Neue Plattform für KI-Agenten: Databricks stellt Agent Bricks vor

KI-Agenten im Unternehmenseinsatz: Databricks präsentiert Lösungen für den Produktivbetrieb

Die Transformation von experimentellen KI-Prototypen hin zu stabilen, kosteneffizienten und produktiven Anwendungen stellt viele Unternehmen vor erhebliche Herausforderungen. Databricks hat auf der Data+AI World Tour in München und dem Data + AI Summit in San Francisco neue Strategien und Werkzeuge vorgestellt, die diesen Übergang erleichtern sollen. Im Mittelpunkt steht hierbei die Plattform Agent Bricks, die darauf abzielt, die Entwicklung und den Betrieb von KI-Agenten zu standardisieren und zu optimieren.

Die Herausforderung: Von der Idee zur Produktivität

Die Implementierung von Künstlicher Intelligenz in Unternehmensprozessen scheitert oft nicht an der technischen Machbarkeit per se, sondern an Faktoren wie unzureichender Datenqualität, fehlender Governance und hohen Betriebskosten. Diese Hindernisse verhindern, dass viele vielversprechende KI-Projekte den Sprung vom Proof-of-Concept in den skalierbaren Produktivbetrieb schaffen. Databricks adressiert diese Problematik mit einem umfassenden Ansatz, der auf einer robusten Dateninfrastruktur und spezifischen Werkzeugen für KI-Agenten aufbaut.

Agent Bricks: Eine Plattform für vielfältige Anwendungsfälle

Agent Bricks bietet eine integrierte Umgebung zur Erstellung, Evaluierung und Orchestrierung von KI-Agenten. Diese Plattform wurde konzipiert, um verschiedene Nutzergruppen anzusprechen und unterschiedliche Bedürfnisse zu erfüllen:

• Agentic AI Functions: Diese Funktionen richten sich an Data Engineers, die KI-gestützte Datenumwandlungen, wie die Analyse von Dokumenten oder Log-Dateien, direkt in bestehende Datenpipelines integrieren möchten.
• Declarative Agents: Ein Low-Code-Ansatz, der es Anwendern ermöglicht, Agenten mittels natürlicher Sprache und vordefinierter Vorlagen zu definieren und zu testen, was den Zugang zu KI-Entwicklung vereinfacht.
• Custom-Code Agents: Für Entwickler, die spezifische Frameworks wie LangChain oder fortgeschrittene Modelle wie GPT-5, Claude, Llama oder Gemini nutzen möchten, bietet Databricks eine flexible Infrastruktur.

Die Plattform zielt darauf ab, die Qualität, Governance und Orchestrierung von KI-Agenten zu verbessern. Dies umfasst spezifische Funktionen und Erweiterungen:

• ai_parse_document: Eine Funktion zur Extraktion strukturierter Informationen aus unstrukturierten Texten und PDFs, was die automatisierte Analyse von Verträgen oder technischen Berichten ermöglicht.
• MLflow 3.0 für Agent Observability: Eine Erweiterung des MLflow-Tools, die Funktionen zur Beobachtung und Bewertung von Agenteninteraktionen protokolliert. Dies soll die Nachvollziehbarkeit von Performance und Qualität sicherstellen.
• AI Gateway und MCP-Katalog: Diese Komponenten bieten Kontrolle und Auditierbarkeit für externe Modelle und Tools. Unternehmen können API-Aufrufe zentral verwalten, limitieren und abrechnen, was die Transparenz bei Kosten und Compliance erhöht.
• Multi-Agent Supervisor: Ermöglicht die Koordination und Zusammenarbeit mehrerer spezialisierter Agenten, um komplexe Geschäftsprozesse automatisiert abzubilden.

Datenqualität als Fundament für vertrauenswürdige KI

Databricks betont nachdrücklich die strategische Priorität der Datenqualität, die dem Lakehouse-Konzept zugrunde liegt. Die Data Intelligence Platform, als Weiterentwicklung dieses Konzepts, soll ein stabiles Fundament für vertrauenswürdige KI schaffen. Der zentrale Baustein hierbei ist der Unity Catalog, der die Verwaltung von Datenquellen, Zugriffsrechten und der Datenherkunft (Lineage) übernimmt.

Die Aussage "Governance by Design – Datenmanagement darf keine nachträgliche Flickarbeit sein" unterstreicht die Philosophie von Databricks. Dies bedeutet, dass eine solide Dateninfrastruktur und -governance von Anfang an in die KI-Strategie integriert werden müssen. Die Integration mit der SAP Business Data Cloud, die eine live und bidirektionale Einbindung von SAP-Daten über Delta Sharing ermöglicht, ist ein Beispiel dafür, wie Unternehmensdaten ohne Replikation für KI-Anwendungen nutzbar gemacht werden können. Dies erlaubt die Kombination von Finanz-, Produktions- oder Lieferkettendaten mit externen Quellen für Prognosen oder Risikoanalysen.

