Was ist Agentenlebenszyklusmanagement?

ALM bietet Unternehmen eine strukturierte Möglichkeit, festzulegen, wie Agenten konzipiert werden, auf welche Daten und Tools sie zugreifen können, wie ihr Verhalten bewertet wird und wie sie aktualisiert oder außer Betrieb genommen werden.

Im geschäftlichen Umfeld baut das Agent-Lifecycle-Management auf bekannten Verfahren in den Bereichen Software, Sicherheit und KI-Betrieb auf, darunter SDLC, DevSecOps und MLOps. KI-Agenten benötigen jedoch mehr Kontrollen, da sie große Sprachmodelle (LLMs) verwenden, Tools aufrufen, den Kontext beibehalten, mehrstufige Aufgaben planen und Aktionen automatisieren können. Im Gegensatz zu herkömmlichen Anwendungen können Agenten bei ähnlichen Eingaben unterschiedliche Ausgaben erzeugen oder je nach Benutzerabsicht, verfügbarem Kontext oder verbundenen Systemen unterschiedliche Schritte auswählen.

Ein Agent künstlicher Intelligenz (KI) ist ein System, das autonom Aufgaben ausführt, indem es mit verfügbaren Tools Workflows entwirft. KI-Agenten erfassen den Kontext, wägen Ziele und Einschränkungen ab und handeln mithilfe von Werkzeugen oder Diensten, um Aufgaben zu erledigen. Sie können ein oder mehrere große Sprachmodelle verwenden, um die Absicht des Benutzers zu interpretieren, nächste Schritte zu planen, Informationen abzurufen, APIs aufzurufen, Systeme zu aktualisieren und Antworten zu generieren.

Als adaptive Systeme benötigen KI-Agenten eine kontinuierliche Überwachung. Da sie logisch denken, handeln, Werkzeuge einsetzen und ihr Verhalten variieren können, müssen Unternehmen mehr als nur Code verwalten. Sie müssen das gesamte Agentensystem verwalten, einschließlich seiner Eingabeaufforderungen, Modelle, Datenquellen, Integrationen, Genehmigungen, Prüfungsnachweise und betrieblichen Schutzmaßnahmen.

Im Geschäftsleben werden KI-Agenten für IT-Support, Kundenservice, Finanzen, Compliance, Ressourcen, Softwareentwicklung, Betrieb und Wissensarbeit eingesetzt. Im Gegensatz zu einfachen Chatbots können Agenten oft Maßnahmen ergreifen, z. B. Datensätze abrufen, Tickets öffnen, Systeme aktualisieren, Berichte erstellen oder Genehmigungen einholen. Einige KI-Agenten werden als autonome Agenten oder autonome Systeme beschrieben, aber in Unternehmensumgebungen sind die meisten Agentensysteme mit kontrollierter Autonomie, definierten Berechtigungen und menschlicher Aufsicht für Aktionen mit höherem Risiko konzipiert.

Das Modellmanagement konzentriert sich auf das KI-Modell selbst, einschließlich Modellversionen, Leistung, Bereitstellung und Überwachung. Das Agentenlebenszyklusmanagement ist umfassender. Es verwaltet das gesamte Agentensystem rund um das Modell, einschließlich Prompts, Tools, Speicher, Datenquellen, Integrationen, Zugriffskontrolle, Prüfprotokolle, Auswertungen, Reaktion auf Vorfälle und Außerbetriebnahme.

Mit anderen Worten: Das Modellmanagement fragt, ob das Modell wie erwartet funktioniert. Beim Agentenlebenszyklusmanagement wird geprüft, ob der gesamte Agent – sein Modell, seine Berechtigungen, Aktionen und sein Geschäftskontext – sicher, zuverlässig und wie vorgesehen funktioniert.

Das Agentenlebenszyklusmanagement ist wichtig, weil KI-Agenten von isolierten Pilotprojekten zu groß angelegten Unternehmenseinsätzen übergehen. In diesem Fall wird es schwieriger, eine informelle Aufsicht aufrechtzuerhalten. Unternehmen benötigen eine einheitliche Methode, um zu wissen, welche Agenten existieren, wem sie gehören, worauf sie Zugriff haben, wie ihre Leistung ist und wann sie aktualisiert oder außer Betrieb genommen werden sollten.

