Der Trend Monitor verfügt über eine starke Tradition, frühzeitig Einblicke in aufkommende soziale, technologische, wirtschaftliche, ökologische und politische (STEEP) Trends zu und deren strategische Auswirkungen für die Luftfahrtindustrie zu liefern. Als Pionierorganisation verfolgt das Bauhaus Luftfahrt für den diesjährigen Trend Report einen neuen, durch KI-Agenten unterstützten Ansatz, um Szenarien für die Luftfahrt im Jahr 2035 zu entwickeln.
Der Szenario-Ansatz umfasst drei Schritte:
- Identifizierung von STEEP-Trends für die globale Luftfahrt
- Uncertainty-Impact-Analyse der Trends
- Entwicklung von Szenarien für 2035, basierend auf kritischen Trends
In jedem Schritt werden Expertenbeiträge mit den Ergebnissen der proprietären KI-Agenten kombiniert.
Wenn Sie weitere Informationen zum Trend Monitor wünschen oder eine Möglichkeit zur Zusammenarbeit sehen, würden wir uns freuen, von Ihnen zu hören!
Kontakt Trend Monitor
Die "agentenhafte" Zukunft des Trend Monitors
KI-Agenten sind künstliche Entitäten, die auf einem Large Language Model (LLM) basieren, wie beispielsweise ChatGPT. LLM-basierte Agenten sind dazu fähig, autonom Entscheidungen zu treffen, kreativ zu sein, Aufgaben zu zerlegen, sich an Umstände und Fehler anzupassen sowie mit anderen Agenten und Werkzeugen zu interagieren.
Für den Zweck dieses Projekts können KI-Agenten als spezialisierte Instanzen von LLMs verstanden werden. Der neue Trend Monitor nutzt verschiedene Multi-Agenten-Systeme, in denen jeder Agent einem sehr spezifischen Zweck dient und eine sehr spezifische Aufgabe erfüllt.
Schritt 1: STEEP-Trends identifizieren
KI-Agenten entdecken STEEP-Trends, die das nächste Jahrzehnt für die globale Luftfahrt prägen können. Jeder Trend wird von einer faktenbasierten Beschreibung aktueller Beobachtungen und verfügbarer Prognosen begleitet, sowie einem Verweis auf die Quellen, die den Beschreibungen zugrunde liegen. Diese Trends werden dann mit Experten geteilt, die gebeten werden, Trends zu identifizieren, die von den Agenten möglicherweise übersehen wurden.
Schritt 2: Uncertainty-Impact-Analyse
Zusätzlich zu Trend-Vorschlägen werden Experten gebeten, die Trends hinsichtlich ihrer Unsicherheit und Auswirkung zu bewerten. Das Ziel der Uncertainty-Impact-Analyse ist es, potenzielle Risiken oder Chancen zu evaluieren, indem Folgendes untersucht wird:
- das Maß an Unsicherheit, das einen Trend umgibt (hinsichtlich seines Entwicklungsstandes bis 2035, seiner Entwicklungsgeschwindigkeit usw.)
- die potenziellen Auswirkungen auf verschiedene Aspekte (wie Geschäftsmodelle, Einnahmequellen, Passagierverhalten usw.) und Interessengruppen, falls sich der Trend vollständig entwickelt
Parallel zur Expertenbewertung werden die Trends auch von KI-Agenten bewertet. Diese Bewertungsagenten befinden sich noch in der Entwicklung, aber frühe Ergebnisse zeigen vielversprechende Resultate und gewisse Vorteile. Durch die Kombination beider Bewertungssätze werden "kritische Trends", d.h. Trends mit hoher Auswirkung und hoher Unsicherheit, identifiziert.
Schritt 3: Srategische Szenarien für 2035 entwickeln
Sobald die Menge der kritischen Trends ermittelt wurde, werden die beiden einflussreichsten Trends mit hoher Unsicherheit ausgewählt, um damit Zukunftsszenarien zu entwickeln. Es wird sichergestellt, dass die beiden Trends nicht demselben STEEP-Trendtyp angehören und dass sie weitgehend unabhängig voneinander sind. Durch die Variation der Ausprägungen dieser beiden Trends wird eine Szenario-Matrix erstellt, die vier strategische Szenarien für 2035 darstellt.
