ENDE
KI-Diagnose anfragen

grait · standpunkt · aktualisiert

Rekursive Selbstverbesserung im operativen Geschäft

Rekursive Selbstverbesserung (RSI) im operativen Geschäft bedeutet: Ein Unternehmen wird mit Flotten von KI-Agenten betrieben, die ihre eigenen Erkenntnisse festhalten und ihre eigenen Workflows mit der Zeit prüfen und verbessern – während die Kontrolle beim Menschen bleibt. Die meisten Automatisierungen erledigen die Arbeit. Ein solches System lernt zusätzlich daraus.

Ich experimentiere damit in der Agenten-Flotte von Machine.Machine, dem Unternehmen, das ich gegründet habe: 22 KI-Agenten, jeder mit eigenem Desktop, Browser, eigenen Tools und eigenem Gedächtnis, laufen auf eigener Hardware; die Bausteine sind Open Source in der GitHub-Organisation machine-machine.

Der Kreislauf

  1. Festhalten. Jeder Agent dokumentiert Korrekturen und Fehler in dem Moment, in dem sie passieren – in Markdown und im Vektorgedächtnis (openclaw-self-improve-skill, openclaw-m2-memory-skill).
  2. Prüfen. In openclaw-self-improve-skill macht ein wöchentliches Review aus wiederkehrenden Mustern Änderungsentwürfe.
  3. Anpassen. Ein monatliches Flotten-Review schlägt Änderungen am gemeinsamen Betriebs-Playbook als Pull Requests vor (fleet-playbook). Im m2herd-Factory-Loop macht m2herd evolve aus gescheiterten Agenten-Läufen geprüfte Erkenntnisse, die jedem späteren Auftrag mitgegeben werden (herdr-factory-loop-skill).
  4. Steuern. Die Kontrolle behält der Mensch: Review-Gates, Vertrauensstufen und eine Verfassung (dokumentiert in fleet-playbook) legen fest, was ein Agent selbst ändern darf.

Warum das für ein Unternehmen zählt

Die Workflows sind als lesbares Markdown geschrieben – den Prozess zu verbessern heißt also, den Prozess zu bearbeiten: in einer prüfbaren Textdatei, mit Historie. Jede KI-Entscheidung lässt sich in einem signierten, hash-verketteten Audit-Trail protokollieren, sodass das System für Aufsichtsbehörden nachvollziehbar bleibt, während es sich verändert.

Das Ziel ist ein Betrieb, der nach dem Go-live besser wird statt schleichend schlechter: Erkenntnisse gehen nicht in einem Chatverlauf verloren, sondern fließen direkt in die Arbeitsweise ein.

Von n8n zu KI-Agenten-Teams

Früher habe ich Workflow-Automatisierungen mit n8n gebaut. Heute sind die Workflows individuell und werden von KI-Agenten-Teams betrieben, orchestriert mit m2herd: ein spec-getriebener Factory-Loop (Spec → Plan → Tasks → das Agenten-Team implementiert → Abgleich mit der Spec), der Coding-Agenten wie Claude, Codex, Cursor und OpenCode über herdr steuert. Hochkomplexe Aufgaben lassen sich an einen Claude-Code-Worker in herdr delegieren (ask-fable-skill).

Was darunter läuft

Fragen

Was ist m2herd?

m2herd (herdr-factory-loop-skill) ist ein Open-Source-Loop, der Teams aus KI-Coding-Agenten über herdr in einem spec-getriebenen Factory-Loop orchestriert: Spec, Plan, Tasks, das Agenten-Team implementiert, und das Ergebnis wird mit der Spec abgeglichen. m2herd evolve macht aus gescheiterten Läufen geprüfte Erkenntnisse für spätere Aufgaben.

Läuft das bereits im operativen Betrieb von Kunden?

Mit RSI experimentiere ich in der Machine.Machine-Flotte. In Kundenprojekten baue ich selbstverbessernde Agenten-Workflows mit einem Lernkreislauf und menschlicher Freigabe, wo es darauf ankommt.

Wer entscheidet, was die Agenten ändern dürfen?

Der Mensch. Review-Gates und Vertrauensstufen, dokumentiert in fleet-playbook, legen fest, was ein Agent selbst ändern darf und was eine Freigabe braucht.

Mit grait daran arbeiten

Ich bringe den Ansatz als selbstverbessernde Agenten-Workflows in Ihren Betrieb – auch auf Odoo-Basis –, in Ihrer Cloud oder auf privater KI-Infrastruktur. Machine.Machine (machinemachine.ai) konzipiert, implementiert und betreibt KI-Agenten für Postfächer, Dokumente, Recruiting, Reporting und weitere wiederkehrende Workflows.

KI-Diagnose anfragen

← grait.io · Lebenslauf · FAQ