Als ich bei Google arbeitete, hatte ich das Glück, mit einigen der brillantesten Maschinenlern- (ML) Ingenieure zusammenzuarbeiten. Sie arbeiteten an der Merkmalsentwicklung. Indem sie die Faktoren auswählten, die das ML-Modell leiten sollten, konnten ihre Fortschritte Dutzende bis Hunderte von Millionen zusätzlichen Umsatz generieren. Stellen Sie sich eine Excel-Tabelle mit Hunderten von Datenkolonnen vor. Fügen Sie zwei Spalten hinzu, multiplizieren Sie zwei, dividieren Sie durch eine andere und subtrahieren Sie eine vierte. Jede dieser Spalten ist ein Merkmal. ML-Modelle verwendeten Merkmale, um die beste Anzeige vorherzusagen, die angezeigt werden sollte. Es begann als Handwerk, das die Stimmung der Zeit widerspiegelte. Im Laufe der Zeit haben wir diese Kunst in eine Maschine namens AutoML mechanisiert, die die Entdeckung der richtigen Merkmale massiv beschleunigt. Heute befindet sich das Reinforcement Learning (RL) an dem gleichen Punkt wie die Merkmalsentwicklung vor 15 Jahren. Was ist RL? Es ist eine Technik, um KI beizubringen, Ziele zu erreichen. Stellen Sie sich einen mutigen Roomba vor. Er dringt in einen schmutzigen Raum ein. Dann muss er einen Reinigungsplan erstellen und ausführen. Die Erstellung des Plans ist Schritt 1. Um den Plan zu vervollständigen, wird er sich, wie jeder gute Arbeiter, belohnen, nicht mit einer Tischfußballpause, sondern mit einigen Punkten. Seine Belohnungsfunktion könnte sein: +0,1 für jeden neuen Quadratfuß, der gereinigt wird, -5 für das Anstoßen gegen eine Wand und +100 für die Rückkehr zu seiner Dockingstation mit einem vollen Staubbehälter. Das Verhalten des unermüdlichen Staubsaugers wird durch diese einfache Arithmetik geformt. (NB: Ich vereinfache hier ein wenig.) Heute kann KI den Plan erstellen, ist aber noch nicht in der Lage, die Belohnungsfunktionen zu entwickeln. Die Menschen tun dies, ähnlich wie wir vor 15 Jahren Merkmale entwickelten. Werden wir ein AutoRL sehen? Nicht so bald. Die Techniken für RL sind noch umstritten. Andrej Karpathy hat die Debatte in einem kürzlichen Podcast hervorgehoben. Diese aktuelle Welle der KI-Verbesserung könnte von dem Erfolg des RL abhängen. Heute ist es sehr viel ein Handwerk. Das Potenzial, es zu automatisieren – bis zu einem gewissen Grad oder vollständig – wird die Art und Weise, wie wir agentische Systeme bauen, transformieren.

Es ist 9:30 Uhr. Weißt du, wo sich dein Agent befindet? Da wir in das Zeitalter der agentischen KI eintreten, wird diese Frage zunehmend wichtiger. ChatGPT hat die Nutzung von KI durch Verbraucher gestartet und das gesamte menschliche Wissen in ein einziges Modell komprimiert. Jetzt bitten wir die KI, in unserem Namen bei der Arbeit zu handeln. Analysiere diesen Hypothekenauszug. Finde heraus, ob diese Person eine Krankenversicherung hat. Beantworte diesen eingehenden Anruf über einen Honda Odyssey Minivan von 2026. KI-Agenten erledigen all dies heute. Außerdem programmiert die KI täglich Millionen von Zeilen. Mein Programmieragent, Claude Code, hilft mir, Software zu schreiben. Er läuft auf meinem Computer in meinem Terminal, der orangefarbene Cursor blinkt. Wenn ich Notion AI benutze, um ein Dokument zusammenzufassen, läuft es in der Cloud von Notion. Ein großes Unternehmen, das Kundenanfragen bearbeitet, betreibt seine KI in seiner Cloud, sei es Azure, Google, Amazon oder andere. Welche Art von Agenten sollte wo betrieben werden: auf dem Gerät, in meiner Cloud oder in der Cloud eines Softwareanbieters? Für einen Anbieter: Ein Anbieter muss alle drei anbieten, aber aus unterschiedlichen Gründen. Client-seitige Agenten übernehmen datenschutzempfindliche Aufgaben, einschließlich des Zugriffs auf Daten, die nur lokal verfügbar sind, wie den Browserverlauf, lokale Dateien und den Inhalt der Zwischenablage. Sie können auch lokale Ressourcen nutzen. Eigene Cloud-Bereitstellungen erfüllen die Anforderungen an Kontrolle und Compliance von Unternehmen. Gehostete Clouds bieten Skalierbarkeit und Komfort für die meisten Anwendungsfälle. Für ein Unternehmen: Ein Unternehmen muss alle drei verwalten. Programmieragenten werden sehr wahrscheinlich auf den Geräten der Mitarbeiter laufen. Bestimmte hochdynamische Agenten werden wahrscheinlich in gehosteten Clouds sein. Kernsoftware und Infrastruktur werden in ihrer eigenen Cloud betrieben. Dies stellt die komplexeste Topologie dar, aber es ist eine geschäftliche Realität. Für einen einzelnen Benutzer: Einzelne Benutzer werden überwiegend client-seitige und gehostete Clouds nutzen. Abgesehen von Softwareentwicklern betreiben nicht viele Menschen ihre eigene Infrastruktur. Diese hybriden Bereitstellungen werden dann durch alle Kommunikationsprotokolle zwischen den Agenten multiplexiert, sei es MCP oder A2A oder solche, die in Zukunft kommen. Das Ergebnis ist, dass wir neue agentische Netzwerke innerhalb von Unternehmen schaffen. Also, das nächste Mal, wenn es 9:30 Uhr ist und dein Agent losläuft, wirst du wissen, ob du deinen Laptop, deine Cloud oder das Rechenzentrum deines Anbieters überprüfen solltest.