Agentische KI trifft auf die Identitätslücke: das ungelöste RAG-Problem der Unternehmen
Chinas Nutzerbasis generativer KI hat Ende Juni 700.000.000 überschritten, ein Plus von 16 Prozent gegenüber 602.000.000 Ende 2025, wie das China Internet Network Information Centre am 29. September mitteilte. Für Unternehmen, die Systeme mit Retrieval Augmented Generation aufbauen, ist das schwierigere Problem die Governance, nicht die Verbreitung.

Das China Internet Network Information Centre beziffert die Zahl der Nutzer generativer KI in China Ende Juni auf mehr als 700.000.000. Die Durchdringungsrate liegt über der Hälfte der Bevölkerung. Die South China Morning Post berichtete am 29. September über diese Zahl. Sie bedeutet ein Plus von 16 Prozent gegenüber Ende 2025, als China 602.000.000 Nutzer generativer KI und eine Durchdringungsrate von 42,8 Prozent hatte. Dieselbe Erhebung ergab, dass 76 Prozent der Nutzer KI für Antworten nutzen, 48 Prozent für Bilder oder Videos, 38 Prozent für Textverarbeitung und 33 Prozent für Arbeitszusammenfassungen, Besprechungsnotizen oder Präsentationen.
Diese Zahlen beschreiben das Verhalten von Verbrauchern. Sie sagen nichts darüber aus, ob den Systemen, die diese Anfragen beantworten, innerhalb eines Unternehmens zu trauen ist.
Dieses Vertrauensproblem steht inzwischen im Zentrum der RAG-Debatte in Unternehmen. Retrieval Augmented Generation stützt die Ausgabe eines Sprachmodells auf Dokumente, die zum Zeitpunkt der Anfrage abgerufen werden. Sie ist zur Standardarchitektur für KI im Unternehmen geworden. Ein funktionierender Prototyp ist in wenigen Tagen gebaut. Ihn so verlässlich zu machen, dass er einen Geschäftsprozess trägt, ist eine andere Ingenieursdisziplin, wie VentureBeat am 27. September anmerkte. Die meisten Einführungen bleiben in der Lücke zwischen beidem stecken.
Wem gehört der Agent?
The Hacker News veröffentlichte am 28. September ein Framework. Es behandelt jeden KI-Agenten als nicht-menschliche Identität mit einem menschlichen Eigentümer, einem festgelegten Zweck, begrenzten Berechtigungen, einem Ablaufdatum und kontinuierlicher Überwachung. Der Artikel nennt fünf Fehlermuster, für die klassisches Identity and Access Management nie gebaut wurde: fehlende Eigentümerschaft, langlebige Secrets, unbegrenzte Delegation, unsichtbare Instanziierung und kein Ablaufdatum. Er verweist auf die OWASP Top 10 for Large Language Model Applications, die übermäßige Handlungsfreiheit als LLM06 führt. Ein Agent mit weitreichenden Rechten oder Autonomie handelt also über seine genehmigte Aufgabe hinaus.
Der Beitrag unterscheidet zwischen Konfiguration und Telemetrie. Eine statische Rollenzuweisung kann nicht begrenzen, was ein Agent zur Laufzeit tut, und die Prüfung der Konfiguration kann es nicht messen. Konfigurationsbefunde beschreiben Möglichkeiten, Telemetrie beschreibt, was tatsächlich geschehen ist. Das stellt die Art infrage, wie die meisten Unternehmen ihre KI-Systeme derzeit prüfen.
