Was ist der Agentenentwicklungslebenszyklus (ADLC)?

Die Leistungsfähigkeit und Verbreitung von KI-Agenten-Softwaresystemen, die große Sprachmodelle (LLMs) als Entscheidungsmotor für die autonome Planung und Ausführung von Aufgaben verwenden, die zum Erreichen eines vorgegebenen Ziels erforderlich sind, hat eine rasche Umgestaltung der Workflows in Unternehmen ausgelöst. Die Geschwindigkeit dieser Transformation hat die Fähigkeit vieler Unternehmen, traditionelle IT-Strukturen an die einzigartigen Anforderungen der agentischen KI-Integration anzupassen, übertroffen, was zu einem fragmentierten Ökosystem geführt hat. Der ADLC führt gemeinsame Spezifikationen und gemeinsame Verfahren ein, um zuverlässige, agentische Systeme für verschiedene Tools, Plattformen, Anbieter und Unternehmensumgebungen zu ermöglichen.

Viele der heutigen Standard-IT-Prozesse entwickelten sich im Kontext der traditionellen Softwareentwicklung und sind auf die Annahmen statischer, deterministischer Systeme zugeschnitten. Solche Prozesse sind oft ungeeignet für die dynamische, probabilistische Natur der LLMs, die das Verhalten der Agenten steuern: Sie werden als „KI-Agenten“ bezeichnet, weil sie buchstäblich die Handlungsfähigkeit besitzen, selbst zu bestimmen, wie Aufgaben ausgeführt werden. Gemeinsame Normen und Spezifikationen, die diesem Wandel Rechnung tragen, können die damit verbundenen Risiken erheblich verringern und die Einführung verantwortungsvoller agentischer KI beschleunigen.

 Damit agentische KI nachhaltig und effektiv skalieren kann, müssen sich KI-Agenten vorhersagbar in verschiedene Modelle, Plattformen, Anbieter und Branchenökosysteme integrieren lassen. Aktuell verfügt nahezu jede Plattform zum Erstellen von KI-Agenten über ein eigenes Format für die Agentendefinition, das Tool- und Funktionsaufrufschema , das Speicher- und Zustandsverwaltungsmodell, die Testsuite, die Bereitstellungsprotokolle und das Versionierungssystem. Diese Fragmentierung behindert die Interoperabilität, erhöht die Wechselkosten und führt zu einer starken Abhängigkeit von einzelnen Anbietern. Jüngste Forschungsergebnisse zeigen, dass dies – gleich nach der Sicherheit – die größte Sorge von Führungskräften aus Wirtschaft und Technik ist, die sich im Ökosystem der KI-Agentenanbieter bewegen.¹ Operativ gesehen verringert diese Fragmentierung auch das Potenzial für übertragbare Kompetenzen und Workflows.

Während standardisierte Normen und Praktiken diese Ineffizienzen abmildern können, ist es für Unternehmen wichtig, strukturelle Protokolle einzuführen und durchzusetzen, die mit und nicht gegen die etablierten Tendenzen und Präferenzen der Entwickler arbeiten. Das ADLC hat sich daher zum Ziel gesetzt, neue Entwicklerpraktiken in erstklassige Agentenerfahrung umzusetzen.

Das ADLC integriert die Kernprinzipien von DevSecOps, um die Entwicklung von KI-Agenten auf eine Reihe miteinander verbundener und weitgehend voneinander abhängiger Phasen abzubilden. Der Zweck und die Praktiken jeder Phase sowie ihre Beziehungen zueinander werden später in diesem Artikel untersucht. Alle Details, Vorschläge und Spezifikationen finden Sie im offiziellen IBM Leitfaden zum ADLC.

Einige der Standardannahmen und Best Practices des traditionellen Lebenszyklus der Softwareentwicklung (SDLC) eignen sich nicht für den Aufbau von KI-Agenten. Damit Initiativen für KI-Agenten in Unternehmen erfolgreich sein können, müssen Organisationen die grundlegenden Unterschiede zwischen traditioneller Software und agentenbasierten Systemen verstehen und berücksichtigen. 

