Hinweis: Dieser Artikel erschien zuerst auf der Website des ICAEW. Den Originalartikel finden Sie hier.
Bitte beachten Sie, dass der in diesem Artikel entwickelte KI-Agent erstellt wurde, um eine praktische Anwendung zu demonstrieren und zu untersuchen, wie KI von Wirtschaftsprüfern und Steuerberatern eingesetzt werden kann. Es handelt sich um einen sehr einfachen Proof of Concept, der ungenaue Antworten liefern kann, und das Tool sollte nicht für die Arbeit mit Klienten oder zur Ersetzung professioneller Expertise herangezogen werden. Weitere Informationen zu den Risiken und Einschränkungen von KI finden Sie in der ICAEW-Leitlinie zu den Risiken und Einschränkungen generativer KI.
Es ist noch früh in der Welt der KI, aber sie entwickelt sich rasant weiter. Schon die Terminologie kann verwirrend sein. „KI-Agenten“, „agentische Systeme“, „Co-Piloten“, „Assistenten“, „digitale Arbeit“ – die Branche wimmelt von Begriffen für das, was oft auf dieselbe Kernidee hinausläuft: Software, die KI nutzt, um Entscheidungen zu treffen und diese umzusetzen.
In meiner Rolle bei Circit spreche ich mit Hunderten von Wirtschaftsprüfungsgesellschaften, und fast jeder, den ich treffe, fühlt sich in Bezug auf KI abgehängt. Technologieunternehmen selbst setzen sich damit auseinander, was KI für die Zukunft bedeutet; niemand hat wirklich alle Antworten. Der beste Weg zu lernen ist, einfach einzusteigen und es auszuprobieren. Das habe ich über Weihnachten getan und meinen ersten sehr einfachen KI-Agenten gebaut.
Technologische Herausforderungen
Ich habe meine Ausbildung bei Moore Kingston Smith absolviert und bin in meinem zweiten Jahr dem neu gegründeten Datenanalyseteam beigetreten. Das bedeutete weniger Prüfungen und mehr Python-Tutorials. In einem Dreierteam fühlte ich mich oft überfordert – es gibt eine überwältigende Menge an Syntax zu lernen, plus endlose Kämpfe mit dem Terminal, nur um die Entwicklungsumgebung zum Laufen zu bringen. Ich verbrachte weitaus mehr Zeit damit, Stack Overflow zu durchforsten, als tatsächlich zu programmieren.
Mit der Einführung von KI-gesteuerten Programmierassistenten wie GitHub Co-pilot hat sich die Situation grundlegend verändert. Diese kleinen Syntax-Nuancen sind keine unüberwindbaren Hürden mehr. Man kann sich jetzt auf das „Was“ und das „Warum“ des Projekts konzentrieren, anstatt mit dem „Wie“ zu kämpfen. Das ermöglicht ein Maß an Produktivität, das zuvor kaum vorstellbar war.
Was sind KI-Agenten?
Einfach ausgedrückt ist ein KI-Agent eine Software, die ein KI-Modell nutzt, um zu überlegen und daraufhin zu agieren. Daher stammt der Begriff „ReAct-Agent“ – von „reason“ (überlegen) und „act“ (handeln).
Es ist wichtig zu beachten, dass es ein Spektrum von Agenten gibt:
- Strukturierte „Workflow“-Agenten haben einen stärker vordefinierten Pfad, bei dem große Sprachmodelle (LLMs) mit spezifischen Tools oder Schritten gekoppelt sind, sodass die KI bestimmte Richtlinien hat, denen sie folgen kann.
- Vollständig autonome Agenten entscheiden dynamisch, was als Nächstes zu tun ist, indem sie die richtigen Tools oder Prozesse spontan und ohne viel menschliches Eingreifen auswählen.
Der Wandel von SaaS zu Agenten
Um zu verstehen, wie sich dies von einem traditionellen Software-as-a-Service (SaaS)-Modell unterscheidet, stellen Sie sich vor, ein Manager übergibt einem Junior-Mitarbeiter ein SaaS-Tool. Der Junior meldet sich an, findet sich in der Software zurecht, erledigt die Arbeit und meldet die Ergebnisse an den Manager zurück. Das ist immer noch recht manuell, selbst wenn die zugrunde liegende Software leistungsstark ist.
Ein KI-Agent hingegen übernimmt einen Großteil der Aufgaben eines Juniors. Anstatt vom Benutzer zu verlangen, jeden Schritt durchzuklicken, nutzt der Agent sein eigenes Know-how, um Daten automatisch abzurufen, zu analysieren und Ergebnisse zur endgültigen Freigabe zu präsentieren. Das ist es, was Microsoft CEO Satya Nadella meint, wenn er sagt: „KI-Agenten werden SaaS, wie wir es kennen, transformieren.“
Letztendlich kommt es auf die Benutzererfahrung an. Indem sie die Routineaufgaben im Hintergrund erledigen, fühlen sich KI-Agenten eher wie Teammitglieder an als nur wie eine weitere Software.
Der KI-Hauptbuch-Transformationsagent
Als Audit-Junior verbrachte ich Stunden damit, Kundendaten zuzuordnen, sei es ein Kontenplan oder Spaltenüberschriften, bevor ich Daten in ein Tool hochlud. Darauf habe ich mich bei meinem ersten KI-Agenten-Projekt konzentriert: die Transformation von Hauptbuchdaten.
