Die nächste Generation von KI braucht weibliche Vorbilder: Mehr Frauen, mehr Perspektiven: bessere KI.
Für die Entwicklung von KI brauchen wir nicht nur technologische Exzellenz. Wir brauchen unterschiedliche Perspektiven, Erfahrungen und Denkweisen. Deshalb sollten wir viel stärker darüber sprechen, welches Potenzial bereits vorhanden ist.
Es gibt heute unzählige hochqualifizierte Frauen in Unternehmen, Wissenschaft, Technologie und Management. Frauen, die komplexe Herausforderungen lösen, Innovationen vorantreiben und Verantwortung übernehmen. Genau diese Kompetenzen werden auch im KI-Zeitalter gebraucht. Gleichzeitig können erfolgreiche Frauen in der Technologiebranche eine wichtige Rolle übernehmen: als Vorbilder für die nächste Generation. Denn Sichtbarkeit schafft Möglichkeiten.
Wenn junge Frauen sehen, dass andere Frauen Unternehmen gründen, KI-Projekte leiten, technologische Innovationen entwickeln oder Führungsverantwortung übernehmen, werden diese Wege greifbar und erreichbar.
Die Zukunft der KI sollte nicht von wenigen gestaltet werden.
Sie sollte von den besten Talenten gestaltet werden und zwar unabhängig von Geschlecht, Herkunft oder Hintergrund. Und dafür brauchen wir mehr Frauen, die ihre Expertise einbringen, Verantwortung übernehmen und die Entwicklung dieser Technologien aktiv mitgestalten.
KI wird von Menschen entwickelt. Und genau deshalb ist Vielfalt kein Nice-to-have. Sie ist ein Erfolgsfaktor.
Unterschiedliche Erfahrungen führen zu anderen Fragen.
Andere Fragen führen zu besseren Lösungen.
Und bessere Lösungen führen zu besserer Technologie.
Wenn die Systeme der Zukunft von einer zu homogenen Gruppe entwickelt werden, entstehen blinde Flecken. Deshalb braucht KI mehr Frauen. Die Zukunft der KI wird nicht von einer kleinen Gruppe von Technologieexperten gestaltet. Sie wird von Menschen gestaltet, die bereit sind zu lernen, Verantwortung zu übernehmen und neue Perspektiven einzubringen.
Wie können wir aus eurer Sicht mehr Frauen für KI und Technologie begeistern?
Du möchtest sehen, wie KI in der Qualitätssicherung konkret unterstützen kann? Unsere Demo zeigt praxisnah, wie aus strukturierten Anforderungen bessere Tests und klarere Prozesse entstehen.
Die meisten Diskussionen über KI drehen sich aktuell um Modelle, Agenten, Automatisierung und Produktivität.
Doch die eigentliche Frage lautet längst nicht mehr Was kann KI, sondern Darf sie das, und können wir es nachweisen?
Mit dem EU AI Act hat Europa erstmals einen verbindlichen Rechtsrahmen für Künstliche Intelligenz geschaffen. Damit wird KI von einem reinen Innovationsthema zunehmend zu einem Governance-, Risiko- und Compliance-Thema.
Was ist der AI Act?
Der AI Act ist die weltweit erste umfassende Regulierung für Künstliche Intelligenz.
Er verfolgt einen risikobasierten Ansatz:
Je höher das Risiko eines KI-Systems für Menschen, Sicherheit oder Grundrechte, desto umfangreicher werden die regulatorischen Anforderungen.
Dabei unterscheidet der AI Act grundsätzlich vier Risikoklassen:
1. Unzulässiges Risiko: bestimmte KI-Anwendungen werden vollständig verboten.
Beispiele:
Social Scoring
manipulative KI-Systeme
bestimmte Formen biometrischer Überwachung
2. Hochrisiko-KI: Hier gelten umfangreiche technische, organisatorische und dokumentarische Anforderungen.
Beispiele:
Recruiting
Personalentscheidungen
Kreditvergaben
kritische Infrastruktur
Gesundheitswesen
Bildungssysteme
öffentliche Verwaltung
Für diese Systeme sind unter anderem Risikomanagement, Daten-Governance, technische Dokumentation, Logging, Transparenz, Human Oversight und Cybersecurity verpflichtend.
3. Begrenztes Risiko
Hier stehen Transparenzpflichten im Mittelpunkt: Nutzer müssen beispielsweise erkennen können, dass sie mit einer KI interagieren.
Dazu gehören unter anderem:
Chatbots
bestimmte generative KI-Anwendungen.
4. Minimales Risiko
Viele heutige KI-Anwendungen fallen aktuell in diese Kategorie und unterliegen nur wenigen zusätzlichen regulatorischen Anforderungen.
Warum Agentensysteme den AI Act besonders relevant machen
Mit Agentic AI verändert sich die Diskussion grundlegend. Ein moderner KI-Agent beantwortet nicht nur Fragen.
