Auf einen Blick: Agentic Fabric adressiert die Herausforderung des Vertrauens in KI-Agenten, indem es kontrollierte Ausführung und Governance systemübergreifend durchsetzt. Es schafft einen Rahmen zur Verwaltung von Agentenaktionen und stärkt das operative Vertrauen durch etablierte Protokolle.
Agentic Fabric ist entscheidend für die Verwaltung der zunehmenden Zahl von KI-Agenten in Unternehmen.
Disziplin in der Ausführung stellt sicher, dass Agenten unter Aufsicht arbeiten und Verantwortlichkeit und Rückverfolgbarkeit aufrechterhalten.
CIOs und Betriebsleiter haben eine Sorge gegenüber KI-Agenten, die die anderen übertrifft. Ein Agent verändert ein Produktionssystem, und niemand kann sagen, wer die Änderung genehmigt hat oder wie sie rückgängig gemacht werden kann. Das agentische Gewebe ist die Antwort der Branche, und der Großteil der Diskussion darüber behandelt Discovery, Governance und Koordination. Der Teil, der entscheidet, ob ein Agent zum Handeln vertraut wird, ist die Ausführungsdisziplin, und sie erhält am wenigsten Aufmerksamkeit.
Das Stoffgespräch dreht sich um die Agenten selbst. Wie viele es gibt, was sie erreichen können, wem sie gehören, wie sie an Zugangsdaten gelangen. Das sind berechtigte Fragen, und in den meisten Unternehmen sind die Antworten längst überfällig. Aber Betriebsteams vertrauen einem Prozess nicht. Sie vertrauen den Kontrollen darum herum und dem Datensatz, den er hinterlässt, wenn etwas schiefgeht. Dieser Standard gilt für geplante Aufträge, für Skripte, für Integrationen, an die sich niemand erinnert, geschrieben zu haben. Ich sehe keinen Grund, warum sich das für Agenten ändern sollte.
Das Problem ist das agentische Gewebe dazu gedacht, das Problem zu lösen
Agentic Fabric ist eine Kategorie, kein Produkt. Der Begriff beschreibt die architektonische Schicht, die KI-Agenten verbindet, steuert und beobachtet, während sie systemübergreifend, Daten und untereinander arbeiten. Die dahinterstehende Sorge ist berechtigt. Agenten kommen über Produktivitätssuiten, SaaS-Plattformen, abteilungsübergreifende Initiativen und interne Entwicklungsteams, und nur wenige Organisationen können sie genau zählen. Gartner prognostiziert , dass das durchschnittliche globale Fortune-500-Unternehmen bis 2028 mehr als 150.000 Agenten im Einsatz haben wird, gegenüber weniger als 15 im Jahr 2025, und berichtet, dass nur 13 % der Organisationen glauben, die richtige KI-Agenten-Governance zu haben. [1] In diesem Maßstab werden Discovery, Berechtigungen und Sichtbarkeit zu Basisanforderungen.
Die Schwierigkeit besteht darin, dass der Begriff je nach Nutzer eine unterschiedliche Bedeutung trägt, und mehrere Anbieter inzwischen ähnliche Namen an eigene Produkte verwenden. Identitätsanbieter beschreiben eine Identitätskontrollebene für Agenten. Integrationsplattformen beschreiben ein Register und einen Broker. Produktivitätssuiten beschreiben eine Konsole für die Agenten innerhalb ihrer eigenen Anwendungen. Jedes Konto ist teilweise korrekt, und jedes fügt eine Schicht hinzu, die die Betriebsteams mit den bereits betriebenen Systemen abgleichen müssen. Kein einzelnes Produkt ist die Kategorie. Ein Gewebe, das den Namen verdient, deckt alles ab, einschließlich des Teils, der entscheidet, ob ein Agent handelt.
Ein Register legt fest, welche Agenten existieren und worauf sie Zugriff haben, aber nicht, ob die von einem Agent verrichtete Arbeit hätte stattfinden sollen oder wie diese Arbeit rückgängig gemacht werden kann, falls nicht.
Woher das operative Vertrauen kommt
Betrachten wir eine Bank nach Geschäftsschluss. Ihre Systeme posten die Transaktionen des Tages, gleichen die Konten ab und bereiten die regulatorischen Berichte vor, die bis zum Morgen fertig sein müssen. Niemand überprüft jeden Schritt, und es wird von niemand erwartet. Jeder Auftrag beginnt erst, wenn seine Eingaben vorhanden sind. Er wartet auf Upstream-Arbeiten, erreicht oder verpasst ein definiertes Servicelevel, stoppt, wenn eine Bedingung fehlschlägt, und hinterlässt einen Datensatz, der vollständig genug ist, um jedes Ergebnis zu rekonstruieren. Der Auftrag kann einfach oder ausgeklügelt sein. Das Vertrauen liegt in der Ausführung, die jeden Auftrag umgibt.
