Stell dir vor, du entwickelst eine Webanwendung. Früher war das überschaubar: Code schreiben, auf einen Server schieben, fertig. Heute siehst du dich einem Dschungel aus Kubernetes-Clustern, CI/CD-Pipelines, Observability-Stacks und Sicherheitsrichtlinien gegenüber. Und jetzt kommen auch KI-Agenten dazu, die selbstständig Ressourcen provisionieren, Incidents untersuchen oder Deployments durchführen. Was bedeutet das für die Plattformen, auf denen deine Software läuft? Der Entwickler Lakmal Warusawithana von WSO2 beschreibt in einem aktuellen Beitrag, wie sich Platform Engineering ändern muss, um sowohl Menschen als auch KI-Agenten als Nutzer zu integrieren.
Platform Engineering hat sich in den letzten Jahren rasant entwickelt. Als Unternehmen auf Kubernetes, Microservices und GitOps setzten, wuchs die Komplexität so stark, dass einzelne Entwicklerteams nicht mehr alle Aspekte beherrschen konnten. Jede Anwendung brauchte Deployment-Pipelines, Infrastruktur, Netzwerk, Sicherheit, Monitoring und Compliance. Statt jedes Team das Rad neu erfinden zu lassen, entstanden Internal Developer Platforms (IDPs). Diese Plattformen kapselten Best Practices hinter standardisierten Workflows, Self-Service-Funktionen und Golden Paths. Entwickler konnten sich auf die Geschäftslogik konzentrieren, während die Plattform zuverlässig Deployment, Sicherheit und Betrieb übernahm. Das Modell war erfolgreich – aber es basierte auf einer Annahme: Der Hauptnutzer der Plattform ist ein menschlicher Entwickler.
Diese Annahme gilt nicht mehr. Im Agentic Enterprise werden KI-Agenten zu Konsumenten der Plattform – Seite an Seite mit Ingenieuren. Sie provisionieren Infrastruktur, deployen Anwendungen, analysieren Telemetriedaten, führen operative Workflows aus und automatisieren Aufgaben, die früher menschliches Eingreifen erforderten. Die Plattform muss jetzt beides bedienen: Menschen und intelligente Software. Jeder Actor interagiert über seine eigene Schnittstelle – ein Entwickler über ein Portal, ein SRE über die Kommandozeile oder GitOps, ein KI-Agent über einen MCP-Server – aber alle Handlungen müssen denselben Sicherheitskontrollen, Richtlinien und Prüfpfaden unterliegen.
Die neue Dreifaltigkeit: Anwendungen, Ressourcen und KI-Agenten
Bisher drehte sich in Internal Developer Platforms alles um die Anwendung. Infrastruktur existierte darunter, CI/CD-Pipelines um sie herum, Observability-Systeme überwachten sie. Alles diente dazu, die Bereitstellung und den Betrieb von Anwendungen zu vereinfachen. Im Agentic Enterprise sind Anwendungen jedoch nicht mehr die einzigen erstklassigen Entitäten. Ja, sie bleiben zentral: Sie implementieren Geschäftslogik, exponieren APIs, verarbeiten Events. Aber daneben treten zwei weitere Kategorien von Software-Assets.
Ressourcen liefern die Fähigkeiten, die Anwendungen erst möglich machen: Datenbanken, Message Queues, Object Storage, KI-Modelle, Identity Provider, Secrets, Kubernetes-Cluster, SaaS-Dienste. Früher galten sie als bloße Infrastruktur oder externe Abhängigkeiten. Heute werden sie zu erstklassigen Software-Assets mit eigenem Lebenszyklus, eigener Governance, Betriebshistorie und Sicherheitsanforderungen. KI-Agenten wiederum sind eine grundlegend andere Art von Software-Akteuren. Statt direkt Geschäftsfunktionen zu implementieren, reasoning sie über Kontext, rufen Werkzeuge auf, arbeiten mit Menschen und anderen Agenten zusammen und automatisieren operative Tätigkeiten. Sie interagieren mit genau denselben Ressourcen wie menschliche Entwickler.
Der entscheidende Punkt: Diese drei Entitäten sind nicht unabhängig. Anwendungen konsumieren Ressourcen, um Geschäftsfunktionen zu liefern. KI-Agenten konsumieren viele derselben Ressourcen, um das System zu verstehen und zu betreiben. Sie interagieren auch mit Anwendungen, während Anwendungen selbst Fähigkeiten exponieren, die KI-Agenten aufrufen können. Ressourcen werden so zur gemeinsamen Grundlage, die Anwendungen und KI-Agenten im Softwarebestand des Unternehmens verbindet. Für Platform Engineering bedeutet das: Statt einzelne Komponenten zu verwalten, geht es jetzt darum, die Beziehungen zwischen ihnen zu managen. Die Plattform muss verstehen, wie Abhängigkeiten aussehen, wie Änderungen durch das System propagieren und wie sowohl Menschen als auch KI-Agenten sicher damit interagieren können.