Forschung legt nahe, dass die Agentenübernahme schneller voranschreitet als viele Regulierungsprogramme. Die Tech Leader Study von IBM aus dem Jahr 2026 ergab, dass befragte CIOs und CTOs bis 2027 mit einem Anstieg der eingesetzten KI-Agenten um 38 % rechnen, während nur 11 % angaben, auf dieses Maß an Skalierung vollständig vorbereitet zu sein. Die Forschung ergab außerdem, dass 77 % der befragten Unternehmen angaben, dass die Einführung von KI ihre derzeitigen Funktionen bereits übersteigt. Eine Umfrage unter IT- und Unternehmensleitern aus dem Jahr 2026 ergab, dass nur 21 % der Unternehmen angaben, über ein ausgereiftes Governance-Modell zur Verwaltung von Risiken durch agentische KI zu verfügen.¹

Diese Lücken sind von Bedeutung, da KI-Agenten keine statischen Software-Tools sind. Traditionelle Software folgt in der Regel festgelegten Regeln: Wenn ein Benutzer eine bestimmte Aktion ausführt, reagiert die Anwendung vorhersehbar. KI-Agenten sind anders. Sie könnten bei ähnlichen Eingaben unterschiedliche Ausgaben liefern. Sie können je nach Benutzerwunsch, verfügbarem Kontext, vorherigen Interaktionen oder verbundenen Tools auch unterschiedliche Schritte auswählen.

Dies führt zu verschiedenen Managementanforderungen:

• Sicherheit: Agenten benötigen möglicherweise Zugriff auf Geschäftssysteme, Daten, APIs oder Servicekonten. Ohne eine ordnungsgemäße Zugriffskontrolle können sie zu nicht-menschlichen Identitäten mit überhöhten Berechtigungen werden.
• Zuverlässigkeit: Agenten können Fehler machen, Halluzinationen erzeugen, das falsche Tool aufrufen oder scheitern, wenn sich eine Integration ändert.
• Governance: Organisationen müssen wissen, welche Agenten verwendet werden, wem sie gehören, worauf sie zugreifen können und ob sie interne Richtlinien oder regulatorische Anforderungen erfüllen.
• Rückverfolgbarkeit: Teams benötigen Überprüfungsprotokolle, aus denen hervorgeht, was ein Agent getan hat, welche Tools er verwendet hat, auf welche Daten er zugegriffen hat und warum eine Entscheidung oder Aktion getroffen wurde.
• Operative Resilienz: Wenn sich ein Agent unerwartet verhält, benötigen die Teams Möglichkeiten, ihn anzuhalten, den Zugriff zu entziehen, Änderungen rückgängig zu machen, das Problem zu untersuchen und den Dienst wiederherzustellen.

ALM trägt zur Erfüllung dieser Anforderungen bei, indem es dem gesamten Agentenlebenszyklus Struktur verleiht. Es hilft Unternehmen, über Ad-hoc-Überprüfungen hinauszugehen, indem es wiederholbare Prozesse zur Genehmigung, Prüfung, Bereitstellung, Überwachung, Aktualisierung und Außerbetriebnahme von Agenten während ihres gesamten Lebenszyklus erstellt. Es hilft Organisationen auch dabei, Risiken wie Schatten-KI, übermäßige Berechtigungen, mangelnde Beobachtbarkeit, plötzliche Änderungen, Änderungen der Modellversion, Latenz, Datenoffenlegung und inkonsistentes Verhalten zu managen.

Ein praktisches ALM-Modell kann um diese Schlüsselphasen herum organisiert werden:

Der Lebenszyklus beginnt mit der Identifizierung des Geschäftsproblems, das der Agent lösen soll, und der Entscheidung, ob ein Agent der richtige Ansatz ist. Einige Probleme werden besser mit traditioneller Automatisierung, Suche, regelbasierten Workflows oder einem einfachen Prompt gelöst.