Agenten ändern den Arbeiter, ohne dieses Prinzip zu ändern. Ein Agent begründet, wo ein Skript Anweisungen befolgt, und diese Flexibilität ist der Grund, warum Teams zögern, Agenten handeln zu lassen. Die Lösung besteht darin, Agentenaktionen in die Ausführungsdisziplin zu bringen, die bereits die von ihnen beeinflussten Systeme steuert. Diese Disziplin setzt Bedingungen, die ein Schritt erfüllen muss, bevor sie ausgeführt wird, verlangt eine Genehmigung, wo die Konsequenzen es erfordern, und unterstützt die Wiederherstellung, wenn ein Ergebnis falsch ist. Sie führt auch eine Audit-Spur, die dokumentiert, was lief, auf wessen Autorität und warum. Diese Disziplin ist der Ursprung des operativen Vertrauens und gilt für Agenten wie für alles andere in der Produktion.
Was Mainframe-Praktiker uns sagen
Warum akzeptieren Praktiker eine KI-Empfehlung, zögern aber, KI sie ausführen zu lassen? Die für die kritischsten Systeme verantwortlichen Teams haben jedes Jahr mit einer deutlicheren Grenze geantwortet. In der BMC Mainframe Survey 2026 mit mehr als 1.300 Praktikern und Entscheidungsträgern stieg die Bereitschaft, KI eine Aktion empfehlen zu lassen, in jeder der drei operativen Aufgaben, die die Umfrage verfolgt, Jahr für Jahr und die Bereitschaft, KI die Aktion ausführen zu lassen, sank in jeder dieser Aufgaben. Datenbankreorganisationen zeigen das Muster am deutlichsten. In einem Jahr stieg der Anteil der Praktiker, die eine KI-Empfehlung begrüßen, von 37 % auf 43 %. Im gleichen Zeitraum sank der Anteil der KI von 27 % auf 21 %. Problemdiagnose erzählt eine ähnliche Geschichte: Die Empfehlung stieg auf 41 %, während die Fertigstellung auf 23 % sank. Codemanagement, eine neuere Fragestellung, befindet sich in ähnlicher Situation. Dort sind 40 % bereit, eine Empfehlung anzunehmen, und nur 23 % sind bereit, KI sie umsetzen zu lassen. [2] Der Bericht zieht selbst die Schlussfolgerung. Die Bereitschaft, KI für Aktionen einzusetzen, geht zurück und wird ersetzt durch eine Präferenz für KI, die Empfehlungen gibt, und einen menschlichen Betreiber, der handelt.
Diese Ergebnisse werden manchmal als Zurückhaltung gedeutet. Ich lese sie als eine Grenze, die Praktiker bewusst gesetzt haben. Eine Empfehlung fordert sie auf, dem Modell zu vertrauen. Die Ausführung verlangt von ihnen, den Kontrollen rund um die Aktion zu vertrauen, und genau diese Kontrollen fehlen bei den meisten Agenteneinsätzen immer noch. Sie akzeptieren die Ratschläge der KI jedes Jahr leichter und lassen sie diese nicht umsetzen, bis die Ausführung dieselben Kontrollen wie alle anderen Produktionsmaßnahmen enthält. Die gleiche Umfrage ergibt, dass 36 % der Befragten planen, in die Erstellung von Agenten zur Verwaltung des Großrechners zu investieren. Die Absicht ist klar. Was noch ungeklärt bleibt, ist, wie man von der Empfehlung zur Aktion übergeht, ohne die Standards, die diese Systeme am Laufen halten, zu senken.
Erweiterung der Autonomie in Etappen
Kein Unternehmen gewährt einem neuen Mitarbeiter am ersten Tag uneingeschränkten Produktionszugang, und Agenten verdienen dieselbe Vorsicht. Gartner warnt , dass die Anwendung einheitlicher Governance auf jeden Agenten, unabhängig von dessen Autonomie und Umfang, zum Scheitern führen kann. Es prognostiziert, dass bis 2027 40 % der Unternehmen autonome Agenten degradieren oder außer Dienst stellen werden, sobald Governance-Lücken bei Produktionsvorfällen auftreten. [3] Die Anwendung derselben Beschränkungen auf jeden Agenten verzögert, für den die Value-Agenten existieren. Jedem Agenten dasselbe Vertrauen zu gewähren, lädt den Vorfall ein, der das Programm beendet.
