KI-Agenten im HR: Was autonome Agenten heute schon übernehmen

Von Word Embedding zu Reasoning: Wie KI-Agenten entstehen

Erbeldinger beginnt mit der Technik, weil sie zeigt, was kommt. 2012 lernten Maschinen, Wörter als Vektoren abzubilden und mit Sprache zu rechnen: König minus Mann plus Frau ergibt Königin. 2017 folgte die Transformer-Architektur mit dem Prinzip „Attention“: Die Maschine übersetzt nicht Wort für Wort, sondern liest den ganzen Kontext. Darauf baut ChatGPT auf.

Danach setzte die Branche auf immer größere Modelle. Mehr Knoten brachten irgendwann aber nichts mehr. Heute arbeiten Mixture-of-Experts- und Reasoning-Modelle mit Netzen, die auf spezielle Fähigkeiten trainiert sind, und einem Gating-Netz in der Mitte. So lösen Maschinen mathematische Beweise, argumentieren logisch und verstehen Ironie.

Was KI-Agenten im HR konkret erledigen

Ein KI-Agent ist für Erbeldinger eine autonome Softwareeinheit, die ohne menschliche Entscheidung Aufgaben abarbeitet. Proaktive Agenten, die selbst entscheiden, wann sie loslegen, gehen Erbeldinger zu weit. Der Aufbau: ein Eingabesignal wie Text, Sprache oder Bild, in der Mitte ein Workflow mit Handlungsabläufen, am Ende eine Ausgabe.

Beispiel Shared Service Center: Jemand ruft an und fragt nach dem Resturlaub. Die Maschine wandelt Sprache in Text, ordnet das Anliegen ein und greift über eine vorher freigegebene Schnittstelle auf SAP und die Stammdaten zu. Sie holt die Abwesenheiten, etwa 15 Tage, prüft eine mögliche Urlaubssperre und formuliert die Antwort.

Zweites Beispiel: Eine Geburtsurkunde kommt ohne Anschreiben per Post. Der Agent liest den Scan, erkennt Namen, Daten und Adressen, prüft, ob eine Beschäftigte oder die Partnerin eines Beschäftigten im Mutterschutz ist, bucht die Daten und gibt Bescheid. Findet er niemanden, prüft er, ob eine Anfrage beim Standesamt berechtigt ist, und schreibt den Brief. Für Erbeldinger ist das keine Zukunft, sondern ein einfaches Szenario von heute.

Agentische KI: Wenn viele Agenten zusammenarbeiten

Ein Agent kann eine Aufgabe. Agentische KI kombiniert viele Agenten, die sich gegenseitig instruieren: Einer schreibt Code, ein anderer Briefe. In der Mitte sitzt ein Routing-Agent, der dafür sorgen muss, dass das Ergebnis ethisch vertretbar bleibt. Standards wie das Model Context Protocol verbinden Sprachmodelle einheitlich miteinander, Erbeldinger vergleicht den Sprung mit TCP/IP.

Messbare Fehler bekommst du in den Griff. Eine Liste der richtigen Standesämter in einer Datenbank, Retrieval Augmented Generation mit einer Vektordatenbank und Tooling-Frameworks helfen, denn ein Sprachmodell generiert Text und ist keine Suchmaschine. Schwierig bleiben nicht messbare Fehler, etwa ethische Fragen.

Deshalb rät Erbeldinger, KI wie Beschäftigte zu testen: 50 Fragen stellen, Antworten prüfen, Modelle auch ohne Anweisungsoptimierung abfragen, um Verzerrungen zu sehen. Erbeldingers eigene Prompts sind 50, 60 oder 70 Seiten lang. Zero-Shot-Prompting kommt nicht in Frage.

So wählst du das passende Modell und startest

Für die Modellwahl nennt Erbeldinger vier Filter: Was willst du damit machen? Wo soll das Modell laufen, in der Cloud oder lokal? Brauchst du Geschwindigkeit oder Tiefe? Und welche Tools nutzt das Modell? Die erste Stufe schaffst du selbst, danach steigt der Anspruch an Expertise.

Den Einstieg erleichtern No-Code und Low-Code. Beim Bauen von Anwendungen sieht Erbeldinger Produktivitätssprünge von 1:20 bis 1:50: Wo früher 200 Manntage nötig waren, reichen heute vier. Anforderungsanalyse und Pflege bleiben so aufwendig wie früher. Ein Beispiel aus der Rechtswelt zeigt die Kosten: Im Legal Data Hub kosten rund 300 Seiten juristische Arbeit laut Vortrag etwa 60 Cent.

Was KI-Agenten für HR-Rollen bedeuten

Für das Drei-Säulen-Modell zeigt Erbeldinger eine Schätzung, was mindestens passieren wird: Shared Service Center 90 bis 95 Prozent, Business Partner 80 bis 90, Center of Expertise 70 bis 85, Führungskräfte 99 Prozent. Das Modell selbst hält Erbeldinger für überholt. Künftig zählt, wie du die Zusammenarbeit von Mensch und Maschine steuerst.

Der Human in the Loop wird eine Rolle, die Erbeldinger NLCAI Product Owner nennt: HR-Fachwissen, Verständnis dafür, was Maschinen können und was nicht, und IT-Grundwissen in einer Person. Gleichzeitig wächst ein Ausbildungsproblem. Wer wenig Erfahrung hat, findet kaum noch Zugang, wenn die Maschine coden kann. Erbeldinger überlegt, einen festen Tag für Ausbildung einzuführen.

Erbeldinger erwartet, dass der demografische Wandel KI erzwingt, so wie die Pandemie das Homeoffice. Darin steckt auch eine Chance: kürzere Arbeitszeiten und mehr Bildung für alle. Zwei rote Linien zieht der Vortrag: Erfahrungswissen von Beschäftigten nicht ungefragt abgreifen und Maschinen keine Gefühle beibringen. Dein erster Schritt: ein kleines Team, ein klarer Use Case, ein Test.