Wie groß das Governance-Problem ist, zeigen die Zahlen. Die Cloud Computing Study 2026 von Foundry ergab, dass 74 Prozent der Unternehmen ihre Cloud-Migrationen im vergangenen Jahr beschleunigt haben, berichtet Data Center Knowledge. Der Private Cloud Outlook 2026 von VMware zeigt, dass 83 Prozent der Unternehmen Workloads aus der Public Cloud zurückgeholt haben oder dies planen. Sicherheit, Kosten, Compliance und Leistung treiben diesen Wandel. Zu diesen Workloads gehört zunehmend KI-Inferenz. Data Center Knowledge berichtete, dass Inferenz in Colocation-Rechenzentren wandert, wo Betreiber Schränke mit 35 kW und Luftkühlung sowie Schränke mit 70 bis 150 kW und Flüssigkühlung anbieten.
Der Grund ist nicht nur die Dichte. Unternehmen in regulierten Branchen führen Inferenz auf vertraulichen Finanz-, Betriebs- und Forschungsdaten lieber in privaten Colocation-Suiten aus. Diese Suiten haben eigene Netzleitungen und selbst betriebene Firewalls. Die Alternative wäre, diese Daten an KI-Start-ups von Drittanbietern zu schicken. Diese Vorliebe hat direkte Folgen für RAG-Architekturen, denn Retrieval bedeutet, dass das System bei jeder Anfrage den Unternehmensbestand berührt.
Infrastrukturanbieter rücken vor
Infrastrukturanbieter richten sich auf diese Anforderung neu aus. CoreWeave stellte Forge am 30. September auf seiner Veranstaltung Fully Connected in San Francisco vor. Es ist eine integrierte Softwareplattform zum Entwickeln, Betreiben und Verbessern von KI-Modellen und Agenten. Corey Sanders, Senior Vice President of Product Management bei CoreWeave, sprach bei einem Medienbriefing. Er sagte, das Unternehmen habe sich vom Fokus auf den besten Anbieter für KI-zentrierte Infrastruktur hin zu KI-Diensten bewegt, damit Kunden Anwendungen auf seiner Plattform bauen können. Forge erscheint in den Editionen Free, Pro und Enterprise. Enthalten sind CoreWeave Notebooks, Agent Lens für die Beobachtbarkeit von Agenten im Produktivbetrieb und RL Rollouts. Zu den ersten Partnern gehören VAST Data, CrowdStrike und ClickHouse.
Der IDC-Analyst Dave McCarthy sagte zu Data Center Knowledge, CoreWeave versuche sich von spezialisierten KI-Cloud-Anbietern wie Nebius, Lambda und Vultr abzugrenzen und zugleich mit AWS, Google Cloud und Microsoft Azure zu konkurrieren. Sein Argument: KI-Labore zu gewinnen reicht für ein tragfähiges Geschäft nicht. Unternehmen brauchen ein größeres Software-Ökosystem und Fähigkeiten, die sich schlüsselfertig anfühlen statt zum Selberbauen.
Microsoft ging am selben Tag den entgegengesetzten Weg. Azure Container Apps Express erreichte die allgemeine Verfügbarkeit, meldet InfoQ. Das Bereitstellungsmodell lässt den Schritt der Umgebungsbereitstellung weg und ersetzt den größten Teil der Konfiguration durch feste Voreinstellungen. Es erscheint zusammen mit der allgemeinen Verfügbarkeit von Azure Container Apps Sandboxes, der isolierten Rechenebene, auf der Express läuft. Sandboxes werden aus vorgewärmten Pools bereitgestellt und starten in unter einer Sekunde. Sie isolieren jeden Workload in einer eigenen hardwareisolierten MicroVM-Grenze und unterstützen Suspend und Resume mit vollständiger Zustandsaufnahme. Die Dokumentation von Microsoft, zitiert von InfoQ, stellt fest, dass Express vollständig auf dieser Ebene aufbaut. Sie beschreibt das Produkt als developer-first und agent-first.
KI-gestützte Workflows können Apps weit schneller erstellen und aktualisieren, als irgendjemand Infrastruktur von Hand konfigurieren kann.
