Eine neue Welle akademischer Arbeiten enthüllt selbstentwickelnde Agenten-Frameworks, die autonom Code generieren und optimieren. Ihre Commerce-KI-Architektur ist nicht auf sich selbst bauende KI vorbereitet.
Ich wartete neulich im The Kettle an der Chautauqua auf einen Freund und sah zu, wie das Personal das aufwendige Ritual der Zubereitung einer Schale zeremoniellen Matchas durchführte. Das Sieben, die präzise Wassertemperatur, das geübte, kreisförmige Verquirlen mit dem chasen – es ist ein perfekter, menschengesteuerter Algorithmus, der ein spezifisches Ergebnis erzielt. Jeder Schritt ist bewusst, durch Jahrhunderte der Tradition verfeinert. Es ist ein Prozess reiner Kontrolle und Absicht.
Und mir wurde klar, dass diese Art von akribischem, von Menschen verfasstem Prozess in unserer Branche bald zu einem Relikt werden wird. Während wir uns darauf konzentrieren, unsere eigenen digitalen Rezepte zu perfektionieren – unsere Checkout-Flows, unsere Personalisierungslogik, unsere Bestandsvorhersagemodelle –, findet in den akademischen Laboren eine seismische Verschiebung statt. Die Forschungsarbeiten, die diese Woche auf arXiv erschienen sind, stellen eine neue Grenze dar: Wir bauen nicht mehr nur KI-Tools; wir bauen jetzt KI-Systeme, die die Tools für uns bauen. [2, 3, 5]
Das neue Paradigma handelt nicht davon, dass KI einen menschlichen Entwickler unterstützt. Es geht um Frameworks von KI-Agenten, die autonom ihren eigenen Code generieren, testen, kritisieren und optimieren, um komplexe Probleme zu lösen. Das sind nicht nur clevere Autovervollständigungs-Skripte; es sind junge autonome Entwicklungsteams. Allein diese Woche sahen wir Arbeiten über Agenten, die ihre eigenen Zeitreihenalgorithmen entwickeln (SEA-TS) [2], Systeme zum Suchen und Erstellen ganzer Machine Learning Pipelines (stratum) [3] und sogar Open-Source-KI-Agenten, die entworfen wurden, um in der Befehlszeile eines Entwicklers zu leben und zu arbeiten (OpenDev) [5].
Für Handelsmarken ist dies kein fernes, abstraktes Konzept. Die Logik, die Ihr Geschäft steuert – Nachfrageprognosen, Preisgestaltung, Personalisierung von Benutzererfahrungen – ist alles Code. Und die Ära, diesen Code von Hand zu schreiben, geht zu Ende. Wir treten in das Zeitalter des sich selbst entwickelnden Storefronts ein, in dem die Fabrik, die Ihr Geschäft leitet, sich nun selbst aufbaut. Ihr sorgfältig abgestimmter Matcha-Zubereitungs-Algorithmus wird bald durch eine Million chaotischer, unüberwachter Experimente ersetzt, die etwas Neues, Mächtiges und völlig Fremdes erzeugen. Und Ihre aktuelle Architektur ist darauf keineswegs vorbereitet.
Ist Ihr Prognosemodell bereits obsolet?
Beginnen wir mit einer Funktion, die für jedes einzelne Handelsunternehmen entscheidend ist: die Prognose. Jahrelang haben wir uns auf einen Kanon statistischer Modelle verlassen – ARIMA, exponentielle Glättung, Prophet – und in jüngerer Zeit auf Deep-Learning-Ansätze. Ihr Data-Science-Team, falls Sie eines haben, verbringt seine Zeit wahrscheinlich damit, Hyperparameter abzustimmen, Daten zu bereinigen und diese bekannten Modelle schrittweise zu verbessern. Sie üben ein Handwerk aus. Aber was passiert, wenn eine KI völlig neue Algorithmen von Grund auf neu erfinden kann?
Das ist genau das, was die Forscher hinter SEA-TS (Self-Evolving Agent for Time Series Algorithms) gezeigt haben [2]. Dies ist nicht nur ein weiteres Auto-ML-Tool, das die besten Parameter für ein bestehendes Modell findet. SEA-TS ist ein Multi-Agenten-Framework, das seinen eigenen Prognosecode schreibt. Es funktioniert wie ein winziges, hocheffizientes KI-Forschungsteam.
