Developer Experience mit OpenAI

Tom Allen sprach mit Katia Gil Guzman über die Rolle von KI-Coding-Agenten wie Codex in der Softwareentwicklung und die zukünftigen Trends im KI-Sektor.

Katia Gil Guzman ist Gründungsmitglied des Developer Experience-Teams bei OpenAI und vertritt das Team in Europa. Katja ist seit zwei Jahren bei OpenAI und setzt sich dafür ein, dass europäische Entwickler, die OpenAI-Technologie nutzen, den größtmöglichen Erfolg erzielen können. Sie arbeitet eng mit Produktteams in den Vereinigten Staaten zusammen, um sicherzustellen, dass die Perspektiven und Rückmeldungen von Entwicklern in Europa gehört und berücksichtigt werden. In diesem Interview diskutiert Tom Allen von Computing mit Katia wichtige Themen wie KI-Sicherheit, die Rolle von KI-Agenten und die Anwendung von KI in der Softwareentwicklung.

KI-gestützte Softwareentwicklung zählt im Jahr 2025 zu den zentralen Themen für Entwicklerinnen und Entwickler. Die Einführung dieser Technologie erfolgt rasch und umfassend. Das sogenannte Vibe-Coding beschreibt den Ansatz, der KI lediglich eine allgemeine Aufgabenstellung vorzugeben und die generierten Ergebnisse anschließend zu nutzen. Dennoch bestehen zahlreiche offene Fragestellungen – insbesondere hinsichtlich des Vertrauens in die Resultate. Welche Methoden stehen Entwicklerinnen und Entwicklern derzeit zur Verfügung, um von KI erzeugten Code in Bezug auf Genauigkeit und Sicherheit effektiv zu überprüfen?

Ich möchte das Thema Vibe-Coding im Zusammenhang mit Coding-Agenten wie Codex nicht vertiefen, da dieser Ansatz mit viel Unbekanntem verbunden ist. Unter Vibe-Coding versteht man allgemein die Praxis, sich primär auf die Codeausgabe einer KI zu verlassen und das Ergebnis weitgehend zu akzeptieren, ohne den zugrunde liegenden Prozess im Detail nachzuvollziehen. Die Entstehung des Codes bleibt im Hintergrund.

Zwar können Projekte eine Zeit lang voranschreiten, jedoch besteht die Gefahr, dass langfristig Probleme auftreten. Vibe-Coding ist daher aus meiner Sicht nicht skalierbar. Für Nebenprojekte mag es praktikabel sein, für professionelle Softwareentwicklung empfehle ich diesen Ansatz jedoch nicht.

Coding-Agenten betrachte ich als eigenständige KI-Softwareentwickler, die aktiv am Entwicklungsprozess teilnehmen und kein Vibe-Coding betreiben. Sie fungieren als Teammitglieder, denen Aufgaben zugewiesen werden und deren Arbeitsergebnisse überprüft werden müssen – analog zur Zusammenarbeit mit menschlichen Kolleginnen und Kollegen.

Codex kann in verschiedenen Umgebungen eingesetzt werden, beispielsweise im Terminal, im Code-Editor oder in der Cloud. Das Resultat dieser Zusammenarbeit ist typischerweise ein Pull Request – eine Änderungsliste, die durch den Coding Agent vorgeschlagen wird und deren Prüfung sowie Integration weiterhin in der Verantwortung des Entwicklungsteams liegt. Die Arbeitsweise unterscheidet sich somit nicht grundlegend von der teamorientierten Zusammenarbeit, bei der Vorschläge immer einer sorgfältigen Überprüfung unterzogen werden sollten, um die Qualität des Endprodukts zu gewährleisten.

Können KI-Coding-Agenten wie Codex Sie bei der Überprüfung unterstützen, indem sie die Dokumentation und eine Änderungsliste ihrer Arbeit bereitstellen?