• Deterministisch vs. probabilistisch: Herkömmliche Software erhält explizite, deterministische Anweisungen (in Form von imperativem Code), um ein nur angedeutetes Endziel zu erreichen. KI-Agenten erhalten ein explizites Endziel und Verhaltensleitplanken und haben dann die Aufgabe, mithilfe von Werkzeugen, Datenquellen und autonomer Argumentation den besten Weg zum Ziel zu finden. In einem agentenbasierten System kann die zweimalige Eingabe derselben Art zu zwei unterschiedlichen Ausgaben führen.

• Statisch vs. adaptiv: Traditionelle Software verfügt über eine feste Funktionalität, deren Verhalten sich nur dann ändert, wenn der Code, der dieses Verhalten steuert, aktiv geändert wird. Das Verhalten eines Agenten kann sich auf der Grundlage von Feedback aus seiner Umgebung weiterentwickeln.

• Codeorientiert vs. ergebnisorientiert: Die deterministische, lineare Natur traditioneller Software ermöglicht es Entwicklern, den Erfolg eines Programms anhand stabiler und (relativ) objektiver Messgrößen der Codequalität vorherzusagen. Der probabilistische Charakter der agentischen KI bedeutet, dass eine optimale Implementierung zu einer suboptimalen Leistung führen kann und unordentliche, suboptimale Prompts dennoch zu genauen Ausgaben führen können. Die Bewertung von Agentensystemen erfordert daher eine systematische Messung der Geschäftsergebnisse und des Verhaltens der Agenten im Laufe der Zeit.

Der vielleicht entscheidende Punkt ist, dass agentische Systeme und herkömmliche Software sehr unterschiedliche Fehlermodi aufweisen.

Traditionelle Software versagt aufgrund von Logikfehlern oder Edge-Fällen, die die starren Anweisungen des Softwarecodes „brechen“. Diese Fehler sind im Allgemeinen offensichtlich: Die Software stürzt ab oder liefert unsinnige Ausgaben. Da traditionelle Software deterministisch ist, kann jeder Fehler auf einen bestimmten Codefehler zurückgeführt werden (den man dann debuggen kann).

Agentische Systeme hingegen versagen in der Regel durch Halluzinationen oder Probleme mit der Ausrichtung. KI-Agenten arbeiten, indem sie Absichten probabilistisch interpretieren (die durch System-Prompts, Leitplanken und Kontext bereitgestellt werden), anstatt die strenge regelbasierte Logik herkömmlicher Software auszuführen. Ein Agent könnte ein Problem scheinbar „lösen“, indem er gegen Beschränkungen verstößt oder selbstsicher ein falsches Ergebnis liefert. Solche Fehler sind leichter zu übersehen: eine plausible, aber falsche Ausgabe ist schwieriger zu erkennen als ein Systemabsturz. Sie sind auch schwerer nachzuverfolgen: Das Gesamtversagen eines komplexen, mehrstufigen agentischen Workflows kann auf das falsche Ergebnis eines einzelnen probabilistischen Werkzeugaufrufs zurückzuführen sein, und der Fehler kann bei einer späteren Bewertung nicht reproduziert werden.

Das ADLC integriert daher Observability, Eindämmung und laufende Bewertung in jede Phase. Bei der Entwicklung von Agenten muss ein effizientes Gleichgewicht zwischen dem Bedarf an gründlichen Tests in realen Szenarien und dem Bedarf an der Eindämmung realer Risiken gefunden werden.

Der Entwicklungszyklus von Agenten (Agent Development Lifecycle, ADLC) ordnet den Prozess der Entwicklung, Bereitstellung, Optimierung und Verwaltung von KI-Agenten in verschiedene Phasen ein, von denen sich einige zu iterativen Schleifen zusammenfügen.

• Plan: Beziehen Sie alle relevanten Stakeholder ein, um sich auf Anwendungsfälle, Ziele, Erfolgsmetriken und ideale Geschäftsergebnisse abzustimmen (um einen Framework für die Evaluierung zu erstellen). Legen Sie das gewünschte Agentenverhalten und Standardbetriebsverfahren in natürlicher Sprache fest und dokumentieren Sie diese.