Es verwendet einen "Generator"-Agenten, um neuen Python-Code für Prognosealgorithmen zu schreiben. Dann kritisiert ein "Reviewer"-Agent diesen Code, überprüft ihn auf Fehler, logische Mängel und Ineffizienzen – ein automatisierter Code-Review-Prozess, den viele menschliche Teams immer noch Schwierigkeiten haben, konsistent zu implementieren. Eine "Steerable Reasoning"-Komponente ermöglicht menschliche Führung, aber die Kernentdeckungs-Schleife ist autonom. Das System verwendet eine Technik namens Metric-Advantage Monte Carlo Tree Search (MCTS), um den riesigen Raum möglicher Algorithmen intelligent zu erkunden und unermüdlich Wege zu verfolgen, die zu einer besseren Leistung führen [2].
Und die Ergebnisse sind erstaunlich. Auf mehreren Benchmark-Datensätzen übertraf SEA-TS nicht nur bestehende State-of-the-Art-Modelle; es entdeckte neuartige Muster und Techniken, die menschliche Experten nicht erdacht hatten. Die Arbeit beschreibt zwei solcher Entdeckungen: einen "physikinformierten monoton abnehmenden Kopf" und eine "lernfähige stündliche Bias-Korrektur" [2].
Für einen Commerce-Architekten sind dies nicht nur akademische Kuriositäten. Ein "physikinformierter Decay-Kopf" ist eine algorithmische Methode zur Modellierung des natürlichen Lebenszyklus des Produkthypes. Stellen Sie sich einen Agenten vor, der autonom ein Modell erstellen kann, das versteht, dass eine Produktveröffentlichung einen scharfen Höhepunkt des Interesses haben wird, gefolgt von einem vorhersehbaren, abklingenden Rückgang, und diese Logik schreiben kann, ohne sie explizit gelernt zu haben. Eine "lernfähige stündliche Bias-Korrektur" ist ein Agent, der von selbst entdeckt, dass sich Ihre Kunden dienstags um 9 Uhr anders verhalten als samstags um 22 Uhr, und einen kundenspezifischen Mechanismus entwickelt, um dies zu berücksichtigen. Dies ist die Art von tiefer, intuitiver Geschäftslogik, deren Entwicklung menschliche Teams Jahre dauert, wenn überhaupt. SEA-TS hat es automatisch gemacht.
Die KI-Fabrik, die die KI-Fabrik baut
Die Auswirkungen sind erschreckend und tiefgreifend. Es bedeutet, dass die Kernlogik, die Ihre Bestandsverwaltung, Ihre Umsatzprognosen und Ihre Marketingausgaben antreibt, wahrscheinlich auf einer minderwertigen, veralteten Methodik basiert. Während Ihr Team damit beschäftigt ist, ein Prophet-Modell von Hand abzustimmen, übertrifft Sie ein agentenbasiertes System bereits, indem es etwas grundlegend Besseres erfindet.
Wenn SEA-TS eine KI ist, die ein bestimmtes Tool (ein Prognosemodell) baut, dann zeigt uns das Stratum-Paper dieser Woche die nächste Abstraktionsstufe: eine KI, die die gesamte Fabrik baut [3]. Das Papier mit dem Titel "stratum: A System Infrastructure for Massive Agent-Centric ML" schlägt ein System für das vor, was sie "agentic pipeline search" (agentische Pipeline-Suche) nennen.
Seien wir uns über die Bedeutung dessen im Klaren. Eine typische Machine-Learning-Pipeline umfasst mehrere Phasen: Datenaufnahme, Vorverarbeitung, Feature Engineering, Modellauswahl, Training, Bewertung und Bereitstellung. Der Aufbau einer solchen Pipeline ist ein komplexer, mehrstufiger Prozess, der erhebliches menschliches Fachwissen erfordert. stratum stellt sich ein System vor, bei dem ein übergeordnetes Ziel formuliert wird und LLM-gesteuerte Agenten autonom die gesamte Pipeline über einen riesigen Raum von Python-Bibliotheken hinweg generieren, validieren und optimieren. Die Agenten wählen nicht nur ein Modell aus; sie schreiben den Verbindungscode, handhaben die Datentransformationen und verketten die Prozesse miteinander [3].