Ja, im Rahmen von Änderungen können Sie einen Pull-Request öffnen und direkt vergleichen, welche Modifikationen der KI-Agent vorgenommen hat. Auf diese Weise erhalten Sie eine übersichtliche Gegenüberstellung der Änderungen und können diese gezielt akzeptieren oder ablehnen. Darüber hinaus besteht die Option, den Änderungsprozess weiter zu iterieren, indem Sie spezifische Anpassungen anfragen.

Das Verfahren entspricht dem etablierten Standard für Code-Reviews. Mit Codecs können Sie nicht nur eigene oder vom KI-Agenten erstellte Pull-Requests überprüfen lassen, sondern auch solche, die von Dritten stammen. Dabei werden weitere unabhängige Prüfungen durchgeführt, um potenzielle Probleme und Abhängigkeiten aufzudecken, die durch Ihre Änderungen entstehen könnten und möglicherweise nicht sofort ersichtlich sind.

Die neue Code-Review-Funktion von Codex bietet Ihnen somit zusätzliche Analysen und Hinweise darauf, wie sich Ihre Anpassungen auf andere Bereiche des Codes auswirken könnten. Dies trägt wesentlich dazu bei, Risiken frühzeitig zu identifizieren und zu minimieren.

Stichwort Risikominderung: KI-gestützte Programmierung in Unternehmens-Tools, ist mit hohen Anforderungen an die Konformität und Sicherheit von Code verbunden. Es gibt zahlreiche Gesetze, die eingehalten werden müssen. Wie vertrauenswürdig ist von KI-Agenten generierter Code?

Tatsächlich stehen uns Methoden zur Verfügung, um Programmieragenten wie Codex in die gewünschte Richtung zu lenken. Eine dieser Möglichkeiten ist beispielsweise die Implementierung einer agents.md-Datei. Dies stellt einen neuen Standard dar, der von zahlreichen Programmieragenten, nicht nur in Codex, übernommen wurde, und als eine Art Dokumentation für den KI-Agenten dient. Ähnlich wie Ihre Codebasis Dokumentation für menschliche Entwickler enthält, die der KI-Agent ebenfalls verarbeiten kann, können Sie zusätzliche Regeln definieren. Diese Regeln werden automatisch jedes Mal geladen, wenn der Programmieragent eine Aufgabe ausführen soll.

Innerhalb dieser Regeln können Sie präzise festlegen, wie Ihr Code und Ihr Codierungsstil beschaffen sein sollen, oder Sie können exakt definieren, welche Aktionen der Agent keinesfalls durchführen darf. Sie können beispielsweise anweisen: „Bearbeiten Sie diesen Ordner nicht“ oder „Verwenden Sie diese Bibliothek niemals“ oder jede andere Anweisung, die Sie einem neuen Kollegen in Ihrem Projekt erteilen würden. Der KI-Agent wurde daraufhin trainiert, diese Regeln zu berücksichtigen. Er ist somit in der Lage, Ihre Anforderungen aufzunehmen und diese als Leitfaden bei der Entwicklung neuer Code-Teile zu verwenden. Auch hier gilt: Sie können jederzeit eine Überprüfung durchführen und Änderungen vornehmen oder Ablehnungen aussprechen, falls tatsächlich etwas verwendet wurde, das nicht hätte verwendet werden dürfen. Auf diese Weise können Sie sicherstellen, dass der Programmieragent die korrekte Richtung einschlägt.

Eine weitere Möglichkeit, die uns von Anwendern berichtet wurde, besteht darin, dass Sie den Agenten jedes Mal, wenn er eine unerwünschte Aktion durchführt, bitten können: „Bitte bearbeiten Sie diese Datei, die agents.md-Datei, um eine Regel hinzuzufügen, dies zukünftig zu unterlassen.“ Sobald Sie mit diesem Mechanismus arbeiten und seine Funktionsweise verstanden haben, können Sie ihn gewissermaßen iterativ verbessern. Sie können den Agenten somit auch anweisen, sich selbst zu optimieren, indem er diese ergänzenden Regeln hinzufügt.

