Intelligente Systeme antizipieren Verbraucherbedürfnisse heute mit unheimlicher Genauigkeit und sind den Anfragen oft sogar zuvorgekommen.

Kurz gesagt

Forscher der Shanghai Jiao Tong University und Tencent haben ProAct entwickelt, einen KI-Agenten, der wahrscheinliche Benutzerbedürfnisse vorhersagen soll, bevor Benutzer danach fragen.

Das System nutzt die Ausfallzeit zwischen den Nachrichten, um vergangene Gespräche zu überprüfen und Informationen im Voraus vorzubereiten.

Die Forscher sagten, dass ProAct in Benchmark-Tests besser abschnitt als frühere proaktive KI-Systeme, obwohl an den Experimenten keine echten Benutzer beteiligt waren.

Forscher der Shanghai Jiao Tong University und des chinesischen Technologiekonzerns Tencent behaupten, einen KI-Agenten entwickelt zu haben, der die ruhige Zeit zwischen Gesprächen nutzt, um vorherzusagen, was Benutzer als nächstes fragen werden – und Antworten vorzubereiten, bevor sie fragen.

Das System namens ProAct funktioniert anders als die meisten KI-Agenten, die darauf warten, dass Benutzer eine Frage stellen, bevor sie antworten. Stattdessen nutzt ProAct die Ausfallzeit zwischen Nachrichten, um vergangene Konversationen und gespeicherte Benutzerinformationen zu überprüfen und bereitet dann im Hintergrund nützliche Informationen vor, bevor die nächste Frage eintrifft.

„Obwohl KI-Agenten bemerkenswerte Fähigkeiten in der Argumentation und beim Einsatz von Werkzeugen zeigen, bleiben sie grundsätzlich reaktiv: Sie berechnen Antworten nur nach expliziten Benutzeraufforderungen“, schreiben die Forscher. „Dieses Paradigma ignoriert eine entscheidende Chance: Die Leerlaufzeit zwischen Interaktionen wird größtenteils verschwendet, sodass Agenten nicht in der Lage sind, sich auf zukünftige Benutzeranforderungen vorzubereiten.“

Das System arbeitet mehrstufig. Die erste, Future-State Prediction genannte, sagt wahrscheinliche Folgefragen voraus, indem sie vergangene Gespräche, Benutzerpräferenzen und fehlende Informationen analysiert.

In der zweiten Phase, der Idle-Time-Akquisition, wird anhand der Relevanz, des Zeitpunkts und der Nützlichkeit der neuen Informationen entschieden, welche dieser Vorhersagen es wert sind, untersucht zu werden.

Ein separates System entscheidet dann, ob die vorbereiteten Informationen präsentiert, für später gespeichert oder gespeichert werden, bis sie benötigt werden. Dadurch entsteht ein „geschlossenes“ System, das darauf ausgelegt ist, Benutzerbedürfnisse zu antizipieren und darauf zu reagieren.

„Nach jeder Vordergrundinteraktion aktualisiert der Agent seinen Speicher, prognostiziert mögliche zukünftige Anforderungen, weist wertvollen Kandidaten Leerlaufzeitberechnungen zu und entscheidet, wie mit der resultierenden Vorbereitung umgegangen werden soll“, schrieben sie. „Diese Formulierung verknüpft Vorhersage, Erfassung und Bereitstellung mit einer einzigen Richtlinie, anstatt die Berechnung von Leerlaufzeiten als uneingeschränkte Hintergrundsuche zu behandeln.“

Den Forschern zufolge wurde ProAct in 200 Simulationen in 40 Bereichen getestet, darunter Finanzplanung, Software-Release-Management und Cybersicherheit. Dem Papier zufolge reduzierte das System die Anzahl der Gesprächsrunden um 14,8 % und die Folgeanfragen um 11,7 %. In einem Vergleich mithilfe eines Benchmarks namens ProActEval erwartete ProAct 703 vorhersehbare Benutzeranforderungen gegenüber 32 beim früheren System. Die Forscher berichteten außerdem von einer Reduzierung der Halluzinationen um 28,1 %.

Die Forschung erfolgt im Zuge der Verbreitung autonomer KI-Agenten in der gesamten Technologiebranche. Projekte wie OpenClaw und Hermes Agent liefern beständige KI-Assistenten, die längere, unabhängigere Aufgaben – wie Codierung, Planung, Recherche und Workflow-Automatisierung – mit weniger direktem menschlichen Input erledigen können.

Die Studie kommt auch zu einem Zeitpunkt, an dem verschiedene Forscher Anfang dieses Monats davor warnten, dass KI-Agenten gefährliche Aufgaben ausführen könnten, ohne die Konsequenzen zu verstehen.

„Wie Mr. Magoo marschieren diese Agenten auf ein Ziel zu, ohne die Konsequenzen ihres Handelns vollständig zu verstehen“, sagte Hauptautor Erfan Shayegani, ein Doktorand von UC Riverside, in einer Erklärung. „Diese Agenten können äußerst nützlich sein, aber wir brauchen Schutzmaßnahmen, weil sie manchmal dem Erreichen des Ziels Vorrang vor dem Verständnis des Gesamtbildes geben können.“

Die Forscher räumten ein, dass die ProAct-Studie mehrere Einschränkungen aufwies, unter anderem, dass das System in 3 % der Fälle die Antworten verschlechterte, indem es irrelevante Informationen anzeigte. In dem Papier heißt es auch, dass jede reale Version Datenschutzmaßnahmen benötige, da das System ständig Gespräche analysiert und Benutzerdaten speichert.

„Unsere Budgetanalyse zeigt außerdem, dass größere Budgets für die Akquisition von Leerlaufzeiten die Kosten für aktive Token erhöhen und die Rendite verringern“, schrieben sie. „Proaktive Berechnungen sind also eher ein Kompromiss zwischen Betriebspunkten als etwas, das es zu maximieren gilt.“