Microsoft hat auf seinem Cloud and AI Innovation Day in Bengaluru einen agentenzentrierten KI-Stack vorgestellt und dabei das präsentiert, was das Unternehmen Microsoft IQ, Fabric IQ, eine Ontology-Schicht und Agent 365 Governance nennt. Dieser Schritt verlagert den Fokus von eigenständigen Chatbots hin zu autonomen „Agenten“, die durch die Cloud-Dienste des Unternehmens navigieren, was Unternehmen dazu zwingt, ihre Herangehensweise an den Aufbau, Betrieb und die Kontrolle von KI zu überdenken.

Warum dieser Wandel jetzt wichtig ist

Die meisten Unternehmen stecken zwischen einem Proof-of-Concept und der vollständigen Implementierung fest. Der Engpass sind nicht die Modelle, sondern die Infrastruktur – Governance, Identität und Observability –, die einen Agenten zuverlässig und konform halten. Microsofts neuer Stack füllt diese Lücke und bietet eine wiederverwendbare Intelligenzschicht, die auf jeder Datenplattform und jedem Large Language Model (LLM) aufsitzt.

Die von Microsoft vorgestellten Bausteine

  • Microsoft IQ – eine Intelligenzschicht, die im Tenant des Kunden angesiedelt ist und ihm die direkte Kontrolle über Prompts, Speicher und Richtlinien gibt.
  • Fabric IQ – dieselbe Funktionalität, die in Microsofts Data-Fabric-Angebot integriert ist, sodass Analysen und KI einen gemeinsamen Kontext teilen.
  • Ontology – ein lebendiges, maschinenlesbares Modell der Geschäftsprozesse, Entitäten und Beziehungen eines Unternehmens, das es Agenten ermöglicht, zu verstehen, „wer was tut“, ohne Regeln fest programmieren zu müssen.
  • Agent 365 – ein Governance-Framework, das jedem KI-Agenten Identität, rollenbasierte Zugriffskontrolle und Audit-Trails zuweist, sodass der Agent wie ein Mitarbeiter in HR- oder Sicherheitssystemen behandelt werden kann.

Zusammen verwandeln diese Komponenten einen „Chatbot“ in einen „digitalen Kollegen“, der Daten abruft, Workflows auslöst und Entscheidungen innerhalb organisatorischer Grenzen trifft.

Was Praktiker heute mitnehmen können

  1. Definieren Sie die Stellenbeschreibung eines Agenten – Behandeln Sie jeden KI-Assistenten als eine Rolle mit expliziten Fähigkeiten, Anweisungen und einer eindeutigen Identität. Wenn ein Agent sich falsch verhält, prüfen Sie zuerst seine definierten Verantwortlichkeiten und nicht nur den Prompt, der ihn ausgelöst hat.
  2. Machen Sie das Modell austauschbar – Durch die Entkopplung des LLM von der umgebenden Infrastruktur kann ein Unternehmen GPT gegen Claude, Llama oder jedes zukünftige Modell austauschen, ohne den gesamten Stack neu aufbauen zu müssen. Die Investition fließt in die Orchestrierungsschicht, nicht in das Modell selbst.
  3. Einbinden statt Ersetzen – Altsysteme können über Adapter an die KI angebunden werden. Kotak Mahindra hat dies demonstriert, indem Azure Voice Live über das bestehende Telefoniesystem gelegt wurde, was beweist, dass keine vollständige Erneuerung erforderlich ist.
  4. Betrachten Sie das Tuning als kontinuierlichen Prozess – Fine-Tuning erfordert einen Kreislauf, der Daten vorbereitet, trainiert, evaluiert und die Leistung überwacht. Ohne eine Evaluierungspipeline ist jeder Tuning-Aufwand blind.
  5. Beginnen Sie mit sauberen Daten – Ein Teilnehmer berichtete, dass ein Viertel seiner Berichte nie genutzt wurde. Das Einspeisen von unordentlichen Daten in einen Agenten automatisiert lediglich das Chaos. Initiativen zur Datenqualität und zur Rationalisierung von Berichten sollten der großflächigen KI-Einführung vorausgehen.

Konkrete Ideen für einen Enterprise-Stack

  • Bauen Sie ein einheitliches Observability-Dashboard, das KI-bezogene Kosten, Latenz und die Gesundheit der Pipelines verfolgt.
  • Nutzen Sie MCP-Protokolle, um interne Data Warehouses für Agenten zugänglich zu machen, wobei die Datenbewegung sicher und prüfbar bleibt.
  • Erstellen Sie semantische Modelle, die Abfragen zum Kostenmanagement in natürliche Sprache übersetzen, sodass Finanzteams fragen können: „Wie hoch waren unsere Cloud-Ausgaben im letzten Quartal?“, und sofort eine Antwort erhalten.
  • Führen Sie GitHub Copilot in Entwicklungsteams als Pilotprojekt ein, um Code-Reviews zu automatisieren, und messen Sie dabei sowohl die Geschwindigkeitsgewinne als auch die Reduzierung von Fehlern.