Plattform-Engineering für KI-Agenten: Was ändert sich, wenn Agenten zu Plattformnutzern werden?

Jahrelang haben Plattformteams interne Plattformen für eine bestimmte Art von Nutzern entwickelt: Entwickler, die am Computer sitzen. Nun ist eine zweite Art von Nutzern hinzugekommen. KI-Agenten eröffnen Pull-Requests, führen Tests durch, richten Umgebungen ein und rufen interne APIs auf – oft schneller und häufiger als jeder Mensch.

Plattform-Engineering für KI-Agenten bedeutet, diesen Agenten kontrollierte Self-Service-Möglichkeiten zu geben, um auf deine Softwaresysteme einzuwirken. Agenten erhalten dieselben Grundlagen, auf die sich Entwickler verlassen – angepasst an Nutzer, die schnell handeln und kein menschliches Urteilsvermögen besitzen:

• Identität: Jeder Agent-Lauf agiert unter seiner eigenen, überprüfbaren Identität.
• Golden Paths: Genehmigte, dokumentierte Vorgehensweisen zum Erstellen, Testen und Bereitstellen.
• Sandboxes: Isolierte Umgebungen, in denen Agenten ihre Aufgaben ausführen können.
• Menschliche Kontrollinstanzen: Genehmigung vor Aktionen, die schwer rückgängig zu machen sind.
• Prüfpfade: Eine Aufzeichnung darüber, was jeder Lauf getan hat, wer ihn genehmigt hat und was er gekostet hat.

Es gibt gute Gründe dafür. Der DORA-Bericht 2025 von Google Cloud hat ergeben, dass sich die Einführung von KI bei hoher Plattformqualität stark und positiv auf die Performance des Unternehmens auswirkt. Bei geringer Plattformqualität ist der Effekt vernachlässigbar.

Es gibt gute Gründe dafür. Der DORA-Bericht 2025 von Google Cloud hat ergeben, dass die Einführung von KI bei hoher Plattformqualität einen starken, positiven Effekt auf die Performance des Unternehmens hat. Bei niedriger Plattformqualität ist der Effekt hingegen vernachlässigbar.

Was bedeutet „Plattform-Engineering für KI-Agenten“?

Der Begriff wird in zwei Bedeutungen verwendet, und beide sind wichtig:

• Agenten als Plattformnutzer. Programmier- und Betriebsagenten nutzen die interne Plattform, um Software zu ändern – ähnlich wie Entwickler. Die Plattform legt fest, was sie tun können und wie.
• Eine Plattform zum Ausführen von Agenten. Teams, die ihre eigenen Agenten entwickeln, brauchen einen Ort, an dem sie diese hosten, isolieren und überwachen können.

Dieser Leitfaden konzentriert sich auf die erste Bedeutung, da die meisten Unternehmen heute auf diese Weise mit Agenten in Berührung kommen. Zur zweiten Bedeutung siehe den Vergleich von Plattformen zum Ausführen von KI-Agenten. 

Es ist auch hilfreich, sich klar zu machen, was Plattform-Engineering für Agenten nicht ist. Es ist kein MLOps, das sich mit dem Training und dem Einsatz von Machine-Learning-Modellen befasst. Es ist auch kein Agenten-Framework. Ein Framework wie LangGraph definiert, wie ein Agent Schlussfolgerungen zieht, während die Plattform entscheidet, wo er läuft und worauf er zugreifen darf.

Warum ist Plattform-Engineering für KI-Agenten gerade jetzt wichtig?

Hier treffen drei Trends aufeinander: Plattformen sind mittlerweile gang und gäbe, KI verstärkt jedes System, in das sie integriert wird, und viele Agentenprojekte scheitern eher an den Kontrollmechanismen als an der Leistungsfähigkeit.

Plattformen sind mittlerweile die Norm. Laut der DORA-Studie zum Thema Plattform-Engineering nutzen 90 % der Unternehmen eine interne Entwicklerplattform, und 76 % verfügen über ein eigenes Plattform-Team. Der Bericht für 2025, der auf einer Umfrage unter fast 5.000 Technologieexperten basiert, beschreibt KI als Verstärker. Sie macht starke Systeme noch stärker und schwache Systeme noch offensichtlicher schwach.