Dies ist das architektonische Äquivalent dazu, einem Fabrikmeister zu sagen, dass Sie einen neuen Autotyp benötigen, und die Fabrikarbeiter die Montagelinie autonom umrüsten, neue Schweißtechniken erfinden und die Produktion über Nacht starten zu lassen.
Unten finden Sie ein vereinfachtes Diagramm, wie dies den Entwicklungsprozess grundlegend verändert. Der traditionelle Ansatz ist linear und menschengesteuert. Der stratum-Ansatz ist eine massiv parallele, agentengesteuerte Suche.
Das stratum-Papier erkennt an, dass diese Art von "explorativer Agentenlast" eine neue Art von Infrastruktur erfordert [3]. Es geht nicht darum, einen einzelnen, vorhersagbaren Prozess auszuführen. Es geht darum, Tausende von gleichzeitigen, spekulativen und oft fehlschlagenden Prozessen zu verwalten. Das Compute-Modell ist anders, die Überwachung ist anders und die Definition von "Entwicklung" ist anders. Dies ist keine Softwareentwicklung, wie wir sie kennen; es ist rechnerische Evolution.
Ihr nächster Entwickler ist ein Agent im Terminal
All dies mag nach riesigen Cloud-Rechenzentren klingen, aber ein weiteres dieses Woche veröffentlichtes Paper, OpenDev, bringt dieses Konzept direkt in den Workflow des Entwicklers [5]. OpenDev ist ein Open-Source-Projekt zum Aufbau von KI-Codierungsagenten, die direkt in der Kommandozeile des Terminals arbeiten. Dies ist kein Chatbot in Ihrer IDE; dies ist ein Agent, der Befehle ausführen, Dateien lesen, Tests ausführen und Code schreiben kann, als nativen Teilnehmer in der Umgebung eines Entwicklers.
Das Projekt konzentriert sich auf zwei Schlüsselkomponenten: "Scaffolding" und "Harnessing". Scaffolding (Gerüstbau) stattet den Agenten mit den notwendigen Tools und der Umgebung aus, um effektiv zu sein, während Harnessing (Nutzbarmachung) die Frameworks zur Bewertung der Agentenleistung bei komplexen Softwareentwicklungsaufgaben bereitstellt [5].
Denken Sie darüber nach, was dies für Ihr Tech-Team bedeutet. Ein Entwickler könnte die Aufgabe erhalten, einen Fehler in Ihrer Fulfillment-Logik zu beheben. Anstatt den Code manuell zu verfolgen, könnte er die Aufgabe delegieren: „@dev_agent, finde und behebe den Fehler, der zur doppelten Bestellung für Kunden in Kalifornien führt. Schreibe einen Unit-Test, um die Korrektur zu bestätigen, und reiche dann einen Pull-Request ein.“ Der Agent würde sich dann an die Arbeit machen und das Terminal genau wie ein Mensch nutzen, um die Dateien zu finden, die Logik zu analysieren, den Patch zu schreiben und seine eigene Arbeit zu validieren.
Dies hebt die Rolle des Entwicklers auf eine höhere Abstraktionsstufe. Sie sind nicht mehr nur ein Programmierer; sie sind ein Manager und Direktor von Codierungsagenten. Ihre primäre Fähigkeit wird die Aufgabenzerlegung, Zielsetzung und Bewertung. Es ist eine Welt, in der erfahrene Ingenieure nicht nach der Eleganz ihres Codes beurteilt werden, sondern nach der Effektivität der KI-Agenten, die sie befehligen.
