Hinweis: Dieser Artikel erschien zuerst auf der Website der ICAEW. Sie können den Originalartikel hier einsehen.
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 Buchhaltern und Wirtschaftsprüfern genutzt werden kann. Es handelt sich um ein sehr einfaches Proof-of-Concept, das möglicherweise ungenaue Antworten liefert, und das Tool sollte nicht als Grundlage für die Arbeit mit Kunden oder als Ersatz für professionelles Fachwissen verwendet werden. Weitere Informationen zu den Risiken und Grenzen von AI finden Sie in der ICAEW-Anleitung zu Risiken und Grenzen der generativen KI.
Die Welt der künstlichen Intelligenz steht noch ganz am Anfang, aber sie entwickelt sich rasend schnell weiter. Selbst die Terminologie kann verwirrend sein. KI-Agenten", "agentische Systeme", "Co-Piloten", "Assistenten", "digitale Arbeitskräfte" - die Branche ist voll von Begriffen für etwas, das oft auf dieselbe Kernidee hinausläuft: Software, die KI nutzt, um Entscheidungen zu treffen und diese umzusetzen.
In meiner Funktion bei Circit spreche ich mit Hunderten von Wirtschaftsprüfungsunternehmen, und fast jeder, den ich treffe, fühlt sich zurückgeblieben, wenn es um KI geht. Die Technologieunternehmen selbst ringen damit, was KI für die Zukunft bedeutet; niemand hat wirklich alle Antworten. Der beste Weg, etwas zu lernen, ist, sich selbst einzubringen und es auszuprobieren. Genau das habe ich über Weihnachten getan und meinen ersten sehr einfachen KI-Agenten gebaut.
Technologische Herausforderungen
Ich absolvierte meine Ausbildung bei Moore Kingston Smith und kam im zweiten Jahr in das neu gegründete Datenanalyseteam. Das bedeutete weniger Audits und mehr Python-Tutorials. In einem dreiköpfigen Team fühlte ich mich oft überfordert - es gibt eine unglaubliche Menge an Syntax zu lernen und endlose Kämpfe mit dem Terminal, nur um die Entwicklungsumgebung zum Laufen zu bringen. Ich habe viel mehr Zeit damit verbracht, Stack Overflow zu durchforsten, als tatsächlich zu programmieren.
Mit dem Aufkommen von KI-gesteuerten Programmierassistenten wie GitHub Co-pilot hat sich das Spiel völlig verändert. Diese kleinen Syntax-Nuancen sind keine unüberwindbaren Hürden mehr. Sie können sich jetzt auf das "Was" und das "Warum" des Projekts konzentrieren, anstatt sich mit dem "Wie" herumzuschlagen. Dadurch wird ein Produktivitätsniveau erreicht, das vorher kaum vorstellbar war.
Was sind KI-Agenten?
Einfach ausgedrückt ist ein KI-Agent eine Software, die ein KI-Modell verwendet, um zu denken und dann zu handeln. Daher kommt auch der Begriff "ReAct-Agent" - denken und handeln.
Es ist wichtig zu wissen, dass es ein ganzes Spektrum von Mitteln gibt:
- Strukturierte "Workflow"-Agenten haben einen stärker vordefinierten Pfad, bei dem große Sprachmodelle (LLMs) mit bestimmten Werkzeugen oder Schritten gekoppelt sind, so dass die KI einige Richtlinien zu befolgen hat.
- Völlig autonome Agenten entscheiden dynamisch, was als Nächstes zu tun ist, und wählen die richtigen Werkzeuge oder Prozesse ohne viel menschliches Zutun aus.
Der Wechsel von SaaS zu Agenten
Um zu verstehen, wie sich dies von einem herkömmlichen Software-as-a-Service-Modell (SaaS) unterscheidet, stellen Sie sich vor, dass ein Manager einem jüngeren Mitarbeiter ein SaaS-Tool übergibt. Der Junior meldet sich an, navigiert durch die Software, erledigt die Arbeit und gibt die Ergebnisse an den Manager zurück. Das ist immer noch ziemlich manuell, auch wenn die zugrunde liegende Software leistungsstark ist.
Ein KI-Agent hingegen übernimmt einen Großteil der Rolle des Junioren. Anstatt dass ein Benutzer sich durch jeden Schritt klicken muss, nutzt der Agent sein eigenes Know-how, um automatisch Daten abzurufen, sie zu analysieren und die 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, verändern."
Letztendlich geht es um die Benutzererfahrung. Indem sie die Arbeit hinter den Kulissen erledigen, fühlen sich die KI-Agenten mehr wie Teammitglieder als wie eine weitere Software.
Der KI-Hauptbuchumwandlungsagent
Als Junior-Auditor verbrachte ich Stunden damit, Kundendaten zuzuordnen, sei es ein Kontenplan oder Spaltenüberschriften, bevor ich die Daten in ein Tool hochlud. Darauf konzentrierte ich mich also bei meinem ersten KI-Agenten-Projekt: die Umwandlung von Hauptbuchdaten.