Ein moderner KI-Agent:
plant Aufgaben
trifft Entscheidungen
ruft Systeme auf
verarbeitet Daten
nutzt externe Tools
führt Aktionen aus
arbeitet teilweise autonom
Genau dadurch entstehen neue regulatorische Anforderungen.
Die entscheidenden Fragen lauten dann:
Wer hat den Agenten beauftragt?
Welcher Agent hat gehandelt?
Welche Daten wurden verwendet?
Welche Systeme wurden angesprochen?
Warum wurde eine Entscheidung getroffen?
Kann das Verhalten später nachvollzogen werden?
Wer trägt die Verantwortung?
Viele Unternehmen können diese Fragen heute nicht eindeutig beantworten. Und genau dort beginnt das eigentliche Governance-Problem. Viele Organisationen betrachten Compliance noch immer als nachgelagerte Aufgabe.
Zuerst wird ein Agent gebaut. Danach wird versucht, Governance „irgendwie anzubauen“.
In der Praxis funktioniert das selten, weil Anforderungen wie:
Auditability
Logging
Traceability
Human Oversight
Identity Management
Berechtigungskonzepte
Risikomanagement
keine Zusatzfunktionen sind, sondern müssen sie Teil der Architektur sein.
Was der AI Act konkret fordert
Insbesondere für risikorelevante Systeme nennt der AI Act zentrale Anforderungen:
Transparenz. Systeme müssen nachvollziehbar dokumentiert sein. Nutzer müssen verstehen können, wie das System eingesetzt werden soll und welche Grenzen bestehen.
Logging & Record Keeping: Automatisch erzeugte Logs und Aufzeichnungen müssen verfügbar sein, damit Entscheidungen später nachvollzogen werden können.
Human Oversight: Menschen müssen die Möglichkeit haben, KI-Systeme zu überwachen, einzugreifen oder Entscheidungen zu überprüfen.
Daten- und Governance-Anforderungen: Die Qualität, Herkunft und Verwaltung der Daten muss dokumentiert und kontrollierbar sein.
Accuracy, Robustness & Cybersecurity: KI-Systeme müssen robust, sicher und gegen Manipulation geschützt sein.
Unsere Perspektive bei galaniprojects GmbH
Bei Galaniprojects entwickeln wir Agentensysteme auf Basis moderner Microsoft-Agentic-Frameworks.
Für uns beginnt ein produktiver KI-Agent nicht bei der Modellintegration: er beginnt bei Governance.
Deshalb integrieren wir bereits auf Architekturebene:
Auditability
Logging
Tracking
Nachvollziehbarkeit von Entscheidungen
Rollen- und Berechtigungskonzepte
Human-in-the-Loop-Mechanismen
Monitoring und Governance
Transparente Dokumentation von Agentenaktionen
Denn die wichtigste Frage eines Auditors wird zukünftig nicht sein:
„Welches Modell wurde verwendet?“
Sondern:
„Können Sie jede relevante Entscheidung dieses Agenten nachvollziehen und erklären?“
Fazit
Der AI Act ist kein Innovationshemmnis.
Er ist der Übergang von experimenteller KI zu professionell betriebenen KI-Systemen.
Die Unternehmen, die heute Governance, Transparenz und Verantwortlichkeit in ihre Agentenarchitekturen integrieren, werden morgen nicht nur regulatorisch besser aufgestellt sein. Sie werden vor allem das schaffen, was für KI langfristig entscheidend ist:
Vertrauen
Und genau dieses Vertrauen wird zum wichtigsten Wettbewerbsvorteil im Zeitalter autonomer Agentensysteme.
Melde dich bei uns um mehr zu erfahren.
Du möchtest sehen, wie KI in der Qualitätssicherung konkret unterstützen kann? Unsere Demo zeigt praxisnah, wie aus strukturierten Anforderungen bessere Tests und klarere Prozesse entstehen.
Softwareentwicklung verändert sich gerade grundlegend. Künstliche Intelligenz unterstützt Teams heute bereits beim Schreiben von Code, beim Erzeugen von Tests, bei der Analyse von Anforderungen und bei der Qualitätssicherung. Viele Diskussionen drehen sich deshalb um die Frage, wie schnell KI Software entwickeln kann.
Aus unserer Sicht greift diese Frage jedoch zu kurz.
Die eigentliche Herausforderung liegt nicht darin, Tickets schneller zu schreiben oder Code schneller zu erzeugen. Die zentrale Frage lautet vielmehr: Wie schaffen wir genügend Klarheit, Kontext und Qualität, damit Menschen und KI sinnvoll zusammenarbeiten können?
Denn KI-Systeme sind nur so gut wie die Informationen, mit denen sie arbeiten. Unklare Anforderungen, widersprüchliche Akzeptanzkriterien oder fehlender fachlicher Kontext führen nicht automatisch zu besseren Ergebnissen, nur weil KI eingesetzt wird. Im Gegenteil: Schlechte Prozesse werden durch KI nicht gelöst, sondern häufig nur schneller und größer skaliert.