Agentenprojekte scheitern an den Kontrollmechanismen. Gartner prognostiziert, dass bis Ende 2027 über 40 % der agentenbasierten KI-Projekte eingestellt werden. Als Ursachen nennt das Unternehmen drei Faktoren: steigende Kosten, unklarer geschäftlicher Nutzen und unzureichende Risikokontrollen. Sowohl Kostentransparenz als auch Risikokontrollen sind Probleme, die eine Plattform lösen kann.

Agenten verbreiten sich ohne ein gemeinsames Modell. Teams führen Agenten nach und nach ein – einen nach dem anderen. Ein Programmieragent in einem Repository, ein Review-Bot in einem anderen und ein Operations-Agent bei einem dritten Anbieter bringen jeweils ihre eigene Pipeline, ihr eigenes Runbook und ihren eigenen Audit-Prozess mit. Ohne eine gemeinsame Plattform bedeutet jede Sicherheitsüberprüfung, dass Nachweise manuell aus separaten Konsolen zusammengetragen werden müssen.

Wie unterscheidet sich ein KI-Agent als Plattformnutzer von einem menschlichen Entwickler?

Ein KI-Agent nutzt die Plattform wie ein Entwickler, hat dabei aber andere Stärken und Schwächen. Diese Unterschiede erklären, warum sich die Plattform selbst ändern muss.  
 

Inwiefern unterscheidet sich ein KI-Agent als Plattformnutzer von einem menschlichen Entwickler? 

Das Muster ist klar. Ein Agent sorgt für Geschwindigkeit, aber nicht für Urteilsvermögen, daher muss die Plattform das Urteilsvermögen bereitstellen. Das geschieht durch Kontrollen, die bei jeder Aktion ablaufen, anstatt darauf zu vertrauen, dass sich jeder Durchlauf korrekt verhält. 

Welche Fähigkeiten braucht eine Plattform für KI-Agenten?

 Eine Plattform für KI-Agenten benötigt sieben Fähigkeiten. Jede davon beantwortet eine Frage, die ein reviewer oder ein technischer Leiter irgendwann stellen wird.

„Golden Paths“ verdienen besondere Aufmerksamkeit, da Agenten Anweisungen wörtlich befolgen. Ein Entwickler kann einen Kollegen fragen, wie Deployments funktionieren. Ein Agent weiß nur, was ihm die Plattform vorgibt. Deshalb veröffentlichen Plattformteams nun für Agenten lesbaren Kontext: Repository-Anweisungen, wiederverwendbare Skills und MCP-Server, die genehmigte Aktionen bereitstellen. Das Plattform-Engineering-Team von Microsoft beschreibt denselben Wandel – weg von Modulen hin zu Anweisungen, Skills und Richtlinien.

Wie sieht eine Referenzarchitektur aus?

Eine geregelte Agentenänderung folgt einem Pfad, und bei jedem Schritt kommt eine der oben genannten Kontrollen zum Tragen.

Lies den Ablauf vom Auslöser oben links aus. Der Vorgang läuft unter einer bereichsgebundenen Identität ab, folgt dem „Golden Path“ und findet in einer Sandbox statt. Das Ergebnis wird in einer Umgebung getestet, die der Produktivumgebung entspricht. Anschließend genehmigt oder lehnt eine Person es ab. Abgelehnte Vorgänge kehren zum Agenten zurück, und jeder Schritt wird im Audit-Trail protokolliert.

So legst du los

Du brauchst keine neue Plattform, um loszulegen. Die meisten Teams können ihre bestehende Plattform in sechs Schritten erweitern:

1. Erstelle eine Liste der bereits genutzten Agenten. Beziehe dabei Programmierassistenten, Review-Bots und Skripte ein, die Modell-APIs aufrufen.
2. Weise jedem Agenten eine eigene Identität zu. Ersetze gemeinsam genutzte Tokens durch Zugangsdaten, die auf eine Aufgabe und ein Repository beschränkt sind.
3. Leite die Aktionen der Agenten über „Golden Paths“ weiter. Veröffentliche Anweisungen, Fähigkeiten und MCP-Server für die von dir genehmigten Aktionen.
4. Füge bei irreversiblen Aktionen menschliche Kontrollpunkte hinzu. Beginne mit Merges, Deployments und Datenänderungen.
5. Protokolliere jeden Durchlauf. Erfasse den Auslöser, den Plan, den Genehmiger, das Ergebnis und die Kosten.
6. Messe die Ergebnisse. Verfolge die DORA-Leistungskennzahlen zusammen mit agentenspezifischen Kennzahlen, wie zum Beispiel dem Anteil der Pull-Anfragen von Agenten, die zusammengeführt werden, und den Kosten pro zusammengeführter Änderung.