Mensch vs. Agent: Eine neue Talentgleichung
Diese Frameworks zwingen uns, den gesamten Prozess der Schaffung digitaler Erlebnisse neu zu bewerten. Die Art und Weise, wie wir jahrelang Handelssysteme gebaut haben, wird grundlegend in Frage gestellt. Ein Vergleich ist frappierend:
| Attribut | Menschliches Entwicklerteam | Agentisches Framework (stratum/SEA-TS) |
|---|---|---|
| Logikgenerierung | Manuell, iterativ, basierend auf Teamerfahrung. | Autonom, massiv-parallele Suche im Möglichkeitsraum. |
| Codequalität | Variabel. Abhängig von Können, Stimmung und Gründlichkeit der Peer-Reviews. | Selbstkorrigierend durch automatisierte Review-Agenten und Validierungsschleifen [2]. |
| Entdeckung von Neuem | Inkrementell. Begrenzt durch menschliches Wissen und bestehende Paradigmen. | Hohes Potenzial für neuartige, nicht-intuitive Lösungen (z.B. SEA-TS-Muster) [2]. |
| Geschwindigkeit (Idee zu Produkt) | Wochen oder Monate. Gesteuert durch Sprintplanung, Meetings und manuellen Aufwand. | Potenziell Stunden oder Tage. Gesteuert hauptsächlich durch Rechenleistung. |
| Kostenmodell | Hohe Fixkosten (Gehälter, Sozialleistungen, Gemeinkosten). Skaliert linear. | Hohe variable Kosten (Rechenleistung), aber Effizienz verbessert sich exponentiell. |
| Skalierbarkeit | Linear. Um schneller zu werden, stellt man mehr Leute ein, was den Kommunikationsaufwand erhöht. | Exponentiell. Tausende von Agenten können parallel ein Problem erkunden [3]. |
| Hauptrisiko | Burnout, Wissenssilos, menschliche Fehler, Widerstand gegen neue Ideen. | Black-Box-Logik, komplexe Fehlerarten, Sicherheitslücken, Zielkonflikte. |
Dies ist kein Urteil; es ist ein Paradigmenwechsel. Das Wertversprechen besteht nicht mehr darin, den besten Python-Programmierer einzustellen. Es geht darum, eine Architektur aufzubauen, die Schwärme von KI-Programmierern sicher und effektiv nutzen kann.
Ist Ihre Architektur bereit für eine KI-Belegschaft?
Ihre Neueinstellungen sind also autonome Agenten-Frameworks. Das Problem ist, dass sie mit Ihrem aktuellen System nicht arbeiten können. Diese Agenten navigieren nicht durch monolithische Altsysteme, entwirren keinen Spaghetti-Code und erraten nicht die Bedeutung schlecht benannter Datenbankspalten.
Agenten-Frameworks benötigen eine maschinenlesbare, API-first-Architektur. Sie brauchen saubere Datenverträge, gut definierte Funktionen und robuste Observability. Sie gedeihen in einer Umgebung von zusammensetzbaren, entkoppelten Diensten, nicht in einem monolithischen "Big Ball of Mud" (großer Matschball).
So sieht eine für agentische Bereitschaft ausgelegte Handelsarchitektur im Vergleich zum Legacy-Modell aus, das die meisten Marken immer noch betreiben.
Die agentenbereite Architektur verlagert die Logik in Dienste und behandelt Daten als erstklassigen Bürger, zugänglich über saubere APIs. Die zentrale Commerce-Plattform wird zu einer stabilen Transaktions-Engine, während Intelligenz und Differenzierung dynamisch durch Agenten-Frameworks am Rande erzeugt werden. Die Rolle des Menschen verschiebt sich vom "Builder" zum "Architekten und Dirigenten".
Was dies für Ihre Marke bedeutet
Dieser Übergang ist nicht optional und wird nicht bequem sein. Aber ihn zu ignorieren, bedeutet, Ihr Geschäft einer Zukunft zu überlassen, in der Sie sich mit einem statischen, handbetriebenen System gegen sich entwickelnde, intelligente Konkurrenten wehren müssen. Hier ist, wie Sie mit der Vorbereitung beginnen.
H3: Gründen Sie ein KI Experience Lab
Sie können nicht riskieren, dass diese Agenten unkontrolliert auf Ihrer Produktionsinfrastruktur agieren. Der erste Schritt ist die Schaffung eines ordnungsgemäß abgeschotteten AI experience lab (KI-Erlebnislabors). Dies ist nicht nur ein Staging-Server; es ist eine dedizierte Umgebung mit replizierten Daten (selbstverständlich anonymisiert) und Tools, die es Ihrem Team ermöglichen, mit Frameworks wie OpenDev zu experimentieren oder die Erkenntnisse von Papieren wie SEA-TS und Stratum zu replizieren. Ziel ist es, die Fähigkeiten, Fehlermodi und architektonischen Anforderungen dieser Systeme in einer Umgebung mit geringem Risiko zu verstehen. Dieses Labor wird zum Trainingsplatz, wo Ihr Team lernt, zu trainieren, nicht nur zu coden.