Sie haben Codex und vergleichbare Tools als KI-Entwickler dargestellt. Häufig wird die Frage diskutiert, ob solche Werkzeuge die Arbeit von Softwareentwicklern ersetzen könnten und ob dies zu einem Wegfall von Arbeitsplätzen führt. Wie ist Ihre Meinung hierzu?

Diese Sorge ist in der Tat berechtigt. KI kann Code wesentlich schneller und in den meisten Fällen auch besser schreiben als Menschen. Ich bin jedoch der Auffassung, dass wir dies als Möglichkeit betrachten sollten, um Zeit zu gewinnen, wobei sich lediglich die Rolle des Softwareentwicklers wandelt. Gestatten Sie mir, Ihnen ein Beispiel zu geben: Bei einem gestrigen Treffen in Paris berichteten uns zahlreiche Teilnehmer, dass sie als Softwareentwickler nun deutlich produktiver sind. Anstatt Code manuell zu verfassen und die üblicherweise anfallenden mühsamen Aufgaben zu erledigen, können sie sich auf die Entwicklung konzentrieren. Alle bekräftigten, dass sie als Softwareentwickler nun wesentlich mehr leisten können. Statt manuell Code zu schreiben und all die beschwerlichen Aufgaben zu bewältigen, die ein Softwareentwickler normalerweise erledigen muss, kann man sich nun auf die Konzeption von Lösungen, die Abstimmung mit dem Produktteam, die präzise Beschreibung der Anforderungen und die Überlegungen zur passenden Architektur der Lösung konzentrieren. Man entwickelt sich somit eher zu einem technischen Leiter als zu einem reinen codeschreibenden Softwareentwickler. Die Rolle verändert sich demnach, und die Produktivität steigt im Vergleich zur manuellen Erledigung aller Aufgaben beträchtlich. Um dies zu veranschaulichen: Bei OpenAI nutzen nahezu alle unsere Ingenieure und Techniker Codex.

Intern haben wir eine Steigerung der pro Woche zusammengeführten Pull-Anfragen um 70 % im Vergleich zur Arbeitsweise ohne Codex festgestellt. Die Betonung auf „zusammengeführt“ ist hierbei entscheidend, da dies bedeutet, dass es sich um hochwertige Pull-Anfragen handelte, die letztendlich in das Produkt integriert wurden. Dies impliziert, dass wir nun wesentlich schneller entwickeln als zuvor ohne Codex. Wir beschäftigen nach wie vor viele Ingenieure, aber statt drei Wochen für ein Projekt zu benötigen, können sie es möglicherweise in drei Tagen abschließen und somit ein Vielfaches leisten. Dies ist tatsächlich sichtbar.

Ich weiß nicht, ob Sie die jüngsten Produkteinführungen des letzten Monats verfolgt haben, aber wir verzeichnen eine signifikante Beschleunigung der internen Auslieferungsgeschwindigkeit. Allein mit dem Codex-Produkt haben wir zwei verschiedene Modelle im Abstand von nur einer Woche veröffentlicht. Ein Blick in das Änderungsprotokoll zeigt, dass wöchentlich neue Funktionen hinzukommen. Ich bin der Überzeugung, dass dies ohne die Unterstützung von Codex nicht realisierbar gewesen wäre. Es transformiert somit die Arbeitsweise der Entwickler grundlegend. Wir entwickeln mehr, entwickeln besser und sind effizienter. Wir benötigen weiterhin Ingenieure, die Codex Anweisungen geben. Anstatt jedoch all die kleinen, ehrlich gesagt lästigen Aufgaben zu erledigen, die ein Softwareentwickler als mühsam empfindet. Vielleicht gibt es Personen, die dies mögen, aber ich persönlich verbringe meine Zeit nicht gerne damit, immer wieder denselben Code zu schreiben oder Refactorings durchzuführen. Dies überlasse ich lieber einem KI-Agenten. Ich konzentriere mich lieber auf den kreativen Part und überlege, was ich entwickeln möchte, wie ich es entwickeln möchte, und passe lediglich meine Arbeitsweise an, um meinen neuen KI-Teamkollegen zu erklären, was sie tun müssen, um dies zu realisieren.

