Agentische KI mit Red Hat OpenShift: Was Unternehmen aktuell umsetzen

Insights von einer Diskussionsrunde mit Kunden beim Red Hat Summit 2026

Führungskräfte aus den Bereichen Platform Engineering und Operations aus verschiedenen Branchen – darunter Fluggesellschaften, Versorgungsunternehmen, Finanzdienstleistungen, Hochschulbildung und Behörden – kamen bei Red Hat Summit 2026 zu einem offenen Gespräch über agentische KI zusammen. Wir wollten herausfinden, was tatsächlich funktioniert, wo die Risiken liegen und wie Teams heute einen Mehrwert erzielen.

Von Plattformmanagement bis hin zu KI-Kollaboration

Die Frage, die jedem Gespräch an unserem runden Tisch zugrunde lag, war eine Variante hiervon: Wie sieht es aus, wenn eine Plattform aufhört, ein reines Verwaltungsobjekt zu sein, und stattdessen beginnt, gemeinsam mit Ihrem Team zu denken?

Teams verwalten komplexe Multi Cluster-Umgebungen mit der gleichen Anzahl an Mitarbeitenden wie vor 2 Jahren. Die manuelle Arbeit bei der Diagnose von Vorfällen, der Korrelation von Warnmeldungen und der Durchführung von Abhilfemaßnahmen verbraucht Kapazitäten, die in die Kernentwicklung fließen sollten. Ein Teilnehmender nannte sein Ziel ganz klar: die Anzahl der verwalteten Cluster verdoppeln, ohne auch nur 1 zusätzliche Person einzustellen.

Der Bedarf geht über reine Effizienz hinaus. Die eigentliche Frage ist: Woran arbeiten Ihre besten Fachkräfte, wenn sich die Routineaufgaben von selbst erledigen? Die Kunden an unserem runden Tisch erhalten bereits erste Einblicke. Die Agenten eines Teams erkannten einen Storage-Treiber, der alle 15 Minuten unbemerkt abstürzte – unsichtbar für vorhandene Protokolle und Warnmeldungen. Der Agent zeigte das Problem mit einer vollständigen Diagnosezusammenfassung auf und versetzte sich selbst in einen Block-Status, bis eine Person den nächsten Schritt autorisierte. Diese Maßnahme führt zu einer schnelleren Lösung und schafft zudem eine grundlegend andere Beziehung zwischen einer Plattform und den Personen, die sie betreiben.

Überraschender Return on Investment (ROI) über die IT hinaus

Einige der überzeugendsten Erkenntnisse ergaben sich, als die Teilnehmenden beschrieben, wie KI-Agenten Probleme außerhalb des traditionellen Infrastrukturbereichs lösen.

Ein Team einer Universität setzte Agenten ein, um die Finanzdienstleistungsgruppe für Studierende zu unterstützen. Sie identifizierte unterversorgte Studierende, die Anspruch auf Bundesförderung hatten, aber von bestehenden Datenbankabfragen übersehen wurden. Das System identifizierte schnell mehr als 100 Studierende und nicht beanspruchte Bundesbeihilfen in Höhe von 60.000 bis 70.000 USD. Das Team hatte erst wenige Wochen zuvor erkannt, dass dieser Use Case möglich ist.

Ein weiteres Beispiel war die längerfristige Vision einer Behörde, eine Schnittstelle für Agenten bereitzustellen. Diese soll Bürgern helfen, sich in komplexen rechtlichen Vorschriften zurechtzufinden. Zudem soll sie entsprechende öffentliche Dienste bei wichtigen Lebensereignissen wie der Geburt eines Kindes, einer Unternehmensgründung oder einem Umzug automatisch koordinieren. So erhalten Bürger eine einzige intelligente Schnittstelle statt Dutzender getrennter Portale.

Die Unternehmen mit dem größten Erfolg erweitern ihre Use Cases und ihre Vorstellungen davon, was „KI für den Betrieb“ bedeuten kann.

Menschliche Aufsicht ist nicht verhandelbar

Der Konsens am runden Tisch war klar: Vollständige Autonomie ist keine Option. Da KI nicht deterministisch ist, besteht die zentrale Herausforderung nicht darin, ob man Agenten vertraut. Es geht darum, Workflows so zu strukturieren, dass Agenten Routineaufgaben sicher beschleunigen können, während Menschen die Kontrolle über kritische Aktionen behalten. Agentische Lösungen benötigen ein klares, standardmäßiges Modell für die Workflow-Governance, das nativ in der Plattform verankert ist.

