GenAI Development Stack & AI Agents: So baust du produktive Workflows statt nur Chatbots Teil 2

Viele Unternehmen bleiben bei „Chat im Browser“ stehen. Der echte Wert entsteht, wenn GenAI in Prozesse integriert wird: Daten rein, Regeln/Checks, Tools/APIs, Ergebnis raus — reproduzierbar und messbar. Dafür brauchst du einen Stack und eine Agenten-Architektur.

1) Der GenAI Development Stack (Minimal sinnvoll)

A) Modell + Prompting

• System-/Rollenprompt, Output-Format, Constraints

• Guardrails (z.B. „wenn unsicher, frage nach“)

B) Unternehmenswissen via RAG

• Dokumente → Chunking → Embeddings → VectorDB

• Retrieval + Quellenanzeige (Citations)

• Vorteil: weniger Halluzinationen, bessere Aktualität

C) Orchestrierung

• Workflows über Schritte (z.B. Analyse → Recherche → Entwurf → Review)

• Tools wie LangChain (Konzept: Chains/Tools/Memory)

D) Integration

• Python/Backend, APIs, CRM/ERP, Ticketsysteme, Mail, SharePoint etc.

2) Was ein AI Agent ist (und was nicht)

Ein Agent ist nicht „ein Prompt“. Ein Agent ist ein System, das:

• Ziele/Aufgaben verfolgt

• Tools nutzen kann (APIs, Code, Web, Datenbanken)

• optional Memory nutzt (Kontext über Zeit)

• mit Human Control arbeitet (Freigaben, Prüfungen)

3) Typische Agent-Use-Cases (Business)

• Angebots-/E-Mail-Agent (Entwurf + Tonalität + Compliance-Checks)

• Reporting-Agent (Daten ziehen → Zusammenfassen → KPI-Kommentar)

• Support-Triage (Ticket klassifizieren → Antwortvorschlag → Eskalation)

• Dokumenten-Agent (Extraktion, Vergleich, Risikohinweise)

4) Human-in-the-loop: Warum das Pflicht ist

Gerade in regulierten oder reputationskritischen Bereichen gilt:

• Freigaben bei externen Outputs

• Quellenpflicht / Belegstellen

• Logging & Monitoring

• klarer „Stop“-Mechanismus

Fazit

Der Stack macht aus GenAI ein System. Agenten machen aus Systemen handlungsfähige Workflows. Genau hier entsteht der ROI.