Fang damit an, überall Gates einzurichten. Wenn sich Vertrauen aufgebaut hat, entferne sie nach eigenem Ermessen, eine Aktion nach der anderen.

 Wo passt Upsun ins Bild? 

Upsun bietet zwei Produkte an, die verschiedene Teile dieses Modells abdecken. Jedes funktioniert für sich allein, und sie lassen sich gut miteinander kombinieren.

Upsun bietet zwei Produkte an, die verschiedene Teile dieses Modells abdecken. Jedes funktioniert für sich allein, und sie lassen sich gut miteinander kombinieren. 

Upsun Dispatch steuert, wie KI-Agenten deinen Code ändern. Es bietet:

• Workflows: Dispatch basiert auf Workflows, nicht auf einzelnen Agenten. Ein Workflow kann ein GitHub-, GitLab-, Jira- oder Linear-Issue in einen Pull-Request umwandeln oder einen offenen Pull-Request prüfen.
• Sandboxes: Jeder Agentenschritt läuft in einer eigenen, wegwerfbaren Sandbox, wobei der ausgehende Netzwerkzugriff standardmäßig blockiert ist.
• Menschliche Kontrollpunkte: Diese halten den Workflow an, wo immer eine Person entscheiden muss, und jede Zusammenführung unterliegt der Verantwortung einer Person.
• Prüfpfad: Jeder Durchlauf wird als unveränderliche Daten protokolliert: das Ticket, der Kontext des Agenten, der Plan, wer ihn genehmigt hat und was er gekostet hat.

Upsun Cloud bietet den „Golden Path“ für die Ausführung und das Testen von Anwendungen. Die Infrastruktur wird programmiert und in einer YAML-Konfiguration definiert, die zusammen mit der Anwendung in Git gespeichert wird. Jeder Git-Zweig kann eine Vorschauumgebung erhalten, die Anwendungen, Dienste und Daten aus der Produktivumgebung klont. Programmieragenten können über den MCP-Server und die entsprechende Skill mit Upsun Cloud arbeiten.

Zusammen schließen sie den Kreislauf. Der Pull-Request eines Agenten kann in einer Umgebung getestet werden, die der Produktivumgebung entspricht, bevor eine Person den Merge genehmigt.

Häufig gestellte Fragen

Was ist „Agentic Platform Engineering“?

Agentisches Platform Engineering ist ein anderer Begriff für Platform Engineering, bei dem KI-Agenten als Nutzer der internen Plattform behandelt werden. Es stattet Agenten mit Identitäten, Golden Paths, Sandboxes, Human Gates und Audit-Trails aus – zusätzlich zu den Tools, die Entwickler bereits nutzen.

Ist Platform Engineering für KI-Agenten dasselbe wie MLOps?

Nein. MLOps umfasst das Trainieren, Bereitstellen und Überwachen von Machine-Learning-Modellen. Platform Engineering für KI-Agenten befasst sich damit, wie Agenten sicher auf Softwaresysteme wie Code, Umgebungen und Bereitstellungen einwirken.

Brauchen KI-Agenten eine eigene Identität?

Ja. Eine separate Identität für jeden Agentenlauf schränkt den Zugriff des Agenten ein und zeigt genau, welcher Lauf welche Änderung vorgenommen hat. Gemeinsame Tokens machen beides unmöglich.

Sollten KI-Agenten in der Produktivumgebung bereitgestellt werden?

Die meisten Teams beginnen damit, dass eine Person jede vom Agenten vorgeschlagene Bereitstellung genehmigt. Teams können diese Hürde für risikoarme Änderungen aufheben, sobald der Agent eine zuverlässige Erfolgsbilanz vorweisen kann.

Wie überprüft man, was ein KI-Agent getan hat?

Zeichne für jeden Durchlauf den Auslöser, den Kontext, den Plan, den Genehmiger, das Ergebnis und die Kosten in einem Protokoll auf, das nicht verändert werden kann. Verknüpfe jeden Eintrag mit der Identität des Durchlaufs, damit reviewer jede Änderung bis zu ihrer Quelle zurückverfolgen können.

Welche Rolle spielen MCP-Server im Plattform-Engineering?

MCP-Server ermöglichen es KI-Agenten, die genehmigten Aktionen einer Plattform über eine Standardschnittstelle zu erkennen und zu nutzen. Sie machen den „Golden Path“ nicht nur für Menschen, sondern auch für Agenten lesbar.