Wir lehrten eine KI, Prognosemodelle zu entwickeln. Sie entdeckte Muster, die Ihr Team übersehen hat.

Ich war neulich Morgen im Lodge Bread in Culver City und sah den Bäckern zu, wie sie Vollkorn-Sauerteigbrote aus dem Ofen zogen. Die Luft war erfüllt vom Geruch karamellisierter Kruste und dem tiefen, würzigen Duft langer Fermentation. Was dieses Brot außergewöhnlich macht, ist nicht nur das Rezept; es ist der Starter. Es ist eine lebendige Kolonie, ein Ökosystem, das sich über Jahre entwickelt, angepasst und eine mikrobielle Komplexität entwickelt hat, die man nicht einfach aus einer Hefepackung zaubern kann. Jeder Laib trägt die Erinnerung und das verfeinerte Ergebnis dieser gesamten Geschichte. Dieser Starter ist auf seine Weise ein sich selbst entwickelndes System. Es wird besser, nicht nur durch die Nutzung, sondern durch ständige Anpassung an seine Umgebung, wobei die Bäcker als Kuratoren seine Entwicklung leiten.

Ich fuhr zurück in mein Büro in Venice und dachte immer noch über diesen Starter nach, während ich die neuesten arXiv-Uploads dieser ersten Märzwoche 2026 durchsah. Und dann traf es mich. Ein Paper mit dem Titel "Self-Evolving Agent for Time Series Algorithms (SEA-TS)" [3]. Der Abstract war dicht, aber die Kernidee war unmissverständlich: ein Multi-Agenten-KI-Framework, das nicht nur Prognosemodelle ausführt, sondern sie autonom evolviert und dabei das entdeckt, was die Autoren als "durchaus neuartige architektonische Muster" bezeichnen [3]. Es ist eine Sauerteigkultur für Algorithmen. Anstatt einfach das beste Modell aus einer statischen Liste auszuwählen, verhält sich dieses System wie die Bäcker im Lodge Bread, experimentiert ständig, verfeinert und entwickelt seine eigenen Methoden, um im Laufe der Zeit etwas fundamental Besseres zu schaffen. Für jede Handelsmarke, die auf Nachfrageprognosen angewiesen ist – also jede Handelsmarke –, ist dieses Paper ein leises Erdbeben. Die Kernlogik, die Sie für Bestands-, Personal- und Umsatzplanung verwenden, ist plötzlich, zutiefst obsolet.

Also, eine KI, die KI baut? Was ist SEA-TS?

Lassen Sie uns klar sein: Dies ist nicht nur ein weiteres aufgepepptes AutoML-Tool. Seit Jahren verspricht automatisiertes maschinelles Lernen, die Datenwissenschaft zu demokratisieren, indem es automatisch vordefinierte Modellarchitekturen und Hyperparameter durchsucht, um die beste Anpassung für einen Datensatz zu finden. Tools wie AutoKaggle oder TPOT sind im Wesentlichen ausgeklügelte Brute-Force-Suchalgorithmen [7]. Sie arbeiten in einem festen und vom Menschen definierten Suchraum. Sie sind gut darin, innerhalb bekannter Grenzen zu optimieren, können aber nichts Neues erfinden. Sie können das beste Auto auf dem Hof finden, aber sie können keinen neuen Motor entwerfen.

SEA-TS, wie in dem diese Woche hochgeladenen Paper (arXiv:2603.04873v1) beschrieben, arbeitet auf einer völlig anderen Prämisse [3]. Es ist ein Framework für selbst-entwickelnde Agenten, das für das spezifische, heikle Problem der Zeitreihenprognose entwickelt wurde – dem Brot-und-Butter-Geschäft der Handels- und DTC-Nachfrageplanung. Das Framework ist eine Synthese aus drei Schlüssel-Innovationen, die es ihm ermöglichen, über die Optimierung hinaus und in die echte Entdeckung zu gehen.