Viele IT-Führungskräfte betonen die wesentliche Rolle der Dokumentation bei der Implementierung von KI-Programmierung. Obwohl autonome KI-Tools auf vorhandene Dokumentationen angewiesen sind, wird die Erstellung dieser häufig vernachlässigt und oft erst am Ende eines Projekts bedacht. Welche Strategien würden Sie empfehlen, um diesem Umstand entgegenzuwirken? Wie können Organisationen gewährleisten, dass Entwickler der Dokumentation einen höheren Stellenwert beimessen, sodass KI-basierte Codierungswerkzeuge optimal eingesetzt werden können?

Ich denke, es existieren zwei Arten von Dokumentation. Einerseits die Dokumentation für Menschen, andererseits die Dokumentation für KI-Agenten. Wie bereits erwähnt, sind KI-Agenten, genauer gesagt Programmieragenten, in der Lage, die für Menschen erstellte Dokumentation zu lesen. Allerdings benötigen sie nicht zwingend dasselbe Format. Sie können den Inhalt zwar erfassen, aber es gibt auch Aspekte, die speziell auf Programmieragenten zugeschnitten sind, beispielsweise eine agents.md-Datei.

Man kann dem Agenten explizit mitteilen: „Bitte überprüfen Sie diesen Sachverhalt und verwenden Sie dieses Tool, um die entsprechenden Informationen zu ermitteln.“ Dies wäre ein Element, das nicht unbedingt notwendig ist, wenn ausschließlich Menschen an der Codebasis arbeiten. Ein weiterer Unterschied besteht darin, dass für Menschen mitunter wesentlich mehr Kontext erforderlich ist, um den Code und seine Funktionsweise zu erläutern. Der Programmieragent kann den Code lesen und benötigt keine Erklärung. Er benötigt weniger Erläuterungen, da er jederzeit den gesamten Code im Kontext zur Verfügung hat. Auf der einen Seite ist es möglicherweise erforderlich, genauer zu spezifizieren, wie die dem Coding-Agenten zur Verfügung stehenden Tools zu verwenden sind.

Beispielsweise unterstützen wir nun MCP-Tools für Codex. Man kann Codex daher instruieren: „Wenn Sie dies tun müssen, verwenden Sie bitte dieses MCP-Tool, um eine Verbindung zu einem linearen oder Ticketsystem herzustellen, damit Sie die von Ihnen erstellten Tickets aktualisieren können, oder verwenden Sie diesen Kontext-7-MCB-Server, um die aktuelle Dokumentation abzurufen.“ Dies ist eine Spezifikation, die ausschließlich für den Coding-Agenten relevant ist.

Auf der anderen Seite entfällt die Notwendigkeit, den Code zu erklären. Es genügt, die Absicht und die allgemeine Herangehensweise bei der Entwicklung neuer Funktionen darzulegen. Dies kann in natürlicher Sprache erfolgen. Man muss lediglich die Perspektive des Coding-Agenten einnehmen und überlegen, was für diesen hilfreich wäre.

Agenten stellen das nächste große Thema im Bereich der künstlichen Intelligenz dar. Allerdings haben wir meiner Ansicht nach in den letzten zwölf Monaten eine gewisse „Agenten-Überhöhung" (oder „Agenten-Washing") erlebt. Zahlreiche Akteure bezeichnen ihre Tätigkeiten als Agenten, obwohl es sich lediglich um ein autonomes System oder grundlegendes maschinelles Lernen handelt. Wie definiert OpenAI einen KI-Agenten und wie beabsichtigen Sie, diese Definition zum Industriestandard zu etablieren?

In der Tat wird derzeit intensiv über Agenten diskutiert, wobei die genaue Definition mitunter unklar erscheint. Wir können hierfür eine klare und zugleich einfache Definition anbieten, die unserer gängigen Vorstellung eines Agenten entspricht. Ein Agent lässt sich als ein KI-System definieren, das auf Anweisungen, Werkzeuge und Leitplanken zurückgreift.