Wettbewerbslandschaft und strategische Positionierung

Im Vergleich zu Anbietern wie Microsoft und SAP, die sich auf spezifische Anwendungsszenarien konzentrieren, oder OpenAI, das die Entwicklung großer Sprachmodelle vorantreibt, positioniert sich Databricks mit einem Fokus auf offene, herstellerneutrale Daten- und Governance-Architekturen. Damit konkurriert das Unternehmen mit anderen Plattformanbietern wie Snowflake, ServiceNow und Microsoft (Azure Fabric) um Unternehmen, die KI systematisch und skalierbar in ihre bestehenden Datenlandschaften integrieren möchten.

Der Erfolg dieses Ansatzes hängt maßgeblich davon ab, wie gut die neuen Tools in der Praxis die Komplexität und Kosten der KI-Implementierung reduzieren und gleichzeitig die erforderliche Qualität und Governance gewährleisten können.

Architektur und Funktionsweise von KI-Agenten

KI-Agenten unterscheiden sich von traditionellen KI-Systemen durch ihre Fähigkeit, autonom mit ihrer Umgebung zu interagieren, relevante Daten zu sammeln und eigenständig Aufgaben zur Erreichung vordefinierter Ziele auszuführen. Während Menschen die Ziele festlegen, bestimmen die Agenten den optimalen Weg zur Zielerreichung. Die Funktionsweise basiert auf drei fundamentalen Prinzipien:

• Wahrnehmung: Der Agent erfasst den Kontext oder die Umgebung, beispielsweise durch Texteingaben, Sensordaten oder visuelle Informationen.
• Entscheidungsfindung: Basierend auf den gesammelten Informationen und internen Algorithmen trifft der Agent Entscheidungen über die notwendigen Schritte und die zu verwendenden Tools.
• Aktion: Der Agent führt die entsprechende Aktion aus, die von physischen Bewegungen bis hin zur Generierung von Empfehlungen oder der Klassifizierung von Daten reichen kann.

Es existieren verschiedene Arten von KI-Agenten, die sich in ihrer Komplexität und Autonomie unterscheiden:

• Einfache Reflex-Agenten: Treffen Entscheidungen basierend auf aktuellen Bedingungen ohne Berücksichtigung der Historie.
• Modellbasierte Reflex-Agenten: Berücksichtigen ein internes Modell ihrer Umgebung für die Entscheidungsfindung.
• Zielbasierte Agenten: Planen spezifische Strategien zur Erreichung vordefinierter Ziele.
• Dienstprogramm-basierte Agenten: Bewerten die Effizienz verschiedener Wege zum Ziel und wählen den optimalen.
• Lernende Agenten: Verbessern ihre Leistung kontinuierlich durch das Lernen aus vergangenen Handlungen.
• Hierarchische Agenten: Organisiert in Ebenen, wobei übergeordnete Agenten komplexe Aufgaben in Teilaufgaben zerlegen und delegieren.
• Multi-Agenten-Systeme: Gruppen von KI-Agenten, die kommunizieren und zusammenarbeiten, um komplexe Probleme gemeinsam zu lösen.

Vorteile und Schlüsselkomponenten der KI-Agenten-Architektur

Der Einsatz von KI-Agenten bietet Unternehmen mehrere Vorteile:

• Effizienz und Automatisierung: Agenten automatisieren sich wiederholende Aufgaben und ermöglichen es Mitarbeitenden, sich auf strategischere Tätigkeiten zu konzentrieren.
• Kosteneffizienz: Durch die Reduzierung manueller Arbeit sinken Betriebskosten und die Präzision steigt.
• Verbesserung der Personalisierung: KI-Agenten lernen aus Benutzerverhalten und Präferenzen, um personalisierte Interaktionen und Empfehlungen zu bieten.

Die Architektur eines KI-Agenten umfasst typischerweise folgende Komponenten:

• Wahrnehmung: Sensoren erfassen Daten aus der Umgebung, sei es physisch oder digital.
• Knowledge Base: Das Gedächtnis und Weltverständnis des Agenten, das Entscheidungen beeinflusst.
• Argumentation: Algorithmen, regelbasierte Systeme oder Machine-Learning-Modelle, die fundierte Entscheidungen treffen.
• Lernen: Die Fähigkeit, aus Erfahrungen zu lernen und die Entscheidungsfindung kontinuierlich zu verbessern.
• Aktion: Die Ausführung der getroffenen Entscheidung in der Umgebung.

