Praxisreferenz
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.
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.
maschinell verstehbar, beobachtbar und über klar definierte Schnittstellen steuerbar (API-First, Self-Describing, Semantic Observability).
trennt, was ein Agent technisch kann, von dem, was er darf — als ausführbarer Code im Entscheidungspfad, nicht als PDF.
spezialisierte Rollen (Operations, Security, Cost, Evolution, Auditor …) auf einem gemeinsamen, generalisierbaren Rahmen.
dauerhaftes, modellunabhängiges Gedächtnis für Wissen, Muster und Erfahrungen — überdauert Modelle und Anbieter.
Was im Demonstrator real läuft
Zwischen dem 10. und 12. Juni 2026 entstand in einer realen Cloud-Sandbox ein lauffähiger, governance-geführter Demonstrator: eine AI-operable Referenzanwendung, ein befülltes AI Service Brain, ein Agentensystem auf gemeinsamem Rahmen und eine live durchgesetzte Governance. Die folgende Evidenz ist dem Whitepaper entnommen und dort als vorläufig markiert:
- 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
Die Studie ist das reale Gegenstück zu den Architekturprinzipien dieser Site: Jede der sieben Missionen findet im Demonstrator eine konkrete, teils gemessene Entsprechung. Sie ergänzt damit das didaktische Service-Agent-Beispiel um echte Evidenz.
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. Die Screenshots stammen aus dem Demonstrator (Stand Juni 2026).
Whitepaper als Leseprobe
Die Studie liegt als Whitepaper vor (81 Seiten, v3.7, Stand Juni 2026). Eine Leseprobe — Deckblatt, Inhaltsverzeichnis und die Kapitel 1–3 (Executive Summary, Ausgangssituation, Vision und Zielbild) — kann direkt gelesen werden. Die Vollversion gibt es auf Anfrage per E-Mail.
Die Konzepte hinter dieser Referenz?
Nova-7 erklärt Governance, AI-Readiness und Agentenarchitektur aus den sieben Missionen.