Lernziele / Kompetenzen:
Nach Absolvierung des Moduls sind die Studierenden in der Lage, ...
Fachkompetenz:
- die Architektur von KI-Agenten (Reasoning, Planning, tool-usage) von einfachen Chat-Anwendungen abzugrenzen.
- komplexe Prozessketten aus dem operativen Management (M1) in agentenbasierte Automatisierungslogiken zu übersetzen.
Methodenkompetenz:
- die Kennenlernen einer Low-Code-Plattform zur Orchestrierung von Multi-Agenten-Systemen (Basiswissen)
- Schnittstelle (APIs) zwischen verschiedenen KI-Modellen und Business-Tools zu skizzieren.
Selbstkompetenz:
- Selbständigkeit: eigenverantwortliches Lernen und Forschen zu aktuellen Entwicklungen im Bereich der KI.
- Kritisches Denken: Fähigkeit, die Auswirkungen von KI-Technologien auf Gesellschaft und Unternehmen kritisch zu reflektieren.
- Anpassungsfähigkeit: Entwicklung von Flexibilität im Umgang mit neuen Technologien und sich verändernden Arbeitsbedingungen.
Sozialkompetenz:
- Kommunikationsfähigkeit: Entwicklung der Fähigkeit, komplexe technische Konzepte klar und verständlich zu entwerfen.
- Teamarbeit:
In Projektteams komplexe Automatisierungslösungen zu entwickeln und
deren strategischen Nutzen vor Entscheidern zu präsentieren.
Inhalte:
Zur Erlangung der o.g. Kompetenzen werden u.a. folgende Inhalte vermittelt:
1. Vom statischen Prozess zum autonomen Agenten:
- Identifikation von "Agentic Use-Cases" in bestehenden Prozesslandkarten.
- Design von Feedback-Loops und Entscheidungsknoten für KI-Agenten.
2. Basiswissen über Technische Orchestrierung:
- Nodes, Trigger und Workflow-Design für fortgeschrittene Automatisierung.
- Einbindung von LLMs als "Gehirn" des Prozesses (Advanced Prompting & Tool-Usage)
3. Multi-Agent-Systeme & Memory:
- Einführung in die Zusammenarbeit verschiedener Agenten (z.B. Researcher-Agent & Analyst-Agent)
- Konzeptuelle Implementierung von Langzeitgedächtnis und Kontextsteuerung in Workflows.
4. Praxis-Transfer & Exkursion:
- Vor-Ort-Besuche bei Unternehmen, Gremien und Innovationshubs.
- Für Fortgeschrittene: Skizzierung und Bau eines Agenten.
Lehr- und Lernmethoden:
Zur Erlangung der o.g. Kompetenzen werden z.B. folgende Lehr- und Lernmethoden angewendet:
- Präsenz- und Online-Trainings in interaktiven Lernformaten wie z.B. Blended oder Scenario-Based-Learning, Flipped Classroom.
- Seminaristischer
Unterricht: Grundlagen und Vertiefung spezifischer Themen der
Agenten-Architektur und deren Management-Relevanz.
- Selbststudium: Anwendung und Software / Tool-Training.
- Praktische Workshops: Hand-on-Übungen mit modernen Ki-Tools zur Konfiguration und Vernetzung von Arbeitsabläufen.
- Übungen: Anwendungen von KI-Lösungen auf reale Probleme und Fallstudien aus dem Management-Alltag.
- Diskussionen: Reflexion über die ethischen und gesellschaftlichen Implikationen autonom agierender KI-Systeme in Unternehmen.
Stellenwert der Note in der Endnote des Master (Masterzeugnis):
5 / 90
Literatur:
- n8n-Documentation: Advanced Workflows and AI-Nodes.
- Westermann, G. et al. (2014): Leading Digital; Turning Technology into Business Transformation.
- Aktuelle Whitepaper zu Generativ AI-Workflows (z.B. von McKinsey oder Gartner).
- Ergänzend zur Literatur des Basis-Moduls (Russell & Norvig, 2020).
KI-Agenten im Prozessmanagement