Die Leitplanken fungieren als Richtlinien für das gewünschte Verhalten des Systems, während die Werkzeuge es dem Agenten ermöglichen, konkrete Maßnahmen zu ergreifen. Diese Werkzeuge dienen dem Zugriff auf externe Dienste, Daten oder jegliche Ressourcen, die zur erfolgreichen Erfüllung einer Aufgabe notwendig sind. Die Leitplanken stellen sicher, dass das Verhalten des Agenten den Vorgaben entspricht. Dies kann beispielsweise die Vorgabe umfassen, bestimmte Fragen nicht zu beantworten oder unangemessen fragende Nutzer in die gewünschte Richtung zu lenken.

Ein Agent ist demnach ein KI-System, das diese Komponenten vereint: das zugrunde liegende große Sprachmodell, welches die Denkfähigkeit ermöglicht, kombiniert mit den Tools und den Leitplanken. Diese Einheit bildet den Agenten. Darüber hinaus besteht die Möglichkeit sogenannter Agentennetzwerke, in denen mehrere Agenten koordiniert zusammenarbeiten, um komplexere Aufgaben zu bewältigen. Allerdings ist dies in den meisten Fällen nicht erforderlich. Obwohl die Bildung von Agentennetzwerken aktuell im Trend liegt, ist in der Regel ein einzelnes Modell, das über Zugriff auf Werkzeuge und einige Leitplanken verfügt, ausreichend.

Dies ist in der Tat interessant, da ich Sie gerade zur Multi-Agenten-Orchestrierung befragen wollte, die zweifellos das nächste große Thema darstellt und viel diskutiert wird. Ursprünglich beabsichtigte ich zu fragen, wann dies technisch realisierbar sein wird. Sie führen jedoch aus, dass dies nicht notwendig sei und einzelne autonome Agenten die meisten benötigten Aufgaben bewältigen können?

Dies hängt in hohem Maße von Ihrem spezifischen Anwendungsfall ab. Meiner Einschätzung nach ist in den meisten, vergleichsweise unkomplizierten Szenarien eine Multi-Agenten-Orchestrierung nicht zwingend erforderlich. Sie ist jedoch realisierbar und tatsächlich sehr einfach umzusetzen. Wir stellen beispielsweise das Agenten-SDK bereit, unser Software Development Kit zur Erstellung von Agenten und Agenten-Netzwerken, welche mühelos untereinander kommunizieren können.

Ferner steht Ihnen unser Agent Kit zur Verfügung, unser neuer visueller Agent Builder, um die gesamte Orchestrierung zu realisieren. All dies ist integriert. Mithilfe dieser Werkzeuge lässt sich ein solches Netzwerk von Agenten sehr einfach aufbauen. Meiner Ansicht nach ist der Aufbau eines Agenten-Netzwerks in den meisten Fällen übertrieben, es sei denn, es besteht eine sehr klare Aufgabentrennung und Sie benötigen mehrere Tools, die sich unter Umständen gegenseitig beeinflussen könnten.

Ich betrachte dies wie folgt: Sollten Sie einen Anwendungsfall mit mehreren Gruppen von Sub-Anwendungsfällen haben und für jeden dieser Sub-Anwendungsfälle eine Vielzahl von Tools einsetzen müssen, besteht die Gefahr, dass der Agent diese verwechselt, sofern keine strikte Trennung erfolgt. In diesem Fall wäre es möglicherweise ratsam, einen übergreifenden Orchestrator-Agenten einzusetzen, der an den korrekten Agenten weiterleitet. Wenn wir dann ein Tool verwenden und uns im korrekten Sub-Anwendungsfall befinden, gibt es keine Verwechslungen. In diesem Szenario wäre die Einrichtung eines Agenten-Netzwerks sinnvoll. Andernfalls ist dies nicht notwendig, und ein einzelner Agent, der zehn Tools nutzt, kann mitunter sehr effektiv arbeiten. Es kommt also maßgeblich auf Ihren Anwendungsfall an.

