Die Zukunft der KI-Agenten beginnt an der Edge

Es ist nicht eine Frage des Ob, sondern des Wann, wenn KI und maschinelles Lernen Teil unseres Alltags werden. Die Entwicklung wird kommen, ob es uns gefällt oder nicht. Die Entwicklung der KI ist unvermeidlich. Aber die Entwicklung von KI-Systemen, die tatsächlich funktionieren, ist eine ganz andere Geschichte. Wie schon in den Anfängen von Big Data werden immer wieder dieselben Fehler gemacht: Es besteht der Drang, alles zu zentralisieren. Es spielt keine Rolle, wie man sie nennt - zentralisierte Datenbanken, Data Marts, Data Lakes - sie alle schaffen das gleiche Problem. All das Verschieben, Kopieren und Duplizieren von Daten verlangsamt die Abläufe und treibt die Kosten in die Höhe.

Hier bei Scalytics denken wir anders. Wir sind der Meinung, dass Daten dort entstehen, wo sie auch bleiben sollten. Diese Idee geht über die reine Speicherung hinaus. Es geht darum, wie Daten genutzt, verarbeitet und in Echtzeit bewegt werden, um autonome KI-Agenten zu betreiben.

‍

Was ist ein KI-Agent? (Es ist einfacher, als Sie denken)

Ein KI-Agent ist im Wesentlichen eine Kombination aus Anweisungen und den Funktionen, die er ausführen kann. Im Gegensatz zu traditionellen Systemen, bei denen die Logik vorprogrammiert ist, können KI-Agenten autonom Entscheidungen treffen, Workflows auslösen und Aufgaben sogar an andere Agenten weitergeben.

„Ein Agent ist eine Sammlung von Anweisungen und Funktionen mit der Fähigkeit, die Ausführung an einen anderen Agenten zu delegieren.“

Diese Autonomie macht KI-Agenten so interessant. Stellen Sie sich vor, Ihr KI-System soll Rückerstattungen verarbeiten. In vielen Fällen möchten Sie vielleicht, dass ein Mensch die Rückerstattung vor der Freigabe überprüft – das nennt man Human-in-the-Loop (HITL).

Andererseits könnte es auch sinnvoll sein, dass ein festgelegter, wiederholbarer Prozess automatisch abläuft, ohne dass ein Mensch eingreifen muss. In beiden Fällen befolgen die Agenten klare, vordefinierte Anweisungen, und der Schlüssel zur Kontrolle dieser Workflows liegt im Agent Context Protocol (ACP).

‍

Die fehlende Schicht im Management von KI-Agenten

Die meisten verfügbaren Agenten-Frameworks sind unvollständig. Sie lassen Agenten unkontrolliert arbeiten, was zu endlosen Workflows führt, die kaum zu verfolgen oder zu kontrollieren sind. Aber Enterprise-KI braucht mehr als das – sie braucht Präzision, Compliance und Kontrolle.

Hier kommt die Kontrollschicht ins Spiel. Man kann sie sich wie eine Management-Ebene vorstellen, die die darunter liegenden Agenten überwacht. Höherstufige Agenten agieren als Supervisoren: Sie überprüfen die Arbeit der untergeordneten Agenten und entscheiden, ob die Ergebnisse genehmigt oder abgelehnt werden.

Diese Struktur schafft eine klare Hierarchie und sorgt dafür, dass jede Aktion protokolliert, nachvollziehbar und prüfbar ist. Genau diese Kontroll- und Governance-Schicht fehlt derzeit im KI-Agentenmarkt. Ohne sie entstehen unübersichtliche Workflows, die schwer zu verfolgen und noch schwerer zu verwalten sind.

