Swami Sivasubramanian ist Vice President für Agentic AI bei Amazon Web Services (AWS) – und zählt zu den Produkt- und Technologiearchitekten hinter zentralen KI- und Datenservices des Cloud-Anbieters. Bei AWS hat er die Entwicklung und Skalierung von unterschiedlichen Angeboten wie Amazon DynamoDB, Amazon SageMaker, Amazon Bedrock und Amazon Q maßgeblich mitverantwortet. In seiner aktuellen Rolle richtet Sivasubramanian den Fokus auf agentische KI. Anlässlich der TEDAI Vienna war Sivasubramanian Ende September im Wien.

brutkasten: Alle reden über KI-Agenten, es gibt einen Hype um das Thema. Aber wo stehen wir wirklich, was Agentic AI im Jahr 2025 angeht? 

Swami Sivasubramanian: KI‑Agenten sind eine der transformativsten Technologien unserer Zeit. Wenn man zwei Jahre zurückblickt, war das Gros der generativen KI im Kern Chatbot-artig: Man stellte eine Frage und bekam eine Antwort als Text, Bild oder Video.

Agentische KI unterscheidet sich in zwei Punkten. Erstens: Die großen Sprachmodelle dahinter sind inzwischen so intelligent, dass sie wirklich begründet entscheiden, planen und handeln können. Zweitens: Diese Handlungsfähigkeit verbindet sich mit der Rechenintelligenz. 

Stellen Sie sich eine Forscherin in einem Pharmalabor vor, die neue Proteine für die Wirkstoffforschung entwirft. Sie kann einem Agenten ein Ziel vorgeben – und der liefert nicht bloß Ideen, sondern recherchiert, erstellt einen Plan, zerlegt das Ziel in Schritte und wählt für jeden Schritt die passenden Werkzeuge. Diese Kombination aus Spitzenintelligenz und der Fähigkeit, tatsächlich zu handeln, verändert alles – das ist das Neue an agentischer KI.

Viele reden über Agenten, wenige nutzen sie wirklich. Was ist überhaupt ein Agent – und wie grenzt er sich von anderen KI-Anwendungen ab? Wenn ich ein Tool entwickle, dass LLM-basiert Eingangsrechnungen an die jeweiligen Unternehmensabteilungen zur Freigabe weiterleitet, ist das bereits ein Agent?

Nicht unbedingt. Ein Einzelschritt‑Workflow, bei dem man eine Aufgabe per Prompt auslöst und eine einmalige Entscheidung oder Ausgabe erhält, ist eher ein Chatbot. Ein Agent beginnt damit, dass der Nutzer oder die Nutzerin ein Ziel vorgibt. Der Agent zerlegt dieses Ziel selbstständig in umsetzbare Schritte, wählt aus den verfügbaren Tools die richtigen – und entwickelt bei Bedarf sogar neue Werkzeuge, indem er Codes schreibt und ausführt. 

Anschließend prüft er, ob das Ziel erreicht ist, reflektiert, wo er falsch lag, und iteriert den Plan. Ein Beispiel aus unserer Praxis: Wir haben 2023 Amazon Bedrock Agents und Software Development Agents mit Amazon Q Developer im Preview eingeführt, um mühsame Aufgaben in der Software-Entwicklung und -Betrieb zu automatisieren. Und heute haben wir eine agentenbasierte Entwicklungsumgebung (IDE) namens Kiro. 

Wir waren von den Möglichkeiten begeistert. Wir haben ein neuro‑symbolisches Verifikationssystem implementiert, um sicherzustellen, dass die APIs korrekt funktionieren. Dieses Zusammenspiel – ein reasoning‑fähiges Modell plus ein Verifikator, der kontinuierlich Rückmeldung gibt – macht aus einem bloßen LLM einen echten Agenten.

Sind Reasoning-Modelle also ein Schritt in Richtung Agenten?

Sie sind eine notwendige Zutat, aber nicht die einzige. Agenten müssen auch autonom handeln können: APIs aufrufen, Webseiten besuchen, eine Websuche durchführen oder Code schreiben und ausführen. Und weil Vertrauen essenziell ist, brauchen wir Verifikatoren. Neuro‑symbolische Systeme, die die Schritte eines Agenten automatisch prüfen und Rückmeldungen geben, erhöhen Genauigkeit und Zuverlässigkeit erheblich.

Wie beurteilen Sie die technologische Entwicklung bei Agentic AI? Sind KI-Agenten beispielsweise jetzt deutlich besser als vor einem Jahr?

