Agenten-Frameworks im Wandel: Die Schnittstelle schützt nicht mehr das Modell, sondern unsere Aufmerksamkeit

Modellgewichte verschlingen die Softwarehüllen

Die erste Generation von KI-Agenten stützte sich auf externe Logik. ChatGPT konnte 2022 nicht selbstständig Werkzeuge verwenden, das Web durchsuchen oder Schritte planen. Externe Frameworks und komplexe Harness-Strukturen wie LangChain und ReAct mussten diese Fähigkeiten bereitstellen. Sie dienten als Gerüst für die rohe Kraft der Tokenvorhersage.

Die Analyse von Latent Space zeigt jedoch, dass sich dieses Verhältnis umkehrt. Modelle nehmen Fähigkeiten der Hüllen direkt in ihre Gewichte auf. Mit nativen Funktionsaufrufen und internen Planungsschleifen brauchen sie keinen externen Code mehr, der ihnen das Entscheiden beibringt. Entwickler können Tausende Zeilen Steuerlogik löschen, weil das Modell sie bereits durch das Training verinnerlicht hat.

API-Abstraktionen weichen wieder dem reinen Text

Dieser Wandel vereinfacht die Entwicklung von Agenten deutlich. Statt API-Aufrufe über mehrere Abstraktionsebenen komplex zu verketten, kehrt die Entwicklung zu direktem Prompting und der Bereitstellung von Kontext zurück.

Früher entwarf der Entwickler einen Logikbaum. Heute bereitet er eher Daten und Kontextspuren vor, denen das Modell selbst folgt. Das setzt Anbieter von Frameworks massiv unter Druck, deren zentraler Wert in der Orchestrierung einzelner Schritte lag. Kann das Modell sich selbst orchestrieren, werden ihre Werkzeuge zu unnötigem Ballast.

Die Schnittstelle dient Menschen, nicht Maschinen

Je selbstständiger Modelle werden, desto stärker verändert sich die Rolle der verbliebenen Softwarehülle. Agenteninfrastruktur gibt dem Modell nicht mehr erst einen Körper im digitalen Raum. Sie soll vielmehr dem Menschen ermöglichen, mit diesem Körper Schritt zu halten.

Neue Frameworks konzentrieren sich auf das Filtern von Aufmerksamkeit, die Freigabe von Aktionen, die Visualisierung interner Modellüberlegungen und Audit-Trails. Sie werden zur Schnittstelle zwischen eigenständig handelnder künstlicher Intelligenz und begrenzter menschlicher Aufmerksamkeit, die wissen muss, wann sie eingreifen und wann sie den Agenten weiterarbeiten lassen soll.

Es wird sich zeigen, wer für leere Frameworks bezahlt

Der künftige Wettbewerb wird sich nicht darum drehen, wer eine bessere Steuerungsschleife für ein LLM schreibt. Entscheidend wird sein, wer das beste Enterprise-Dashboard zur Überwachung Tausender Mikroentscheidungen anbietet. Frameworks, denen der Wechsel von der Steuerung von Maschinen zur Steuerung von Menschen und ihren Berechtigungen nicht gelingt, werden bald keine Kunden mehr finden.

Liliths Urteil

Früher schrieben wir Code, um aus dummen Modellen kluge Agenten zu machen. Heute schreiben wir Code, um diesen klugen Agenten einen sicheren Sandkasten zu bauen, bevor sie unsere Datenbank sprengen.