden die Diagrammelemente (human agents, AI agents, Deliverables) mit Pfeilen verbunden. In der Regel stimmen Informations- und Arbeitsfluss überein. Falls das nicht der Fall ist, kann für den reinen Informationsfluss eine gestrichelte Linie verwendet werden.

V. Daten- & AI-Bewertung und Roadmapping

Einige der AI-Agenten benötigen Lesezugriff auf bestehende Datenquellen oder sogar Schreibzugriff auf IT-Systeme, um Datensätze zu ändern oder anzulegen bzw. bestimmte Subprozesse auszulösen. Andere AI-Agenten brauchen spezifische Funktionen und Fähigkeiten, etwa 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-/AI-Systeme zu spezifizieren und sie mit Pfeilen an die AI-Agenten anzubinden. Hier können wir außerdem Schnittstellen wie Agent2Agent (A2A) oder das Model Context Protocol (MCP) definieren.

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

② Die grünen Boxen beschreiben die konkreten Apps für:

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

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

c) Business Discovery: Apps zum Aufspüren von Trends, Korrelationen, Anomalien usw., um Einblicke zu gewinnen, basierend auf diagnostischer Analytics.

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

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

f) Business-Automatisierung: 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- und Analysetools vorgesehen, die zur Implementierung der KI-Agenten verwendet werden können:

a) Datenmanagement: Dazu gehören zum Beispiel Datenbanksysteme.

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

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

d) Prädiktive Analytik: Zusätzlich zu Software für Machine- und Deep Learning auch Bibliotheken, z. B. für Bayessche Netze, lineare Regression usw.

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

f) Autonomous Analytics: Hier werden unter anderem Reinforcement-Learning-Algorithmen eingesetzt oder spezielle Lösungen für Agentic AI.

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

VI. Anforderungen an AI-Guardrails

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

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

Um sicherzustellen, dass unsere AI-Agenten den Prinzipien von Responsible AI (rAI) entsprechen, brauchen wir sogenannte AI-Vorgaben. In einem Multi-Agent-System (MAS) können diese Vorgaben wiederum von 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 Schaden erleiden.

2. Erklärbarkeit & Transparenz: Nutzer müssen die Entscheidungen und Handlungen des MAS nachvollziehen können.

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

Wir unterscheiden außerdem zwischen Vorgaben, die sich auf die Eingaben, die internen Modelle und die Ausgaben der AI-Agenten beziehen:

• Eingabe-Rail: Könnte zum Beispiel Nutzereingaben auf Prompt-Injektionen prüfen, um Firmendaten vor Datendiebstahl zu schützen.

• Modell-Rail: Ein Beispiel zur Sicherstellung von Fairness ist die Überwachung von Indikatoren zur Modellqualität, um Diskriminierung von Personengruppen auszuschließen.

• Ausgabe-Rail: Da LLMs zu Halluzinationen neigen, ist beispielsweise eine Plausibilitätsprüfung der Ausgabe sinnvoll.

Im letzten Schritt legen die Guardrail Agents (graues Feld im Diagramm) fest, wie diese Regeln umgesetzt werden und wie sie per Pfeilen mit den AI Agents verbunden sind.

Zum Abschluss des Workshops lege konkrete Aufgaben fest und weise sie den Teilnehmern zu. Und dann: Erledige die Aufgaben!

Wo findest du mehr?

Datentreiber bietet dir nicht nur dieses Miroverse-Template, sondern auch:

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

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

• Bezahlte Online- und Vor-Ort-Schulungen mit Zertifikat bietet die Data & AI Business Design Academy.

• Viele weitere Management-Tools, Workshop-Templates und Projektvorlagen gibt es in unserem kommerziellen Data & AI Business Design Bench.

• Unser Data & AI Business Consulting bietet Support für deine Data- und AI-Strategie, Innovations- und Transformationsprojekte.

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

Copyright: Alle Rechte vorbehalten von Datentreiber GmbH.