‍

Agent Context Protocol (ACP): Die fehlende Kontrollschicht für KI

Das Agent Context Protocol (ACP) ist ein neues Protokoll, das wir bei Scalytics entwickeln, um genau dieses Problem zu lösen. Es handelt sich nicht nur um ein konzeptionelles Framework – es ist eine technische Schicht, die auf dem Apache Kafka-Protokoll aufbaut und dessen bewährte Funktionen nutzt, darunter:

• Resilienz: Fehlertolerante Kommunikation, sodass keine Agentenaufgaben verloren gehen.
• Persistenz: Jede Nachricht (oder jedes "Ereignis") wird gespeichert, wodurch die vollständige Rückverfolgbarkeit der Agenteninteraktionen sichergestellt wird.
• Zustellgarantie: Nachrichten werden immer wie beabsichtigt zugestellt, wodurch Datenverluste oder Lücken in Workflows vermieden werden.

Aber ACP ist nicht nur "Kafka 2.0". Es handelt sich um eine intelligente Kontrollschicht, die es KI-Agenten ermöglicht:

• Dezentrale Kommunikation: Agenten können sicher über mehrere Hosts und Datenumgebungen hinweg zusammenarbeiten.
• Breiter Zugriff: Agenten können Tools, Daten und Speicher aus verschiedenen Systemen ohne Einschränkungen nutzen.
• Zuverlässiger Betrieb: Durch die Nutzung von Kafka werden fehlertolerante und asynchrone Datenaustauschprozesse sichergestellt.

Anstatt ein völlig neues Messaging-System von Grund auf zu entwickeln, haben wir ACP als Schicht über Kafkaaufgebaut. So können wir auf die bewährten, robusten Funktionen von Kafka zurückgreifen – wie Persistenz, Zustellgarantien und verteilte Kommunikation – ohne das Rad neu zu erfinden.

"Warum ein neues Messaging-Protokoll erstellen, wenn das Beste bereits existiert?"

‍

Wie "Data in Motion" KI-Agenten antreibt

Wenn KI-Agenten mehr tun sollen als nur passive Abfragen, müssen sie Daten in Echtzeit bewegen. Genau deshalb setzen wir auf das Konzept von "Data in Motion". Aber das ist mehr als nur ein Schlagwort – es ist eine Designphilosophie.

So funktioniert es:

• Daten warten nicht: KI-Agenten warten nicht darauf, dass Batch-Jobs abgeschlossen werden. Sie verarbeiten und reagieren auf Daten, während diese fließen.
• Daten bewegen, nicht kopieren: Anstatt Daten von einer Umgebung in eine andere zu kopieren, verarbeiten wir die Daten direkt am Edge.
• Ereignisgesteuerte Ausführung: Der gesamte Prozess ist ereignisgesteuert. Jede Aktion (wie eine Aufgabe oder ein Workflow) löst die nächste aus.

Mit der Philosophie von "Data in Motion" ermöglicht Scalytics KI-Agenten, sofort auf eingehende Daten zu reagieren, in Echtzeit und ohne Verzögerung. Das führt zu schnelleren Entscheidungen, reagierenden Agenten und weniger Datenoverhead.

‍

Agentic RAG: So wird KI-Agentenlogik dynamisch und intelligent

Retrieval-Augmented Generation (RAG) ist bereits ein wesentlicher Bestandteil moderner KI, da es Modellen ermöglicht, externes Wissen abzurufen, anstatt sich ausschließlich auf vortrainierte Daten zu verlassen. Doch Agentic RAG geht noch einen Schritt weiter.

Mit Agentic RAG tut der Agent mehr als nur Daten abzurufen. Er startet Workflows, erstellt neue Agenten und führt mehrstufige Entscheidungsprozesse durch.

‍

Der Unterschied

• RAG (traditionell): Das Modell ruft Daten ab.
• Agentic RAG: Der Agent identifiziert die Aufgabe, erstellt eine Aufforderung (Prompt) und startet einen sekundären Agenten, der die Aufgabe übernimmt.

Anstatt sich auf ein statisches Modell zu verlassen, erhalten Sie ein dynamisches, lebendiges System, das Folgendes kann:

• Seinen nächsten Schritt selbst identifizieren
• Seine eigenen Anweisungen anpassen
• Unterstützung von anderen Agenten anfordern, wenn nötig

Agentic RAG ist die Zukunft dynamischer, multi-agentenbasierter KI-Systeme, die wie menschliche Teams arbeiten. Sie sind dezentral, kollaborativ und lernen ständig aus Echtzeit-Feedback.

