KM4BI KM4BI

Der Infrastruktur-Albtraum, über den niemand spricht

Coding-Agenten beschleunigen Produktteams, verlagern den Druck aber auf Daten- und Infrastrukturplattformen, wo Zuverlässigkeit und Betrieb ebenfalls…

Coding-Agenten erzeugen nicht nur mehr Features; sie verschieben den Engpass in die Systeme, die diese Features betreiben müssen. In diesem Gespräch beschreibt Emma, die bei OpenAI das Data Platform Infrastructure Engineering leitet, eine sehr konkrete Spannung: Produktteams werden mit Codex schneller, während Plattformteams mehr Workloads, Pull Requests und Supportanfragen aufnehmen müssen, ohne ihre Zuverlässigkeitsstandards zu senken.

Wohin sich der Engpass verschiebt

OpenAIs Datenplattform unterstützt Analytics, Streaming, Event Busse, ML-Infrastruktur, Feature Stores, sichere Datenpipelines, Trainingsdaten und Eval-Daten. Praktisch jedes Team hängt an diesen Systemen. Wenn Agenten Anwendungsteams beschleunigen, wird die Plattform automatisch zum Druckpunkt.

Emma nennt mehrere Workflows, die bereits genutzt werden: Release-Automatisierung, Triage in Slack, PRs mit Nachweisen und Videos, interner Support, Debugging von Jobs und Infrastrukturwissen in Form von Skills. Das spart Zeit, zeigt aber auch die Asymmetrie: Eine Alpha-App kann Unschärfen tolerieren; ein Spark- oder Kafka-Cluster kaum.

Defense in Depth für agentische Entwicklung

Die Schwierigkeit liegt nicht nur darin, Code zu erzeugen. Das System muss ihn auch prüfen, deployen, isolieren und sicher betreiben. Emma skizziert eine Multi-Agenten-Architektur: Ein Agent schreibt Code, spezialisierte Agenten reviewen ihn, operative Agenten überwachen und greifen ein. Das ähnelt einer erweiterten Form von Code Ownership, gestützt durch Wissensdatenbanken, Tool Calls, Skills und interne Evals.

Das Risiko besteht darin, dass zielorientierte Agenten interne APIs anfassen, Flink- oder Spark-Workloads erzeugen, die Nutzer nicht verstehen, oder Vorfälle in gemeinsam genutzten Systemen auslösen. Plattformteams brauchen deshalb robustere Schnittstellen, klarere Grenzen und defensive Mechanismen, bevor Automatisierung direkt in Produktion handeln darf.

Was Teams jetzt tun können

Emmas kurzfristiger Rat lautet: Zeit zurückgewinnen. Support-Bots, AGENT.md-Dateien, Skills, isolierte Tests und private Eval-Suites sind pragmatische Einstiege. Selbst eine einfache Eval-Suite in Notion oder einem internen Dokument kann helfen zu entscheiden, wann ein neues Modell für einen bestimmten Workflow bereit ist.

Das strategische Signal ist deutlich: Agentenadoption darf nicht auf die Anwendungsschicht beschränkt bleiben. Damit Produktivitätsgewinne dauerhaft werden, müssen auch Infrastruktur, Code Review und Betrieb agentisch werden — allerdings mit deutlich strengeren Leitplanken.

Source