Während der Planungsphase definieren die Teams den Zweck des Agenten, die Benutzer, den Geschäftsinhaber, die Metriken und das Risikoprofil. Sie bestimmen auch das richtige Maß an Autonomie. Ein Agent, der interne Dokumente zusammenfasst, benötigt beispielsweise weniger Kontrollen als ein Agent, der Kundendaten aktualisiert oder finanzielle Workflows auslöst.

Zu den typischen Planungsaufgaben gehören:

• Definition von Geschäftsergebnissen
• Festlegung von KPIs wie Genauigkeit, Aufgabenabschluss, Latenz, Kosten und Nutzerzufriedenheit
• Identifizierung von Datenquellen und Integrationen
• Festlegung von Autoritätsgrenzen und menschlichen Zustimmungspunkten
• Bewertung von Compliance-Anforderungen
• Entscheidung, wie der Agent vor der Veröffentlichung bewertet werden soll

In dieser Phase entwerfen und konfigurieren die Teams die Komponenten, aus denen das Agentensystem besteht. Dies umfasst die Modelle, die der Agent verwenden wird, die Prompts, die sein Verhalten steuern, die Tools, die er aufrufen kann, die Daten, die er abrufen kann, und die Workflows, die er ausführen kann.

Die Agentenkonfiguration beinhaltet oft:

• Prompt-Vorlagen und Systemanweisungen
• Modellauswahl und Modellversionsverfolgung
• Werkzeugdefinitionen und API-Schemas
• Speicher- und Kontextmanagement-Richtlinien
• Abrufgestützte Generierung oder wissensbasierte Verbindungen
• Zugriffskontrolle und Identitätskonfiguration
• Protokollierung, Verfolgung und Telemetrieinstrumentierung
• Eskalationswege für menschliche Überprüfungen

Ein zentrales Prinzip lautet, dass Prompst, Tools, Modelle und Richtlinien als verwaltete Lebenszykluselemente und nicht als informelle Konfigurationsdetails behandelt werden sollten. Änderungen an einem dieser Elemente können das Verhalten beeinflussen, daher sollten sie versioniert, überprüft und dokumentiert werden.

Für den Einsatz in Unternehmen sollten Agenten nur der für ihren genehmigten Zweck erforderliche Werkzeug- und Datenzugriff gewährt werden. Menschliche Manager müssen für ihre Agenten gegebenenfalls Kontrollmaßnahmen einsetzen, wie beispielsweise rollenbasierte Zugriffskontrolle, die Verwaltung von Dienstkonten und Just-in-Time-Zugriff.

Um einen KI-Agenten zu testen, reicht es nicht aus, lediglich zu prüfen, ob die Software läuft. Die Teams müssen außerdem beurteilen, ob sich der Agent bei verschiedenen Aufgaben, Eingaben, Benutzern und Systembedingungen wie erwartet verhält.

Diese Phase könnte Folgendes umfassen:

• Funktionale Tests von Tools und Integrationen
• Prompt- und Response-Bewertung
• Regressionstests
• Sicherheitstests für Prompt Injection und Datenleck
• Halluzinations- und Realitätsprüfungen
• Richtlinienkonformitätsprüfung
• Human-in-the-Loop-Zulassungstests
• Lasttests
• A/B-Tests
• Champion-Challenger-Vergleiche
• Red-Teaming für Anwendungsfälle mit hohem Risiko

Sobald ein Agent die erforderlichen Prüfungen besteht, kann er in einer kontrollierten Umgebung bereitstellen werden. Die Bereitstellung umfasst die Bereitstellung des Agenten für Benutzer oder Systeme, die Einrichtung seiner Laufzeitumgebung sowie die Aktivierung der Identitäten, Berechtigungen und Integrationen, die für seinen Betrieb erforderlich sind.