H3: Ihre Daten sind jetzt ein Produkt für Maschinen
Jahrelang haben wir Datenbanken für Anwendungen und Dashboards für Menschen gebaut. Das ist vorbei. Ihre Dateninfrastruktur muss jetzt als Produkt für einen neuen Kunden behandelt werden: den KI-Agenten. Das bedeutet, der Schaffung eines zentralisierten, structured data (strukturierten Daten-)Speichers Priorität einzuräumen (sei es ein Lakehouse, ein Feature Store oder eine Reihe gut gewarteter Data Warehouses). Es bedeutet, dass jedes Datenelement – Produkte, Kunden, Bestellungen – über eine saubere, gut dokumentierte und versionierte API zugänglich sein muss. Wenn ein Agent die Bestellhistorie eines Kunden oder die Lagerbestände eines Produkts nicht zuverlässig abfragen kann, kann er nichts Nützliches aufbauen. Ihr API-Gateway wird die Eingangstür für Ihre neue KI-Belegschaft.
H3: Stellen Sie Ihr Team neu auf: Vom Coder zum Dirigenten
Die größte Veränderung ist kultureller Natur. Ihre wertvollsten Ingenieure sind nicht länger diejenigen, die isoliert den cleversten Algorithmus schreiben können. Es sind diejenigen, die am besten ein Geschäftsproblem definieren, es in Aufgaben zerlegen können, die ein KI-Agent lösen kann, und das Ergebnis kritisch bewerten. Dies ist eine Verschiebung von der rein technischen Ausführung zu einer Mischung aus Systemdenken, Produktmanagement und technischer Aufsicht. Sie müssen beginnen, die Menschen in Ihrem Team zu identifizieren und zu befähigen, die in Bezug auf Systeme und Ergebnisse denken, nicht nur in Bezug auf Code und Tickets. Beginnen Sie, Ihr Team darin zu schulen, KI-generierten Code zu verwenden, zu bewerten und, am wichtigsten, zu misstrauen. Die Zukunft besteht nicht darin, Code zu schreiben; es geht darum, die Ausgabe von Systemen, die dies tun, zu kuratieren und zu steuern.
Die Praktikanten übernehmen das Kommando
Es gibt einen alten Witz in der Tech-Branche, dass man die riskantesten Aufgaben den neuen Praktikanten gibt, weil sie nicht wissen, was angeblich unmöglich ist. Wir bauen jetzt systematisch eine Armee von brillanten, unermüdlichen und völlig unüberwachten Praktikanten auf. Sie werden Probleme lösen, die wir für unlösbar hielten. Sie werden Effizienzen finden, die wir uns nie vorgestellt haben. Und sie werden es tun, indem sie Millionen von Dingen ausprobieren, die keinen Sinn ergeben.
Frameworks wie SEA-TS, stratum und OpenDev stellen den Beginn dieser neuen Realität dar [2, 3, 5]. Sie werden Ihre Prognosemodelle, Ihre Personalisierungs-Engines und Ihre Betriebslogik neu schreiben. Das Risiko ist immens. Diesen Agenten mangelt es an Geschäftskontext, gesundem Menschenverstand und jeglichem Konzept von Ethik oder Markenreputation. Unkontrolliert können sie für eine Metrik optimieren, die Ihr Geschäft in den Sand setzt.
Die Herausforderung für die nächste Generation von Commerce-Architekten besteht nicht nur darin, systems of record (Aufzeichnungssysteme) aufzubauen, sondern auch systems of control (Kontrollsysteme) zu schaffen. Wir müssen die Leitplanken, die Prüftools und die Orchestrierungsebenen entwerfen, um diese explosive neue Form der Kreation sicher zu verwalten. Die Marken, die dies herausfinden, werden nicht nur effizienter sein; sie werden auf einem kognitiven Niveau agieren, das ihre Konkurrenten nicht verstehen können.
CTO.LA arbeitet mit Handelsmarken zusammen, um die grundlegende commerce AI architecture (Commerce-KI-Architektur) für diese neue Realität aufzubauen. Wenn Sie bereit sind, von handgemachter Logik zur Orchestrierung von Intelligenz überzugehen, lassen Sie uns reden.