Erstens verwendet es ein Multi-Agenten-System, bei dem verschiedene KI-Agenten spezialisierte Rollen haben. Es gibt einen "Kodierungsagenten" (coding agent), der den eigentlichen PyTorch-Code für Prognosemodelle generiert und modifiziert. Dieser ist gepaart mit einem "Deep Research Agent" (deep research agent), der im Handumdrehen Informationen aus externen Wissensdatenbanken wie arXiv abrufen kann, um die Entscheidungen des Kodierungsagenten zu informieren [3]. Es ist, als hätte man einen Junior-Entwickler, der sofort jedes relevante Lehrbuch lesen kann, bevor er eine Zeile Code schreibt.

Zweitens wird der Suchprozess durch die sogenannte Metric-Advantage Monte Carlo Tree Search (MCTS) gesteuert. Dies ist ein entscheidender Unterschied. Traditionelle MCTS in der KI könnte einen Agenten für jede geringfügige Verbesserung belohnen. Metric-Advantage MCTS hingegen belohnt den Suchprozess basierend auf statistisch signifikanten Verbesserungen in der gewählten Metrik (z. B. Mean Absolute Error für eine Prognose). Dies macht die Suche effizienter und robuster und verhindert, dass sie statistischem Rauschen hinterherjagt [3]. Es ist eine diszipliniertere und zielgerichtetere Exploration.

Schließlich, und am wichtigsten, integriert es ein MAP-Elites Qualitäts-Diversitäts-Archiv. Dies ist die geheime Zutat, das Äquivalent der Bäcker-Intuition. Anstatt nur nach dem einen "besten" Modell zu suchen (ein Prozess, der oft in einem lokalen Optimum stecken bleibt), pflegt MAP-Elites eine vielfältige Population von leistungsstarken, aber strukturell unterschiedlichen Lösungen [3]. Das Archiv indexiert die Modelle entlang mehrerer "phänotypischer Dimensionen" – zum Beispiel, wie das Modell Zerfall behandelt oder welche Art von Verzerrungen es enthält. Dies zwingt das System, seltsame, unkonventionelle Architekturen zu erforschen, die ein menschlicher Designer oder ein Standard-Optimierungsalgorithmus wahrscheinlich ignorieren würde. Durch die Erkundung dieser seltsamen Pfade macht SEA-TS seine interessantesten Entdeckungen.

Hat eine KI gerade eine neue Methode zur Umsatzprognose entdeckt?

Die provokativste Behauptung in der SEA-TS-Arbeit ist, dass das Framework "durchaus neuartige architektonische Muster jenseits etablierter Techniken entdecken" kann [3]. Dies sollte bei jedem CTO die Alarmglocken läuten lassen. Es ist eine Sache, dass eine KI schneller oder effizienter ist; es ist eine andere, dass sie kreativer ist. Die Autoren geben zwei konkrete Beispiele an, die der Agent entdeckt hat: "physik-informierte Zerfallsköpfe" (physics-informed decay heads) und "lernbare stündliche Verzerrung" (learnable hourly bias).

Lassen Sie uns das in einem Handelskontext aufschlüsseln. Ein Standard-Prognosemodell könnte einen einfachen exponentiellen Zerfall verwenden, um den rückläufigen Effekt einer Promotion zu modellieren. Der Effekt ist am ersten Tag am stärksten und nimmt vorhersehbar ab. Ein "physik-informierter Zerfallskopf" könnte jedoch eine vom Agenten entdeckte architektonische Komponente sein, die den Zerfall anders modelliert – vielleicht unter Verwendung von Prinzipien aus Thermodynamik oder Fluiddynamik, die vom Forschungsagenten abgerufen wurden. Es könnte ein Zerfallsmuster entdecken, das die komplexe soziale Ansteckung einer viralen Marketingkampagne besser widerspiegelt, die nicht gleichmäßig abklingt, sondern Echos und Wiederbelebungen hat. Der Agent ist nicht mit diesem Wissen programmiert; er entdeckt das Muster, indem er Code entwickelt und gegen die Daten testet, geleitet vom MAP-Elites-Archiv, das neuartige Ansätze fördert.