Oder anders gesagt:
KI ersetzt keine schlechten Prozesse. KI skaliert sie.
Warum Anforderungen im KI-Zeitalter eine neue Bedeutung bekommen
Klassische User Stories wurden ursprünglich entwickelt, um Anforderungen zwischen Business, Product Ownern und Entwicklungsteams besser kommunizierbar zu machen. Sie sollten helfen, fachliche Bedürfnisse verständlich zu formulieren, Prioritäten sichtbar zu machen und eine gemeinsame Gesprächsgrundlage zu schaffen.
Im klassischen agilen Verständnis waren User Stories also vor allem ein Kommunikationswerkzeug zwischen Menschen.
Doch genau das verändert sich gerade.
Heute werden Anforderungen nicht mehr ausschließlich von Menschen gelesen und interpretiert. Zunehmend arbeiten auch technische Systeme mit diesen Informationen.
Dazu gehören unter anderem:
KI-Agenten
Testautomationen
QA-Prozesse
Analyse- und Validierungsmodelle
Dokumentationssysteme
CI/CD-nahe Prüfmechanismen
Damit verändern sich die Anforderungen an Anforderungen selbst.
Eine User Story muss künftig nicht nur für Menschen verständlich sein. Sie muss auch ausreichend strukturiert, eindeutig und kontextreich sein, damit KI-Systeme sie sinnvoll verarbeiten können.
Von menschenlesbaren zu KI-lesbaren Anforderungen
In vielen Organisationen sind Anforderungen heute noch stark textbasiert, uneinheitlich formuliert und abhängig vom Erfahrungswissen einzelner Personen. Das funktioniert oft so lange, wie erfahrene Teams eng zusammenarbeiten und fehlende Informationen im Gespräch ergänzen können.
Sobald jedoch KI-Agenten, automatisierte Qualitätssicherung oder modellgestützte Analyseprozesse eingebunden werden, reichen implizites Wissen und unstrukturierte Formulierungen nicht mehr aus.
KI benötigt Klarheit.
Das bedeutet nicht, dass jede Anforderung überformalisiert werden muss. Aber es bedeutet, dass zentrale Informationen erkennbar, konsistent und maschinenverarbeitbar beschrieben sein sollten.
Dazu gehören zum Beispiel:
das eigentliche fachliche Ziel
der betroffene Nutzer oder Prozess
der erwartete Nutzen
klare Akzeptanzkriterien
relevante Abhängigkeiten
fachliche Regeln und Randbedingungen
Daten- und Systembezüge
nachvollziehbare Qualitätsanforderungen
Je besser diese Informationen strukturiert sind, desto besser können Menschen, KI-Agenten und automatisierte QA-Prozesse darauf aufbauen.
Geschwindigkeit ist nicht das eigentliche Problem
Viele Unternehmen betrachten KI zunächst als Mittel zur Beschleunigung. Anforderungen sollen schneller geschrieben, Tickets schneller erzeugt und Tests schneller abgeleitet werden.
Das ist nachvollziehbar, aber nur ein Teil des Potenzials.
Denn Geschwindigkeit allein erzeugt noch keine Qualität.
Wenn unklare Anforderungen schneller in Tickets umgewandelt werden, entstehen nicht automatisch bessere Softwareprodukte. Wenn Akzeptanzkriterien automatisch generiert werden, aber der fachliche Kontext fehlt, entstehen möglicherweise Tests, die formal korrekt wirken, aber am eigentlichen Ziel vorbeigehen.
Der entscheidende Mehrwert entsteht deshalb nicht durch reine Automatisierung, sondern durch die Kombination aus:
fachlicher Struktur
Kontextverständnis
Qualitätsprüfung
Nachvollziehbarkeit
kontinuierlicher Validierung
Genau hier liegt aus unserer Sicht ein zentraler Hebel für moderne Softwarequalität.
Der User Story Agent als Teil der SQF KI Plattform
Als Teil unserer SQF KI Plattform entwickeln wir spezialisierte KI-Agenten für intelligente Software-Qualitätssicherung und strukturierte Anforderungsprozesse.
Ein zentraler Bestandteil ist dabei unser User Story Agent.
Der User Story Agent unterstützt Teams dabei, Anforderungen nicht nur schneller, sondern vor allem konsistenter, klarer und qualitätsorientierter aufzubereiten. Ziel ist es, eine bessere Grundlage für Entwicklung, Testing und QA zu schaffen.
Der Agent unterstützt unter anderem dabei:
Anforderungen konsistenter zu formulieren
strukturierte User Stories zu erzeugen
Akzeptanzkriterien intelligent abzuleiten
fachliche Lücken sichtbar zu machen
Prozessabhängigkeiten zu erkennen
Widersprüche und Unklarheiten zu identifizieren
die Grundlage für Testfälle und QA-Prozesse zu verbessern
Dabei geht es nicht darum, den Menschen aus dem Anforderungsprozess zu entfernen. Im Gegenteil: KI soll Teams dabei unterstützen, bessere Entscheidungen zu treffen, blinde Flecken früher zu erkennen und Anforderungen systematischer zu verbessern.
