Die Studie rahmt Agentic AI für Unternehmensteams neu und verlagert den Fokus von der Modellauswahl auf architektonische Entscheidungen. Dies beinhaltet die Berücksichtigung von Faktoren wie die Zuweisung des Trainingsbudgets, die Wahrung der Modularität und die Abwägung zwischen Kosten, Flexibilität und Risiko. Die Forscher identifizierten zwei Hauptdimensionen innerhalb der Agentic-AI-Landschaft: Agenten-Adaption und Tool-Adaption. Die Agenten-Adaption umfasst die Modifizierung des Foundation Models, das dem Agentic-System zugrunde liegt, durch die Aktualisierung seiner internen Parameter oder Richtlinien.

Das rasante Wachstum von Agentic AI hat zu einer Zunahme von Tools und Frameworks geführt, was es Entwicklern erschwert, die besten Optionen für ihre spezifischen Bedürfnisse zu ermitteln. Agentic AI bezieht sich auf KI-Systeme, die in der Lage sind, autonom zu handeln, um bestimmte Ziele zu erreichen. Diese Systeme kombinieren oft große Sprachmodelle mit Planungs-, Gedächtnis- und Tool-Nutzungsfähigkeiten.

Es wird erwartet, dass das Framework Klarheit und Orientierung für Entwickler bietet und sie in die Lage versetzt, fundiertere Entscheidungen über das Design und die Implementierung von Agentic-AI-Systemen zu treffen. Durch die Kategorisierung von Frameworks nach ihren Stärken und Schwächen hoffen die Forscher, den Entwicklungsprozess zu rationalisieren und die Einführung von Agentic AI in verschiedenen Branchen zu beschleunigen. Die Forscher legen nahe, dass das Verständnis der Kompromisse zwischen Agenten- und Tool-Adaption entscheidend für die Optimierung der Leistung und Effizienz von Agentic-AI-Systemen ist.