• Codieren & Entwickeln: Entwickeln Sie Agenten (was unter anderem Modellauswahl, Prompt-Design und Orchestrierung umfasst). Identifizieren Sie relevante externe Dienste – wie Tools, Datenbanken und APIs – und integrieren Sie diese mithilfe des Model Context Protocol (MCP) in eine Unternehmensebene. Setzen Sie durchdachte Versionskontrolle, Sandboxing und Gateway-Muster durch.

• Testen & Veröffentlichen: Führen Sie strukturierte Überprüfungen anhand vordefinierter Benchmarks durch, setzen Sie Richtlinienprüfungen durch, führen Sie Sicherheitstests und Red-Teaming-Übungen durch und zertifizieren Sie, dass sich Agenten in einem kontrollierten Katalog befinden. Wiederholen Sie Codieren & Entwickeln und Testen & Veröffentlichen iterativ in einer Schleife, falls erforderlich.

• Bereitstellen: Nach der Zertifizierung setzen Sie die Agenten in Produktionsumgebungen ein, wobei Sie sie schrittweise einführen, um das Risiko zu kontrollieren. Führen Sie ein Gateway-Muster ein, um eine effektive Governance und Durchsetzung von Richtlinien zu ermöglichen. Stellen Sie Laufzeit-Governance durch Sandboxing, Versionierung, Rollback-Strategien, Sicherheitsdurchsetzung und Leistungsdrosselung sicher.

• Betreiben: Überwachen und optimieren Sie kontinuierlich eingesetzte Agenten, verfolgen Sie Echtzeit-Metriken (wie Genauigkeit, Latenz, Kosten und Nutzerzufriedenheit) und bleiben Sie wachsam gegenüber Modellabweichungen oder Leistungsregressionen. Nutzen Sie diese Feedbackschleifen, um Prompts, Tools, Modelle und Speicherrichtlinien hinsichtlich Leistung und Sicherheit zu optimieren, indem Sie Bereitstellen bis Betreiben bei Bedarf iterativ wiederholen.

• Überwachen: Sobald das System vollständig validiert und optimiert wurde, sollten Sie es weiterhin überwachen und laufende Audits zur Gewährleistung von Fairness, Transparenz und Einhaltung gesetzlicher Vorschriften durchführen. Pflegen Sie einen gut verwalteten Katalog von Agenten und Tools, um die Observability und Reproduzierbarkeit zu erleichtern.

Durch die Einhaltung dieser Phasen und der damit verbundenen Prioritäten – die in den folgenden Abschnitten genauer erläutert werden – können Unternehmen ihre Agenten sicher und zuverlässig skalieren, indem sie deren Vertrauenswürdigkeit, Überprüfbarkeit und Ausrichtung auf den Geschäftswert gewährleisten.

Der Agentenentwicklungsprozess beginnt mit der Abstimmung der Anwendungsfälle, aus der sich alle weiteren Planungsüberlegungen ergeben.

Die konkreten Geschäftsergebnisse, die Ihre Agenten erzielen sollen, bestimmen die wichtigsten Leistungsindikatoren (KPIs) und andere Erfolgsmetriken, anhand derer die Leistung der Agenten bewertet wird. Die Automatisierung des Kundensupports kann in erster Linie hinsichtlich der Endnutzerzufriedenheit und Kostensenkung bewertet werden, während ein Codierungsagent nach Latenz und Codequalität bewertet werden kann. Die Auswahl der spezifischen mathematischen Formulierung dieser Metriken ist eine entscheidende architektonische Entscheidung an sich, da unterschiedliche Berechnungsmethoden unterschiedliche Erfolgssignale und operative Anreize liefern können.

Spezifische, agentengesteuerte Geschäftsergebnisse erfordern, dass bestimmte Prozesse, Aufgaben und Unteraufgaben von Agenten automatisiert werden, und für viele dieser Aufgaben muss KI-Agenten Zugriff auf bestimmte Tools, Datensätze, Wissensdatenbanken und APIs gewährt werden. Die Zusammenstellung (und Beschaffung) einer Liste aller erforderlichen Ressourcen im Vorfeld der Codieren- und Entwickeln-Phase ist für einen effizienten und effektiven Entwicklungsprozess unerlässlich.