Wir stehen am Anfang dieser Transformation, sehen aber bereits massive Effekte – besonders in einigen Domänen. Eine ist die Softwareentwicklung bei Modernisierungsprojekten.  Eine der stärksten Fähigkeiten von Amazon Q Developer ist die automatische Aktualisierung von Java-Versionen, wodurch Java-Anwendungen in einem Bruchteil der üblichen Zeit umgestellt werden können.

Wir haben diese Fähigkeit in Amazons interne Systeme integriert und konnten damit 30.000 Produktivanwendungen von älteren Java-Versionen, also beispielsweise 8 oder 11, auf Java 17 umstellen. Im Vergleich zur herkömmlichen Vorgehensweise haben wir mehr als 4.500 Entwicklerjahre eingespart. Durch die verbesserte Performance konnten wir zudem jährliche Kosteneinsparungen von 260 Millionen Dollar erreichen. Das ist nur ein Beispiel. Ähnliches passiert in der Wirkstoffforschung oder in der Präzisionslandwirtschaft. 

In Europa etwa setzt BMW, mit über 150.000 Beschäftigten, Agenten ein, um Serviceausfällen  schneller auf den Grund zu gehen. Mit rund 85 Prozent Trefferquote gelingt die Ursachenanalyse heute in deutlich kürzerer Zeit.

Auch in der Formel 1 zeigt der Einsatz einer KI-gestützten Lösung beeindruckende Ergebnisse: Durch die Implementierung von Amazon Bedrock, Bedrock Agents und Knowledge Bases konnte die Formel 1 die Lösungszeit bei Problemen um 86 Prozent, also von Wochen auf Minuten, und die anfängliche Analysezeit von über einem Tag auf unter 20 Minuten reduzieren.

In welchem Bereich war das BMW‑Beispiel konkret?

Es ging um Root Cause Analysis bei Systemausfällen in ihrer vernetzten Flotte von 23 Millionen Fahrzeugen. Ingenieurinnen und Ingenieure konnten die Zeit für die Fehlersuche erheblich verkürzen.

Das ist erst der Anfang. Neben Entwicklung und Betrieb sehen wir einen großen Sprung im Kundenservice. Jeder kennt das: Man ruft im Contact‑Center an, um den Status einer Bestellung zu klären. Agenten können hier Anfragen verstehen, Informationen zusammentragen und im Namen der Kundin oder des Kunden handeln. Solche agentischen Service‑Assistenten sind aus meiner Sicht reif für den breiten Einsatz.

Wie stellen Unternehmen sicher, dass Agenten zwar autonom handeln, aber wo nötig der Mensch eingebunden bleibt?

Das ist zentral. Teams müssen entscheiden, welche Entscheidungen vollständig automatisiert werden und bei welchen ein „Human‑in‑the‑Loop“ bestätigt. Ein einfaches Beispiel: die Rückerstattung im Kundenservice. Alles unter 10 bis 15 Euro kann beispielsweise – bei einer Modellgenauigkeit von 95 bis 99 Prozent – der Agent automatisch abwickeln. Liegt der Betrag darüber, prüft ein Mensch und gibt frei. Das ist ein risikobasierter, regelbasierter Ansatz. 

In Hochrisikoumgebungen – Gesundheit, Finanzregulierung, Grundrechte – ist besondere Sorgfalt nötig: Agenten sollen dort Menschen befähigen, fundierte Entscheidungen zu treffen. Kurz: Man braucht einen klaren Risikomanagement‑Rahmen für den Einsatz von Agenten.

Bedeutet das auch, dass sich nach Branche unterscheidet, wie geeignet KI-Agenten sind?

Genau. Branchen haben unterschiedliche Regulierungen – aber fast überall gibt es viele Backend‑Aufgaben, die heute noch manuell und ineffizient erledigt werden. Nehmen Sie Spesen: Eine E‑Mail mit Beleg kommt an, Daten werden händisch in ein anderes System übertragen. Das lässt sich durch Agenten automatisieren.

In der Software ist es ähnlich: Nicht nur neue Features schreiben, sondern auch Upgrades, Wartung und Performance‑Optimierung sind typische „Routinearbeiten“. Agenten können diesen nicht differenzierenden Aufwand übernehmen. Darum erhöhen sie bereits heute die Geschwindigkeit und Produktivität in vielen Bereichen.

Technologisch geht es rasant voran. Aber was bremst Unternehmen in der Einführung?

