Search-Agents und Agentic AI: Neue Trainings- und Evaluierungs-Standards entstehen
Neue Frameworks und Modelle für Search- und Agentic-AI-Systeme
Die Forschungsgemeinschaft arbeitet daran, Training und Evaluierung von Search- und Agentic-AI-Systemen zu standardisieren. Das arXiv-Papier "Iris: Climbing to the Search Frontier" präsentiert zwei neue Search-Agent-Modelle in unterschiedlichen Skalierungsklassen: Iris-mini (35B-A3B) und Iris-pro (397B-A17B). Beide Modelle wurden mit einer dokumentierten Datenpipeline und Trainingsrezeptur entwickelt, laut arXiv:2609.04304. Die Größenunterschiede zwischen Mini- und Pro-Variante deuten auf ein bewusstes Design für unterschiedliche Anforderungsprofile hin — kleinere Modelle für lokale oder Edge-Deployments, größere für komplexe Suchanfragen.
Ein zweites Großprojekt adressiert ein fundamentales Infrastruktur-Problem: Die Inkompatibilität von Evaluierungs-Toolchains. Wie MarkTechPost berichtet, haben Forscher der UC Berkeley CUA-Lite entwickelt — ein einheitliches Framework, das Sandboxes, Trainingsdaten, Evaluation und Reinforcement Learning für Computer-Use-Agenten in einem System vereint. Bislang existierten diese vier Komponenten in "inkompatiblen Formaten", was die praktische Entwicklung agentischer Systeme massiv erschwert. CUA-Lite zielt darauf ab, diesen fragmentierten Workflow zu vereinheitlichen.
Parallel dazu präsentiert ein weiteres arXiv-Papier (2609.04298) den "Harbor Adapters"-Ansatz und den "Harbor-Index" — eine Infrastruktur und ein kuratiertes Meta-Dataset speziell für Large-Scale-Agentic-Evaluation. Das Problem, das Harbor adressiert: Die wachsende Anzahl agentischer Benchmarks erfordert jeweils komplexe Umgebungen und Agent-Integrationen, was den Evaluierungsaufwand exponentiell erhöht. Harbor-Index bietet eine zentralisierte, kuratierte Datenquelle, um diesen Overhead zu senken.
Produktivitätssteigerung durch Agenten — messbar bei OpenAI
Die praktische Relevanz dieser Frameworks zeigt sich in OpenAI-internen Studien. Wie OpenAI in der Publikation "Research acceleration: The view inside OpenAI" offenlegt, haben Coding-Agenten bereits heute die Forschungspraxis im Unternehmen transformiert. OpenAI dokumentiert konkrete Metriken: Agent-Nutzung durch Forscherinnen und Forscher, Experiment Velocity (Geschwindigkeit, mit der neue Experimente durchgeführt werden), Task-Komplexität, die automatisiert bewältigt wird, und die resultierende Forschungsbeschleunigung. Diese Daten belegen, dass Agenten nicht mehr experimentelle Spielzeuge sind, sondern messbar die Produktivität von KI-Forschern erhöhen.
Die Konvergenz dieser vier unabhängigen Entwicklungen — Iris-Modelle für Search, CUA-Lite für Toolchain-Vereinheitlichung, Harbor für Evaluation und OpenAIs Produktivitätsdaten — deutet auf eine Reifung des Agentic-AI-Ökosystems hin. Das Feld bewegt sich von isolierten Proof-of-Concepts zu industrialisierter Infrastruktur.
DACH-Kontext: Regulierung trifft auf Search-Agent-Entwicklung
Für Organisationen im deutschsprachigen Raum ist diese Entwicklung unter zwei Aspekten relevant: erstens die KI-Verordnung, zweitens praktische Haftung.
Die EU-AI-Act klassifiziert Agenten mit erweiterten Autonomie-Kapazitäten als Hochrisiko-Systeme, wenn sie in sensiblen Bereichen eingesetzt werden (z.B. Recruitment, Kreditvergabe, kritische Infrastruktur). Search-Agenten, die eigenständig Informationen sammeln und Entscheidungen treffen, fallen unter diese Definition. Das bedeutet konkret: Deutsche und österreichische Unternehmen, die Iris, CUA-Lite oder ähnliche Systeme produktiv trainieren und deployen, müssen konformitätsnachweise führen. Der arXiv-Standard und Benchmarks wie Harbor-Index werden damit zu regulatorischen Dokumentationsmitteln — Unternehmen müssen zeigen können, wie und auf welchen Datensätzen ihre Agenten evaluiert wurden.
Zweitens betrifft die Automatisierung von Recherche- und Entscheidungsprozessen deutsches Arbeitsverfassungsrecht und Mitbestimmungsgesetze. Ein Search-Agent, der Jobkandidaten filtert oder Kreditanträge vorbewertet, unterliegt Co-Determinations-Anforderungen in Betriebsräten (BetrVG § 87 Abs. 1 Nr. 6). Der Mittelstand in DACH — nicht Großkonzerne mit KI-Abteilungen — hat hier einen kritischen Informationsbedarf.
Was Entwicklerinnen und Organisationen jetzt tun sollten
Die Standardisierung von Evaluierungs-Infrastruktur (CUA-Lite, Harbor) schafft zum ersten Mal eine praktikable Grundlage für reproduzierbare Agent-Entwicklung im DACH-Raum. Statt proprietärer Setups sollten Organisationen diese offenen Frameworks früh evaluieren und sich mit den eingebundenen Benchmarks (z.B. Harbor-Index) vertraut machen — nicht aus technischer Neugier, sondern weil diese Standards de facto zu Konformitätserwartungen unter der EU-AI-Act werden. Besonders für Mittelständler im Finance, HR und Logistik gilt: Die nächste sechs bis zwölf Monate sind das Fenster, um Agentic-AI-Piloten mit dokumentierbaren Evaluierungsketten aufzusetzen, bevor regulatorische Vorgaben schärfer werden. Die offenen Iris-Modelle und CUA-Lite bieten die technische Grundlage dafür — ohne dass proprietäre Cloud-Abhängigkeiten entstehen, die in DACH regulatorisch fragwürdig sind. Wer diese Infrastruktur jetzt nutzt, hat später einen dokumentierten Compliance-Pfad.
Weiterer Kontext zu LLM-Modellen und deren Benchmarkierung findet sich in BenchMIRT: Was messen LLM-Benchmarks wirklich?. Für einen Überblick über aktuelle Modellveröffentlichungen siehe die Pillar-Seite zu KI-Modellen.