"Lernbare stündliche Verzerrung" ist für jeden Einzelhändler mit Online- und physischen Geschäften noch interessanter. Ihr Data-Science-Team könnte Ihrem Modell manuell ein Merkmal für die "Stunde des Tages" hinzufügen. Sie wissen, dass die Umsätze zur Mittagszeit und am Abend sprunghaft ansteigen. Aber was SEA-TS tun kann, ist einen viel nuancierteren, lernbaren Parameter zu erstellen. Es könnte entdecken, dass es für Ihr Geschäft in Los Angeles einen Mikro-Spike um 14:30 Uhr an Wochentagen gibt (der Ansturm der Eltern nach der Schule), aber einen Rückgang um 16:30 Uhr (wenn alle im Stau stecken). Für Ihr New Yorker Geschäft ist das Muster völlig anders. Ein lernbarer Verzerrungsterm, der vom Agenten entwickelt wird, kann diese hyperlokalen, geschäftsspezifischen Muster automatisch erfassen, ohne dass ein Mensch sie jemals hypothetisch annehmen müsste.

Natürlich ist Skepsis angebracht. Einige mögen argumentieren, dass dies keine wirklich "neuartigen" Erfindungen sind, sondern clevere Rekombinationen bestehender Konzepte, wie Kritiken an anderen agentic systems (Agentensystemen) aufgezeigt haben [1]. Sie mögen Parallelen zur Änderungsereigniserkennung in älteren Modellen wie Facebooks Prophet sehen. Aber das verfehlt den Punkt. Die Revolution ist nicht unbedingt die Erfindung brandneuer Mathematik. Die Revolution ist die Autonomie. Das System hat die Arbeit eines sehr erfahrenen, unendlich geduldigen und extrem kreativen Datenwissenschaftlers in einem Bruchteil der Zeit erledigt. Während Ihr Team damit beschäftigt ist, manuell Funktionen für Ihre Top-50-SKUs abzustimmen, hat SEA-TS bereits eine benutzerdefinierte, SOTA-würdige Prognosearchitektur für alle 10.000 SKUs in Ihrem Katalog entwickelt und entdeckt Muster, nach denen Sie nicht einmal zu suchen wussten. Das Paper stellt fest, dass es "SOTA-Leistung auf öffentlichen Benchmarks und erhebliche Verbesserungen bei Industriedatensätzen" erzielt hat [3]. Der letzte Teil sollte Sie nachts wachhalten.

Die KI-Architektur eines autonomen Forschers im Handel

Um zu verstehen, warum dies ein so bedeutender Sprung ist, müssen wir uns die Architektur ansehen. Eine typische KI-Pipeline heute, selbst eine hochentwickelte, die Retrieval-Augmented Generation (RAG) verwendet, ist weitgehend linear. Eine Benutzeranfrage wird mit Daten aus einer Vektordatenbank angereichert, und ein LLM generiert eine Antwort. Es ist eine Einbahnstraße.

SEA-TS implementiert eine zyklische, evolutionäre Architektur. Es ist ein geschlossener Kreislauf kontinuierlicher Verbesserung. Es ist weniger wie eine Fabrik-Montagelinie und mehr wie ein biologisches Ökosystem.

Hier ist eine vereinfachte Ansicht des Feedback-Loops:

Dies ist nicht nur eine Datenpipeline; es ist ein Motor zum Generieren und Optimieren anderer Pipelines. Vergleichen Sie dies mit einem Framework wie stratum, das sich hervorragend zur Optimierung von ML-Daten-Pipelines mithilfe von Agenten eignet [4]. SEA-TS ist einen Schritt weiter in der Abstraktionskette; es optimiert die Modellierungslogik selbst. Die Synergie zwischen dem Kodierungsagenten und dem Forschungsagenten, orchestriert durch die MCTS und kuratiert von MAP-Elites, macht es so leistungsfähig. Dies ist der Unterschied zwischen dem Bau eines schnelleren Autos und dem Bau einer Fabrik, die ganz allein schnellere Autos entwirft und baut.

Warum Metric-Advantage MCTS wichtig ist

Standard-Suchalgorithmen können durch Zufälligkeit getäuscht werden. Ein Modell könnte eine 0,1%ige Verbesserung in einem einzigen Durchlauf zeigen, und der Algorithmus wird dieser Spur folgen, selbst wenn es nur ein statistischer Zufall war. Metric-Advantage MCTS fordert mehr. Es sucht nach statistisch signifikanten Verbesserungen und fragt im Wesentlichen: "Ist dieses neue Modell zuverlässig besser, oder hatte es einfach Glück?" [3]. Diese Disziplin verhindert, dass der Agent enorme Rechenzeiten auf Sackgassen verschwendet. Für ein Handelsunternehmen bedeutet dies, dass die entwickelten Modelle eher robust sind und gut auf zukünftige, ungesehene Verkaufsdaten verallgemeinert werden können.