Gängige Praktiken umfassen Release über eine CI/CD-Pipeline, Trennung von Entwicklungs-, Test- und Produktionsumgebungen, Versionspinning für Modelle und Prompts, phasenhaftes Rollout, Funktion-Flags, Rollback-Pläne, Verwaltung von Geheimnissen und Laufzeit-Zugriffskontrolle. Manche Agenten benötigen möglicherweise auch eine Sandbox, insbesondere wenn sie Code ausführen, sensible Daten verarbeiten oder externe Tools verwenden.

Die Bereitstellung ist besonders wichtig, da Agenten möglicherweise über APIs oder Anwendungen agieren. Zugangsdaten, Servicekonten und Berechtigungen sollten auf die vom Agent genehmigte Rolle abgegrenzt sein. Sensible Vorgänge können Genehmigungen, Ratenbegrenzungen oder Notfall-Abschaltmechanismen erfordern.

Nach der Bereitstellung fährt ALM mit Observability, Bewertung und Verbesserung fort. Teams überwachen sowohl den technischen Zustand als auch die Verhaltensqualität, darunter:

• Eingaben, Ausgaben und Gesprächsprotokolle
• Toolaufrufe und Toolantworten
• Latenz und Durchsatz
• Fehlerraten und Fehlertypen
• Verwendung und Kosten von Token
• Erfolgsraten von Aufgaben
• Benutzerfeedback
• Richtlinienverstöße
• Anzeichen für Halluzinationen oder Realität
• Eskalations- und Genehmigungsquoten
• Sicherheitsereignisse und anomale Zugriffsmuster

Wenn die Überwachung eine verschlechterte Leistung, unerwartetes Verhalten oder sich ändernde Geschäftsanforderungen anzeigt, können Teams Prompts verfeinern, Modelle aktualisieren, Abrufquellen anpassen, Berechtigungen ändern oder Workflows modifizieren. Diese Änderungen sollten denselben Lebenszykluskontrollen wie die ursprüngliche Version folgen: Testen, Bewertung, Genehmigung und Dokumentation.

Irgendwann müssen Agenten möglicherweise außer Betrieb genommen werden. Die Außerbetriebnahme sollte die Deaktivierung von Endgeräten, den Entzug von Anmeldeinformationen, das Entfernen von Dienstkonten, das Aufbewahren erforderlicher Protokolle, das Archivieren von Beweisen, die Benachrichtigung von Benutzern und die Aktualisierung von Katalogen umfassen.

Das Agentenlebenszyklusmanagement basiert auf einer Kombination aus Entwicklungs-, Sicherheits-, Überwachungs- und Governance-Funktionen. Zusammen helfen diese Tools Unternehmen dabei, Agenten zu erstellen, zu kontrollieren, worauf diese zugreifen können, ihr Verhalten zu verstehen und sie im Laufe der Zeit zu verwalten.

Entwicklungstools helfen Teams dabei, zu entwerfen, wie Agenten ihre Aufgaben begründen, planen und erledigen. Sie können Prompt-Vorlagen, Speicher, Werkzeugaufrufe, Workflow-Orchestrierung und menschliche Genehmigungsschritte unterstützen. In Unternehmensumgebungen sind diese Tools häufig in Softwarebereitstellungsprozesse eingebunden, sodass Änderungen an Agenten über eine kontrollierte CI/CD-Pipeline überprüft, getestet und freigegeben werden können.

Agenten sind auf mehr als nur Code angewiesen. Ihr Verhalten kann sich ändern, wenn sich ein Prompt, eine Modellversion, ein Werkzeugschema, eine Datenquelle oder eine Konfiguration ändert. Die Versionsverwaltung hilft bei der Verfolgung von Prompts, Modellen, Tools, Wissensquellen, Datensätzen und Release-Verlauf.

Agenten verbinden sich häufig mit Ticketing-Systemen, CRM-Plattformen, Datenbanken, Dokumentenarchiven und Workflow-Tools. Diese Integrationen sollten klare Schemata, Berechtigungen und Prüfspuren haben. Standards wie das Model Context Protocol (MCP) können dazu beitragen, den Toolzugriff einheitlicher zu gestalten, indem sie definieren, wie Agenten Tools, Ressourcen und Prompt erkennen und aufrufen. Gateways können Authentifizierung, Autorisierung, Routing, Ratenbegrenzungen, Genehmigungen, Protokollierung und Notabschaltung zentralisieren.