Kontext wird zur neuen Plattformfähigkeit
Wenn Software zu einem Netzwerk aus Anwendungen, Ressourcen und KI-Agenten wird, reicht es nicht mehr, nur die Assets selbst zu verwalten. Platform Engineering muss auch die Zusammenhänge verstehen. Herkömmliche Observability-Plattformen sammeln bereits Unmengen operativer Daten: Logs, Metriken, Traces, Events. Diese Signale sind essenziell, aber sie sind beschreibend. Sie sagen, was passiert ist, aber selten, warum es passiert ist oder wie ein Ereignis mit einem anderen zusammenhängt. Erfahrene Ingenieure kombinieren bei einer Fehlersuche ganz natürlich Deployment-Historie, Verantwortlichkeiten, Topologie, Abhängigkeiten, Richtlinien, frühere Incidents und organisatorisches Wissen. Sie nutzen Kontext, nicht isolierte Datenpunkte.
KI-Agenten brauchen genau dieselbe Fähigkeit. Ein Agent, der einen fehlgeschlagenen Deployment untersucht, benötigt mehr als Logs. Er muss wissen: Welche Anwendung ist betroffen? Von welchen Ressourcen hängt sie ab? Was hat sich kürzlich geändert? Wer ist verantwortlich? Welche Richtlinien gelten? Gab es ähnliche Vorfälle? Welche Lösungen haben damals funktioniert? Ohne diesen breiteren Kontext bleibt selbst das leistungsfähigste KI-Modell auf das Reasoning über zusammenhanglose Beobachtungen beschränkt.
Deshalb wird Kontext zu einer erstklassigen Plattformfähigkeit. Moderne Plattformen müssen ein gemeinsames Verständnis des gesamten Softwarebestands aufbauen und pflegen. Dieses Verständnis verbindet Anwendungen, Ressourcen, KI-Agenten, Deployments, Eigentümer, Richtlinien, Topologie, Betriebshistorie und organisatorisches Wissen in einem kohärenten Modell – über das sowohl Menschen als auch KI-Agenten reasoning können. Statt durch getrennte Dashboards und APIs zu navigieren, arbeiten alle Plattformkonsumenten mit derselben kontextuellen Repräsentation des Systems.
Ist die Plattform erst einmal kontextbewusst, kann sie dieses Wissen über die jeweils passenden Schnittstellen exponieren. Menschen greifen über Portale, CLIs oder Dashboards darauf zu, KI-Agenten konsumieren denselben Kontext über Protokolle wie das Model Context Protocol (MCP). Die Interfaces unterscheiden sich, aber sie bilden dasselbe zugrundeliegende Verständnis der Plattform ab. Diese kontextuelle Grundlage ermöglicht auch reichhaltigere Fähigkeiten: Wiederverwendbare Skills kapseln typische Ingenieuraufgaben, die sowohl von Menschen als auch von KI-Agenten aufgerufen werden können. Spezialisierte Built-in Agents übernehmen Aufgaben wie Site Reliability Engineering, Sicherheitsüberwachung oder Compliance-Prüfung.
Was das konkret bedeutet
Die Entwicklung ist kein Hype, sondern eine logische Konsequenz. Wenn KI-Agenten produktiv in Unternehmen eingesetzt werden sollen, müssen sie dieselbe operative Intelligenz besitzen wie ein erfahrener Ingenieur. Dafür brauchen sie nicht nur Zugang zu APIs, sondern ein gemeinsames kontextuelles Fundament. Platform Engineering entwickelt sich weiter: von einer Plattform, die nur für Menschen gemacht ist, zu einer Plattform, die Menschen und KI gleichermaßen als erstklassige Konsumenten behandelt. Unternehmen, die diesen Wandel frühzeitig gestalten, werden ihre Softwarebestände effizienter, sicherer und zukunftsfähiger betreiben können. Entwickler und Plattformingenieure sollten ihre Plattformen als Ökosysteme betrachten, in denen menschliche und maschinelle Akteure zusammenarbeiten – nicht als Werkzeug, das nur einem von beiden dient.
Quelle: cncf.io