Die Kraft einer vielfältigen Population mit MAP-Elites

Dies ist der kritischste und kontraintuitivste Teil der Architektur. Indem das System gezwungen wird, eine Bibliothek von Lösungen zu unterhalten, die auf unterschiedliche Weise gut sind – ein Modell ist ein Superstar bei der Vorhersage von Flash Sales, aber ansonsten mittelmäßig, ein anderes ist ein Allround-Talent, ein drittes ist extrem einfach und schnell – verhindert es, dass die KI kurzsichtig wird [3]. Es ist ein eingebauter Mechanismus gegen Gruppendenken. Diese Vielfalt ist der Nährboden für Innovationen. Der "physik-informierte Zerfallskopf" entstand wahrscheinlich, weil das System ermutigt wurde, einen "seltsamen" Teil des Lösungsraums zu erforschen, den ein traditioneller Optimierer, der auf eine einzige Punktzahl abzielt, sofort aufgegeben hätte. Diese architektonische Entscheidung, Vielfalt neben Qualität zu priorisieren, hebt SEA-TS von einem Optimierer zu einer Entdeckungsmaschine hervor.

Ihre Nachfrageprognose vs. eine sich selbst entwickelnde Prognose

Die praktischen Auswirkungen für Einzelhandels- und DTC-Marken sind immens. Seit Jahrzehnten ist die Nachfrageprognose ein langsamer, manueller und teurer Prozess. Ihr Workflow sieht wahrscheinlich so aus: Ein Team von teuren Datenwissenschaftlern verbringt Wochen damit, Daten zu bereinigen, Dutzende von Merkmalen (Feiertage, Promotionen, Saisonalität) manuell zu entwickeln, eine Handvoll Modelle (ARIMA, Prophet, vielleicht ein LSTM) zu testen und schließlich eines einzusetzen. Dieses Modell verweilt dann dort und veraltet, bis zur nächsten vierteljährlichen oder jährlichen Überprüfung. Es ist eine statische Momentaufnahme der Welt.

Ein SEA-TS-gesteuerter Workflow ist ein kontinuierlicher, autonomer Prozess. Es ist ein Film, keine Momentaufnahme.

Wenn das Paper von "erheblichen Verbesserungen bei Industriedatensätzen" spricht, ist das nicht nur eine akademische Prahlerei [3]. Für einen großen Einzelhändler kann eine 5%ige Verbesserung der Prognosegenauigkeit zu zig oder hunderten Millionen Dollar an reduzierten Lagerhaltungskosten, minimierten Fehlbeständen und effizienteren Marketingausgaben führen. Die Aussicht auf ein autonomes System, das diese Gewinne erzielen und sich kontinuierlich verbessern kann, ist ein Paradigmenwechsel darin, wie die commerce AI architecture (Handels-KI-Architektur) konzipiert werden muss.

Agentic Storefront Readiness: Kann Ihr Stack eine empfindungsfähige Prognose verarbeiten?

Sie haben also einen neuen, sich selbst entwickelnden Prognose-Gott in Ihrer Cloud. Er liefert hypergenaue, SKU-genaue Nachfrageprognosen jede Stunde. Großartig. Und jetzt? Diese neue Fähigkeit ist völlig nutzlos, wenn der Rest Ihres Handels-Stacks auf einem wöchentlichen Batch-Zeitplan läuft. Dies ist die Herausforderung der agentic storefront readiness (Agenten-Storefront-Bereitschaft).

Ihre aktuelle Architektur ist wahrscheinlich brüchig. Die Verbindung zwischen Ihrem Prognosetool und Ihrem Bestandsführungssystem (IMS) oder Enterprise Resource Planning (ERP) ist wahrscheinlich eine CSV-Datei, die einmal am Tag hochgeladen wird. Ihre Preiskalkulations-Engine könnte mit Regeln fest codiert sein, die vor drei Monaten von einem menschlichen Merchandiser festgelegt wurden. Das wird nicht funktionieren.