Gute Anforderungen sind die Grundlage für gute Tests
Ein besonders wichtiger Aspekt ist die Verbindung zwischen Requirements Engineering und Qualitätssicherung.
In vielen Projekten werden Anforderungen, Testfälle und Qualitätskriterien noch zu stark getrennt betrachtet. Anforderungen entstehen im Product- oder Fachbereich, Tests später im QA- oder Entwicklungsteam. Dadurch gehen Informationen verloren, Interpretationen unterscheiden sich und Qualitätsprobleme werden oft erst spät sichtbar.
KI-lesbare Anforderungen können hier eine Brücke schlagen.
Wenn User Stories klar strukturiert sind und Akzeptanzkriterien sauber beschrieben werden, lassen sich daraus deutlich besser ableiten:
fachliche Testfälle
Grenzfälle
Negativszenarien
Testdatenbedarfe
Automatisierungspotenziale
Risiken und Abhängigkeiten
Validierungsregeln
Damit wird die User Story nicht nur ein Planungselement, sondern ein zentraler Ausgangspunkt für Qualitätssicherung.
Kontext wird zum entscheidenden Qualitätsfaktor
Die Zukunft erfolgreicher Softwareentwicklung wird nicht allein davon abhängen, wie schnell KI Code erzeugen kann.
Viel wichtiger wird sein, wie gut Unternehmen in der Lage sind, Kontext, Fachlichkeit, Qualität und Nachvollziehbarkeit systematisch zu strukturieren.
Denn KI kann nur dann sinnvoll unterstützen, wenn sie versteht, worauf es fachlich ankommt. Dazu braucht sie nicht nur einzelne Tickets, sondern Zusammenhänge:
Welche Geschäftsprozesse sind betroffen?
Welche Systeme sind beteiligt?
Welche Regeln gelten?
Welche Abhängigkeiten bestehen?
Welche Qualitätsziele sind relevant?
Welche Risiken müssen geprüft werden?
Welche Entscheidungen wurden bereits getroffen?
Ohne diesen Kontext bleibt KI-Unterstützung oberflächlich. Mit gut strukturiertem Kontext kann sie jedoch zu einem echten Qualitätshebel werden.
Werden klassische User Stories wichtiger oder verschwinden sie?
Eine spannende Frage ist, ob klassische User Stories im KI-Zeitalter wichtiger werden oder ob sie langfristig durch dynamische, KI-gesteuerte Anforderungsmodelle ersetzt werden.
Unsere Einschätzung: Kurz- und mittelfristig werden User Stories eher wichtiger als unwichtiger.
Allerdings verändert sich ihre Rolle.
Sie sind nicht mehr nur ein einfaches Format nach dem Muster „Als Nutzer möchte ich …, damit …“. Sie werden zunehmend zu einem strukturierten Informationsobjekt, das fachliche Ziele, Akzeptanzkriterien, Qualitätsregeln, Prozessbezüge und Testgrundlagen miteinander verbindet.
Langfristig ist gut vorstellbar, dass sich Anforderungen stärker in Richtung dynamischer Modelle entwickeln. Diese könnten sich aus Prozessinformationen, Stakeholder-Feedback, Systemdaten, Architekturkontext und Qualitätsmetriken zusammensetzen.
Aber auch dann bleibt der Kern gleich: Gute Software braucht gute Anforderungen. Nur die Form dieser Anforderungen wird sich weiterentwickeln.
Fazit: KI macht Requirements Engineering nicht überflüssig – sondern wichtiger
KI wird Softwareentwicklung verändern. Sie wird viele Tätigkeiten beschleunigen, automatisieren und neu organisieren. Doch gerade deshalb steigt die Bedeutung guter Anforderungen.
Denn wenn KI-Agenten, Testautomationen und QA-Prozesse auf Anforderungen aufbauen, müssen diese Anforderungen klar, strukturiert und nachvollziehbar sein.
Die entscheidende Frage lautet daher nicht nur:
Wie nutzen wir KI, um schneller zu werden?
Sondern vielmehr:
Wie schaffen wir die fachliche und strukturelle Qualität, damit KI überhaupt sinnvoll arbeiten kann?
Für uns ist klar: Gute, strukturierte und KI-lesbare Anforderungen werden zu einem zentralen Erfolgsfaktor moderner Softwareentwicklung.
Denn am Ende gilt:
Je besser der Kontext, desto besser die KI-Unterstützung. Je klarer die Anforderungen, desto besser die Qualität. Und je strukturierter der Prozess, desto größer der Nutzen von KI.
Melde dich bei uns um mehr zu erfahren.
Neugierig geworden? Entdecke in unserer Demo, wie wir unsere KI-Software-Qualitätssicherung auf das nächste Level heben – effizienter, intelligenter und flexibler.
KI verändert DevOps grundlegend — nicht nur durch Automatisierung, sondern durch kontinuierliche Optimierung von Qualität, Geschwindigkeit und Nachvollziehbarkeit.
