Capital One entwickelt AI-Agent zur Steigerung der Effizienz im Automobilvertrieb

Innovation bei der Gestaltung von Agentensystemen: Branchenübergreifende Inspiration

Bei der Entwicklung intelligenter Agentensysteme kann kreative Inspiration aus unerwarteten Quellen kommen - sogar aus den Organisationsstrukturen selbst. Auf der VB Transform zeigte Capital One, wie das Unternehmen eine agentenbasierte Plattform für seine Kfz-Finanzierungsabteilung entwickelt hat, indem es Erkenntnisse sowohl aus menschlichen Interaktionen als auch aus Unternehmensabläufen gewann.

Menschenzentrierte Designprinzipien

Milind Naphade, SVP of Technology und Head of AI Foundations bei Capital One, betonte in seiner VB Transform-Präsentation, dass das Unternehmen der Nachahmung effektiver menschlicher Problemlösungsdynamiken Priorität einräumt. Das Finanzinstitut begann bereits vor 15 Monaten mit der Entwicklung seiner agentenbasierten Systeme - lange bevor der Begriff in der Branche zum Sprachgebrauch wurde.

"Wir wollten, dass unsere digitalen Agenten die Art und Weise widerspiegeln, wie unsere besten menschlichen Agenten gemeinsam mit den Kunden Probleme lösen", erklärte Naphade. Das Entwicklungsteam hat die Fragetechniken erfolgreicher menschlicher Agenten und ihre Ansätze zur Informationsbeschaffung genau studiert, um die Probleme der Kunden effektiv zu identifizieren.

Organisatorische Struktur als Blaupause

Capital One entdeckte eine weitere Designvorlage in seinem eigenen Unternehmensrahmen. "Wir haben uns stark von der internen Struktur von Capital One inspirieren lassen", so Naphade. "Wie alle Finanzinstitute unterhalten wir strenge Risikomanagementprotokolle mit mehreren Aufsichtsebenen - Bewertungs-, Prüfungs- und Verifizierungsprozesse."

Dieses mehrschichtige Governance-Modell floss direkt in die Architektur der Agenten ein. Das Team implementierte Supervisor-Agenten, die in den Unternehmensrichtlinien und -vorschriften geschult sind und Prozesse abfangen und neu bewerten können, wenn potenzielle Probleme auftreten. Naphade beschreibt dies als "ein digitales Team von Spezialisten, in dem jedes Mitglied mit seinem einzigartigen Fachwissen zur gemeinsamen Lösungsfindung beiträgt".

Finanzinstitute erkennen zunehmend das Potenzial von Agentensystemen zur Verbesserung des Kundendienstes, zur Rationalisierung der Problemlösung und zur Verbesserung der Produktbindung. Mehrere Großbanken, darunter BNY Mellon, haben in diesem Jahr ähnliche Lösungen eingeführt.

Implementierung im Automobilsektor

Revolutionierung der Interaktion mit Autohäusern

Capital One hat seine agentische Plattform erstmals zur Unterstützung von Autohauskunden eingesetzt, um diese bei der Auswahl von Fahrzeugen und Finanzierungsoptionen zu unterstützen. Das System ist mit den Beständen der Autohäuser verknüpft, um die Verfügbarkeit von Modellen für Probefahrten in Echtzeit bereitzustellen.

Naphade meldete beeindruckende Leistungsdaten: "Unsere Händlerpartner konnten 55%ige Verbesserungen bei Schlüsselindikatoren wie Kundenbindung und Generierung qualifizierter Leads feststellen.

Die dialogorientierte Schnittstelle erwies sich als besonders wertvoll. "Die Agenten führen rund um die Uhr natürliche, hilfreiche Dialoge", erklärt er. "Egal, ob jemand um Mitternacht nach Fahrzeugen sucht oder im Notfall Pannenhilfe benötigt, das System bietet sofortige Unterstützung."

Zukünftige Expansionsmöglichkeiten

Gestärkt durch den Erfolg im Automobilbereich prüft Capital One den Einsatz von Agenten in anderen Geschäftsbereichen. "Unsere Reisesparte bietet aufregende Möglichkeiten", sagte Naphade und verwies auf das beliebte Reiseprämienprogramm und das wachsende Flughafen-Lounge-Netzwerk der Bank.

Er gab jedoch zu bedenken, dass vor einer breiteren Einführung noch umfangreiche interne Tests erforderlich sind. "Jede neue Anwendung muss gründlich evaluiert werden, um eine gleichbleibende Qualität und Compliance zu gewährleisten.

Überlegungen zur technischen Architektur

Herausforderungen bei der Datenintegration

Wie viele andere Unternehmen verfügt auch Capital One über umfangreiche Datenressourcen, steht aber bei der Kontextualisierung von Informationen für KI-Systeme vor komplexen Implementierungsherausforderungen. Das Team von Naphade, bestehend aus angewandten Forschern, Ingenieuren und Datenwissenschaftlern, experimentierte ausgiebig mit Modellarchitekturen und Optimierungstechniken.

"Unsere Verstehensagenten stellen die ressourcenintensivste Komponente dar", erklärt Naphade. "Diese größeren Modelle übernehmen Disambiguierungsaufgaben, daher setzen wir Destillationsmethoden und Multi-Token-Vorhersagen ein, um die Effizienz zu verbessern und gleichzeitig die Leistung zu erhalten."

Pionierarbeit ohne Präzedenzfall

Der Entwicklungsprozess umfasste iterative Testzyklen mit menschlicher Aufsicht und robusten Leitplanken. Naphade wies auf eine besondere Herausforderung hin: "In diesem aufstrebenden Bereich fehlte es uns an bestehenden Playbooks. Anders als bei der traditionellen Softwareentwicklung konnten wir uns nicht auf bewährte Verfahren oder Fallstudien von Implementierungen anderer Unternehmen stützen."

Dieser bahnbrechende Ansatz erforderte, dass das Team einen eigenen Rahmen für die Bewertung und kontinuierliche Verbesserung einrichtete, während es Neuland bei KI-Anwendungen für Unternehmen betrat.