Agentic AI · Governance-First · IT-Operations
Sichere KI-Agenten im IT-Betrieb:
Governance-first statt unkontrollierter Autonomie
KI-Agenten in der IT versprechen mehr Effizienz — aber ein LLM mit direktem Shell-Zugriff ist kein Enterprise-Betriebsmodell. AdminsBuddy verbindet KI-Intelligenz mit deterministischer Kontrolle: Der Agent arbeitet Schritt für Schritt, und die Plattform entscheidet bei jedem Schritt, was ausgeführt wird.
Das Governance-Problem
Warum ein LLM mit direktem Shell-Zugriff kein Enterprise-Modell ist
Viele Ansätze zur "KI-Automatisierung" koppeln ein LLM direkt an Werkzeuge — ohne deterministischen Kontrollrahmen. Das ist für Produktionsumgebungen nicht akzeptabel.
Unkontrollierte Tool-Wahl
Ein freier Agent kann zur Laufzeit entscheiden, welche Tools er nutzt. In einer Produktionsumgebung bedeutet das: potenziell jede zugängliche Schnittstelle, ohne vorherige Freigabe durch die IT-Governance.
Kein nachvollziehbarer Audit-Trail
Ohne strukturierten Lifecycle ist unklar, was der Agent wann warum getan hat. Für Audit, Compliance und Fehleranalyse ist das inakzeptabel — besonders wenn write-fähige Operationen ausgeführt wurden.
Halluzinierte Aktionen
LLMs können plausible, aber technisch falsche Aktionen vorschlagen. Ohne deterministischen Validierungsschritt vor der Ausführung können solche Aktionen in Produktionssystemen irreversiblen Schaden anrichten.
Der AdminsBuddy-Ansatz
Das LLM darf denken und vorschlagen — die Plattform entscheidet über jeden Schritt
Im AdminsBuddy Agentic Control Layer ist das LLM eine kontrollierte Denkkomponente. Es nimmt eine Aufgabe entgegen, legt eine Abhakliste an und arbeitet sie Schritt für Schritt ab (Tool Loop): nachdenken, ein Werkzeug vorschlagen, das Ergebnis ansehen, den nächsten Schritt entscheiden. Aber jeder einzelne Werkzeugaufruf wird von der Plattform geprüft — anhand definierter Tool-Contracts, Policies und Freigaben.
- Tool Catalog: nur explizit hinterlegte Tools können aufgerufen werden
- Autonomy Contracts: definieren per Tool, ob automatisch oder mit Approval
- Policy Engine: deterministisch, nicht LLM-gesteuert
- Human-in-the-Loop: Approval-Gates für kritische Aktionen
- Prüfung je Schritt: jeder Werkzeugaufruf einzeln, nicht nur einmal am Anfang
- Belegter Abschluss: ohne Beleg aus dem Lauf gilt ein Punkt nicht als erledigt
- Feste Grenzen: Höchstzahl an Schritten und ändernden Aktionen, Kostendeckel je Lauf
- Terminal States: kontrollierte Fehlerpfade, keine silent failures
- Prompt Provenance: jede LLM-Entscheidung ist im Audit-Trail nachvollziehbar
Aktueller Entwicklungsstand: Der Agentic Control Layer ist implementiert und in aktiver Nutzung — aber noch in der Early-Access-Phase. Die Governance-Mechanik (Policy Engine, Approval Gates, Autonomy Contracts, Audit) ist live. Die Arbeitsweise Schritt für Schritt (Tool Loop) wird in begleiteten Pilotfällen eingesetzt und laufend weiterentwickelt.
Agentic Control Architektur
Policy Engine · Tool Catalog · Approval · Audit
Aktueller Stand
Was heute verfügbar ist — und was auf der Roadmap steht
Live / Early Access
- Tool Catalog mit definierten Capability-Contracts
- Autonomy Contracts: Allow / Approval / Deny pro Tool
- Policy Engine (deterministisch, nicht LLM-gesteuert)
- Human-in-the-Loop Approval-Gates
- Tool Loop: Abhakliste, Policy-Prüfung je Werkzeugaufruf, belegter Abschluss
- Vollständiger Audit-Trail mit Prompt Provenance
- MCP-Server für ChatGPT, Codex & Claude: lesend; schreibend mit Berechtigung und Bestätigung (Early Access)
- Bridge zur Automation Engine (Jobs aus Agentic Control dispatchen)
Roadmap
- Progressive Trust: dynamische Freigabeanpassung basierend auf Verlauf (geplant)
- Cross-System Learning: Patterns aus erfolgreichen Runs (geplant)
Häufige Fragen
Was IT-Teams zu sicherer KI-Automatisierung fragen
Nächster Schritt
Agentic-Control-Pilot für Ihre IT-Umgebung planen
Wir besprechen, welcher Use Case sich als begleiteter Pilot für einen kontrollierten KI-Agenten in Ihrer Umgebung eignet — mit klaren Governance-Grenzen von Beginn an.