Googles „Gemini 4 Argon“ verspricht eine Million Ausgabetoken pro Durchlauf. Aktuelle Konkurrenzprodukte liegen bei etwa 128.000. Zu den genannten Anwendungsfällen zählen umfangreiche Codemigrationen und mehrstufige autonome Agenten – also Aufgaben, bei denen ein Modell den Kontext über Dutzende von Dateien hinweg im Blick behalten oder Schlussfolgerungsschritte ohne menschliches Eingreifen miteinander verknüpfen muss.
Agentenarchitektur taucht mittlerweile regelmäßig in Stellenausschreibungen von Kunden in der gesamten DACH-Region auf. Eine Münchner Versicherungsgruppe fragte letzten Monat bei uns nach einem Dateningenieur, der Agenten-Orchestrierungsschichten entwerfen kann – insbesondere nach jemandem, der versteht, wie man komplexe analytische Aufgaben in Teilaufgaben zerlegt, die ein Modell nacheinander bearbeiten kann. Diese Stelle blieb elf Wochen lang unbesetzt. Die Bewerber mit reinem Data-Engineering-Hintergrund hatten Schwierigkeiten zu erklären, wie sie die Ergebnisse der Agenten testen und validieren würden. Die Bewerber mit Forschungserfahrung im Bereich maschinelles Lernen verfügten oft über keine Erfahrung mit der Bereitstellung in der Produktion. Die Stelle wurde schließlich mit einer Kandidatin aus einem Unternehmen für klinische Studien besetzt, wo sie automatisierte Pipelines zur Dokumentenprüfung aufgebaut hatte.
Die reine Token-Kapazität hat kaum Bedeutung, wenn es keine Menschen gibt, die die Arbeit so strukturieren können, dass sie diese Kapazität ausschöpft. Ein Modell, das in einem Durchlauf eine Million Token generieren kann, produziert nicht automatisch eine Million nützlicher Token. Diejenigen, die aus einer solchen Infrastruktur Wert schöpfen, sind diejenigen, die Probleme zerlegen, Validierungskontrollpunkte entwerfen und wissen, wann sie die Kontrolle wieder an einen Menschen zurückgeben müssen. Unternehmen stellen immer wieder fest, dass die Person, die den Arbeitsablauf entwirft, die begrenzende Ressource ist.
Unternehmen, die KI-native Datenfunktionen entwickeln, sollten nach Mitarbeitern suchen, die bereits agentenbasierte Systeme in die Produktion gebracht haben. Erfahrung in der Koordination mehrstufiger automatisierter Workflows hebt Kandidaten auf der engeren Auswahlliste von anderen ab. Die Stelle in München ging an eine Kandidatin, die genau beschreiben konnte, wie sie mit Fehlerfällen in einer Live-Umgebung umgegangen war, ihren Überwachungsansatz detailliert darlegte und erklärte, warum sie an bestimmten Kontrollpunkten eine manuelle Überprüfung eingebaut hatte.
Angeregt durch einen Bericht von BigDATAwire.