Technologie
Was 221 Guards, 79 Skills und ein Score von 9.8 im Agent OS bedeuten
Stand 08.11.2026. Alle Zahlen beziehen sich auf dieses Datum und sind im Vault nachprüfbar.
Was ein Chatbot nicht kann
ChatGPT beantwortet Fragen. Copilot schlägt Code vor. Das ist nützlich. Aber es ist kein System.
Ein System hat Zustand. Ein System hat Regeln. Ein System hat Konsequenzen, wenn jemand eine Regel bricht. Ein System läuft weiter, wenn niemand zusieht.
Mein Agent OS tut genau das. Am 08.11.2026 hat es sich selbst bewertet: 9.8 von 10 über zehn Kategorien. Nicht weil ich es so eingestellt habe. Sondern weil jede Kategorie messbare Belege hat, die im Vault liegen.
Die Architektur in Zahlen
| Komponente | Anzahl | Funktion |
|---|---|---|
| Docker-Container | 78 | Laufende Services auf einem Server |
| Guard-Dateien | 221 | Automatische Prüfregeln für jeden Befehl |
| Skills | 79 | Spezialisierte Agenten-Fähigkeiten mit Learnings |
| Cron-Jobs | 290 | Automatisierte Hintergrundprozesse |
| Domänen-Queues | 13 | Thematische Aufgabenverteilung |
| Vault-Dateien | 31.642 | Indexiertes Organisationsgedächtnis |
| RAG-Chunks | 168.581 | Durchsuchbare Wissensfragmente |
| Enforcement-Rate | 96 % | Automatisch durchgesetzte Regeln |
Das ist kein Prompt-Engineering. Das ist Infrastruktur.
Was 9.8 von 10 konkret bedeutet
Zehn Kategorien, jede einzeln bewertet. Die Methodik: Jede Kategorie hat dokumentierte Maßnahmen mit messbarem Ergebnis. Das Scoring basiert auf ausgeführten Befehlen und nachprüfbaren Resultaten, nicht auf Selbsteinschätzung.
Vier Kategorien bei 10.0: Kosteneffizienz (jeder Euro wird verfolgt), Wissensbasis (jedes Wissen wird indexiert), Developer Experience (ein Befehl startet jeden Workflow), Task-Orchestrierung (jede Aufgabe wird automatisch verteilt).
Sechs Kategorien über 9.5: Autonomie 9.8, Skalierbarkeit 9.8, Guards 9.7, Infrastruktur 9.7, Security 9.5, Content-Pipeline 9.5.
Die Lücken sind dokumentiert und priorisiert. Jede hat einen Verantwortlichen, einen Aufwand und eine Deadline. Der Weg von 9.8 auf 10.0 ist konkret geplant.
Der Distributor bündelt 13 Domänen in einem Eingang
Jeder Link, jede E-Mail, jedes Follow-up, das in das System kommt, läuft durch einen Distributor. Er erkennt das Thema und leitet es an die richtige Domänen-Queue weiter:
- Security-Funde an den IT-Audit-Ordner
- Content-Ideen an die Post-Queue
- Video-Aufträge an die Reel-Pipeline
- Golf-Features an die Entwicklung
- Vertrags-Follow-ups an die Sales-Queue
166 Follow-ups hat der Distributor bei seinem ersten Lauf verteilt. In 13 verschiedene Fachordner. Automatisch. Ohne menschliches Eingreifen.
Vorher landete alles in einem Ordner. Jetzt hat jede Domäne ihre eigene Queue, ihren eigenen Rhythmus, ihre eigenen Agenten.
Was passiert, wenn etwas ausfällt
Wenn ein Docker-Container verschwindet, startet ein Watchdog den Ersatz aus dem letzten lokalen Image. Wenn ein Deployment fehlschlägt, blockiert ein Guard den nächsten Push, bis die Ursache geklärt ist. Wenn ein Agent behauptet, etwas sei erledigt, verlangt ein anderer Guard den Beleg.
221 Guards klingt nach Bürokratie. In der Praxis ist es das Gegenteil.
Jeder Guard existiert, weil ohne ihn ein konkreter Fehler passiert ist. Kein einziger wurde theoretisch entworfen. Jeder ist aus einem Vorfall entstanden und hat seitdem den gleichen Fehler verhindert.
96 Prozent aller Regeln werden automatisch durchgesetzt. Die restlichen vier Prozent brauchen menschliches Urteil. Das System weiß, welche das sind.
Wie das System im Crystallization-Loop lernt
Das Besondere an diesem Agent OS ist nicht, dass es Regeln hat. Es ist, dass es neue Regeln aus Erfahrung erzeugt.
Der Prozess heißt Crystallization-Loop und funktioniert so:
- Ein Agent macht einen Fehler oder findet eine bessere Lösung
- Die Erfahrung wird als Learning im zuständigen Skill gespeichert
- Beim nächsten Mal lädt der Skill das Learning automatisch
- Wenn sich ein Learning über mehrere Sessions bewährt, wird es zur permanenten Regel
Aktuell hat das System 135 Learnings und 121 kristallisierte Regeln. Keine davon wurde manuell geschrieben. Jede ist aus der Arbeit der Agenten entstanden.
Warum das kein Standard ist
Ich kenne kein vergleichbares Setup. Nicht bei Startups, nicht bei Konzernen, nicht bei den großen Cloud-Anbietern. Die meisten Unternehmen nutzen KI als Plugin: eine API hier, ein Chatbot dort. Einzelne Werkzeuge für einzelne Aufgaben.
Was ich gebaut habe, ist ein KI-Betriebssystem. Agenten, die spezialisiert sind. Guards, die sie kontrollieren. Skills, die aus Erfahrung lernen. Pipelines, die Aufgaben ohne menschliches Eingreifen abarbeiten. Und ein Scoring, das den Zustand des Ganzen in Echtzeit misst.
Der Unterschied ist nicht besser oder schlechter. Es ist eine andere Kategorie. Wie der Unterschied zwischen einem Taschenrechner und einem ERP-System.
Was das für Ihr Unternehmen bedeutet
Sie brauchen kein Agent OS mit 221 Guards. Aber Sie brauchen wahrscheinlich ein System, das:
- Fehler verhindert, statt sie zu wiederholen
- Aufgaben verteilt, statt sie zu vergessen
- Seine eigene Qualität misst, statt auf Feedback zu warten
- Auf deutschen Servern läuft, mit Datenverarbeitung in der EU
- DSGVO und EU AI Act erfüllt, ohne Nachbesserung
Das ist der Kern meiner Arbeit als KI-Stratege und Interim-KI-Manager: Nicht ein Modell empfehlen. Sondern ein System bauen, das zu Ihren Prozessen passt. Mit der Komplexität, die Ihr Unternehmen braucht.
Nicht mehr. Nicht weniger. Auf deutschen Servern, ausgelegt auf DSGVO und EU AI Act.