Diese vier Szenarien werden dann durch eine Kombination aus KI-Agent-geführter Szenario-Entwicklung und Expertenvalidierung beschrieben. Zur Beschreibung der Szenarien können einige der anderen kritischen Trends verwendet werden, und zwar so, dass die Szenarien konsistent und plausibel sind. Abschließend werden Agenten verwendet, um Empfehlungen auszusprechen, wie die Beteiligten Strategien entwickeln, Prioritäten setzen und sich auf diese Szenarien vorbereiten sollten.
Erkenntnisse aus Entwicklung und Anwendung von KI-Agenten
Der KI-Agenten-gestützte Ansatz bietet erhebliche Vorteile im Vergleich zu manuellen Prozessen:
- KI-Agenten verbessern Zeit- und Kosteneffizienz: Agenten verarbeiten effizient und schnell enorme Datenmengen aus einer Vielzahl von Quellen zu minimalen Kosten.
- KI-Agenten erhöhen die Skalierbarkeit: Agenten können auf die Ausführung verschiedener Aufgaben skaliert werden (z.B. von der Recherche über das Brainstorming bis hin zum kreativen Schreiben), um mehrere Quellen einzubeziehen und verschiedene Trendtypen zu untersuchen.
Noch wichtiger ist, dass der Einsatz von Multi-Agenten-Systemen anstelle von generalisierten LLMs diese Aspekte ermöglicht hat:
- Höhere Qualität durch Kontrolle: Durch eine Kombination aus Parameter-Optimierung der Agenten und klar definierten Prompts werden die Agenten gezwungen, sich nur auf bestimmte beherrschbare Aufgaben zu konzentrieren. Das hält sie davon ab, zu halluzinieren oder Annahmen und unbegründete Vorhersagen zu generieren.
- Profunde Ergebnisse: Kollaborative Wahrheitssuche führt zu profunden Ergebnissen. Ein komplexes Projekt wie die STEEP-Analyse wurde in Teilaufgaben zerlegt, die dann einer Gruppe von mehreren Agenten zugewiesen werden. Diese Agenten konzentrieren sich autonom auf ihre Aufgaben, arbeiten aber anschließend miteinander zusammen. Dies führt zu detailreichen Ergebnissen, die mit generalisierten LLMs nicht erzielt werden können.
- Relevanz: Die meisten LLMs haben nur Zugriff auf Informationen bis zu einem bestimmten Datum in der Vergangenheit. Den Agenten des Bauhaus Luftfahrt wird jedoch Zugang zu aktuellen, relevanten Informationen gewährt.
Die Agenten werden durch „Agile Software Development“ entwickelt. Das bedeutet, dass verschiedene Agentic-Workflow-Systeme, Prompts und LLMs schnell durchiteriert werden, um die Kombinationen zu identifizieren, die die bestmöglichen Ergebnisse liefern.
An dieser Stelle sei angemerkt, dass die KI-Agenten des Bauhaus Luftfahrt jetzt so "schlecht" sind, wie sie es nie wieder sein werden. Mit intelligenteren LLMs, mit der Entwicklung der Bewertungs- und Szenario-Agenten und mit weiteren Iterationen wird Bauhaus Luftfahrt in der Lage sein, Agenten zu entwickeln, die Trends besser identifizieren, beschreiben und besser bewerten sowie Szenarien besser entwickeln können (zu geringeren Kosten und in kürzerer Zeit).
Referenzen
- Schneider, A. (2024, April 04). Aviation’s metaverse future in four scenarios. TNMT
- Wulf, T., Meißner, P., & Stubner, S. (2010). A scenario-based approach to strategic planning: Integrating planning and process perspective of strategy. Leipzig, Germany: HHL Leipzig Graduate School of Management.
- Xi, Z., Chen, W., Guo, X., He, W., Ding, Y., Hong, B., ... & Gui, T. (2025). The rise and potential of large language model based agents: A survey. Science China Information Sciences, 68(2), 121101.
Bauhaus Luftfahrt verarbeitet die personenbezogenen Daten gemäß den Anforderungen der EU-Datenschutz-Grundverordnung (DSGVO) und des Bundesdatenschutzgesetzes (BDSG). Unsere Datenschutzerklärung finden Sie unter diesem Link: Privacy statement Trent Monitor survey