# AI-Operable IT-Services — eine Machbarkeitsstudie mit lauffähigem Demonstrator

> Wie müssen IT-Services gestaltet sein, damit KI-Agentensysteme große Teile ihres Lebenszyklus — Betrieb, Optimierung, Weiterentwicklung — eigenständig und kontrolliert steuern können? Die Studie beantwortet das nicht nur konzeptionell, sondern mit einem realen, governance-geführten Demonstrator.

Machbarkeitsstudie von Markus Berg im Hessischen Rundfunk (hr), Mitglied der ARD · Whitepaper v3.7, Stand Juni 2026.

## Worum es geht
Wert entsteht nicht durch den einzelnen, immer stärkeren Agenten, sondern durch das Zusammenspiel von vier Bausteinen. AI-Operability wird damit zu einer eigenständigen Qualitätsdimension — gleichrangig neben Sicherheit, Wartbarkeit und Skalierbarkeit.

1. **AI-operabler Service:** maschinell verstehbar, beobachtbar und über klar definierte Schnittstellen steuerbar (API-First, Self-Describing, Semantic Observability).
2. **Governance:** trennt, was ein Agent technisch kann, von dem, was er darf — als ausführbarer Code im Entscheidungspfad, nicht als PDF.
3. **Agentensystem:** spezialisierte Rollen (Operations, Security, Cost, Evolution, Auditor …) auf einem gemeinsamen, generalisierbaren Rahmen.
4. **AI Service Brain:** dauerhaftes, modellunabhängiges Gedächtnis für Wissen, Muster und Erfahrungen — überdauert Modelle und Anbieter.

## Erste Evidenz aus dem Demonstrator (vorläufig, Sandbox)
- Governance ausführbar und implementierungstreu: die live durchgesetzte Policy (Open Policy Agent) ist über 156 Prüfungen zu 100 % deckungsgleich mit ihrer Spezifikation — 0 Abweichungen (F-011).
- Autonomie-Leiter an echten Daten belegt: observe → approval → autonomous; die Stufe bestimmt extern die Policy, nicht der Agentencode. Eine Freigabe ließ den Agenten — nicht die Leitstelle — real skalieren, vollständig auditiert und reversibel (F-002).
- Das AI Service Brain ist der entscheidende Qualitätshebel: im blinden A/B-Vergleich gewinnt „mit Brain“ bei domänenspezifischen Fragen klar (Qualität ≈ 3,5 vs. 0,5 von 5); blindes Grounding bei themenfremden Fragen schadet → Relevanz-Gating (F-006).
- Geschlossener Learning Loop: eine Agenten-Empfehlung wurde umgesetzt und ihre Wirkung gemessen — der Modellanbieter-Wechsel senkte die Latenz messbar (~3–10×), der Skalierungs-Hebel nicht (F-005).
- Modellwahl als governter, reversibler Trade-off: Claude Opus ↔ EU-residentes Gemini zur Laufzeit umschaltbar, ohne Redeploy — gekoppelt an Trust- und Residency-Level (F-004).

## Bezug zu den sieben Missionen
- **Mission 001 — Zielbild & Operating Model:** Verantwortungsteilung Mensch/Agent, Service Operating Contracts und die Trennung von Autonomy Level (Können) und Trust Level (Dürfen) — Posture pro Service steuerbar. ([Details](https://agent-007.ai/missionen/001-zielbild-operating-model.md))
- **Mission 002 — Daten werden zu Kontext:** Das AI Service Brain als kuratiertes, modellunabhängiges Gedächtnis (RAG, Provenance); der A/B-Vergleich belegt Kontext als Qualitätshebel. ([Details](https://agent-007.ai/missionen/002-daten-kontext.md))
- **Mission 003 — APIs werden zu Werkzeugen:** AI-Operability by Design: Self-Describing Service mit maschinenlesbarer Selbstbeschreibung (/.well-known/ai-operable), Aktionsvokabular und Verträgen — am zweiten, von Grund auf AI-operablen Service gezeigt. ([Details](https://agent-007.ai/missionen/003-agentic-apis-integration.md))
- **Mission 004 — Identität, Security & Governance:** Governance-as-Code (OPA live, 100 % spezifikationstreu), Least-Privilege-Maschinenidentitäten, verpflichtende Freigaben und ein Auditor-Agent, der die Audit-Kette selbst prüft. ([Details](https://agent-007.ai/missionen/004-identitaet-security-governance.md))
- **Mission 005 — Evals, Reliability & Observability:** Semantic Observability, eine geschlossene Audit-Kette Ereignis → Entscheidung → Aktion, Cross-Judge-Evals über einen gelabelten Korpus und ein Confidence-Gate vor riskanten Aktionen. ([Details](https://agent-007.ai/missionen/005-evals-reliability-observability.md))
- **Mission 006 — Portability, Sovereignty & Economics:** Governter, reversibler Modellwechsel (Capability ↔ EU-Datenresidenz ↔ Kosten), ein Cost-Agent mit abgerechneten Kosten und die „Autonomous Service Economics“ als Wirtschaftlichkeitsmodell. ([Details](https://agent-007.ai/missionen/006-portabilitaet-souveraenitaet-oekonomie.md))
- **Mission 007 — AI-native Software Engineering & Platform:** Ein Service-Evolution-Agent (governte, reversible Self-Maintenance), der selbst-evolvierende „Janus“-Agent (propose-only), SBOM-/Vuln-Awareness und ein Agent, der laufend gegen die 12 hr-EAM-Architekturprinzipien bewertet. ([Details](https://agent-007.ai/missionen/007-ai-native-software-engineering.md))

## Grenzen & Einordnung
Alle Befunde sind ausdrücklich vorläufig: eine Cloud-Sandbox, zwei Services, kurzer Beobachtungszeitraum, teils synthetischer Korpus und heuristisch gesetzte Confidence-Werte. Die Studie trennt Konzept (Sollform) und Umsetzungsstand bewusst — sie ist ein Forschungsprogramm, kein Produktnachweis.

Diese Seite fasst die Studie kuratiert zusammen und bleibt unabhängig vom hr/ARD-Kontext, in dem sie entstanden ist.

## Whitepaper als Leseprobe
Deckblatt, Inhaltsverzeichnis und die Kapitel 1–3 der Studie (Executive Summary, Ausgangssituation, Vision und Zielbild) als PDF: https://agent-007.ai/referenz/ai-operable-it-services-leseprobe.pdf — die Vollversion (81 Seiten, v3.7) gibt es auf Anfrage per E-Mail an contact@agent-007.ai.



---
Quelle (kanonisch): https://agent-007.ai/praxis/ai-operable-it-services/