Dieser Satz aus der Microsoft-Dokumentation ist die klarste Aussage darüber, warum das Identitätsproblem dringend geworden ist. Wenn Agenten Infrastruktur schneller erstellen und ändern können, als Menschen sie prüfen, muss auch die Governance-Ebene automatisiert werden. InfoQ merkte an, dass Reaktionen auf Reddit darauf hindeuteten, dass das Sandboxes-Primitiv lange vor der Ankündigung im Einsatz war. Ein Kommentator behauptete, es trage zentrale Azure-Dienste einschließlich Foundry Hosted Agents, was Microsofts eigenes Material nicht angibt.
Forschung drückt an beiden Enden
Die Forschungsliteratur der vergangenen Woche zeigt dieselbe Spannung aus verschiedenen Blickwinkeln. Ein am 29. September bei arXiv eingereichtes Paper von Yining Lu, Aurelie Lozano, Xi Yang, Naoki Abe, Yu Deng und Meng Jiang schlägt MoFlow vor. Das Verfahren erzeugt agentische Workflows, die Genauigkeit, Kosten, Latenz, Robustheit und Konsistenz gemeinsam optimieren, statt sich auf einen festen Kompromiss festzulegen. Die Autoren formulieren das Problem als Multi-Objective-Markov-Entscheidungsprozess und lösen es mit Convex-Hull Monte Carlo Tree Search. MoFlow wurde gegen sechs Baselines auf sechs Benchmarks aus Mathematik, Code und Fragebeantwortung geprüft. Es erreichte das höchste durchschnittliche Hypervolumen. Die Autoren räumen ein, dass der Vergleich mit Optimierern für einen einzelnen Skalar schwierig ist, weil diese Baselines für jede Testpräferenz neu liefen, während MoFlow sie nie gesehen hat.
Ein weiteres arXiv-Paper, am 30. September von Tianyu Chen, Mingyuan Zhou und Jiaxing Wu eingereicht, greift den Retrieval-Schritt selbst an. Ihr VHOP-Router trainiert ein Embedding-Modell zu einem autoregressiven mehrstufigen Retriever, der direkt im visuellen latenten Raum arbeitet. Er ruft verknüpfte Bildketten in einem einzigen Tool-Aufruf ab, ohne dass der Agent Zwischentextabfragen formuliert. Die berichteten Ergebnisse sind groß. Die Retrieval-Leistung stieg von unter 5 Prozent auf 76,3 Prozent. Die Erfolgsraten bei Aufgaben verbesserten sich um 52,7 Prozent. Die durchschnittliche Tokenlänge sank um 61 Prozent von 1886 auf 728. Die Bilder im Kontext gingen um den Faktor 23 zurück, die kumulierte API-Nutzlast um den Faktor 35. Eine Verbesserung des Agenten selbst brachte im Vergleich nur 3,7 Prozent.
Ein drittes Paper, am 29. September von Sumit Asthana, Michael Ion und Kevyn Collins Thompson eingereicht, befasst sich mit den synthetischen Daten, mit denen konversationelle Systeme feinabgestimmt werden. Die Autoren argumentieren, dass das direkte Prompten von LLMs Daten mit geringer Vielfalt liefert, die auf dominante Modi zusammenfallen. Sie schlagen vor, Generative Flow Networks auf latenter Gesprächsstruktur zu trainieren, mit einer Gaußschen Mischungsdichte über Interaktionsmerkmale. Bei Tutor- und emotionalen Unterstützungsdialogen berichten sie von einem besseren Gleichgewicht aus Treue, Abdeckung der Modi und Authentizität als bei Reinforcement-Learning- und End-to-End-LLM-Baselines, ohne Trainingsdaten zu kopieren.