Best Practices und Implementierungsstrategien

Für eine erfolgreiche Implementierung von KI-Agenten mit Databricks sind bestimmte Schritte und Best Practices zu beachten:

• Problemdefinition: Klare Ziele und Anwendungsfälle sind entscheidend für die Effektivität des Agenten.
• Datenaufbereitung: Hochwertige Daten sind die Grundlage für zuverlässige Agenten. Databricks bietet Werkzeuge zur Datenspeicherung, -bereinigung und -aktualisierung.
• Modellwahl und -training: Die Auswahl des richtigen KI-Modells und dessen Training mit geeigneten Datensätzen ist essenziell. Databricks unterstützt hierbei mit MLflow, AutoML und Integrationen zu LLMs.
• Orchestrierung: Databricks Workflows ermöglichen die Automatisierung und Überwachung komplexer Agenten-Workflows.
• Integration: Nahtlose Integration in bestehende Geschäftsprozesse mittels REST APIs, Webhooks und Container-Deployment.
• Modularer Aufbau: Agenten sollten als Zusammenspiel spezialisierter Module konzipiert werden, um Wartbarkeit und inkrementelle Verbesserungen zu fördern.
• Multi-Agenten-Systeme: Für komplexe Aufgaben empfiehlt sich die Entwicklung von Multi-Agenten-Systemen mit Koordinationsschichten und hierarchischen Strukturen.
• Kontinuierliches Lernen: Implementierung von Feedback-Loops, Online Learning und A/B-Tests zur stetigen Verbesserung.
• Sicherheit und Governance: Robuste Sicherheitsmaßnahmen, Zugriffssteuerung (Unity Catalog), Audit-Logs und Modell-Governance sind unerlässlich.
• Kostenoptimierung: Autoscaling, Compute-Isolierung und effiziente Engine-Technologien helfen, die Betriebskosten zu kontrollieren.

Die Zukunft der KI-Agenten

Die kontinuierliche Weiterentwicklung der KI-Technologien und die zunehmende Integration mit anderen Bereichen wie dem Internet der Dinge (IoT) versprechen ein noch größeres Potenzial für KI-Agenten. Sie werden sich von reinen Effizienzwerkzeugen zu kreativen Werkzeugen entwickeln, die neue Ideen und Inhalte generieren können. Mit dieser Entwicklung gehen jedoch auch ethische und regulatorische Fragen einher, die Transparenz, Datenschutz und die Vermeidung von algorithmischen Verzerrungen betreffen.

Databricks positioniert sich als ein Unternehmen, das die nötigen Werkzeuge und die Infrastruktur bereitstellt, um diese Herausforderungen zu meistern und Unternehmen dabei zu unterstützen, KI-Agenten sicher, effizient und verantwortungsvoll in den Produktivbetrieb zu überführen.

Fazit

Die Verwandlung von KI-Prototypen in produktive Unternehmenslösungen ist ein komplexer Prozess, der eine kohärente Strategie und robuste Technologien erfordert. Databricks' Agent Bricks und die zugrundeliegende Data Intelligence Platform bieten einen umfassenden Ansatz, um diese Lücke zu schließen. Durch den Fokus auf Datenqualität, Governance und eine flexible Architektur strebt Databricks an, Unternehmen den Weg zu skalierbaren und vertrauenswürdigen KI-Agenten zu ebnen. Die kommenden Jahre werden zeigen, wie sich dieser Ansatz in der Praxis bewährt und welche Auswirkungen er auf die breitere Unternehmenslandschaft haben wird.

Bibliography: - Prof. Jonas Härtfelder, "Databricks: Wie KI-Agenten den Sprung in den Produktivbetrieb schaffen sollen", Heise Online, 2025. - Info Nachrichtenkurier, "Wie KI-Agenten den Sprung in den Produktivbetrieb schaffen sollen", Paules-PC-Forum, 2025. - "KI-Agenten", Databricks Glossary, 2024. - Databricks Press Release, "Databricks startet Agent Bricks: Ein neuer Ansatz für die Entwicklung von KI-Agenten", 2025. - Matthias Parbel, "KI-Agenten und No-Code-Pipelines: Databricks Agent Bricks und Lakeflow Designer", Heise Online, 2025. - "Mosaic AI Agent Bausteine", Databricks Product Page, 2025. - Ralf Ladner, "Databricks startet mit Agent-Bricks einen neuen Ansatz für die Entwicklung von KI-Agenten", Netzpalaver, 2025. - "Wie nutzt man Databricks für KI Agenten?", kiagentenberatung.de, 2025. - Databricks Blog, "Building The Foundation for High-Quality AI Agents", 2025.