Am meisten überzeugte das Modell, Agenten wie Site Reliability Engineers zu behandeln: Sie analysieren Systeme, erstellen Ausführungspläne und entwerfen Tickets, die Ergebnisse und vorgeschlagene Maßnahmen zusammenfassen. Engineers prüfen und genehmigen diese, und der Agent führt nur das aus, was ausdrücklich autorisiert wurde.

Ein Team berichtete von einer warnenden Erfahrung beim Testen von Architekturen mit überwachenden Agenten, bei denen ein KI-Agent eine Reihe spezialisierter Unteragenten beaufsichtigt. Dabei koordinierten sich 3 untergeordnete Agenten, um die überwachende KI davon zu überzeugen, eine Aktion zu genehmigen, die sie hätte ablehnen müssen. Das Team bemerkte dies, bevor ein Schaden entstand, aber die Lektion war klar: KI kann andere KI ohne menschliches Eingreifen nicht zuverlässig steuern.

Dieses Beispiel verdeutlicht den Bedarf an kodifizierbaren, einfach zu bedienenden Governance-Funktionen wie einem „Guardrail-Service“ oder „Approval as a Service“, die Unternehmen ab dem 1. Tag in allen Umgebungen bereitstellen können.

Sicher durch Design

Für Operations-Teams liegt der Fokus darauf, die Auswirkungen von Fehlern autonomer Tools zu begrenzen. Die Risiken reichten von einem Agenten, der einen destruktiven Befehl (wie rm -rf) versuchte, bis hin zu einem Diagnose-Agenten, der wiederholt ressourcenintensive Befehle ausführte und versehentlich genau den Cluster zum Absturz brachte, den er eigentlich reparieren sollte.

Um diese Risiken zu mindern, verwenden Teams Sandbox-Agenten in containerisierten Umgebungen mit strengen Ressourcenlimits und vollständiger Audit-Protokollierung für jede Aktion. Die Kopplung von Agenten mit deterministischen Datenschichten, wie schemavalidierten Dokumentspeichern, hat sich als sehr effektiv erwiesen, um das Verhalten von Agenten abzusichern.

Die Hindernisse: Akzeptanz, Audit-Trails und ROI

Die Hürden, die die Einführung verlangsamen, sind eher organisatorischer als technischer Natur.

Es ist schwierig, interne Akzeptanz zu schaffen, insbesondere bei Teams, die in der Vergangenheit Automatisierungsinitiativen mit zu hohen Versprechen erlebt haben. Detaillierte Audit-Trails sind essenziell für den Aufbau dieses Vertrauens. Unternehmen müssen Regulierungsbehörden und der Führungsebene genau zeigen können, was ein Agent getan hat, welche Logik dahintersteckte und wer die Aktion autorisiert hat. Ohne diese Nachweise lehnen Governance-Teams die Technologie in der Regel ab.

Die Demonstration eines klaren ROI ist ebenso wichtig. Jedes Team am runden Tisch betonte den Druck, den Nutzen zu beweisen, bevor Budgets gesichert werden können. Die Teams, die am schnellsten vorankommen, beginnen mit kleinen, sichtbaren Proofs of Concept, dokumentieren die Ergebnisse und nutzen diese Nachweise für weitere Finanzierungen. Ein Erfolg von 60.000 bis 70.000 USD bei Studienbeihilfen ist ein weitaus überzeugenderes Argument für das Budget als die Reduzierung von Warnmeldungen, auch wenn beides einen Mehrwert bietet.

Wichtige Ergebnisse

Die Unternehmen an diesem runden Tisch befinden sich in unterschiedlichen Phasen bei der Einführung von agentischer KI, stehen aber vor den gleichen Fragen. Bei den Teams mit den größten Fortschritten stechen einige Praktiken hervor:

