Beiträge zu "governance"
Agenten für die Zukunft planen: was eine Plattform für den Dauerbetrieb braucht
Laufprotokoll, kurzer Morgenbericht, überwachender Review-Agent, Freigabefenster mit Veto und Vier-Augen-Freigabe: was eine Plattform für Agenten braucht und was es gibt.
Macht ein Classifier-Modell immer Sinn? Entscheiden, was ein Agent darf
Classifier-Modelle können Anfragen routen und Agentenaktionen bewerten, kosten aber Geld und irren sich. Wann Regeln besser sind, wann ein Classifier hilft und wie Autonomiestufen passen.
Bereitschaft der Agentenplattform: die Prüfliste, die die Reihe zusammenführt
Checkliste zur Produktionsreife von KI-Agenten über Architektur, Skills, Sicherheit, Betrieb, Kosten und Evaluation, jeder Punkt mit Link zum Beitrag.
Ein Architektur-Review für Agentensysteme auf einer Seite
KI-Architektur-Review für Agenten auf einer Seite: Zweck, Grenzen, Datenfluss, Verträge, Autonomie und Fehlerpfade, mit Leitfragen für die Prüfung.
Einen internen Skill-Katalog aufbauen: Prüfung, Zuständigkeit und Auffindbarkeit
Einen Skills-Katalog für Ihre Organisation aufbauen: einreichen, prüfen, mit Verantwortlichem und Version veröffentlichen, ausmustern. Mit Ideen aus Registries.
Agenten wie Insider behandeln: was Forschung zu Fehlausrichtung für den Betrieb bedeutet
KI-Insider-Bedrohung: Forschung zu agentic misalignment spricht für Insider-Kontrollen bei Agenten, etwa Funktionstrennung, begrenzten Zugriff und Monitoring.
Mehr als Tools: MCP Sampling, Elicitation und Tasks
MCP Sampling lässt Server Modellaufrufe anfordern, Elicitation fragt Nutzer, Tasks verfolgen lange Arbeit. Jede verschiebt Kontrolle und braucht eine Policy.
Die Sicherheits-Prüfliste für Agenten: zwanzig Fragen vor der Produktion
KI-Agenten Sicherheits-Checkliste: zwanzig Ja/Nein-Fragen zu Identität, Rechten, Datenfluss, Injection, Sandbox, Lieferkette und Audit mit Links zur Vertiefung.
KI-Governance-Betriebsmodell für Agenten: wer wofür zuständig ist
Ein AI Governance Operating Model scheitert, wenn niemand Agentenregister, Richtlinien oder Budget verantwortet. Rollen, RACI für Plattform, Security, Prüfer.
Enterprise AI Agent Rollout: Pilot, Basislinie, dann skalieren
Ein Enterprise AI Agent Rollout gelingt mit kleinem Pilot, Telemetrie ab Tag eins, Ausgabenlimits und schriftlichen Ausstiegskriterien für jeden Schritt.
Betriebsreihe: Audit-Trails sind keine Logs
Ein AI audit trail muss vollständig, zurechenbar und manipulationssicher erkennbar sein; Logs dienen der Fehlersuche. Wie man sie trennt und was wohin gehört.
NIST AI RMF für Agenten-Teams: Govern, Map, Measure, Manage in der Praxis
Das NIST AI RMF ist freiwillig und hat vier Funktionen. Wie Registry, Datenflusskarten, Evals, Traces und Richtlinien zu Govern, Map, Measure, Manage passen.
Die OWASP Top 10 für agentische Anwendungen aus Sicht eines Plattform-Teams
Wie ein Plattform-Team die OWASP agentic top 10 und verwandte LLM-Top-10-Einträge in Kontrollen übersetzt: minimale Rechte, Sandboxing, Freigaben und Audit.
Claude Code vs OpenCode: ein Vergleich aus Governance-Sicht
Claude Code vs OpenCode bei den Kontrollen eines Plattformteams: Berechtigungen, Auto-Modi, Subagenten, MCP, Anbieter, Konfiguration. Ohne Benchmarks.
Human in the Loop bei KI-Agenten, der funktioniert: weniger Freigaben, bessere
Human in the Loop bei KI-Agenten scheitert, wenn jeder Aufruf bestätigt werden muss. Menschen für riskante Aktionen, mit Kontext; den Rest regelt Policy.
Betriebsreihe: Change-Management und Prompt-Versionierung für Agenten
Prompt-Versionierung und Change-Management für KI-Agenten: Prompts, Skills und Policies wie Code behandeln, mit SemVer, Review und Rollback.
Agenten betreiben ist Betrieb: die alten Disziplinen gelten weiter
KI-Agenten betreiben ist kein neues Fach: Identität, minimale Rechte, Change-Management, SLOs, Kosten und Audit gelten weiter. Auftakt einer Betriebsreihe.
Agentenarchitektur ist keine Anwendungsarchitektur: das agentix-Muster
Anwendungsarchitektur ordnet Code. Agentenarchitektur entscheidet, wer zur Laufzeit was darf. Unsere Antwort ist das agentix-Muster - ein MCP-Server pro System, ein Agent pro Schritt.
Was ist ein Agent-Harness, und warum werden Harnesses immer schlanker?
Ein Agent-Harness ist die Schleife um ein Modell. Je besser Modelle werden, desto mehr wandert in die API. Governance bleibt, daher ist der Harness austauschbar.
Dark Software Factory: nur für MVPs und PoCs
Agenten Software mit minimalem menschlichem Zutun bauen zu lassen, kann ein schneller Weg zum Prototyp sein. open-agentix bietet das als Opt-in-Modus mit festem Hinweis und behält Freigabe-Gates für die Produktion.
Kosten sind Aufgabe der Plattform: Budgets, Zuordnung je Agent und Mandant, Export
Agentensysteme können finanziell scheitern, obwohl sie technisch laufen. open-agentix bepreist jeden Schritt, ordnet ihn Mandant, Agent und Anwendungsfall zu, stoppt Läufe am Budget und exportiert die Zeilen.
Ein Modell darf fragen, die Policy entscheidet: deterministische Gates und manipulationssichtbares Audit
In open-agentix kann ein Modell einen Werkzeugaufruf anfordern, aber nie erlauben. Ein deterministisches Policy-Gate entscheidet vor jedem Aufruf, ein hash-verketteter Audit-Trail hält fest, was es entschieden hat.