Der HMS Blog

KI-Coding-Agenten verändern gerade die Art, wie Software entwickelt wird. Sie planen Aufgaben, schreiben und ändern Code, führen Tests aus und reagieren auf Feedback. In der Praxis zeigt sich jedoch schnell: Ein leistungsfähiges Modell allein macht noch keinen verlässlichen Agenten. Damit ein Agent sicher, nachvollziehbar und zuverlässig arbeiten kann, braucht er die richtige Umgebung. Diese Umgebung wird als Harness bezeichnet. Die Aufgabe, sie aufzubauen, zu betreiben und laufend weiterzuentwickeln, nennt man Harness Engineering.

Migration klingt nach Umzug. Doch genau das ist heute das Problem. Wer Legacy-Code nur 1:1 in eine neue Sprache übersetzt, übernimmt Architekturprobleme der Vergangenheit. Das Ergebnis: moderner Code auf einem Fundament, das nicht für KI-Agenten entwickelt wurde.

Dieser Artikel hilft Enterprise-Teams dabei, zu entscheiden, wann A2A die passende Kollaborationsebene ist, wann MCP oder APIs ausreichen und welche Governance-Anforderungen vor der Einführung erfüllt sein müssen.

Einzelne LLMs liefern beeindruckende Ergebnisse. Doch bei der Modernisierung großer Legacy-Landschaften entscheiden Analyse, Orchestrierung, Tests und Governance über den Erfolg. Warum Agentensysteme dabei der Schlüssel sind, lesen Sie in diesem Artikel.

Warum Forecasting selten nur ein Modellthema ist: Dieser Artikel zeigt, welche Faktoren in der Praxis über Akzeptanz und Nutzen von Prognosen entscheiden – von Explainable AI bis zur Integration lokaler Daten.

Der Artikel erklärt, wie Explainable AI Zeitreihenprognosen verständlicher macht. Mit SHAP-Werten werden Forecasts in Einflussbeiträge zerlegt, sodass Treiber einer Prognose sichtbar werden. Zudem zeigt der Beitrag, wie Forecast-Revisionen zwischen zwei Prognoseläufen erklärt werden können.