Der Einsatz von KI für die Datenzuordnung, anstatt sich auf fest codierte Regeln zu verlassen, bietet mehrere praktische Vorteile, darunter die Anpassung an sich ändernde Eingaben, geringerer Wartungsaufwand, Skalierbarkeit und, am wichtigsten, eine bessere Benutzererfahrung.
Die KI liefert Vorschläge, wodurch der Benutzer die Zuordnung bestätigen oder korrigieren kann – was als „Human in the Loop“ bekannt ist. Dieser interaktive Workflow macht die Benutzererfahrung natürlicher und könnte dazu beitragen, dass sich das Modell im Laufe der Zeit verbessert:
- CSV/Excel hochladen Der Benutzer wählt eine Datei mit Rohdaten des Hauptbuchs aus.
- KI-Verarbeitung Der KI-Agent analysiert, wie jede Spalte mit dem Zielschema übereinstimmt.
- Benutzer-Feedback Der Benutzer genehmigt oder passt diese Vorschläge an.
- Transformation: Das Tool wendet Datenkonvertierungen an und gibt eine gebrauchsfertige Datei aus.
Wie ich meinen KI-Agenten erstellt habe
- LangChain als Kern-Framework wählen
Es gibt unzählige Tools und Frameworks, aber ich habe mich entschieden, LangChain. Es ist bekannt dafür, Entwicklern zu helfen, schnell KI-Agenten zu erstellen, und es verfügt über ein robustes Ökosystem aus Integrationen, Tutorials und Demos, die den Einstieg erheblich erleichtern.
- Brainstorming mit ChatGPT
Bevor ich Code schrieb, verbrachte ich einige Sitzungen damit, mit ChatGPT zu brainstormen. Ich bat um Anweisungen, wie man ein beliebiges Hauptbuch in ein standardisiertes Format umwandelt. Es unterteilte den Prozess in überschaubare Schritte – Datenerfassung, Schema-Mapping, Datenbereinigung, Feldtransformation, Validierung und so weiter.
3. Technische Anweisungen sammeln
Sobald ich die grobe Gliederung hatte, bat ich ChatGPT um detailliertere technische Anleitungen: wie ich meine Entwicklungsumgebung einrichte, welche Abhängigkeiten ich installieren muss und wie ich mein Projekt strukturiere. Dies wirkte wie ein personalisiertes Tutorial, das viel interaktiver war als ein gewöhnlicher Blogbeitrag oder ein Video.
- Auswahl des Tech-Stacks und der Benutzeroberfläche
Ich wollte etwas Schnelles und Einfaches, um meine Ergebnisse anzuzeigen. ChatGPT schlug Streamlit vor – ein beliebtes Tool zum Erstellen einfacher, interaktiver Benutzeroberflächen (UIs) in Python. ChatGPT beschrieb genau, wie Streamlit mit meiner Backend-KI-Logik integriert werden kann, von der Installation des Pakets bis zur Erstellung eines einfachen Datei-Upload-Widgets, damit Benutzer ihre Hauptbuch-CSV-Datei per Drag & Drop hochladen können.
- Umstieg auf VS Code und GitHub Copilot
Sobald das Grundgerüst des Projekts stand, wechselte ich vom Kopieren und Einfügen von ChatGPT-Snippets zum direkten Codieren in VS Code mit GitHub Copilot. Das war ein Wendepunkt.
Ich musste nicht ein einziges Mal eine Zeile Code schreiben oder sie gar kopieren und einfügen. Wann immer ich eine Aktualisierung benötigte, etwa um zu ändern, wie Dezimalfelder geparst wurden, fügte ich einfach einen Kommentar hinzu, und Copilot schlug die Korrektur vor. Es hilft jedoch, ein Verständnis für den verwendeten Code zu haben oder den Code mit jemandem zu überprüfen, der sich damit auskennt, um sicherzustellen, dass er wie beabsichtigt funktioniert.
Das Ergebnis
Sie können die App hier ausprobieren. Bitte verwenden Sie beim Ausprobieren keine echten Kundendaten – Sie können ChatGPT bitten, einen Demo-Datensatz zu erstellen.
Benutzer können ihre Roh-Hauptbuchdatei hochladen, KI-vorgeschlagene Zuordnungen sehen, diese über Dropdown-Menüs anpassen und dann auf „Transformieren“ klicken. Sofort erhalten sie eine Vorschau der endgültigen Daten und können eine CSV-Datei herunterladen.
Nehmen Sie die Lernkurve an
KI-Tools werden immer einfacher zu erstellen. Die eigentliche Herausforderung besteht darin, zu wissen, was man erstellen soll. Dies ist Ihre Chance, mit Ihrem Buchhaltungswissen zu glänzen.
LLMs sind unglaublich intelligent und werden immer besser. Aber sie benötigen Zugang zu Daten, um arbeiten zu können. Systeme zu verbinden und auf die richtigen Daten zuzugreifen, bleibt eine große Herausforderung.
Nehmen Sie die Lernkurve an, es macht Spaß. Das Experimentieren mit KI ermöglicht es Ihnen, kreativ zu sein und Ihr Buchhaltungswissen mit neuen Technologien auf eine Weise zu verbinden, die sich frisch und lohnend anfühlt.
• Weitere Informationen zum Einstieg finden Sie hier: die Ressourcen von ICAEW zum Thema generative KI und Prompt Engineering, und zögern Sie nicht, mich zu kontaktieren (dudley@circit.io), wenn Sie Fragen zu diesem Projekt haben oder Zugriff auf das GitHub-Repository wünschen.