‍

Warum Agentic AI und ACP die fehlenden Bausteine für Unternehmens-KI sind

Die meisten Unternehmen sind nicht begeistert über "ungebundene" Agenten, die eigenständig über ihre Infrastruktur verteilt laufen. Unternehmen brauchen Kontrolle, Compliance und Transparenz. Ohne diese Voraussetzungen setzt man sich unbekannten Risiken, rechtlichen Herausforderungen und operativem Chaos aus.

So schließen ACP und Agentic RAG diese Lücke:

• Präzisionskontrolle: Jede Aktion eines Agenten wird protokolliert, nachvollziehbar und prüfbar.
• Daten bleiben am Edge: Agenten arbeiten mit lokalen Daten, was die Datenexposition minimiert und Datenschutzrisiken reduziert.
• Fehlertolerantes Design: Wenn ein Knoten oder Prozess ausfällt, setzt das System den Betrieb genau dort fort, wo es aufgehört hat – dank der robusten Garantien von Kafka.
• Dezentrale Workflows: Keine zentralen Engpässe mehr. Agenten können über Abteilungen, Teams oder sogar geografische Standorte hinweg nahtlos interagieren.

Diese Konzepte sind nicht nur Theorien – sie werden gerade entwickelt. In unserem ersten Produktiv-Use-Case werden wir zeigen, wie dezentrale Agenten asynchron über Confluent Cloud kommunizieren können. Dieses Szenario demonstriert, wie ACP die Zusammenarbeit von Agenten in realen Streaming-Umgebungen verändert.

‍

Was kommt als Nächstes?

Wir entwickeln etwas, das der Markt noch nicht hat – ein Framework für KI-Agenten, die sicher, kontrolliert und transparent zusammenarbeiten. Es ist keine weitere Messaging-Plattform und auch kein weiteres RAG-System. Es ist die fehlende Schicht für Governance, Kontext und Kontrolle von KI-Agenten.

Wir folgen nicht dem Trend der "Alles zentralisieren"-Mentalität. Wir wissen, wie diese Geschichte ausgeht. Schon in den frühen Tagen von Big Data wurde versprochen, dass die Zentralisierung aller Daten in Data Lakes, Data Marts und Cloud-Speichern alle Probleme lösen würde. Das tat es nicht. Stattdessen schuf es einen endlosen Kreislauf aus Datenübertragungen, Migrationen und Vendor-Lock-in.

Die einzigen Gewinner dieses Ansatzes?
ETL-Software-Anbieter. Jeder Datentransfer, jede Migration, jede Integration – sie profitieren, während Ihre KI-Projekte langsamer werden.

Wir glauben an einen anderen Ansatz. Dezentralisierung funktioniert. Das wurde schon oft bewiesen.

• Daten gehören an den Edge.
• KI-Agenten sollten am Edge arbeiten.

Mit dem richtigen Framework können diese Agenten sicher und effizient zusammenarbeiten, ohne endlose Datenübertragungen.

Hier kommt Scalytics Connect ins Spiel.
Es geht nicht nur um Dezentralisierung. Es geht darum, Unternehmen die vollständige Kontrolle über ihre KI-Workflows zu geben und die Abhängigkeit von teuren, unnötigen ETL-Operationen zu beseitigen. Daten bleiben dort, wo sie entstehen. KI passiert dort, wo sie gebraucht wird.

Das ist die Zukunft, die wir aufbauen.
Wir machen nicht denselben Fehler wie damals mit Data Lakes, Data Marts und zentralisierten KI-Modellen.

• Daten gehören an den Edge.
• Agenten starten am Edge.

Und genau dort wird die Zukunft der KI entstehen. Scalytics Connect ist die Lösung für Unternehmen, die echte KI-Systeme bauen wollen.

‍