Wie KI die Mathematik für Startups verändert, laut einem Microsoft-Vizepräsidenten

Russell Brandom

Do, 12. Februar 2026 um 02:51 Uhr GMT+9 5 Min Lesezeit

In diesem Artikel:

• StockStory Top-Auswahl

MSFT

-2,22%

Microsoft CVP für CoreAI Amanda Silver | Bildnachweis: Microsoft

Seit 24 Jahren arbeitet Amanda Silver bei Microsoft daran, Entwicklern zu helfen — und in den letzten Jahren bedeutet das, Tools für KI zu entwickeln. Nach einer langen Phase bei GitHub Copilot ist Silver jetzt Vice President bei Microsofts CoreAI-Abteilung, wo sie an Tools für die Bereitstellung von Apps und agentischen Systemen in Unternehmen arbeitet. Ihr Fokus liegt auf dem Foundry-System innerhalb von Azure, das als einheitliches KI-Portal für Unternehmen konzipiert ist. So erhält sie einen engen Einblick, wie Unternehmen diese Systeme tatsächlich nutzen und wo Deployments oft scheitern.

Ich habe mit Silver über die aktuellen Fähigkeiten von Unternehmensagenten gesprochen und warum sie glaubt, dass dies die größte Chance für Startups seit der Einführung der öffentlichen Cloud ist.

Dieses Interview wurde gekürzt und für Klarheit bearbeitet.

Ihre Arbeit konzentriert sich auf Microsoft-Produkte für externe Entwickler – oft Startups, die sich sonst nicht auf KI fokussieren. Wie sehen Sie die Auswirkungen von KI auf diese Unternehmen?

Ich sehe dies als einen Wendepunkt für Startups, der so bedeutend ist wie der Übergang zur öffentlichen Cloud. Wenn man darüber nachdenkt, hatte die Cloud einen enormen Einfluss auf Startups, weil sie nicht mehr den Platz für eigene Serverräume brauchten und weniger Geld in Hardware investieren mussten. Alles wurde günstiger. Jetzt wird agentische KI die Gesamtkosten für Softwarebetrieb weiter senken, weil viele Aufgaben bei der Gründung eines neuen Unternehmens — Support, rechtliche Untersuchungen — schneller und günstiger mit KI-Agenten erledigt werden können. Das wird mehr Gründungen und Startups ermöglichen. Wir werden Startups mit höherer Bewertung und weniger Personal an der Spitze sehen. Und das ist eine spannende Welt.

Wie sieht das in der Praxis aus?

Wir beobachten, dass Multi-Schritt-Agenten in verschiedensten Programmieraufgaben immer verbreiteter werden. Ein Beispiel: Entwickler müssen ihre Codebasis aktuell halten, etwa mit den neuesten Versionen der Bibliotheken, auf die sie angewiesen sind. Ein Agentensystem kann den gesamten Code durchgehen und ihn viel einfacher aktualisieren, vielleicht um 70 oder 80 % schneller. Dafür muss es ein deployter Multi-Schritt-Agent sein.

Live-Site-Betrieb ist ein weiteres Beispiel – wenn eine Website oder ein Dienst ausfällt, muss jemand alarmiert werden, um zu reagieren. Früher war das eine ungeliebte Aufgabe, weil man oft mitten in der Nacht geweckt wurde. Heute haben wir ein genetisches System entwickelt, das Probleme in Echtzeit diagnostiziert und in vielen Fällen vollständig behebt, sodass Menschen nachts nicht mehr aufstehen müssen. Das reduziert die durchschnittliche Reaktionszeit erheblich.

Story Fortsetzung

Ein weiteres Rätsel ist, warum agentische Deployments nicht so schnell voranschreiten wie erwartet, auch vor sechs Monaten noch. Warum denken Sie, ist das so?

Wenn man sich die Entwickler ansieht, die Agenten bauen, liegt das Problem oft darin, dass sie nicht genau wissen, was der Zweck des Agenten sein soll. Es braucht einen Kulturwandel beim Systemaufbau. Was ist der konkrete Anwendungsfall? Was soll erreicht werden? Man muss sehr klar definieren, was Erfolg für diesen Agenten bedeutet. Außerdem ist es wichtig, die Daten zu kennen, die man dem Agenten gibt, damit er überlegt, wie er die Aufgabe am besten löst.

Wir sehen diese Unsicherheiten als größere Hindernisse als die generelle Unklarheit, ob Agenten eingesetzt werden sollen. Wer sich diese Systeme anschaut, erkennt den Return on Investment.

Sie erwähnen die allgemeine Unsicherheit, die von außen wie ein großes Hindernis wirkt. Warum sehen Sie das in der Praxis weniger problematisch?

Zunächst einmal wird es sehr üblich sein, dass agentische Systeme menschliche Eingriffe in den Loop haben. Denken Sie an eine Paketretoure: Früher war der Ablauf zu 90 % automatisiert, aber es gab noch menschliche Eingriffe, etwa um den Schaden des Pakets zu beurteilen. Heute sind Computer-Vision-Modelle so gut geworden, dass in vielen Fällen keine menschliche Überwachung mehr nötig ist. Es gibt noch Grenzfälle, bei denen die KI noch nicht zuverlässig genug ist, und dann wird eine Eskalation notwendig. Es ist vergleichbar mit der Frage, wie oft man den Manager einschalten muss.

Einige Prozesse erfordern immer menschliche Kontrolle, etwa bei rechtlichen Verpflichtungen oder beim Deployment in die Produktion, das die Systemzuverlässigkeit beeinflussen könnte. Aber auch hier ist die Frage, wie weit wir Automatisierung vorantreiben können.