Die Verwendung von KI für die Datenzuordnung anstelle von fest kodierten Regeln bietet mehrere praktische Vorteile, darunter die Anpassung an sich ändernde Eingaben, geringere Wartung, Skalierbarkeit und vor allem ein besseres Nutzererlebnis.
Die KI liefert Vorschläge, die es dem Nutzer ermöglichen, die Zuordnung zu bestätigen oder zu korrigieren - was als "Human in the Loop" bekannt ist. Dieser interaktive Arbeitsablauf macht das Nutzererlebnis natürlicher und könnte dazu beitragen, das Modell im Laufe der Zeit zu verbessern:
- CSV/Excel hochladen Der Benutzer wählt eine Datei mit Rohdaten des Hauptbuchs aus.
- AI Processing AI Agent analysiert, wie die einzelnen Spalten mit dem Zielschema übereinstimmen.
- Benutzer-Feedback Der Benutzer billigt diese Vorschläge oder passt sie an.
- Umwandlung: Das Tool wendet Datenumwandlungen an und gibt eine gebrauchsfertige Datei aus.
Wie ich meinen KI-Agenten erstellt habe
- Die Wahl von LangChain als Kern-Framework
Es gibt zu viele Tools und Frameworks, um sie alle aufzuzählen, aber ich habe mich für LangChain entschieden. Es ist dafür bekannt, dass es Entwicklern hilft, schnell KI-Agenten zu erstellen, und es verfügt über ein robustes Ökosystem von Integrationen, Tutorials und Demos, die den Einstieg viel einfacher machen.
- Brainstorming mit ChatGPT
Bevor ich einen Code schrieb, verbrachte ich einige Sitzungen mit ChatGPT, um ein Brainstorming durchzuführen. Ich bat um Anweisungen, wie ich ein beliebiges Hauptbuch in ein standardisiertes Format umwandeln kann. Der Prozess wurde in überschaubare Schritte unterteilt - Dateneingabe, Schema-Mapping, Datenbereinigung, Feldtransformation, Validierung usw.
3. Sammlung von technischen Anweisungen
Sobald ich den groben Überblick hatte, bat ich ChatGPT um eine detailliertere technische Anleitung: wie ich meine Entwicklerumgebung einrichten, welche Abhängigkeiten ich installieren und wie ich mein Projekt strukturieren sollte. Dies wirkte wie ein personalisiertes Tutorial, das viel interaktiver war als ein Standard-Blogpost oder ein Video.
- Auswahl des Tech-Stacks und der UI
Ich wollte etwas Schnelles und Einfaches, um meine Ergebnisse anzuzeigen. ChatGPT schlug Streamlit vor - ein beliebtes Tool zur Erstellung einfacher, interaktiver Benutzeroberflächen (UIs) in Python. ChatGPT erklärte mir genau, wie ich Streamlit in meine Back-End-KI-Logik integrieren konnte, von der Installation des Pakets bis hin zur Erstellung eines einfachen Dateiupload-Widgets, damit die Benutzer ihre Ledger-CSV-Datei hineinziehen konnten.
- Umstellung auf VS Code und GitHub Copilot
Sobald ich das Grundgerüst des Projekts erstellt hatte, wechselte ich vom Kopieren und Einfügen von ChatGPT-Snippets zur direkten Codierung in VS Code mit GitHub Copilot. Das war ein entscheidender Schritt.
Nicht ein einziges Mal musste ich eine einzige Codezeile schreiben oder sie gar kopieren und einfügen. Wann immer ich eine Aktualisierung benötigte, z. B. eine Änderung der Verarbeitung von Dezimalfeldern, fügte ich einfach einen Kommentar hinzu, und Copilot schlug die Korrektur vor. Es ist jedoch hilfreich, den verwendeten Code zu kennen oder den Code mit jemandem zu überprüfen, der ihn kennt, um sicherzustellen, dass er wie vorgesehen 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.
Die Nutzer können ihre Ledger-Rohdatei hochladen, die von AI vorgeschlagenen Mappings sehen, sie über Dropdown-Menüs anpassen und dann auf "Transformieren" klicken. Sofort erhalten sie eine Vorschau der endgültigen Daten und können eine CSV-Datei herunterladen.
Akzeptieren Sie die Lernkurve
Die Entwicklung von KI-Tools wird immer einfacher. Die eigentliche Herausforderung besteht darin, zu wissen, was man erstellen soll. Jetzt ist es an Ihnen zu glänzen, indem Sie Ihr Fachwissen im Rechnungswesen nutzen.
LLMs sind unglaublich intelligent und werden immer besser. Aber sie brauchen Zugang zu Daten, mit denen sie arbeiten können. Die Verbindung von Systemen und der Zugang zu den richtigen Daten ist nach wie vor eine große Herausforderung.
Lassen Sie sich auf die Lernkurve ein, es macht Spaß. Das Experimentieren mit künstlicher Intelligenz ermöglicht es Ihnen, kreativ zu sein und Ihr Buchhaltungswissen mit neuen Technologien auf eine Weise zu kombinieren, die sich frisch und lohnend anfühlt.
- Weitere Informationen zu den ersten Schritten finden Sie in den ICAEW-Ressourcen zu generativer 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.