Ein KI-gestützter DevOps-Prozess ermöglicht:
automatisierte Fehlererkennung in Echtzeit
Ursachenanalysen innerhalb von Sekunden
intelligente Korrekturvorschläge
kontinuierliche Überwachung von Infrastruktur und Deployments
adaptive Optimierung von Pipelines.
Der eigentliche Mehrwert entsteht jedoch nicht allein durch die KI selbst.
Wichitg sind:
klare Rules
definierte Skills und Agentenfähigkeiten
robuste Guardrails
nachvollziehbare Entscheidungslogiken
und Human-in-the-Loop-Kontrolle.
Die Zukunft von DevOps mit KI liegt deshalb nicht in „vollständig autonomer KI“, sondern in intelligent orchestrierten Systemen, in denen Menschen und KI zusammenarbeiten.
Die KI übernimmt:
repetitive Analysen,
Monitoring,
Incident Detection,
Pattern Recognition,
und Teile der Fehlerbehebung.
Der Mensch ist verantwortlich für:
Architekturentscheidungen
Priorisierung
Sicherheitsfreigaben
Governance
und strategische Kontrolle.
Unser wichtigste Erkenntnis:
KI ersetzt DevOps-Teams nicht.
Sie verändert ihre Rolle — von operativer Fehlerbehebung hin zu Steuerung, Governance und intelligenter Systemorchestrierung.
Wir haben genau so eine intelligente und kontrollierte KI-Lösung für moderne DevOps- und Agenten-Infrastrukturen entwickelt.
Wenn Sie Ihre Prozesse skalieren, automatisieren und gleichzeitig sicher und nachvollziehbar gestalten möchten, sprechen Sie uns gerne an.
Unser Infor LN Crawler KI Agent Version 0.5 setzt neue Maßstäbe im Bereich automatisierter Software-Qualitätssicherung mit KI Agenten – Ein Teil unserer SQF Lösung.
Mit der neuen Version ist unser Agent jetzt noch präziser und leistungsfähiger: Er analysiert automatisch die gesamte Infor LN Dokumentation sowie die Applikationslogik durch intelligentes Crawling — und generiert daraus vollständig automatisierte Testfälle.
Was bisher Monate manueller Arbeit bedeutete, kann nun innerhalb weniger Tage umgesetzt werden.
Die Vorteile:
Automatische Erstellung von Testfällen
Höhere Testabdeckung
Schnellere Qualitätssicherung
Massive Zeit- und Kostenersparnis
Reduzierung manueller Fehlerquellen
Gerade bei komplexen ERP-Landschaften wie Infor LN ist die Erstellung und Pflege von Testfällen traditionell extrem aufwendig. Unser AI-basierter Crawler Agent transformiert diesen Prozess grundlegend.
Die Zukunft von ERP-Testing ist automatisiert, intelligent und skalierbar. Selbstverständlich ist der Agent auch für andere Software Systeme einsetzbar.
Was passiert, wenn Künstliche Intelligenz nicht nur reagiert, sondern strukturiert denkt? Wenn Aufgaben nicht einzeln abgearbeitet werden, sondern als Teil eines größeren Zusammenhangs?
Die Website sqf-agents.ai öffnet einen Ausblick auf agentenbasierte KI-Systeme, in denen spezialisierte Einheiten gemeinsam an komplexen Herausforderungen arbeiten. Nicht als isolierte Modelle, sondern als koordiniertes System mit klaren Rollen, Zielorientierung und Feedback-Schleifen.
Dabei geht es weniger um Features als um einen Perspektivwechsel: KI nicht als Tool, sondern als dynamisches Zusammenspiel intelligenter Agenten, das sich flexibel an Anforderungen anpasst und neue Formen der Zusammenarbeit ermöglicht.
Screenshot sqf-agents.ai
Die Website versteht sich als Einladung zum Gespräch. Wer tiefer eintauchen möchte, konkrete Anwendungsfälle sehen oder verstehen will, wie SQF-Agents in der Praxis eingesetzt werden können, ist eingeladen, eine persönliche Demo anzufordern.
Das Internet war immer eine Beziehungsgeschichte zwischen Menschen und Information. In den letzten 30 Jahren hat sich diese Beziehung dreimal spürbar verändert.
PC-Web: „Ich suche, klicke, lese.“
Stell dir das frühe Web wie ein digitales Telefonbuch vor. Webseiten waren statisch, Infos kamen von wenigen zentralen Anbietern. Du hast etwas gesucht, auf Links geklickt und Texte gelesen.
Beispiel: „Öffnungszeiten Bürgeramt“ googeln, drei Seiten öffnen, Telefonnummer raussuchen, selbst anrufen.
Zusammengefasst
Gut daran: klar und übersichtlich
Weniger gut: langsam – du musstest vieles selbst zusammensuchen
Wie wurde Erfolg gemessen? Wie oft Leute klickten (Klickrate) und was ein Klick kostete.
