Vom Sprachbefehl zum KI-Agenten: wie Assistenten im Haushalt umgebaut werden

Als Smartphones und später kleine Lautsprecher mit eingebautem Assistenten auf den Markt kamen, war das Prinzip überschaubar. Siri erschien 2011 auf dem iPhone, Amazon stellte den ersten Echo-Lautsprecher 2014 in den USA vor, Google folgte 2016 mit seinem Assistant. In Deutschland verbreiteten sich die Lautsprecher ab 2016. Der Funktionsumfang: Wetter, Timer, Musik, Einkaufsliste und das Schalten von Licht und Steckdosen.

Hinter dieser scheinbaren Einfachheit steckt eine Kette aus mehreren Verarbeitungsschritten. Sie zu kennen hilft zu verstehen, was sich mit KI-Agenten tatsächlich ändert und was gleich bleibt.

Die klassische Kette: fünf Stationen

1. Aktivierungswort: Ein kleines, lokal laufendes Modell lauscht ständig auf ein Signalwort. Erst wenn es anschlägt, wird Audio weiterverarbeitet.
2. Spracherkennung: Das gesprochene Wort wird in Text umgewandelt, bei den meisten Massenprodukten auf Servern des Anbieters.
3. Absichtserkennung: Aus dem Text wird eine Absicht mit Parametern gelesen, etwa "Licht einschalten, Raum: Küche". Das funktioniert gut, solange der Satz einem erwarteten Muster entspricht.
4. Ausführung: Die erkannte Absicht wird an einen Dienst oder ein Gerät übergeben.
5. Sprachausgabe: Eine synthetische Stimme bestätigt oder antwortet.

Die Schwachstelle lag meist in Schritt drei. Wer "Mach es hier etwas heller, aber nicht grell" sagte, bekam häufig eine Gegenfrage oder gar nichts. Assistenten verstanden Befehle, keine Situationen.

Was große Sprachmodelle ändern

Große Sprachmodelle ersetzen vor allem die starre Absichtserkennung. Sie können frei formulierte, mehrteilige oder ungenaue Anfragen deuten und auf Kontext zurückgreifen: Was wurde vorhin gesagt, welcher Raum ist gemeint, welche Geräte gibt es dort? Mehrere große Anbieter haben 2024 und 2025 angekündigt oder begonnen, ihre Assistenten auf solche Modelle umzustellen.

Der eigentliche Sprung liegt aber in einem zweiten Konzept, das unter dem Begriff Agent diskutiert wird. Ein Agent ist ein Sprachmodell, das nicht nur antwortet, sondern Werkzeuge aufruft: eine Funktion zum Schalten von Geräten, eine Kalenderabfrage, eine Wettervorhersage, einen Stromtarif. Er zerlegt ein Ziel in Schritte, führt sie nacheinander aus und prüft Zwischenergebnisse.

Ein Beispiel: "Wenn morgen die Sonne scheint, soll die Waschmaschine mittags laufen." Ein klassischer Assistent scheitert an dem Bedingungsteil. Ein Agent kann die Vorhersage abfragen, den Startzeitpunkt planen und eine Automation anlegen. Damit das klappt, muss er wissen, welche Geräte welche Funktionen haben. Hier treffen Agenten auf das Thema Interoperabilität, das der Beitrag über Matter und Thread beschreibt.

Werkzeuge brauchen Schnittstellen

Damit ein Sprachmodell Werkzeuge nutzen kann, müssen diese maschinenlesbar beschrieben sein: Name, Zweck, erlaubte Parameter, Rückgabewerte. In der Softwarewelt haben sich dafür Funktionsbeschreibungen im JSON-Format etabliert. Ende 2024 wurde zudem mit dem Model Context Protocol ein offenes Protokoll veröffentlicht, über das Anwendungen einem Modell Werkzeuge und Datenquellen einheitlich anbieten können. Auch quelloffene Hausautomationssysteme bieten inzwischen Schnittstellen, über die ein Sprachmodell Geräte abfragen und steuern kann, wahlweise mit einem Modell in der Cloud oder auf eigener Hardware.

Ein Assistent, der nur antwortet, kann sich irren. Ein Agent, der handelt, kann sich irren und dabei die Haustür aufschließen.

Neue Risiken

Mit der Fähigkeit zu handeln wachsen die Anforderungen an Zuverlässigkeit. Drei Problemfelder sind gut dokumentiert:

Fehlinterpretation

Sprachmodelle können plausibel klingende, aber falsche Schlüsse ziehen. Bei einer Frage nach dem Wetter ist das ärgerlich, beim Schalten eines Herdes oder Öffnen eines Schlosses ist es ein Sicherheitsproblem. Sinnvoll ist deshalb eine Abstufung: harmlose Aktionen direkt ausführen, kritische Aktionen nur nach ausdrücklicher Bestätigung.

Untergeschobene Anweisungen

Agenten verarbeiten Texte aus vielen Quellen: E-Mails, Kalendereinträge, Webseiten, Gerätenamen. Steht in einer dieser Quellen eine versteckte Anweisung, kann das Modell sie als Befehl missverstehen. Fachleute sprechen von Prompt Injection. Das Bundesamt für Sicherheit in der Informationstechnik weist in seinen Veröffentlichungen zu Sprachmodellen auf diese Angriffsform hin. Für den Haushalt heißt das: Ein Agent sollte nur die Rechte bekommen, die er für seine Aufgabe braucht.

Nachvollziehbarkeit

Wenn eine Automation unerwartet auslöst, muss sich klären lassen, warum. Bei fest programmierten Regeln ist das einfach. Bei einem Agenten, der situativ entscheidet, braucht es ein Protokoll, das zeigt, welche Information zu welcher Aktion geführt hat.

Cloud oder lokal?

Große Sprachmodelle laufen heute überwiegend in Rechenzentren. Kleinere Modelle lassen sich aber auch auf leistungsfähigen Heimservern oder Spezialhardware betreiben, mit Abstrichen bei Qualität und Geschwindigkeit. Die Wahl hat Folgen für Datenschutz, Verfügbarkeit und Energiebedarf. Ein Mittelweg ist verbreitet: Gerätesteuerung und einfache Befehle lokal, komplexe Fragen in der Cloud. Wer entscheidet, sollte wissen, welche Anfrage welchen Weg nimmt.

Wie es weitergeht

Die Entwicklung bewegt sich von Befehlen zu Zielen. Statt "Heizung im Bad auf 22 Grad" soll es künftig reichen zu sagen, dass morgens um sieben das Bad warm sein soll, und der Agent kümmert sich um Vorlaufzeit, Fensterstatus und Strompreis. Ob das im Alltag als Erleichterung oder als Kontrollverlust empfunden wird, hängt weniger von der Intelligenz des Modells ab als von der Gestaltung: Transparenz, Bestätigungen und die Möglichkeit, jederzeit selbst einzugreifen. Wie Sprachassistenten nebenbei auch zu Gesprächspartnern werden, beleuchtet ein eigener Beitrag.

Quellen

• Bundesamt für Sicherheit in der Informationstechnik: Veröffentlichungen zu Chancen und Risiken großer KI-Sprachmodelle, bsi.bund.de.
• Model Context Protocol: offene Spezifikation, veröffentlicht im November 2024.