Gestatten Sie uns, zu einem übergreifenden Thema im Bereich der Künstlichen Intelligenz (KI) und der generativen KI überzugehen. Ein wiederkehrendes Muster bei erfolgreichen Anwendungsfällen, Machbarkeitsstudien und Pilotprojekten ist die erhebliche Investition von Einzelpersonen und Organisationen in die Schulung ihrer Mitarbeiter. Diese Schulungen zielen darauf ab, die effektive Nutzung der implementierten generativen KI-Lösungen, KI-Codierungswerkzeuge und ähnlicher Technologien sicherzustellen. Vor diesem Hintergrund stellt sich die Frage: Welche Empfehlungen können Sie Personen geben, die diesen Weg einschlagen möchten? Insbesondere interessiert mich, welche Ratschläge OpenAI dazu anbietet oder welche Werkzeuge zur Maximierung des Nutzens von GenAI-Tools eingesetzt werden können.

Die erfolgreichsten Fallbeispiele, die wir beobachten konnten, sind jene, in denen Unternehmen nicht lediglich ein KI-Tool implementieren und die Anweisung geben: „Gut, hier ist es, nutzen Sie es.“ Vielmehr schulen sie ihre Mitarbeitenden aktiv und integrieren KI-Werkzeuge grundlegend in sämtliche Prozesse. Denn wenn es sich lediglich um ein zugängliches Tool handelt, das nicht als wirklich notwendig erachtet wird, dessen Notwendigkeit und Anwendung nicht bekannt sind, wird keine Veränderung eintreten.

Wir kooperieren beispielsweise mit französischen Business Schools. Diese haben ChatGPT für tausend ihrer Nutzer eingeführt und verbrachten einen Monat lang nur damit, alle möglichen Anwendungsfälle zu identifizieren und Nutzungsszenarien zu erarbeiten. Heute zählen sie zu unseren besten Nutzern im Bildungssektor.

Ein weiteres exzellentes Beispiel ist Moderna, die in sogenannten Hackathons 200 oder 300 Anwendungsfälle identifiziert haben, für die sie ChatGPT nutzen könnten. Dies ist ein hervorragendes Beispiel dafür, wie man KI tatsächlich in seinem Unternehmen implementiert. Es wird nicht nur mitgeteilt: „Sie haben jetzt Zugriff darauf.“ Vielmehr werden die Mitarbeitenden aktiv aufgefordert, Anwendungsfälle zu finden. Sobald diese identifiziert sind, erkennen die Mitarbeitenden in der Regel, wie viel effizienter sie arbeiten können und welches Potenzial dies für das Unternehmen birgt. Wir sind bestrebt, die Menschen dazu zu bewegen, zu erkennen, dass es nicht nur um die bloße Registrierung geht.

Natürlich muss das Tool auch aktiv eingesetzt werden. Wir haben beobachtet, dass die Akzeptanz im gesamten Unternehmen signifikant höher ist, wenn Führungskräfte das Tool nutzen. Denn man kann von Mitarbeitenden nicht erwarten, es zu verwenden, wenn man selbst nicht zu den Early Adoptern gehört. Der effektivste Weg, sich mit dem Tool vertraut zu machen, besteht darin, es selbst für eigene Anwendungsfälle einzusetzen. Nur dann erschließt sich das volle Leistungspotenzial und wie viel mehr Sie mithilfe von KI erreichen können.

Wir haben in jüngster Zeit eine Zunahme von KI-Browsern auf dem Markt beobachtet, beispielsweise Comet von Perplexity oder Atlas von OpenAI. Diese Produkte vereinen die Steuerungsebene mit der Datenebene. Stellt dies nicht eine potenzielle Sicherheitslücke für Anwender dar, die mit der korrekten Nutzung dieser Tools nicht vertraut sind? Welche Empfehlungen geben Sie Unternehmen und IT-Verantwortlichen, die mit diesen neuen Werkzeugen experimentieren möchten, zugleich aber höchste Sicherheitsstandards gewährleisten müssen?

