Agentische AI, fundiert: Was die Forschung wirklich sagt — und was das für das Asset-Management von Transformatoren bedeutet

Für ein Ingenieurpublikum ist Skepsis gegenüber AI eine Stärke, kein Nachteil. Die richtige Frage lautet nicht „Ist Agentische AI real?” — das ist sie —, sondern „Was schreibt die Forschung tatsächlich für ihren Einsatz an Anlagen vor, die nicht leise ausfallen dürfen?” Die ermutigende Antwort ist, dass die führenden Forschungslabore, die akademische Zuverlässigkeitsforschung und die Governance-Institutionen zu einem einzigen Muster konvergieren: nützliche Unternehmensagenten sind begrenzt, nachweisbasiert und menschlich geprüft. Dieses Muster deckt sich fast exakt damit, wie ernsthafte Entscheidungen im Asset-Management von Transformatoren ohnehin bereits getroffen werden.

Was „Agentische AI” wirklich ist

Die klarste Arbeitsdefinition stammt von den Laboren, die diese Systeme bauen. Anthropic unterscheidet Agenten, bei denen das Modell „seine eigenen Prozesse und seinen Werkzeugeinsatz dynamisch steuert”, von Arbeitsabläufe, bei denen Modelle und Werkzeuge „über vordefinierte Code-Pfade orchestriert” werden — und rät Entwicklern, „die einfachstmögliche Lösung zu finden” und agentische Komplexität erst dann hinzuzufügen, wenn einfachere Ansätze nicht ausreichen, wie sein Leitfaden zum Agenten-Engineering darlegt. OpenAIs eigener praktischer Leitfaden zum Bau von Agenten spiegelt dieselbe Zurückhaltung wider. Phillip Isola vom MIT fasst Agentische AI schlicht als „AI, die in der Welt handelt” und warnt zugleich, dass die Menschen „nicht genug Mühe darauf verwenden werden, zu überprüfen”, was ein Agent ausgibt — eine Warnung, die bei geschäftskritischen Aufgaben schwer wiegt.

Die wichtigste Nuance ist diese: Autonomie ist eine Einsatzentscheidung, keine automatische Folge von Leistungsfähigkeit. Das Levels-of-AGI-Rahmenwerk von Google DeepMind betont die „sorgfältige Auswahl von Paradigmen der Mensch-AI-Interaktion” und behandelt den Grad der Autonomie als bewusste, an das Risiko gebundene Entscheidung. Ein leistungsfähigeres Modell verpflichtet einen nicht dazu, ihm mehr Kontrolle zu überlassen.

Die Realität der Zuverlässigkeit

Zwei Erkenntnisse sollten jeden Einsatz in kritischer Infrastruktur prägen. Erstens sind Agenten unter realistischen Bedingungen inkonsistent: Der τ-bench-Benchmark für die Interaktion von Werkzeug, Agent und Nutzer berichtet, dass modernste Function-Calling-Agenten bei weniger als der Hälfte realistischer Aufgaben erfolgreich sind und über wiederholte Durchläufe hinweg unzuverlässig bleiben. Zweitens ist Halluzination strukturell bedingt, nicht zufällig — Forschung argumentiert, dass sie eine inhärente Grenze für allgemeine Problemlöser darstellt, und andere Arbeiten führen sie darauf zurück, wie Modelle trainiert und bewertet werden, statt auf einen behebbaren Defekt.

Keine der beiden Erkenntnisse besagt „Setzt keine Agenten ein.” Sie besagen: Baut kein System, dessen Sicherheit davon abhängt, dass das Modell jedes Mal richtig liegt. Bei einer Transformatorenflotte ist dieser Grundsatz nicht verhandelbar.