Die wichtigste Entscheidung, die Sie in der Planungsphase treffen müssen, ist jedoch die, ob Sie überhaupt einen KI-Agenten entwickeln sollten.

IBM empfiehlt, die einfachste Lösung zu finden, die Ihren spezifischen Geschäftsanforderungen gerecht wird. Wenn ein Problem mit traditioneller Automatisierung, Abrufsystemen oder durchdachtem Prompting gelöst werden kann, könnte agentische KI unnötige Komplikationen mit sich bringen. Ein System zur Automatisierung der Antworten auf Kunden-E-Mails würde beispielsweise einen KI-Agenten erfordern, aber ein System zur Klassifizierung von E-Mails benötigt nur ein LLM und einen gut gestalteten Prompt.

Unter der Annahme, dass die verbesserte Leistung agentischer KI gegenüber einfacheren Lösungen für Ihre Anwendungsfälle die damit verbundenen Kosten- und Latenzsteigerungen rechtfertigt, umfasst eine ideale Implementierung agentischer KI in Unternehmensszenarien typischerweise Folgendes:

• Klar definierter Produktumfang. Priorisieren Sie spezifische Geschäftsprobleme, die Urteilsvermögen oder eine mehrstufige Argumentation erfordern und die mit einer umfassenden regelbasierten Automatisierung nicht angemessen gelöst werden können. Probleme, die ein kontextbezogenes Urteilsvermögen, mehrstufige Argumentation und komplexe Entscheidungsfindung in großem Maßstab erfordern, sind ideale Kandidaten für agentische KI.

• Klare Erfolgsmetriken. Agentische KI ist in Szenarien erfolgreich, in denen der Erfolg objektiv und quantitativ bewertet und Standards durchgesetzt werden können. Dies liefert nicht nur die aus betriebswirtschaftlicher Sicht notwendige solide Begründung, sondern auch die aus operativer Sicht erforderlichen Optimierungsziele.

• Überschaubare Komplexität. Der probabilistische Charakter der agentischen KI bedeutet, dass Multi-Agenten-Systeme Gerüstrisiken bergen, bei denen das Scheitern eines einzelnen Schritts weitreichende Folgen haben kann. Die theoretischen Vorteile eines agentischen Systems sollten die operative Komplexität eindeutig überwiegen.

Eine gründliche Analyse der Bereitstellung von agentischer KI in Unternehmen hat spezifische Muster ergeben, die einen gleichbleibenden Wert und ein überschaubares Risiko bieten: dokumentenintensive Prozesse, Kundensupport (oder Kundenservice) und dokumentierbare Wissensarbeit. Das sind ideale Ausgangspunkte.

Sobald alle relevanten Stakeholder sich auf die Ziele, Anforderungen, Einschränkungen und Messkriterien geeinigt haben, beginnen die Teams mit dem eigentlichen Aufbau von KI-Agenten: Implementierung von Prompts, Speicherstrategien, Orchestrierungslogik und Bewertungsrahmen.

Agenten müssen in Unternehmenssysteme, APIs und externe Tools und Wissensdatenbanken integriert werden. Diese Integrationen sollten mit Blick auf Sicherheit und Telemetrie gestaltet werden. Observability Hooks – Codeabschnitte, die automatisch momentane Betriebsdaten und Messungen erfassen – sollten an wichtigen Workflow-Punkten eingefügt werden, um Agentenprotokolle aufzuzeichnen, einschließlich Agenten-Argumentationspuren, Tool-Aufrufe und Ausgaben.

In jeder Entwicklungsphase sollten Teams strenge Versionskontrollrichtlinien sowohl für einzelne Agentenvarianten als auch (wo relevant) für die Orchestrierungslogik implementieren, die ihre Arbeit innerhalb eines Multi-Agenten-Systems koordiniert.