Um von einem autonomen Prognoseagenten zu profitieren, muss Ihre gesamte commerce AI architecture dynamischer, echtzeitfähiger und ereignisgesteuerter werden – ihm ähnlicher. Wenn der SEA-TS-Agent ein neues Modell entwickelt, das einen Nachfrageanstieg von 30 % für eine bestimmte SKU in den nächsten 72 Stunden vorhersagt, muss diese Vorhersage eine Kaskade automatisierter Aktionen auslösen:

1. Bestand & Fulfillment: Das IMS muss automatisch die Lagerbestände in allen Distributionszentren prüfen und bei Bedarf einen Alarm oder sogar eine automatisierte Bestellung bei Lieferanten generieren.
2. Dynamische Preisgestaltung: Die Preiskalkulations-Engine in Ihrem Schaufenster sollte in der Lage sein, dieses Signal aufzunehmen und eine Mikro-Preisanpassung in Betracht zu ziehen, um entweder die Marge zu maximieren oder den Nachfrageanstieg zu moderieren, um einen Fehlbestand zu verhindern.
3. Marketing-Automatisierung: Ihre Marketingplattform sollte automatisch mehr Werbeausgaben für dieses Produkt zuweisen oder eine E-Mail-Kampagne an ein bestimmtes Kundensegment auslösen.

Wenn diese Verbindungen von Menschen in der Schleife oder langsamen Batch-Prozessen abhängen, verlieren Sie den gesamten Wert, den der Agent geschaffen hat. Echter agentic commerce (Agenten-Handel) bedeutet nicht, einen einzigen intelligenten Agenten zu haben; es bedeutet, ein Nervensystem miteinander verbundener, reaktionsfähiger Systeme aufzubauen, die auf die von den Agenten bereitgestellte Intelligenz reagieren können. Ihre statische, monolithische Handelsplattform ist das schwache Glied. Die Zukunft erfordert eine entkoppelte, API-First-Architektur, bei der die Prognose-Engine nur ein Knoten in einem größeren, intelligenten Netzwerk ist.

Was das für Ihre Marke bedeutet

Das ist kein Problem für 2030. Das Paper wurde diese Woche veröffentlicht [3]. Frameworks wie dieses und andere, die unweigerlich folgen werden, werden innerhalb der nächsten 18-24 Monate in Open-Source-Bibliotheken und kommerzielle Produkte integriert. Sie haben ein begrenztes Zeitfenster zur Vorbereitung. Dies ist keine bloße akademische Kuriosität mehr; es ist eine direkte Bedrohung für veraltete Betriebsmodelle und eine enorme Chance für diejenigen, die dafür architektonisch planen.

Was sind also die umsetzbaren Schritte? Wie kommt man von einem statischen Rezept im Lodge Bread-Stil zu einem lebendigen, sich entwickelnden Starter?

Zunächst müssen Sie eine knallharte Prüfung Ihrer aktuellen Prognose- und Dateninfrastruktur durchführen. Woher kommt Ihre Nachfrageprognose? Ist es eine Excel-Tabelle, die vom Finanzteam aktualisiert wird? Ein Python-Skript, das jemand vor drei Jahren geschrieben hat? Sind die Daten, auf die es sich stützt – Ihre Verkaufshistorie, Promotionen, Lagerbestände – sauber, granular und über APIs zugänglich? Wenn Ihre structured data for AI search (strukturierte Daten für die KI-Suche) und -Analyse ein Chaos sind, kann Ihnen kein Agent helfen. Die Bereinigung Ihrer Daten ist der nicht verhandelbare erste Schritt.

Zweitens ist es an der Zeit, ein KI-Erfahrungslabor aufzubauen. Dies ist kein riesiges, millionenschweres F&E-Zentrum. Es ist eine Sandbox-Umgebung in Ihrer Cloud, in der ein kleines, fokussiertes Team beginnen kann, diese neuen agentic frameworks (Agenten-Frameworks) zu testen. Beginnen Sie mit einem einzigen, gut verstandenen Problem, wie der Prognose der Nachfrage für Ihre Top-10-SKUs. Geben Sie ihnen die Freiheit, mit Tools wie SEA-TS, stratum für Datenpipelines [4] und anderen aufkommenden Agentensystemen zu experimentieren. Das Ziel ist nicht die sofortige Produktionsimplementierung; es ist der Aufbau von institutionellem Wissen. Sie müssen lernen, wie diese Agenten denken, wie sie scheitern und was es braucht, um sie sicher zu integrieren.