Das glaubwürdige Muster: begrenzt + nachweisbasiert + geprüft

• Nachweisbasiert. Retrieval-Augmented Generation — die Bindung von Antworten an einen externen Nachweisspeicher — erzeugt „spezifischere, vielfältigere und faktentreuere” Ausgaben als ein Modell, das sich allein auf seine Parameter stützt. Das ist der Forschungsmechanismus hinter belegten Antworten: Jede Schlussfolgerung verweist zurück auf eine Quelle, die ein Prüfer kontrollieren kann.
• Begrenzt. Der Werkzeugeinsatz selbst ist eine bekannte Fehlerquelle, die die Technik beherrschen muss; die Gorilla-Arbeit aus Berkeley existiert gerade dazu, Halluzinationen bei API- und Werkzeugaufrufen zu verringern. Einen Agenten auf einen definierten, getesteten Satz von Werkzeugen zu beschränken, hält seine Aktionen innerhalb der Grenzen.
• Gesteuert. Das NIST AI Risk Management Framework behandelt AI-Risiken als sozio-technisch und gliedert sie in die Funktionen Govern, Map, Measure und Manage, mit über den gesamten Lebenszyklus eingebauter menschlicher Aufsicht.

Ein ehrlicher Vorbehalt gehört dazu: Human-in-the-Loop kann zur bloßen Formsache verkommen, wenn Prüfer unter Druck stehen, alles abzunicken. Begrenzter Umfang und Nachweisverknüpfungen sind das, was die Prüfung echt macht — ein Prüfer, der die zugrunde liegende Messung sehen kann, kann der Maschine tatsächlich widersprechen. Diesen Grundsatz behandeln wir ausführlich in KI mit menschlicher Prüfung für Transformatorenentscheidungen.

Warum das zum Asset-Management von Transformatoren passt

Das Stromnetz ist, in den Worten des U.S. DOE, „eine der komplexesten und zugleich äußerst zuverlässigen Maschinen der Welt”, und das DOE bewertet AI als wertvoll für dessen Verwaltung — sofern die Werkzeuge „keine Risiken für das Netz oder für Personen einführen”. Die IEA schreibt AI ebenfalls einen realen betrieblichen Nutzen im Energiebereich zu, verbunden mit einer ausdrücklichen Sicherheits- und Schutzauflage.

Transformatorenentscheidungen passen gut zur begrenzten Variante von Agentische AI, gerade weil sie bereits die Form haben, die die Labore beschreiben: eine klar umrissene Aufgabe (einen DGA-Trend interpretieren, eine PRPD-Messung einordnen, eine Wartungsmaßnahme abwägen), klare Erfolgskriterien und eine verpflichtende menschliche Aufsicht. Die Fehlermechanismen sind gut verstanden — siehe warum Leistungstransformatoren ausfallen —, und der Nachweis ist konkret und überprüfbar. Das ist das ideale Umfeld für einen Agenten, dessen Aufgabe es ist, den Fall zusammenzustellen, nicht die Entscheidung zu treffen.

Wie GridAPM das Muster anwendet

GridAPM ist als die Disziplin gebaut, die die Forschung vorschreibt, nicht als Autonomie um ihrer selbst willen. Seine Agenten sind begrenzt — definierte Werkzeuge und Aktionen, keine offene Kontrolle über spannungsführende Anlagen; nachweisverknüpft — jeder Befund ist auf den DGA-, Öl-, PD-, SFRA-, Thermal- oder Inspektionsdatensatz zurückführbar, aus dem er hervorging, im nachweisverankerten Stil, den die Literatur bestätigt; und menschlich geprüft — der Ingenieur genehmigt, der Agent bereitet vor. Das ist dieselbe Philosophie, die hinter Agentic-AI-APM-Software für Leistungstransformatoren und unserer umfassenderen Sicht auf künstliche Intelligenz für Leistungstransformatoren steht.

Der überzeugende Rahmen für ein skeptisches Ingenieurteam ist nicht „Vertraut der AI.” Er lautet: Wir haben gebaut, was der Nachweis vorschreibt. Fordern Sie einen GridAPM-Pilot an, um einen begrenzten, nachweisverknüpften und menschlich geprüften Arbeitsablauf an Ihrer eigenen Flotte zu bewerten.