• Beginnen Sie mit Observability und Self-Healing: Hier ist der operative Druck am größten, der Weg zum Mehrwert am klarsten und ein begrenzter Umfang macht das Projekt handhabbar.
• Planen Sie die menschliche Aufsicht ab dem 1. Tag ein: Fügen Sie Governance nicht erst nach dem Deployment hinzu. Integrieren Sie Genehmigungs-Workflows, Block-Status und Audit-Trails direkt in Ihre Architektur.
• Nutzen Sie Sandboxes für Ihre Agenten: Containerisierte Ausführungsumgebungen sind unverzichtbar – sie bieten die notwendigen Leitplanken für einen sicheren Betrieb der Agenten.
• Nehmen Sie die Kosten für die KI-Infrastruktur ernst: Mehrere Teams berichteten, dass die Kosten für GPU- und Cloud-Inferenz schneller als erwartet stiegen und in einigen Fällen den generierten Wert übertrafen. Red Hat OpenShift AI wurde speziell für diese Herausforderung entwickelt. Die Lösung unterstützt Unternehmen dabei, die GPU-Nutzung in der gesamten hybriden Infrastruktur zu optimieren, damit die Kosten für den Einsatz von KI im großen Umfang nicht die Skalierung verhindern. In einer Umgebung, in der sowohl Rechnungen für Cloud-Inferenz als auch On-Premise-GPU-Hardware erhebliche Kapitalbindungen darstellen, ist eine Plattform entscheidend, die diese Investitionen optimal nutzt.
• Fokus auf sichtbaren Geschäftswert: Die Teams mit der größten Dynamik finden Use Cases, die einen Mehrwert für das gesamte Unternehmen bieten, nicht nur für das Platform Engineering-Team. 

Red Hat OpenShift für die Ära der Agenten

Jede große Welle von Unternehmenssoftware erforderte eine Basisschicht, die komplexe, verteilte Systeme in großem Umfang steuerbar machte. In der Client-Server-Ära war dies Middleware wie JBoss. In der cloudnativen Ära war dies Kubernetes. In der Ära von agentischer KI fallen diese Rollen Red Hat OpenShift und Red Hat OpenShift AI zu.

Die Kunden an diesem runden Tisch entwickeln autonome Agenten, die in Multi Cluster-Umgebungen agieren, Entscheidungen innerhalb strenger Governance-Grenzen treffen, sich in Unternehmens-Workflows integrieren und auf souveräner oder hybrider Infrastruktur laufen. Dies lässt sich nicht zuverlässig mit Ad-hoc-Tools aufbauen. Es erfordert eine sicherheitsorientierte, konsistente Open Source-Basis, der Unternehmen bereits vertrauen. 

OpenShift ist mehr als ein Orchestrator für Container. Es ist die Plattform, auf der Agent-Frameworks, MCP-Server, Agent-Skill-Libraries, Human-in-the-Loop-Workflows und GPU-Workloads zu einer Basis vereint werden, die Unternehmen in Multi Cluster-Umgebungen bereitstellen, steuern und skalieren können.

Der Aufbau dieser sicherheitsorientierten Basis erfordert die Berücksichtigung des gesamten Stacks der Agent-Governance: Richtlinien- und Autoritätskontrollen, Identitäts- und Zugriffsmanagement, Anwendungs- und Tool-Governance, Runtime-Sicherheit und Audit, Execution-Sandboxing, Daten- und Content-Governance sowie Human-in-the-Loop-Lifecycle-Management. Entscheidend ist, dass Identität und Authentifizierung keine Nebensache sein dürfen – jede Aktion eines Agenten muss authentifiziert und einer bestimmten autorisierten Entität zugeordnet werden können. 

OpenShift erfüllt diese Anforderungen durch AgentOps. Dies ist der Framework-agnostische Ansatz von Red Hat AI zur Operationalisierung von Agenten über alle Modelle, Beschleuniger oder Clouds hinweg, mit integrierten Leitplanken für jede dieser Governance- und Sicherheitsschichten. Dies sind keine optionalen Funktionen für später – sie sind das Fundament, das agentische KI im Unternehmenseinsatz erst möglich macht. Unternehmen, die dies von Anfang an verstehen und umsetzen, werden schneller vorankommen, effektiver steuern und weniger Zeit mit dem Aufbau dieser Basis verbringen. So können sie sicher in die Zukunft von agentischer KI gehen.

Erfahren Sie, wie sich Red Hat OpenShift der Zukunft von agentischer KI annähert:

• Sehen Sie sich die Product Spotlight Session vom Red Hat Summit 2026 an. 
• Lesen Sie unseren Blog: Modelle generieren keinen Umsatz – Anwendungen schon. 
• Besuchen Sie die Produktseite von Red Hat OpenShift AI.