Zu entscheiden, welches LLM (oder LLMs) Ihre KI-Agenten unterstützen wird, ist eine der wichtigsten architektonischen Entscheidungen, die getroffen werden müssen. Die Verwendung eines einzigen Modells für jede Aufgabe und Rolle ist selten die optimale Lösung im Hinblick auf die Leistung – und selbst wenn dies der Fall ist, geht diese schrittweise Leistungsverbesserung mit Einbußen bei der Kosteneffizienz, der Latenz oder beidem einher.

Entwickler sollten aus einem Portfolio verschiedener Modelle schöpfen: Frontier-Reasoning-Modelle für komplexe Planung, domänenspezifische Modelle (direkt von Modellanbietern oder durch eigene Feinabstimmungsbemühungen Ihres Unternehmens bezogen) für spezialisierte Aufgaben, wo angebracht, kleinere Modelle zur Kostenminimierung und Latenz für einfachere Aufgaben mit hohem Volumen.

Jede Integration – egal ob Unternehmensdaten, Drittanbieteranwendungen oder externe Systeme – kann als Tool-Integration betrachtet werden, die durch MCP-Server ermöglicht wird. Idealerweise ermöglicht Ihnen Ihre bevorzugte Plattform für agentisches Engineering, das MCP-Verhalten an die Bedürfnisse Ihres spezifischen Anwendungsfalls anzupassen. Verwenden Sie ein MCP-Gateway-Muster, um alle diese Verbindungen über Ihre Backend-Systeme zu sichern und zu steuern.

Wo immer möglich, priorisieren Sie Reproduzierbarkeit und offene Standards, wie MCP für Tools und Ressourcen, OpenTelemetry für Observability und wiederverwendbare Schemata für Prompts. Sie sollten außerdem konsistente Muster für Speicherung und Abruf, Tool-Zugriff und Aufgabendelegierung übernehmen.

Für Unternehmenssysteme, die realen Risiken ausgesetzt sind, sollte die agentische KI-Sicherheit direkt in jeden Entwicklungsschritt integriert werden, wobei „Secure-by-Design“-Prinzipien verwendet werden, anstatt sie im Nachhinein nachzurüsten.

Jedem KI-Agenten sollte ein eindeutiges Identifikations-Tag zugewiesen werden, um sicherzustellen, dass jede von einem Agenten durchgeführte Aktion aufgezeichnet, geprüft und ordnungsgemäß zugeordnet werden kann. Dies ermöglicht nicht nur die zuverlässige Rückverfolgung von Sicherheitsproblemen zu ihrer Quelle, sondern erleichtert auch die Einhaltung regulatorischer Frameworks, die sich mit zunehmender Reife der agentischen KI-Einführung ständig weiterentwickeln.

Sandboxing und andere Eindämmungsmaßnahmen sind unerlässlich, um Risiken zu begrenzen. Die Ausführungsumgebung, der Netzwerkzugriff und der Dateisystemzugriff eines Agenten sollten stets nach dem Prinzip der geringsten Privilegien funktionieren. Jeder Komponente eines agentischen Systems sollten die minimal erforderlichen Berechtigungen erteilt werden, um ihre zugewiesenen Aufgaben zu erfüllen.

Um sicherzustellen, dass Agentenprototypen für die Produktion bereit sind, sind mehr Tests erforderlich als die Komponententests und die statische Analyse des traditionellen Software-Design-Lebenszyklus. Es muss außerdem eine umfangreiche Verhaltensvalidierung anhand realer Szenarien oder hochpräziser Simulationen beinhalten. In Anbetracht der probabilistischen Natur von agentischen Systemen muss die Stichprobengröße dieser Testszenarien groß und vielfältig genug sein, um mit hinreichender Sicherheit sagen zu können, dass alle potenziell auftretenden Verhaltensweisen der Agenten beobachtet und bewertet wurden.

KI-Agenten sollten anhand vordefinierter Benchmarks und Richtlinienprüfungen getestet werden, die das gewünschte Verhalten genau widerspiegeln und durchsetzen. Dies könnte die Erfassung oder Erstellung von Ground-Truth-Datensätzen erfordern, die angeben, welchen Weg ein Agent für jede Art von Eingabe und Situation einschlagen sollte. Sowohl LLM-as-a-Judge- als auch Human-in-the-Loop-Reviews sollten verwendet werden, um die Vorteile des ersteren mit der durch das letztere gebotenen Sicherheit in Einklang zu bringen.