Mobile Web: „Ich scrolle, mir wird geliefert.“
Mit Social Media, Kurzvideos und Bewertungen ist die Menge an Inhalten explodiert. Nicht mehr du suchst – Algorithmen empfehlen dir, was „passen könnte“.
Beispiel: Du öffnest eine App, sie zeigt dir Clips, Produkte und Beiträge – alles kuratiert für dich. Nützlich, aber nicht zwingend zielführend.
Zusammengefasst
Gut daran: bequem und du entdeckst viel
Weniger gut: du verbringst schnell viel Zeit mit Scrollen, ohne konkretes Ergebnis
Wie wurde Erfolg gemessen? Wie lange du dranbleibst (Watchtime, Verweildauer)
Agentic Web: „Ich sage, was ich will – ein Agent erledigt es.“
Jetzt kommt die dritte Phase. KI-Agenten werden zu aktiven Helfern. Statt nur Texte zu zeigen, erledigen sie Aufgaben: Sie holen Infos, kombinieren sie und führen Schritte aus – mit deiner Zustimmung.
Beispiel: „Erneuere meinen Reisepass.“ Der Agent findet das richtige Amt, füllt Formulare vor, schlägt Termine vor, erinnert an Fotos – und dokumentiert, was er getan hat.
Zusammengefasst
Gut daran: du beschreibst das Ziel und der Agent übernimmt den Weg
Wichtig: du behältst die Kontrolle – der Agent erklärt seinen Plan und fragt nach Freigaben
Was heißt das für dich konkret?
Weniger Tab-Chaos, mehr Ergebnisse Statt fünf Artikeln und drei Vergleichsseiten bekommst du einen fertigen Vorschlag – mit Begründung und Belegen.
Mehr „Bitte prüfen & bestätigen“ Gute Agenten sind transparent: „Ich würde Schritt A, dann B machen. Einverstanden?“ Du siehst die Schritte und kannst jederzeit stoppen.
Bessere Zeitnutzung Erfolg misst sich nicht mehr an Klicks, sondern daran, ob deine Aufgabe erledigt wurde, wie schnell und wie zuverlässig.
Und für Unternehmen?
Für Unternehmen bedeutet der Wandel hin zum Agentic Web vor allem eines, weg vom bloßen Informieren, hin zur tatsächlichen Erledigung. Statt Nutzer:innen mit Inhalten allein zu lassen, sollten Angebote konkrete Hilfe liefern – etwa Termine direkt buchen, Widerrufe vorbereiten oder Rückgaben anstoßen.
Damit das verlässlich funktioniert, brauchen Agenten klare Spielregeln, Budget- und Datenzugriffsgrenzen, transparente Protokolle und nachvollziehbare Schritte, sodass jederzeit ersichtlich ist, was passiert ist.
Der beste Einstieg ist pragmatisch, mit einem kleinen, nützlichen Use-Case beginnen – zum Beispiel „Rechnung herunterladen“ oder „Retoure anmelden“ – diesen sauber umsetzen, messen, verbessern und erst dann weitere Aufgaben hinzufügen. So entsteht Schritt für Schritt ein Service, der nicht nur informiert, sondern messbar Arbeit abnimmt.
Wie du heute schon profitierst
Um heute schon vom Agentic Web zu profitieren, formuliere deine Ziele so konkret wie möglich. Statt „Ich brauche einen Termin“ sagst du zum Beispiel: „Buche mir am Freitag zwischen 9 und 12 Uhr einen Termin im Bezirksamt X.“ Je genauer dein Wunsch, desto gezielter kann der Agent handeln und desto weniger Nachfragen entstehen.
Setze außerdem klare Grenzen. Lege ein Budget fest und bestimme, worüber der Agent dich vorab informieren soll: „Gib maximal 30 € aus und frag vor jeder Zahlung nach.“ So behältst du die Kontrolle und verhinderst Überraschungen.
Prüfe das Ergebnis und lass dir kurz erklären, warum der Agent diesen Weg gewählt hat. Eine transparente Begründung („Schritt A, dann B – weil…“) zeigt dir, dass sinnvoll geplant wurde und hilft dir, Vertrauen in die Arbeitsweise des Agents aufzubauen.
Gib am Ende Feedback – freundlich, aber konkret. Hinweise wie „Das war zu langsam“, „zu teuer“ oder „die Erklärung war unklar“ sind wertvoll. Der Agent (und das dahinterliegende System) kann daraus lernen, damit die nächste Aufgabe schneller, günstiger und verständlicher erledigt wird.
Melde dich bei uns um mehr zu erfahren
Neugierig geworden? Entdecke was wir mit KI-Agenten vorhaben und wie wir unsere KI-Software-Qualitätssicherung verbessern – effizienter, intelligenter und flexibler werden.
Am Freitag, 24. Oktober 2025 sind wir beim Agentic Internet Workshop im Computer History Museum, Mountain View (CA). Wir zeigen, wie KI-Agenten, Blockchain und Self-Sovereign Identity (SSI) zusammenpassen – damit Agenten sicher handeln und du die Kontrolle behältst.
