DataRobot: Für die meisten Geschäftsprozesse braucht es Spezialisten-Agenten statt autonomer Generalisten

An der Governance scheitern Agenten

DataRobot beginnt mit einem Szenario: Die Person, die den ersten autonomen Agenten freigeben muss, etwa ein Revisionsleiter, ein CISO oder ein Risikoverantwortlicher, fragt, wer eine Aktion autorisiert hat. Kann das niemand sauber beantworten, bleibt der Agent in der Pilotphase.

Das Unternehmen verweist auf seine Unmet AI Needs Survey 2026 unter 413 Beteiligten im Bereich Agentic AI. Auf die Frage, ob bestehende Zugriffskontrollen und Kataloge ausreichen, um Agenten zu steuern, antworteten 49 Prozent mit Ja und 51 Prozent mit Nein. Governance war mit 61 Prozent die am häufigsten genannte Herausforderung beim Skalieren von einem Agenten auf 100 oder mehr. Laut der Umfrage stießen 94 Prozent der Organisationen nach dem Einsatz von Agentic AI auf operative Day-2-Probleme.

Die gängige Notlösung, bei der ein Mensch jede wesentliche Aktion freigibt, automatisiere nichts und "schafft eine neue Oberfläche für denselben Engpass", so DataRobot.

Dauerbetrieb ist nicht dasselbe wie Autonomie

Der Beitrag trennt zwei Eigenschaften. Ein dauerhaft laufender Agent schaltet sich nie ab und behält seinen Zustand über Sitzungen hinweg. Ein autonomer Agent kann handeln, ohne dass ein Mensch genau diese Aktion freigibt. Ein spezialisierter Ablauf wie eine RAG-Pipeline oder ein Ticket-Klassifizierer ist meist keins von beidem. Agenten im Stil von Hermes sind beides.

Eine dauerhafte Verantwortung wie der Monatsabschluss könne beides rechtfertigen, sagt DataRobot. Der Agent würde Abstimmungen abrufen, Ausnahmen markieren, Zuständige nachfassen und nur das eskalieren, was einen Menschen braucht. Der Preis dafür sei, dass man eine kleine, prüfbare Angriffsfläche gegen eine größere eintauscht, die mehr unbeaufsichtigt leisten kann. Das lohne sich bei urteilsintensiven Aufgaben mit langem Horizont, aber meist nicht bei klar definierten, volumenstarken und kostensensiblen Aufgaben, die ein abgesicherter Ablauf mit einem Bruchteil der Token-Kosten erledigt.

Das Unternehmen merkt an, dass diese Agentenklasse im Massenmarkt angekommen sei. Open-Source-Projekte wie Hermes Agent hätten sie populär gemacht, xAI habe im August Grok Bot veröffentlicht, Meta im September Muse, und OpenAI habe am 29. September Dots gestartet. Laut DataRobot geben Grok Bot und Muse dem Agenten jeweils einen eigenen Cloud-Rechner, und Dots ist mit mehr als 4.000 Apps verbunden.

Warum Generalisten schlecht zu Geschäftsprozessen passen

DataRobot nennt diese Produkte Generalisten, "die Büroverwalter der Agentenwelt". Für eine Person, die Besorgungen delegiert, sei das ein guter Tausch, für einen Geschäftsprozess dagegen ein schwächerer. Die Gründe:

• Ein Generalist greift zu einem Frontier-Modell, weil er nicht wissen kann, welcher Schritt schwierig ist. Arbeit, die ein kleines Modell erledigen könnte, läuft so in einer Schleife auf dem teuersten Modell.
• Breiter Zugriff bedeutet einen großen Schadensradius. DataRobot zufolge bezeichnet Grok Bot seinen geteilten Rechner, die Logins und Dateien selbst als "a real blast radius".
• Produkte mit Fokus auf Privatnutzer bringen entsprechende Voreinstellungen bei Datennutzung und regionaler Verfügbarkeit mit, und das ist eine andere Messlatte als die, die Aufsichtsbehörden anlegen.
• Ihre Schutzmechanismen stützen sich auf Freigaben pro Nutzer, Unternehmen brauchen aber Richtlinien, die für jeden Agenten und jede Aktion gelten.

Was Autonomie von Sicherheitsteams verlangt

Der Beitrag listet Risiken auf, die eine zustandslose Pipeline nie mit sich brachte. Langlebige Zugangsdaten werden zum Dauerziel. Prompt Injection wird zur Rechteausweitung: Ein manipuliertes Dokument führt bei einer Pipeline zu einer falschen Antwort, ein dauerhaft laufender Agent könnte dagegen einen Pull Request öffnen, ein Geheimnis preisgeben oder einem Kunden schreiben. Das Gedächtnis wird zur dauerhaften Angriffsfläche, und weil sich das Verhalten mit dem Gedächtnis und den Fähigkeiten verändert, genügt eine einmalige Code-Prüfung nicht, das Tracing muss dauerhaft aktiv sein.

Ungelöst sei vor allem die Identität, sagt DataRobot. Ein Team-Agent werde einmal eingerichtet und von vielen genutzt, Berechtigungen wüchsen tendenziell schleichend, Sub-Agenten könnten ohne menschlichen Auslöser handeln, und eine geteilte Service-Identität hebe die Zuordnung zu einzelnen Nutzern auf. Die empfohlene Haltung ähnelt dem Umgang mit einem hochprivilegierten externen Dienstleister: möglichst eine benannte Identität, eng gefasste und regelmäßig geprüfte Berechtigungen, kurzlebige Tokens und ein Audit-Trail, der "der Agent hat das getan" von "der Agent hat das getan, weil eine bestimmte Person es verlangt hat" unterscheidet.

DataRobots Antwort: Decision Agents

Für wirklich offene Probleme solle man einen selbstlernenden Agenten innerhalb des eigenen kontrollierten Rahmens betreiben, mit Tracing ab dem ersten Tag, so DataRobot. Für die meisten kritischen Geschäftsprobleme empfiehlt das Unternehmen einen Spezialisten, der den Prozess ausführt, mit eingebauter Governance und Freigabestufen.

Das passende Produkt sind die Decision Agents, die jeweils darauf ausgelegt sind, die Entscheidungen hinter einem bestimmten Geschäftsprozess zu treffen und umzusetzen. Die Governance stammt laut Unternehmen von der Agent Workforce Platform, auf der sie laufen. Über das DataRobot LLM Gateway wählen Nutzer das Modell pro Aufgabe. Guard-Modelle prüfen zentrale Schritte, und Freigabestufen für Menschen sitzen dort, wo die Verantwortlichen es festlegen. Jeder Agent erhält eine eigene Identität und einen benannten Verantwortlichen, Geheimnisse liegen im DataRobot Credentials Store, und OpenTelemetry-Traces von Modell- und Tool-Aufrufen liefern Audit-Teams eine Dokumentation. Die Agenten können in der Cloud, On-Premises oder in Air-Gap-Umgebungen laufen.

Das Versprechen an Käufer lautet: vorhersehbare Ergebnisse und planbare Kosten, ohne die dauerhafte Angriffsfläche eines ständig laufenden Generalisten. Der Beitrag erwähnt außerdem DataRobot Labs, das experimentelle Open-Source-Projekte für das offene Ende des Spektrums veröffentlicht hat. Der Quelltext bricht ab, bevor diese beschrieben werden.