Da Agenten innerhalb von Unternehmenssystemen agieren können, benötigen sie verwaltete Identitäten und Berechtigungen. Zu den wichtigsten Funktionen gehören rollenbasierte Zugriffskontrolle, Berechtigungen nach dem Prinzip der minimalen Berechtigungen, Just-in-Time-Zugriff, Geheimnisverwaltung, Verwaltung von Dienstkonten, Genehmigungs-Workflows und regelmäßige Überprüfungen. Ziel ist es, sicherzustellen, dass jeder Agent nur auf das zugreifen kann, was er für seinen genehmigten Zweck benötigt.

Bewertungswerkzeuge messen, ob sich Agenten vor und nach der Bereitstellung wie vorgesehen verhalten. Dies kann Regressionstests, A/B-Tests, Prompt-Injektionstests, Halluzinations- und Realitätsprüfungen, Richtlinienkonformitätsprüfungen, menschliche Überprüfung und Red Teaming umfassen. Bei den Tests sollten sowohl die Endergebnisse als auch Zwischenschritte wie Werkzeugaufrufe und Routing-Entscheidungen bewertet werden.

Observability-Tools erfassen Eingaben, Ausgaben, Traces, Tool-Aufrufe, Latenzzeiten, Fehler, Token-Nutzung, Kosten, Richtlinienverstöße, Eskalationen und Sicherheitsereignisse. Diese Daten unterstützen die Fehlersuche, die Protokollierung von Prüfvorgängen und die Reaktion auf Vorfälle. Betriebliche Kontrollmechanismen wie Warnmeldungen, Runbooks, Rollback-Prozeduren, Schutzschalter und Not-Aus-Schalter helfen den Teams, Probleme einzudämmen und den Dienst wiederherzustellen.

KI-Governance-Tools führen Bestand von genehmigten Agenten, Eigentümern, Risikostufen, Modellversionen, Prompts, Werkzeugen, Berechtigungen, Bewertungen, Genehmigungen und des Stilllegungsstatus. Die Katalogisierung gewinnt besonders an Bedeutung, wenn Unternehmen von kleinen Pilotprojekten zu großen Agentenflotten wechseln.

Das Lebenszyklusmanagement für Agenten unterstützt Unternehmen dabei, KI-Agenten mit mehr Konsistenz, Transparenz und Kontrolle zu verwalten. Zu den wichtigsten Vorteilen gehören:

• Verbesserte Sichtbarkeit: Ein Agenteninventar zeigt, welche Agenten existieren, wem sie gehören, was sie tun, auf welche Systeme sie zugreifen und welche Versionen aktiv sind.
• Stärkere Sicherheit: Zugriffskontrolle, rollenbasierte Zugriffskontrolle, Least Privilege und Just-in-Time-Zugriff helfen, Risiken durch übermäßig genehmigte Servicekonten und nicht verwaltete nicht-menschliche Identitäten zu reduzieren.
• Bessere Rückverfolgbarkeit: Audit-Trails und Herkunftsaufzeichnungen helfen Teams zu verstehen, was ein Agent getan hat, welche Tools er verwendet hat und was sich zwischen den Versionen geändert hat.
• Zuverlässigere Releases: Regressionstests, Evaluierungsgates und CI/CD-Pipeline-Kontrollen verringern das Risiko, dass Änderungen an Prompts, Modellen, Daten oder Tools zu unerwartetem Verhalten führen.
• Schnellere Einsatzreaktion: Überwachung, Rollback-Pläne, Kill-Switches und Runbooks helfen Teams beim Reagieren, wenn Agenten ausfallen, abdriften oder sich unerwartet verhalten.
• Klarere Geschäftsausrichtung: Bewertungskennzahlen können die Leistung der Agenten mit Ergebnissen wie Lösungsrate, Containment-Rate, Bearbeitungszeit, Kundenzufriedenheit und Kosten pro Ergebnis verknüpfen.