Vor und nach der Bereitstellung ist eine robuste Kontinuierliche Integrations-/kontinuierliche Bereitstellungs-Pipeline (CI/CD) entscheidend, um Tests und Bewertungen im notwendigen Maßstab durchzuführen, Evaluierungen automatisch durchzuführen, das Vertrauen der Tools zu testen und Sicherheitsleitplanken durchzusetzen. Während der Testphase trägt ein kontinuierliches Integrationssystem (CI) dazu bei, sicherzustellen, dass die Argumentationslogik eines Agenten nicht beeinträchtigt wird, wenn die einzelnen Modelle und Prompts aktualisiert werden. Selbst der Wechsel zur neuesten Modellversion des bereits verwendeten LLM kann in einer dynamischen Umgebung unvorhersehbare Auswirkungen haben.

Die fortlaufende Evaluierung von KI-Agenten in jeder Phase nach der Entwicklung des ADLC ist für den Erfolg eines agentischen Systems unerlässlich. Offline-Auswertungen während der Entwicklungsphase und im Rahmen der kontinuierlichen Integration helfen dabei, das Gesamtverhalten und die Ergebnisse des Agenten zu bewerten. In-the-Loop-Evaluierungen werden zur Laufzeit aufgerufen, um die individuellen Entscheidungen eines Agenten zu steuern – beispielsweise könnte in einer agentenbasierten RAG-Anwendung Ihr Workflow die Berechnung eines Kontextrelevanzwertes erzwingen, um zu bestimmen, ob eine abgerufene Quelle zur Generierung einer Ausgabe verwendet werden soll.

Ihr agentisches Evaluierungs-Framework sollte verschiedene Arten von Metriken umfassen, darunter:

• Qualitätskennzahlen, wie z. B. Erfolgsquote bei Aufgaben, Genauigkeit und Erfolgsrate bei Tool-Aufrufen

• Sicherheitsmetriken, wie z. B. Richtlinienverstöße oder die Rate des Austritts sensibler Daten

• Betriebsmetriken wie Latenz, Token-Verbrauch und Kosten pro Aufgabe

• Geschäftsmetriken, wie Zufriedenheitswerte oder Kosten pro Ergebnis

Red Teaming identifiziert proaktiv gegnerische Schwachstellen und potenzielle Ausrichtungsfehler. Es simuliert feindliche Bedingungen, wie z. B. Prompt-Injection-Angriffe und Jailbreaking-Versuche, um Sicherheitseinschränkungen in Szenarien zu testen, die bei normalen Verhaltenstests übersehen werden könnten.

Nachdem sie gründlich getestet, optimiert und validiert wurden, werden KI-Agenten sicher in Unternehmensumgebungen bereitgestellt. Die Bereitstellungsphase sollte als eine bewusste, strategisch gestaffelte Aktivierung verstanden werden, und nicht als ein einzelner Akt, vergleichbar mit dem Drücken eines sprichwörtlichen großen roten „BEREITSTELLEN“-Knopfes. ADLC gewährleistet die Systemsicherheit zur Laufzeit durch Sandboxing, Versionskontrolle, Rollback-Strategien und Ausfallsicherungen. 

Die Einführung Ihrer KI-Agenten sollte schrittweise erfolgen, um das Risiko zu kontrollieren. Betrachten Sie verschiedene Rollout-Strategien wie Blue-Green-, Rolling- oder Canary-Bereitstellungen, um herauszufinden, welche am besten zu Ihren Nutzungsverkehrsmustern passt.In einer realen Unternehmensumgebung muss Stabilität oberste Priorität haben: Durch die sorgfältige Aufteilung des Rollouts in Etappen können Sie die Widerstandsfähigkeit Ihres Systems gegenüber wichtigen Aktualisierungen überprüfen.