Drittens müssen Sie Ihre E-Commerce-Plattform-Architektur neu bewerten. Wenn Sie auf einer starren, monolithischen Plattform laufen, die eine Echtzeit-Datenintegration schwierig oder unmöglich macht, haben Sie ein ernstes Problem. Die Zukunft des Handels ist zusammensetzbar und ereignisgesteuert. Sie müssen in der Lage sein, einen Kerndienst wie die Prognose auszutauschen, ohne Ihr gesamtes Geschäft neu zu gestalten. Als agentic commerce architect (Architekt für Agenten-Handel) ist dies das Gespräch, das ich mit jedem meiner Kunden führe. Die monolithischen Suiten, die Ihnen in den letzten zehn Jahren Stabilität verliehen haben, sind jetzt ein Käfig, der Sie daran hindert, die neue Agenten-Realität zu nutzen.

Die unbequeme Zukunft ist autonom

Wir befinden uns an einem faszinierenden Wendepunkt. Wir begannen damit, Systeme zu bauen, die manuelle Aufgaben automatisierten. Jetzt bauen wir Systeme, die intellektuelle Entdeckungen automatisieren. Ein Framework wie SEA-TS beantwortet nicht nur eine Frage; es entdeckt einen besseren Weg, sie zu stellen. Wenn man dies mit anderen agentic frameworks kombiniert, werden die Implikationen noch tiefgreifender. Stellen Sie sich einen Master-Agenten vor, der stratum verwendet, um die optimale Datenpipeline zu erstellen [4], dann SEA-TS einsetzt, um einen benutzerdefinierten Prognosealgorithmus zu entwickeln [3], und schließlich einen weiteren Agenten verwendet, um eine Marketingkampagne auf der Grundlage dieser Prognose durchzuführen. Die menschliche Rolle verschiebt sich vom Erbauer zum Architekten des Problemraums – demjenigen, der die Ziele, die Einschränkungen und die Belohnungsfunktionen definiert.

Ihr Datenwissenschaftsteam wird morgen nicht durch SEA-TS ersetzt. Aber ihre Arbeit wird sich für immer verändern. Sie werden vom Modellbauer zum Kurator von Modellbau-Agenten. Sie werden zu den Bäckern, die sich um den Sauerteigstarter kümmern, seine Entwicklung steuern und sicherstellen, dass das Endprodukt nicht nur technisch korrekt, sondern auch strategisch fundiert ist. Die Marken, die im nächsten Jahrzehnt erfolgreich sein werden, sind diejenigen, die heute ihren eigenen Starter bauen.

CTO.LA arbeitet mit Handelsmarken zusammen, die die Agenten-Infrastruktur aufbauen, um diese Zukunft zu unterstützen. Lassen Sie uns reden.

Referenzen

1. FRAGMENTA: A Multi-Agent Framework for Autonomous Fragment-Based Drug Discovery
2. Computer Science > Robotics section on arXiv
3. Self-Evolving Agent for Time Series Algorithms (SEA-TS)
4. stratum: A System Infrastructure for Massive Agent-Centric ML
5. MOOSEnger — a Domain-Specific AI Agent for MOOSE Ecosystem
6. TritonDFT: Automating DFT with a Multi-Agent Framework
7. An End-to-End AutoML Framework for Tabular Data
8. Generating Behavior Trees from Natural Language with a Large Language Model for Human-Robot Collaboration
9. Multi-Source and Multi-Modal Data Fusion for Non-Daily-Dealt Fund-of-Funds Portfolio Allocation
10. A Multi-modal Content-based Recommender System for Custom Legal Datasets
11. Multi-Modal Predictive Subtyping of Breast Cancer
12. Causal Rule-enhanced Recommendation
13. [A Multi-Scale-Resolution-Aware Framework That Is Robust to Missing Modalities for Predicting Alzheimer

• agentic commerce
• commerce ai architecture
• ai
• machine learning