Das Agentenlebenszyklusmanagement beseitigt nicht die Risiken von KI-Agenten. Es bietet eine Struktur für deren Verwaltung. Zu den Herausforderungen gehören:

• Variablenverhalten: LLMs können unterschiedliche Ausgaben für ähnliche Eingaben erzeugen, was Testen und Ursachenanalyse erschwert.
• Halluzinationen: Agenten generieren möglicherweise nicht unterstützte Antworten oder verwenden den falschen Kontext. Realitätskontrollen und menschliche Überprüfung können dieses Risiko verringern, aber nicht vollständig beseitigen.
• Erweiterte Angriffsfläche: Agenten mit Werkzeugzugriff können reale Systeme beeinflussen und Risiken wie Prompt Injection, API-Missbrauch, Speichervergiftung, Privilegienerhöhung und unbefugte Aktionen schaffen.
• Latenz und Kosten: Agenten könnten mehrere Modellaufrufe, Abrufschritte und Werkzeugaufrufe verwenden, was die Antwortzeit und Betriebskosten erhöht.
• Governance-Overhead: Kataloge, Genehmigungen, Bewertungen, Audit-Trails und Versionsgeschichten erfordern eine kontinuierliche Koordination zwischen den Teams.
• Schatten-KI: Mitarbeiter könnten außerhalb formaler Prozesse nicht genehmigte Agenten erstellen oder einsetzen, was die Aufdeckung und Kontrolle erschwert.

KI-Agenten werden in den Bereichen Kundenservice, IT-Support, Personalwesen, Finanzen, Recht, Compliance, Softwareentwicklung, Betrieb und Wissensmanagement eingesetzt. Das Agentenlebenszyklusmanagement ist besonders relevant, wenn diese Agenten über einfache Frage-Antwort-Runden hinausgehen und Tools nutzen, auf verwaltete Daten zugreifen oder Aktionen in Workflows durchführen.

Eine nützliche Methode zur Bewertung dieser Anwendungsfälle ist die Frage: Worauf könnte der Agent zugreifen, was könnte er ändern oder auslösen? Je mehr ein Agent mit sensiblen Daten, regulierten Prozessen oder Produktionssystemen interagiert, desto wichtiger werden Lebenszykluskontrollen.

Für Anwendungsfälle mit geringem Risiko könnten grundlegende Überwachung und Versionierung ausreichen. Für risikoreichere Anwendungsfälle benötigen Organisationen oft definierte KPIs, rollenbasierte Zugriffskontrolle, menschliche Genehmigungspfade, Bewertungsschwellenwerte, Audit-Trails, Observability, Notfallpläne und Stilllegungsprozesse.

Wie sieht das in der Praxis aus? Stellen Sie sich vor, ein Unternehmen stellt einen KI-Agenten bereit, um Kundenbetreuer bei der Vorbereitung auf Kundengespräche zu unterstützen. Während der Entwicklung legt das KI-Team die genehmigten Datenquellen, Zugriffsberechtigungen, Eskalationsregeln und Metriken des Agenten fest, beispielsweise Zeitersparnis, Antwortgenauigkeit und Benutzerzufriedenheit. Vor dem Start wird der Agent anhand von Beispiel-Kundenszenarien getestet und auf Compliance-Risiken geprüft. Er ist mit Überwachungstools verbunden, die Ausgaben, Latenz, Nutzungsmuster und Ausnahmen verfolgen.

Nach der Bereitstellung behandelt das Unternehmen den Agenten als verwaltetes digitales Asset und nicht als einmaliges Projekt. Ein Product Owner überprüft Leistungs-Dashboards, Compliance-Teams auditieren Interaktionen mit hohem Risiko und Data Scientists schulen den Agenten neu oder passen ihn an, wenn sich Richtlinien, Produkte oder Kundenbedürfnisse ändern. Wenn Nutzer verwirrende Empfehlungen melden, aktualisiert das Team die Prompts, Abrufquellen und Leitplanken. Im Laufe der Zeit fügt das Unternehmen neue Funktionen hinzu, entfernt ungenutzte Workflows und dokumentiert jede Version. Dieser Lebenszyklusansatz hilft dem Unternehmen, agentische KI zu skalieren und gleichzeitig Verantwortlichkeit, Sicherheit, Leistung und Geschäftsausrichtung zu gewährleisten.