Die Ausführung stellt die Zwischenposition dar. Ein einzelner Workflow kann es einem Agenten ermöglichen, bei einem risikoarmen Schritt ohne Überprüfung zu handeln, für den nächsten eine menschliche Genehmigung zu benötigen und einen dritten für die Inspektion zurückzuhalten, bis die Akte des Agenten mehr Spielraum rechtfertigt. Beweise aus jedem erfolgreichen Durchlauf können diese Entscheidung beeinflussen, genauso wie ein neuer Ingenieur im Laufe der Zeit Zugang zur Produktion erhält. Dieser Spielraum kann genauso schnell entzogen werden, wenn etwas schiefgeht, da die Kontrollen im Workflow und nicht im Agenten liegen.
Agenten in die bestehende Kontrollebene bringen
Nur wenige Organisationen wollen ein separates Betriebsmodell für Agenten neben dem, das bereits ihre Anwendungen, Datenpipelines und Infrastruktur koordiniert. Aus architektonischer Sicht würde ich von einem separaten Modell abraten. Eine zweite Kontrollebene ist ein zweiter Ort, an dem die Politik driftet, ein zweiter Satz von Zugangsdaten zu schützen und eine zweite Audit-Spur, die abgestimmt werden muss, wenn ein Prüfer fragt, was passiert ist. Der nachhaltigere Ansatz behandelt Agenten als einen weiteren Teilnehmer an den Workflows, die Unternehmen bereits orchestrieren, unterliegend denselben Abhängigkeiten, Servicelevels und Auditanforderungen wie alles andere.
Die Frage, die man vor der Auswahl eines Stoffes stellen sollte
Agentic Fabric ist eine Kategorie, und der Markt wird weiterhin Produkte hinzufügen. Die Anforderung hinter der Kategorie wird sich nicht ändern, und sie ist eine Ausführungsanforderung. Agentic Fabric hilft Unternehmen, Agenten zu entdecken, zu steuern und zu koordinieren. Die damit verbundene Ausführungsdisziplin bestimmt, ob diese Agenten genug Vertrauen haben, um zu handeln. Wenn diese Kontrollen unabhängig von einem einzelnen Agenten funktionieren, können sie auf jeden Agenten konsistent angewendet werden, unabhängig davon, wie er gebaut wurde. Die Autonomie kann sich erweitern, wenn sich die Beweise ansammeln, und jeder Schritt kann widerrufen werden, wenn sich Risiken ändern. Agenten gehören in die Kontrollebene, die ein Unternehmen bereits betreibt, weil eine neue Schicht Abstimmungsarbeit hinzufügt und die bestehende bereits die Arbeit verantwortlich macht.
Execution Discipline ist eine Praxis, die Unternehmen seit Jahrzehnten verfolgen. Die bevorstehende Arbeit besteht darin, sie auf eine neue Art von Arbeiter auszuweiten. Bevor ich ein Gewebe auswähle, würde ich der Arbeit selbst eine anspruchsvollere Frage stellen. Wenn ein Agent auf ein kritisches System handelt, kann die Organisation zeigen, was lief, worauf es angewiesen war, wer es genehmigt hat und wie man es bei Bedarf rückgängig machen oder eindämmen kann? Organisationen, die mit Ja antworten können, gewähren Agenten mit Zuversicht Autonomie. Die anderen behalten KI in einer beratenden Rolle, nicht weil die Modelle unzureichend sind, sondern weil die Ausführung unzureichend ist.
Für BMCs Sicht auf die Kategorie der agentischen Stoffe siehe When It Comes to Agentic Fabric, What's Interesting, Important, and Immediate?
Für die vollständigen Erkenntnisse darüber, wo Mainframe-Praktiker die Grenze zwischen KI-Empfehlung und KI-Umsetzung ziehen, siehe den BMC Mainframe Survey Report 2026.
[1]: Gartner, "Gartner identifiziert sechs Schritte zur Verwaltung der KI-Agenten-Ausbreitung", Pressemitteilung, 28. April 2026. https://www.gartner.com/en/newsroom/press-releases/2026-04-28-gartner-identifies-six-steps-to-manage-artificial-intelligence-agent-sprawl
[2]: BMC Software, 2026 BMC Mainframe Survey Report, "Wie KI die nächste Ära der Mainframe-Transformation antreibt", S. 4, 7 und 9. https://www.bmc.com/info/mainframe-survey.html
[3]: Gartner, "Gartner sagt, dass die Anwendung einheitlicher Governance bei KI-Agenten zum Versagen von Enterprise-KI-Agenten führen wird", Pressemitteilung, 26. Mai 2026. https://www.gartner.com/en/newsroom/press-releases/2026-05-26-gartner-says-applying-uniform-governance-across-ai-agents-will-lead-to-enterprise-ai-agent-failure
Diese Beiträge sind meine eigenen und spiegeln nicht unbedingt die Position, Strategien oder Meinung von BMC wider.