Zwei weitere arXiv-Einreichungen aus demselben Zeitfenster sind enger, aber für jeden relevant, der Retrieval im großen Maßstab betreibt. Ein am 26. September von Junoh Kang, Kiseop Lee und Bohyung Han eingereichtes Paper beschreibt ReLOBGen, ein Verfahren zur Erzeugung von Limit-Order-Book-Nachrichten, die konstruktionsbedingt wiedergabefähig sind. Es erreichte 100 Prozent Wiedergabefähigkeit in Rollouts mit 500 Nachrichten und eine 2,7- bis 3,6-fache Beschleunigung pro wiedergegebener Nachricht gegenüber der Baseline LOBS5. Ein am 28. September von Julien Moreau und Marc Lelarge eingereichtes Paper schlägt EnJoi vor, einen diffusionsbasierten Algorithmus zur Datenassimilation, der die gemeinsame Verteilung vergangener und künftiger Zustände lernt. Er zeigt verbesserte Rekonstruktionen bei Simulationen von Fluiden und Verkehrsflüssen, wo Beobachtungen spärlich und nicht homogen sind.
Keines dieser Paper erwähnt unternehmerisches RAG direkt. Ihre Relevanz ist strukturell. Jedes versucht, das Verhalten eines generativen Systems berechenbarer, messbarer oder steuerbarer zu machen. Genau das fehlt laut dem bei The Hacker News veröffentlichten Identitätsframework in den meisten Unternehmensumgebungen.
Die Zahlen darunter
Hardware-Druck verschärft das Problem. Data Center Knowledge berichtete am 24. September, dass optische Frequenzkamm-Generatoren für KI-Verbindungen in Rechenzentren geprüft werden. Sie erzeugen viele gleichmäßig verteilte Wellenlängen aus einem einzigen Pump-Laser statt aus einem Array einzelner Laser. Marcello Girardi, Chief Executive und Mitgründer von Solinide, sagte der Publikation, vier Wellenlängen seien für Laser-Arrays ein gelöstes Problem. Die Schwierigkeit beginne bei acht, und bei 16 begrenze die Bauteilzahl. Steven Estrella, Director of Product Management bei Quintessent, sagte, Kämme verringerten die Zahl der Laser, die für dieselbe Kanalzahl nötig sind. Das bedeute weniger Fehlerquellen und weniger Komplexität bei der Wellenlängensteuerung. Angesichts der aktuellen Knappheit an kontinuierlichen DFB-Lasern auf Indiumphosphid-Basis sei es wichtiger denn je, die Zahl der benötigten Laser zu senken.
Auch die Umweltbilanz wird gezählt. Eine Studie des Fraunhofer-Centers für Silizium-Photovoltaik im Auftrag der Deutschen Rohstoffagentur, über die pv magazine am 1. Oktober berichtete, ergab, dass die bis Ende 2023 in Deutschland installierten Module einen Materialbestand von rund 5.350.000 Tonnen darstellen. Darin enthalten sind 3.850.000 Tonnen Glas, 663.000 Tonnen Aluminium, 208.000 Tonnen Silizium, 53.500 Tonnen Kupfer und 3.900 Tonnen Silber. Der potenzielle Materialwert liegt bei 4.800.000.000 Euro. Bis 2030 könnten mehr als 600.000 Tonnen PV-Abfall anfallen. Doch die erfasste Menge an Altmodulen ging zwischen 2022 und 2024 entgegen den Erwartungen zurück. Die Forscher nennen den Export gebrauchter Module als einen möglichen Grund. 2024 standen mehr als 50.000 Tonnen Recyclingkapazität zur Verfügung, während nur rund 9.300 Tonnen eine Erstverarbeitung durchliefen.
Diese Kluft zwischen installierter Kapazität und tatsächlichem Durchsatz hat eine offensichtliche Parallele in der KI in Unternehmen. Fähigkeiten werden schneller ausgerollt als die Systeme, um sie zu steuern, zu messen und außer Betrieb zu nehmen.
