Künstliche Intelligenz, aktuell.
Direkt aus den Originalmeldungen.

BMW Group legt Governance-Modell für Hunderte KI-Agenten fest

19. November 2026, 23:20Von der KI Nachrichten RedaktionQuelle: AWS
BMW Group legt Governance-Modell für Hunderte KI-Agenten fest
Bild: AWS

Die BMW Group entwickelt ein unternehmensweites Governance-Modell für Hunderte KI-Agenten, die in ihrer Forschungs- und Entwicklungsorganisation eingesetzt werden. Dort arbeiten mehr als 12.500 Entwickler an rund 500 Millionen Zeilen Fahrzeugsoftware. Der Ansatz soll Teams lokale Experimente ermöglichen und zugleich Standards für Sicherheit, Schutz, Qualität und Kosteneffizienz durchsetzen.

Das Wichtigste in Kürze
  • Die Forschungs- und Entwicklungsorganisation der BMW Group hat mehr als 12.500 Entwickler.
  • Die Fahrzeugsoftware umfasst rund 500 Millionen Codezeilen.
  • Das Vertrauen in Agenten wird über drei Autonomiestufen pro Workflow-Schritt festgelegt.
  • CI/CD-Pipelines führen vor der Produktion Prüfungen und Evaluierungen durch.
  • Die Architektur trennt MCP-Tools, Skills und durchgängige Flows.

Governance für eine große Softwarelandschaft

In einem Blogbeitrag beschreibt AWS die Governance-Praktiken, mit denen die BMW Group Agenten in großem Maßstab entwickelt und betreibt. Die Softwareumgebung von BMW umfasst außerdem das Backend für vernetzte Fahrzeuge, ein cloudbasiertes System aus mehr als 1.300 Microservices, das digitale Dienste für 24 Millionen Fahrzeuge im Einsatz bereitstellt.

Laut AWS machen der Umfang und der regulierte Charakter dieser Umgebung Softwarequalität, Stabilität und die Einhaltung von Governance-Vorgaben besonders wichtig. Hunderte weltweit verteilte Teams entwickeln Agenten. Ohne koordinierte Entwicklung besteht dadurch die Gefahr fragmentierter „KI-Inseln“ und doppelter Arbeit.

Die Antwort von BMW ist nach eigenen Angaben eine Architektur, in der Agenten zusammenarbeiten können, ohne dass jedes Team dasselbe Framework oder dieselbe Toolchain verwenden muss. Im Zentrum steht ein Agent Harness, eine Laufzeitschicht, die ein Large Language Model umschließt. Sie übernimmt die Ausführungsschleife, die Verteilung von Tool-Aufrufen, die Speicherverwaltung und die für den autonomen Betrieb erforderlichen Beobachtbarkeitsschnittstellen.

Vertrauensstufen werden einzelnen Schritten zugewiesen

Laut AWS sollte Governance strukturell verankert sein und während des gesamten Lebenszyklus eines Agenten aufrechterhalten werden. Regeln für Authentifizierung, Autorisierung, Ratenbegrenzung und Inhaltsfilterung werden auf der Integrationsebene durchgesetzt, unter anderem über ein Model Context Protocol Gateway, ein zentrales Agentenregister und eine Orchestrierungsgrenze.

Das Modell von BMW setzt auf abgestufte Vertrauensstufen, statt jede Aktion im Arbeitsablauf eines Agenten gleich zu behandeln. Stufe 0 erfordert für jede Aktion eine ausdrückliche menschliche Genehmigung und ist für neue Agenten sowie Vorgänge mit hohem Risiko vorgesehen. Auf Stufe 1 handelt ein Agent autonom, legt seine Entscheidungen aber zur zeitversetzten menschlichen Prüfung vor. Stufe 2 erlaubt den autonomen Betrieb innerhalb strikt definierter Richtliniengrenzen für risikoarme, gut verstandene Aufgaben.