Worum es geht
Der Agentic Internet Workshop ist ein eintägiges Treffen, das Menschen zusammenbringt, die an Agentic-AI-Protokollen arbeiten. Ziel ist, das Feld gemeinsam praktisch voranzubringen: Protokolle für die Kommunikation zwischen Agenten, Menschen, Organisationen, Diensten und Dingen.
„Agentic Internet“ heißt: Software-Agenten erledigen Aufgaben für dich und sprechen dafür mit Diensten, Apps und anderen Agenten. Damit das vertrauenswürdig funktioniert, brauchen wir klare Regeln – z. B. wie sich Agenten ausweisen, Berechtigungen bekommen und nachvollziehbar handeln.
Warum wir teilnehmen
Wir wollen, dass KI-Agenten sicher, nachvollziehbar und interoperabel arbeiten – über Tools, Organisationen und Geräte hinweg. Dafür braucht es gemeinsame Protokolle. Auf dem Agentic Internet Workshop können wir:
Unsere Themen
Praxis einbringen: Unsere Erfahrungen mit KI-Agenten × Blockchain × SSI (DIDs, VCs, Delegationen) in reale Use Cases übersetzen.
Standards mitformen: Offene Fragen zu Rechten, Zustimmung, Revocation, Audit klären und gute Patterns dokumentieren.
Sicherheit & Verantwortung stärken: Mechanismen diskutieren, die Datensparsamkeit, menschliche Kontrolle und Prüfbarkeit garantieren.
Partner finden: Teams treffen, mit denen wir POCs und Pilotprojekte beschleunigen können.
Für unsere Kund:innen heißt das: schnellere Integration, weniger proprietäre Inseln, klare Identitäten & Berechtigungen, und Lösungen, die morgen noch kompatibel sind.
Kurz erklärt: Wie das zusammenhängt
Mit Self-Sovereign Identity (SSI) bekommen Menschen, Dienste und Agenten eine eigene, portable Identität samt prüfbaren Nachweisen. Eine Blockchain hält dafür die entscheidenden Metadaten – etwa DID-Dokumente, Revocation-Listen oder Delegationen – fälschungssicher und auffindbar. Darauf aufbauend können KI-Agenten Aufgaben automatisiert und kontrolliert ausführen: mit minimalen Daten, klar abgegrenzten Rechten und einem sauberen Audit-Trail.
Unser Beitrag
Identität & Nachweis: Wir nutzen dezentralen Identitäten (DIDs) und Verifiable Credentials, damit Agenten beweisbar sagen können, wer sie sind und welche Befugnisse sie haben – ohne unnötige Daten preiszugeben.
Integrität & Audit: Wichtige Zustimmungen/Delegationen werden unveränderlich dokumentiert (Blockchain), sodass Entscheidungen prüfbar bleiben – für dich und für Compliance.
Interop in der Praxis: Agent spricht mit Agent: standardisierte Protokolle, die heute schon in bestehende Systeme passen – nicht alles neu bauen.
Sichere Orchestrierung: Wenn mehrere Agenten zusammenarbeiten, behalten wir Kontext, Rollen und Grenzen im Blick, damit nichts „aus Versehen“ passiert.
Wir in Mountain View
Wir sind den ganzen Tag vor Ort. Wenn du magst, schreib uns kurz, worüber du sprechen willst.
Neugierig geworden? Entdecke in unserer Demo, wie wir unsere KI-Software-Qualitätssicherung auf das nächste Level heben – effizienter, intelligenter und flexible.
In unserem Team arbeiten wir daran, intelligente KI Lösung für die Software-Qualitätssicherung zu entwickeln. Klassische Testautomatisierung stößt heute schnell an Grenzen. Tests müssen ständig angepasst werden, komplexe Systeme erzeugen riesige Mengen an Log- und Fehlerdaten, manuelle Analyse ist zeitintensiv und mühsam
Genau hier setzen unsere KI-Agenten an. Unsere Vision ist es, Testprozesse nicht nur zu beschleunigen, sondern sie intelligenter und adaptiver zu machen.
Unsere KI-Agenten können
Anomalien in großen Datenmengen automatisch erkennen
neue Testfälle auf Basis vergangener Fehler generieren
Testergebnisse interpretieren und priorisieren
und sogar Verbesserungsvorschläge für Teststrategien liefern
Warum wir symbolische und generative Ansätze kombinieren
Reine generative Modelle sind sehr gut darin, Muster in Testdaten zu erkennen oder Fehlermeldungen in natürlicher Sprache zu interpretieren. Symbolische Systeme hingegen sind unschlagbar, wenn es um klare Regeln, Geschäftslogik und deterministische Testpfade geht.
Indem wir beide Ansätze kombinieren, schaffen wir KI-Agenten.