Ich sehe drei Hürden. Erstens: Der Sprung vom Prototyp zur Produktion. Ein Proof of Concept auf dem Laptop ist in ein paar Wochen gebaut. Aber in Produktion braucht es Sicherheit, Identitäts‑ und Rechtemanagement, Gedächtnis und Personalisierung, die saubere, abgesicherte Integration mit Backend‑APIs und Microservices sowie Observability und Metriken. Das dauert heute oft Monate. Um diesen undifferenzierten Aufwand zu verringern, haben wir „Amazon Bedrock AgentCore“ entwickelt. Seit Oktober dieses Jahres ist es allgemein verfügbar.  

Zweitens: Es fehlten lange agentenfreundliche Frameworks. Viele Open‑Source‑Ansätze arbeiten mit festen „Chains“ oder Flows. Doch mit wachsender Modellintelligenz braucht man Frameworks, in denen nicht Entwickler die Abläufe vordefinieren, sondern das Modell den Workflow dynamisch erzeugt. Wir haben dafür „Strand Agents“ als Open Source veröffentlicht; innerhalb von zwei bis drei Monaten erreichte das Projekt rund eine Million Downloads, und mehr als ein Dutzend Modellanbieter und andere trugen dazu bei. 

Drittens: Daten. Ohne einen soliden Datenunterbau und Zugriff auf die relevanten Systeme können Agenten keine guten Entscheidungen treffen. Unternehmen, die ihre Datenlandschaft für Agenten vorbereiten und optimieren, werden den größten Nutzen daraus ziehen.

Warum haben Sie das Framework als Open Source veröffentlicht?

Wir sind in den „Day‑Zero“‑Tagen der agentischen KI. Da ist offener Ideenaustausch essenziell. Ein Framework muss modell- und anwendungsneutral sein, sonst setzt es sich nicht breit durch. Außerdem wollen wir diese Basistechnologie allen Entwicklern und Anbietern zugänglich machen.

Das entspricht unserer Open‑Source‑Strategie seit den frühen AWS‑Jahren: Wir sind etwa einer der größten Beitragsleister zu PostgreSQL, wir haben Amazon Linux aufgebaut und mit OpenSearch ein offenes Such‑Ökosystem vorangetrieben. In der Formationsphase hilft Offenheit der gesamten Community.

Viele unserer Leser:innen sind Gründer:innen oder auch gründungsinteressierte Personen. Wenn Agenten die Produktivität in der Softwareentwicklung so stark steigern, werden Teams dann deutlich kleiner? 

Wir sehen klar, dass das Entwicklungstempo in KI‑nativen Teams massiv steigt.  Kürzlich haben wir die bereits erwähnte agentische Integrierte Entwicklungsumgebung (IDE) „Kiro“ vorgestellt. Anders als klassische Entwicklungsumgebungen und KI-gestützte Programmierassistenten arbeitet Kiro nach dem Prinzip der spezifikationsgesteuerten Entwicklung: Man beschreibt in natürlicher Sprache, was man entwickeln möchte. Der Agent generiert dann von Anfang bis Ende die komplette Architektur, den Code, die Tests und die Dokumentation.

Aufgaben, für die früher Teams mit 20 oder 30 Personen nötig waren, schafft heute eine Handvoll Leute. Das Team, das Kiro baut, nutzt das Tool selbst und hat seine Commit‑Geschwindigkeit im Schnitt mindestens verdoppelt, teilweise noch stärker. Ich erwarte deshalb mehr Zwei‑bis‑Vier‑Personen‑Startups. Die Limitierung verlagert sich weg von der Teamgröße hin zur Fähigkeit, Agenten präzise zu steuern. 

Manche nehmen an, dass durch Agenten die Rolle von Junior-Entwickler:innen stark reduziert oder komplett wegfallen werden. Stimmen Sie zu?

Nein. Junior‑Entwickler:innen bleiben ein wichtiger Bestandteil. Sie haben mit diesen Werkzeugen gelernt und für sie ist das Entwickeln mit KI völlig selbstverständlich. Das beobachte ich sowohl in Projekten mit Studierenden als auch mit Schülerinnen und Schülern. Die Tools beschleunigen alle; Senior‑Leute bringen zusätzlich Erfahrung und wissen, wo die Stolpersteine liegen. Das beste Team ist eine Mischung aus beidem – talentierte Juniors und erfahrene Seniors, die zusammen Agenten sinnvoll einsetzen.