Zunächst zu Atlas: Für diejenigen, die es noch nicht kennen, handelt es sich dabei um unseren neuen Browser, der, soweit ich weiß, vor weniger als einem Monat veröffentlicht wurde und somit sehr neu ist. Man könnte sagen, Atlas integriert ChatGPT direkt in Ihren Browser und steht Ihnen bei all Ihren Aktivitäten unterstützend zur Seite.

Aber ja, ich stimme Ihnen vollkommen zu, dass die Steuerung von Aktivitäten durch einen KI-Agenten gewisse Risiken birgt. Wir haben erhebliche Anstrengungen in die Sicherheit von Atlas investiert und Tausende von Stunden in Red Teaming investiert, um sicherzustellen, dass der Agent keine unsicheren Aktionen durchführt.

Dennoch entwickeln sich die Dinge ständig weiter. Wir können nicht garantieren, dass Atlas für jeden denkbaren Anwendungsfall, den böswillige Akteure entwickeln könnten, absolut sicher ist. Ich würde empfehlen: Wenn Sie sehr sensible Aufgaben haben, die Sie nicht von einem KI-Agenten ausführen lassen möchten, sollten Sie den KI-Agenten auch nicht damit beauftragen.

Viele Aufgaben bergen jedoch, bei näherer Betrachtung, ein relativ geringes Risiko. Und selbst in Unternehmen, die mit sensiblen Daten arbeiten, gibt es immer Prozesse, die automatisiert werden können und ein geringeres Risiko darstellen.

Wenn Sie sich eine Matrix vorstellen, die Risiko auf der einen Achse und Wert auf der anderen abbildet, sollten Aufgaben mit sehr hohem Risiko nicht unbedingt von einem KI-Agenten übernommen werden. Ist das Risiko hingegen gering, der potenzielle Mehrwert aber enorm, obliegt es Ihnen zu entscheiden, wo Sie den Schwerpunkt setzen und wo Sie durch die Automatisierung mittels KI einen höheren Nutzen erzielen möchten.

Jede Organisation muss eigenständig entscheiden, welches Risikoniveau sie akzeptiert. Es empfiehlt sich, schrittweise mit Tests von Aufgaben geringen Risikos zu beginnen und dem Agenten nach und nach mehr Zugriff auf weitere Bereiche zu gewähren, sobald man sich mit dem Verhalten des Agenten und der Einhaltung der Richtlinien wohler fühlt.

Es liegt also ganz bei Ihnen, festzulegen, womit Sie sich wohlfühlen. Atlas bietet Ihnen zudem die Möglichkeit, genau festzulegen, worauf der Agent zugreifen und welche Aktionen er ausführen soll. Wenn Sie beispielsweise nicht angemeldet sind, kann er sich auch nicht für Sie anmelden.

Zum Abschluss möchte ich Sie um Ihre Einschätzung zur Entwicklung des KI-Sektors in den kommenden 12 bis 24 Monaten bitten. Welche Trends, Anwendungsfälle oder Entwicklungen halten Sie für wahrscheinlich? Ihre Perspektive als ausgewiesene Fachkraft in diesem Bereich ist dabei von besonderem Interesse.

Zunächst möchte ich betonen, dass ich es begrüße, dass Sie einen Zeitraum von 12 bis 24 Monaten genannt haben. Ich habe den Eindruck, dass man mich noch vor wenigen Jahren fragte, was ich für die nächsten fünf Jahre erwarte. Eine solche Frage kann ich nicht beantworten, da dies unmöglich vorherzusagen ist.

Für die kommenden 12 Monate sehe ich das Apps SDK, das wir Anfang Oktober beim Dev Day vorgestellt haben, als eine interessante Entwicklung. Es handelt sich dabei um eine neue Möglichkeit für Entwickler, Anwendungen für ChatGPT zu erstellen. Ich denke, und dies gilt nicht spezifisch für ChatGPT, es ist ein neuer Standard, der auf dem Model Context Protocol (MCP) basiert und somit ein offener Standard ist. Die Idee besteht darin, dass jeder Client, wie ChatGPT, aber auch andere, diesen neuen Standard übernehmen und visuelle Schnittstellen innerhalb ihrer Clients anzeigen kann.