Wo sich die beiden Geschichten treffen
Generative Bionics, das aus dem Istituto Italiano di Tecnologia ausgegründete Start-up, liefert ein konkretes Beispiel dafür, wie schnell Verpflichtungen wachsen. Il Sole 24 ORE berichtete am 1. Oktober, dass das Unternehmen am 4. Dezember 2025 eine Runde über 70.000.000 Euro abschloss, angeführt von Cdp Venture Capital unter anderem mit Beteiligung von Eni Next. Es nahm den Betrieb am 7. Januar auf und stellte im Juli seinen Roboter Gene.01 vor. Es hat ein Vierjahresprogramm mit Fincantieri für einen Schweiß-Humanoiden, dessen erster Einsatz Anfang 2027 erwartet wird. Außerdem gibt es eine neu unterzeichnete Vereinbarung mit Eni zur Prüfung industrieller Kooperationen ausgehend von Gene.01, die Inspektion, Teleoperation, Fernunterstützung und Unterstützung in komplexen Umgebungen umfasst.
Chief Executive Daniele Pucci sagte Il Sole 24 ORE, ein Roboter, der alles könne, könne alles schlecht. Er beschrieb den Ansatz des Unternehmens als gemeinsame Plattform, die auf drei Ebenen angepasst wird: beim KI-Modell, beim äußeren Design und bei Händen und Füßen. Das Unternehmen sagt, es habe diese Strategie erstmals im Februar gestartet und sehe nun andere folgen.
Jedes dieser Einsatzszenarien, vom Schweißen bis zur Krankenhauslogistik, wirft dieselbe Frage auf, die das Identitätsframework stellt: Wer haftet, wenn der Agent außerhalb seiner genehmigten Aufgabe handelt? Die Antwort kann laut dem Framework nicht allein aus der Prüfung der Konfiguration kommen. Sie muss aus Telemetrie zur Laufzeit kommen, und die meisten Unternehmen haben diese Fähigkeit noch nicht aufgebaut.
Die Nachfrage anderswo lässt nicht nach. PopWheels, ein Start-up aus Brooklyn, testet laut Canary Media ein Batteriewechselmodell für Imbisswagen in New York, das Generatoren mit fossilen Brennstoffen ersetzt. Es läuft ein sechsmonatiger Pilotversuch, im Juli gestartet, mit zwei Ladeschränken im Flushing Meadows Corona Park und 10 teilnehmenden Händlern. Der Pilotversuch wird mit 46.000 Dollar von der City Parks Foundation und 30.900 Dollar von Resilient Cities Catalyst unterstützt. Händler William Arevalo sagte der Publikation, sein Generator koste monatlich rund 500 bis 600 Dollar an Brennstoff. Das Unternehmen verlangt von Lieferboten bereits zwischen 65 und 95 Dollar im Monat für den Zugang zu E-Bike-Akkus aus mehr als 45 Schränken in der ganzen Stadt.
Günstigere, sauberere Infrastruktur trifft weiter ein. Die Governance-Ebene hinkt weiter hinterher.
Quellen
14- 01China's generative AI user base crosses 700 million, covering over half the populationEN
- 02IAM for AI agents: A Practical Enterprise FrameworkEN
- 03CoreWeave Targets Enterprises with Forge PlatformEN
- 04Container Apps Express Reaches GA on a Newly Generally Available Sandbox LayerEN
- 05Enterprises Adopt Colocation for AI and Hybrid Cloud InitiativesEN
- 06The Role of Optical Frequency Comb Generators in AI Data CentersEN
- 07MoFlow: Multi-Objective Agentic Workflow GenerationEN
- 08Learning to Route in Visual Space via Multi-Step Embedding RetrievalEN
- 09Beyond Mode Collapse: Generating Diverse Synthetic Expert Conversations via Generative Flow NetworksEN
- 10ReLOBGen: Replayable Limit Order Book Message GenerationEN
- 11EnJoi: Ensemble Joint Score Filter for Generative Data AssimilationEN
- 12Germany could generate over 600,000 tonnes of PV module waste by 2030EN
- 13This startup helps food carts switch loud, dirty generators for batteriesEN
- 14Generative Bionics, la start up che in meno di un anno ha stretto accordi con Eni e FincantieriEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.