Dieses hypothetische Beispiel veranschaulicht den gesamten Prozess des Agentenlebenszyklusmanagements. Einige Beispiele aus der realen Branche sind:

IBMs interner HR-Agent AskHR zeigt, wie das Agentenlebenszyklusmanagement die Automatisierung im Unternehmensmaßstab mit menschlichen Eskalationswegen unterstützen kann. Verbessert mit IBM® watsonx Orchestrate® unterstützt AskHR mehr als 80 HR-Aufgaben und bearbeitet jährlich über 2,1 Millionen Mitarbeitergespräche. Es ist mit Systemen wie Workday, SAP und Concur verbunden, sodass Mitarbeiter nach Gehaltsabrechnungen oder Urlaubsanfragen fragen können, während Manager Arbeitsabläufe wie Versetzungen oder organisatorische Updates initiieren können.

Aus Sicht eines ALM erfordern diese Funktionen Zuständigkeitsgrenzen, Integrationskontrollen, Überprüfbarkeit und Routing-Logik. AskHR hat eine Containment-Rate von 94 % für häufige Fragen erreicht, zu einer Reduzierung der seit 2016 erstellten Support-Tickets um 75 % beigetragen und zu einer 40-prozentigen Reduzierung der HR-Betriebskosten über vier Jahre beigetragen.

Im Gesundheitswesen hilft ALM bei der Verwaltung von Agenten, die mit geschützten Gesundheitsinformationen und regulierten Workflows interagieren können. Ein großer US-Gesundheitskostenträger implementierte agentische Chatbot- und Sprachunterstützungsfunktionen für Mitgliederdienste in einer HIPAA-konformen Umgebung. Da die historischen Callcenter-Daten nur eingeschränkt verfügbar waren, erstellte oder synthetisierte das Team Referenzdaten, um das Verhalten der Mitarbeiter auf sichere Weise zu bewerten.

Der Lebenszyklusprozess umfasste KPIs für Auflösung, Eindämmung, Latenz und Sicherheit; versionierte Prompts und Integrationen; Zugriff auf das Least-Privileg-Tool; strukturierte Evaluation; Compliance-Prüfungen; Sicherheitstests; Red Teaming; und einheitliche Observability. Im Rahmen der Überwachung wurden sowohl technische Metriken – wie Latenz und Fehler – als auch geschäftliche Metriken – wie Eindämmung, Lösung und Zufriedenheit – erfasst.

Dynamiq, ein IBM Business Partner, baute einen KI-gestützten Rechtsvertreter mit IBM watsonx.data auf. IBM Granite Foundation Models und IBM watsonx Orchestrate unterstützen Rechtsabteilungen bei der Suche, dem Vergleich und der Analyse von Verträgen, Compliance-Berichten und behördlichen Dokumenten. Der Agent unterstützte die semantische Vertragsrecherche, die vergleichende Analyse sowie die Bewertung der Vertragskonformität auf Klauseleebene. Er half den Teams dabei, relevante Formulierungen zu finden, regulatorische Bedenken zu kennzeichnen, Abweichungen von den Richtlinien zu erkennen und Dokumente zur Genehmigung weiterzuleiten.

Aus ALM-Sicht erforderte der Anwendungsfall eine geregelte Datenerfassung, Abrufkontrollen, die Integration von Geschäftssystemen, Eskalationswege zur rechtlichen Überprüfung und die Abstimmung von Modell und Aufgabe. Dynamiq verwendete auch kleinere Granite-Modelle für routinemäßige Compliance-Aufgaben, um Leistung, Latenz und Kosten in Einklang zu bringen.