Dadurch wird es Benutzern ermöglicht, direkt von diesen Clients aus mit externen Anwendungen zu interagieren. Wir implementieren dies in ChatGPT und hoffen, dass auch andere diesen Standard übernehmen. Entwickler müssten dann nur einmal entwickeln und könnten ihre Anwendungen auf jeden kompatiblen Client ausweiten. Ich bin davon überzeugt, dass dies die Art und Weise, wie wir mit verschiedenen Anwendungen und Tools interagieren, grundlegend verändern wird. Derzeit beobachten wir einen Trend, bei dem Nutzer alle Aufgaben über eine einzige Schnittstelle erledigen möchten. Dies beginnt bereits mit ChatGPT und anderen Plattformen, bei denen man E-Mails und alle über einen MCP-Server zugänglichen Tools verbinden kann. Es wird also möglich, Systeme, die über diese Tools verfügen, einfach in ChatGPT zu integrieren und zu sagen: „Anstatt zu dieser externen Anwendung zu wechseln, kann ich jetzt alles an einem Ort zusammenführen.“

Alles kann zusammenarbeiten. Das Interessante daran ist, dass man innerhalb derselben Konversation zwischen E-Mails, CRM und allen anderen Tools wechseln kann, ohne den Kontext zu verlieren. Dies halte ich für äußerst interessant. Mit dem App SDK und der Einführung echter visueller Schnittstellen zusätzlich zu diesen Tools sind noch weitreichendere Möglichkeiten gegeben. Dies bedeutet, dass man in einer einzigen Konversation einen Kontext zu seinen Präferenzen haben und viele Dinge erledigen kann, wie die nächste Reise buchen, Einkäufe tätigen oder alles andere, was man möchte, innerhalb derselben Konversation. Ich denke, dies wird die Art und Weise, wie Menschen mit verschiedenen Apps interagieren, erheblich verändern.

Eine weitere Entwicklung, die eher für die nächsten 24 Monate relevant ist, betrifft die Benutzeroberflächen, wie wir sie kennen. Meiner Meinung nach werden sich diese grundlegend wandeln. Derzeit sind wir es gewohnt, Websites zu besuchen, die für alle gleich sind, und wir passen uns an die Website an. Wenn wir beispielsweise auf einer E-Commerce-Website etwas sehen oder buchen möchten, müssen wir Filter anwenden oder entsprechende Schritte unternehmen. Die Website passt sich nicht an uns an. Wir müssen unseren Kontext einbringen und präzise angeben, was wir wünschen. Möglicherweise sind zehn Klicks erforderlich, bevor wir das Ziel erreichen, weshalb wir die Website aufgesucht haben. Ich erwarte daher, dass wir in Zukunft eine deutlich stärkere Personalisierung erleben werden.

Wir werden vermehrt Möglichkeiten sehen, den eigenen Kontext einzubringen, sodass man sich beim Besuch einer Website nicht anpassen muss. Vielmehr wird sich die Website an den Nutzer anpassen. Es wird viel über „Generative User Interfaces“ gesprochen. Anstatt also eine statische, auf Benutzereingaben basierende Benutzeroberfläche zu haben, wird die Benutzeroberfläche sozusagen spontan generiert. Ich denke, wir werden sehen, wie sich dies schrittweise entwickelt.

Wir werden mehr Websites sehen, die tatsächlich über integrierte Personalisierungsfunktionen verfügen und die es ermöglichen, den eigenen Kontext einzubringen, anstatt sich an die Website anpassen zu müssen. Ich bin sehr gespannt auf die weitere Entwicklung und denke, dass sie für die Endnutzer eine große Verbesserung sein wird.

Sie wollen das Original hören? Sehen Sie sich das Video an, nutzen Sie den Webplayer oder suchen Sie Ctrl Alt Lead jetzt auf Spotify und Apple Podcasts.