Unsere KI-Agenten können
Regelkonformität sicherstellen
gleichzeitig flexibel und lernfähig bleiben
und Testteams intelligent unterstützen, statt sie zu ersetzen
Ein neues Zeitalter in der Softwarequalitätssicherung
Diese Verbindung aus symbolischer Präzision und generativer Lernfähigkeit verändert die Rolle der QA grundlegend. Weg von repetitiven Aufgaben – hin zu strategischer Qualitätssicherung, bei der Tester:innen von KI-Agenten entlastet und unterstützt werden.
Theorie trifft Praxis
Wenn du tiefer verstehen möchtest, was hinter symbolischer, generativer und neurosymbolischer KI steckt und warum ihre Kombination so mächtig ist, findest du hier einen verständlichen Überblick
Neugierig geworden? Entdecke in unserer Demo, wie wir unsere KI-Software-Qualitätssicherung auf das nächste Level heben – effizienter, intelligenter und flexibler.
In der Welt der Künstlichen Intelligenz gibt es zwei große Denkrichtungen, die auf den ersten Blick kaum unterschiedlicher sein könnten, die Symbolische KI und die Generative KI.
Während die eine auf Logik und Regeln setzt, verlässt sich die andere auf Muster und Wahrscheinlichkeiten. Beide haben Stärken – und beide ihre Grenzen. Genau deshalb arbeiten Forschende heute daran, diese Ansätze zu kombinieren. Das Ergebnis: neurosymbolische KI.
Symbolische KI – Logik und vordefinierte Regeln
Symbolische KI war die erste große Ära der KI-Forschung. Systeme dieser Art denken wie Logiker: Sie arbeiten mit vordefinierten Regeln, logischen Ausdrücken und klaren Schlussfolgerungen. Wenn ein System weiß, dass „wenn A, dann B“, kann es daraus weitere Schlüsse ziehen. So entstanden z. B. frühe Expertensysteme, die in der Medizin Diagnosen stellten oder in der Industrie Abläufe optimierten.
Stärken
Transparent und gut nachvollziehbar
Sehr zuverlässig bei klar strukturierten Problemen
Schwächen
Muss alles explizit wissen – kein selbstständiges Lernen
Schwer anpassbar an neue, komplexe Situationen
Generative KI – Lernen aus Daten
Generative KI steht für den modernen, datengetriebenen Ansatz: Systeme wie GPT oder DALL·E lernen aus riesigen Mengen an Text, Bildern oder anderen Daten. Sie erkennen Muster und generieren daraus neue Inhalte – sei es ein Text, ein Bild oder eine kreative Idee.
Stärken:
Extrem flexibel
Kann aus Beispielen lernen, ohne dass jemand Regeln vorgibt
Besonders stark bei Sprache, Bildern oder offenen Fragestellungen
Schwächen:
Oft schwer erklärbar („Black Box“)
Kann Fehler oder Halluzinationen produzieren
Kein eingebautes logisches Verständnis
Neurosymbolic AI – Das Beste aus zwei Welten
Da keiner der beiden Ansätze allein perfekt ist, setzen viele Forscher:innen heute auf neurosymbolische KI. Die Idee:
Neuronale Netze verstehen und interpretieren unstrukturierte Daten, während symbolische Systeme für Logik, Struktur und Erklärbarkeit sorgen.
So können KI-Systeme zum Beispiel Freitext analysieren, kreative Ideen entwickeln und gleichzeitig sicherstellen, dass ihre Schlüsse logisch oder regelkonform sind. Dieses Zusammenspiel macht sie besonders interessant für Bereiche wie Medizin, Recht, Bildung oder autonomes Fahren, wo Zuverlässigkeit und Nachvollziehbarkeit entscheidend sind.
Warum diese Kombination so wichtig ist
Die Zukunft intelligenter Systeme liegt nicht nur im reinen Lernen, sondern auch im Verstehen und Erklären.
Neurosymbolische KI bietet genau das:
Lernfähigkeit + Logik
Kreativität + Struktur
Flexibilität + Verlässlichkeit
Sie bringt damit zwei Welten zusammen, die sich lange gegenüberstanden – und schafft die Grundlage für KI-Systeme, die nicht nur „schlau“, sondern auch vernünftig, transparent und vertrauenswürdig sind.
Fazit
Symbolische KI liefert Regeln und klare Logik.
Generative KI bringt Flexibilität und Mustererkennung.
Neurosymbolische KI verbindet beides – und könnte der Schlüssel zur nächsten großen Entwicklungsstufe künstlicher Intelligenz sein.
Mehr zu Thema KI in der Qualitätssicherung
In einem weiteren Artikel zeigen wir, wie wir als Team neurosymbolische Ansätze ganz konkret in der Software-Qualitätssicherung (QA) einsetzen – und wie KI-Agenten dabei helfen, Testprozesse intelligenter und effizienter zu gestalten.
Neugierig geworden? Entdecke in unserer Demo, wie wir unsere KI-Software-Qualitätssicherung auf das nächste Level heben – effizienter, intelligenter und flexibler.