Die Stufen werden pro Schritt und nicht pro Agent vergeben. Ein einzelner Arbeitsablauf kann daher menschliche Genehmigungen, menschliche Prüfungen und autonome Aktionen kombinieren. Laut AWS können Teams die Autonomie schrittweise erhöhen, wenn das Vertrauen wächst, und sich dabei auf Evaluierungsdaten statt auf Annahmen stützen. Berechtigungsprüfungen, Richtlinien als Code und Compliance-Validierungen laufen in der CI/CD-Pipeline, bevor ein Agent die Produktion erreicht. Ausgangskontrollen können zudem Empfänger-Positivlisten und die Suche nach ausgehenden Geheimnissen nutzen, um das Risiko der Offenlegung vertraulicher Daten zu verringern.

Evaluierung und Komposition sind in die Bereitstellung integriert

Das Framework versteht Beobachtbarkeit als mehr als die Prüfung, ob ein Dienst den HTTP-Status 200 zurückgegeben hat. Agenten müssen Ergebnisse liefern, die sachlich korrekt und richtlinienkonform sind. Zudem müssen Ausführungsspuren nachvollziehbar machen können, wie diese Ergebnisse entstanden sind. Der Ansatz von BMW nutzt dafür einen Ground-Truth-Datensatz mit häufigen Anfragen und Sonderfällen, der bereits zu Beginn erstellt und nicht erst nach der Bereitstellung ergänzt wird.

Intent Tracing erfasst den Ablauf eines Agenten, einschließlich Denkschritten, Tool-Aufrufen und dem Abruf von Kontext. OpenTelemetry-Spans stellen eine abfragbare Abstammungslinie von einer Nutzeranfrage bis zur endgültigen Ausgabe bereit. Änderungen wie Anpassungen an Prompts, das Hinzufügen von Tools und der Austausch von Modellen lösen CI/CD-Prüfungen aus. Zunächst läuft eine automatisierte Regressionsprüfung, anschließend wird die nichtdeterministische Ausgabe anhand von Qualitätsschwellen bewertet.

AWS beschreibt außerdem den Wechsel von monolithischen Generalisten-Agenten hin zu miteinander kooperierenden spezialisierten Agenten. Von den Teams wird erwartet, dass sie Umfang, Interaktionsmodelle, Tool-Definitionen, einen Ground-Truth-Datensatz und Evaluierungskriterien festlegen, bevor sie die Orchestrierungslogik schreiben. Die daraus entstehende Architektur umfasst drei Ebenen: MCP-Tools als atomare Integrationsverträge, Skills als fachspezifische Kombinationen von Tools und Flows als durchgängige Geschäftsprozesse. Jede Ebene wird unabhängig getestet. Verbunden wird das Gesamtmodell über offene Standards wie MCP, Agent Skills und OpenTelemetry.

Ähnliche Meldungen

AWS lässt KI-Agenten x402-Produkte über Marketplace-Abrechnung kaufen
Produkte und Tools20. November 2026, 00:02

AWS lässt KI-Agenten x402-Produkte über Marketplace-Abrechnung kaufen

AWS hat AWS Billing in die Zahlungen von Amazon Bedrock AgentCore integriert. Damit können KI-Agenten x402-fähige Software, APIs, Daten und Inhalte über den AWS…

AWS SageMaker AI ergänzt Monitoring für Drift bei Inferenz-Endpunkten
Produkte und Tools19. November 2026, 22:28

AWS SageMaker AI ergänzt Monitoring für Drift bei Inferenz-Endpunkten

Amazon SageMaker AI erkennt jetzt Latenz-Drift, unzureichend ausgelastete GPUs und verpasste Optimierungen beim Serving geeigneter Inferenz-Endpunkte für generative KI.…

AWS erweitert Bedrock AgentCore mit Strands-Standards und Lifecycle-Hooks
Für Entwickler19. November 2026, 21:01

AWS erweitert Bedrock AgentCore mit Strands-Standards und Lifecycle-Hooks

Das Amazon-Bedrock-AgentCore-Framework nutzt jetzt das Open-Source-Framework Strands von AWS als Grundlage und ergänzt verwaltete Standards, integrierte Tools und…