Sandboxing ist die Praxis, die Reichweite und Funktionen von Agenten und ihren Tools streng zu beschränken, indem sie in eingeschränkten Ausführungsumgebungen ausgeführt werden, die den Zugriff auf Rechen-, Speicher-, Netzwerk- und System-APIs nach dem Prinzip der minimalen Berechtigungen erzwingen. Selbst wenn ein Agent ausfällt oder sich fehlerhaft verhält, minimiert eine ordnungsgemäße Sandbox-Umgebung den Umfang und das Ausmaß potenzieller Probleme. Dies ist eine unerlässliche Vorgehensweise in jedem Szenario, in dem der Missbrauch von Tools, die Codegenerierung oder die Datentransformation durch einen Agenten Auswirkungen auf Ihre Codebasis, die Datenintegrität, Ihre Kunden oder andere Agenten haben könnte.

Zu den gängigen Implementierungsstrategien für Sandboxing gehören:

• Leichte Virtualisierung

• Sicherheitsprofile für Container

• Netzwerksteuerungen (in der Regel über ein MCP-Gateway)

• Richtlinien für den Zugriff auf das Dateisystem

• Durchsetzung von Richtlinien auf Gateway-Ebene

Der ADLC endet nicht, sobald Ihre KI-Agenten vollständig und erfolgreich eingesetzt wurden. Ähnlich wie der iterative Kreislauf aus der Codieren- und Entwickeln-Phase und der Testen- und Veröffentlichen-Phase sollten auch die Bereitstellen- und Betreiben- Phasen als zwei Teile einer fortlaufenden Feedback-Schleife verstanden werden. Während das Endziel der anfänglichen Entwickeln/Testen-Schleife darin besteht, dass die Agenten die Mindestleistungsschwelle erreichen, die für die Erzielung der gewünschten Geschäftsergebnisse erforderlich ist, ist das Ziel der Bereitstellen-/Betreiben-Schleife die Optimierung.

Nach der Bereitstellung ist eine kontinuierliche Betriebsüberwachung erforderlich, um sicherzustellen, dass die Leistung Ihres Agenten in einer realen Umgebung zuverlässig, effektiv und sicher bleibt. Echtzeit-Metriken, die in einem einheitlichen Berichts-Dashboard zusammengestellt und leicht zugänglich sind, sollten aktiv auf Abweichungen oder Leistungsregressionen überwacht werden. Alle nennenswerten Regressionen, sei es in Bezug auf die Betriebseffizienz oder das Feedback der Endbenutzer, sollten aktiv angegangen werden. Alle Änderungen, die sich als Lösungen für diese neu auftretenden Probleme ergeben, sollten gründlich getestet und schrittweise bereitgestellt werden.

Full-Stack-Observability ist entscheidend für agentische Systeme, die nicht nur optimale Leistung, Sicherheit und Zuverlässigkeit erreichen, sondern diese auch über die Zeit beibehalten.

Sobald Ihre agentische Implementierung in der Live-Produktion vollständig validiert und optimiert ist, führen Sie neben der Gesamtleistung laufende Audits auf Fairness, Transparenz, Sicherheitsrisiken und regulatorische Compliance durch.

Branchenstandards und gesetzliche Anforderungen entwickeln sich ständig weiter. Wenn Sie nicht aktiv mit beiden Schritt halten, kann dies regulatorische Konsequenzen, Wettbewerbsnachteile oder beides zur Folge haben. Modelldrift ist ein unvermeidliches Phänomen, das am besten mit einem proaktiven Ansatz angegangen werden kann. Die Geschäftsanforderungen ändern sich und die agentischen Systeme, die diese Anforderungen erfüllen sollen, müssen sich entsprechend anpassen.

Für gegenwärtige und zukünftige Bedürfnisse sollten Unternehmen einen übersichtlichen Katalog von Agenten und Tools führen, der Folgendes enthält:

• Eigentumsrechte, um die Verantwortlichkeit und die Eskalation von Problemen zu erleichtern

• Versionen für eine disziplinierte Change-Management-Praxis

• Risikoprofil zur Unterstützung der Entscheidungsfindung

• Alle relevanten Umgebungen, um eine umfassende operative Aufsicht aufrechtzuerhalten

• Prüfbarkeit zur Beschleunigung der Beweiserhebung, Bewertungen, Genehmigungen und Red-Teaming