Wie Atlas Agent Engine die interne KI-Strategie von MongoDB vorantreibt

Ich bin seit über 25 Jahren im Technologiebereich tätig. Das bedeutet, dass mich neue Technologien selten überraschen. Ich sehe sie normalerweise aus nächster Nähe, bevor sie an die Öffentlichkeit gelangen. Als IT-Führungskraft bewerte ich eine neue Funktion niemals isoliert, sondern stets anhand der konkreten Anwendungsfälle im Unternehmen und der damit verbundenen Risiken. Heutzutage sage ich den Leuten, dass man als CIO im Zeitalter der KI zwei Aufgaben gleichzeitig erfüllen muss: die des Ingenieurs, der den Damm verstärkt, und die des Betreibers, der die Schleusen trotzdem öffnen muss.

Diese Woche hat MongoDB die öffentliche Vorschau der Atlas Agent Engine angekündigt, und ich bin absolut begeistert von den Möglichkeiten, die sie den Kunden bietet. Die Atlas Agent Engine bietet eine sichere Möglichkeit, KI-Agenten in der Produktion zu erstellen, bereitzustellen und zu steuern. Dank integrierter Speicher- und Abruffunktionen indiziert die Atlas Agent Engine Unternehmensdaten dort, wo sie sich befinden, und liefert präzisen Kontext in Echtzeit, was die Genauigkeit verbessert und gleichzeitig die Token-Kosten senkt. Sie ist zudem von Grund auf offen und flexibel aufgebaut, sodass Teams mit dem LLM und Framework ihrer Wahl arbeiten können (und bald auch in jeder beliebigen Umgebung ihrer Wahl).

Unsere Kunden sind bereits von dem Potenzial begeistert, das die Atlas Agent Engine für ihr Unternehmen bietet. Zum Beispiel nutzt Paysafe MongoDB Atlas, um ein Agenten-System für Natural-Language-to-SQL-Abfragen über Transaktionsdaten zu betreiben – das erste einer Reihe von wiederverwendbaren Workflow-Pipelines, die Paysafe als Vorlagen für zukünftige Anwendungsfälle erstellen will.

Derzeit vermittelt die Snowflake-MCP-Konfiguration des Unternehmens den API-Kunden nur einen begrenzten Einblick in das zugrunde liegende Datenschema. Die flexible Dokumentenarchitektur und die zuverlässige Skalierbarkeit von MongoDB Atlas unterstützen einen Agenten, der darauf ausgelegt ist, diese Konfiguration durch eine leistungsfähigere, wiederverwendbare Pipeline zu ersetzen, die API-Clients direkt in natürlicher Sprache abfragen können.

„Die Untersuchung ungewöhnlicher Aktivitäten in unserem Zahlungsnetzwerk bedeutet heute, dass unsere Analysten Daten manuell aus mehreren Systemen zusammenführen, oft unter Zeitdruck“, sagt Jana Janarthanan, SVP of Payment Engineering bei Paysafe. „Wir freuen uns auf das Potenzial eines intelligenten Agenten, der auf der Atlas Agent Engine von MongoDB aufbaut, um die Zeit zwischen dem Auftreten eines Problems und dem Handeln unseres Teams zu verkürzen, sodass unsere Analysten mehr Zeit haben, sich auf die wichtigsten Entscheidungen zu konzentrieren.“

Als das MongoDB-Team mir zum ersten Mal die Atlas Agent Engine zeigte, weckte die Formulierung „von Grund auf sicher und kontrolliert“ sofort meine Aufmerksamkeit. Denn wenn mich etwas um den Schlaf bringt, dann ist es der Gedanke an Agenten, die in den Systemen von MongoDB (oder denen unserer Kunden) Amok laufen.

Die Steuerung von Agenten ist nicht nur mein Anliegen. Das Thema ist in den Nachrichten präsent, und CIOs in der gesamten Branche haben damit zu kämpfen. Jedes Gespräch, das ich mit meinen Kollegen führe, bestätigt dasselbe: Der Bedarf an Agenten im gesamten Unternehmen wächst stetig, aber IT-Führungskräfte benötigen eine Möglichkeit, diese sicher und geschützt einzusetzen – und nicht nur schnell.

Im Kern geht es hier um den Konflikt zwischen Zentralisierung und Dezentralisierung. Entwickler wünschen sich die Autonomie, Agenten schnell und mit minimalem Aufwand bereitzustellen. IT-Führungskräfte wünschen sich hingegen zentralisierte Kontrolle, Transparenz und Möglichkeiten zur Kostenoptimierung hinsichtlich des Verhaltens der Agenten im großen Maßstab. Die Unternehmen, die hier den richtigen Weg finden, werden eine Architektur aufbauen, die beides ermöglicht.

Software wird zunehmend „headless“ und agentengesteuert, und CIOs brauchen jetzt Alternativen. Anders ausgedrückt: Die Zukunft ist da und unsere Aufgabe ist es, sie verantwortungsvoll zu gestalten.

Customer Zero: Unsere interne KI-Strategie in der Praxis

Eine der Möglichkeiten, dies bei MongoDB zu tun, ist, als „Kunde Null“ für unsere Produkte zu agieren. In der Branche gibt es viele verschiedene Bezeichnungen für diese Vorgehensweise – „Dogfooding“ und „seinen eigenen Champagner trinken“ sind zwei davon –, doch die Bedeutung ist dieselbe. Vor der Markteinführung eines Produkts treten wir als unsere eigenen Kunden auf, um die Software in der Produktion anhand von realen Anwendungsfällen und Situationen zu testen.

Als das Unternehmen 2024 MongoDB 8.0 veröffentlichte, schrieb mein Kollege Jim Scharf einen Blogbeitrag darüber, wie sehr die Version 8.0 die Leistung der Teams verbesserte.

Mit der Atlas Agent Engine nahm unser Dogfooding die Form von Holly an: einem einheitlichen Arbeitsbereich für Agenten, der den Vertriebsmitarbeitern von MongoDB alles, was sie benötigen, aus einer Hand bietet – statt aus sieben. Vor Holly bedeutete die Vorbereitung eines einzelnen Kontos, zwischen sieben voneinander unabhängigen Tools hin und her zu wechseln, von denen keines den Kontext mit den anderen teilte – 4 bis 6 Stunden pro Konto und Geschäftszyklus gingen allein für den Aufwand mit den Tools verloren. Holly macht damit Schluss. Aus sieben Tools wird nun eine einheitliche Benutzererfahrung, und die Vertriebsmitarbeiter gewinnen diese Zeit zurück, um sie dort einzusetzen, wo sie wirklich zählt: bei den Kunden.

Holly: Stundenlange Arbeit auf wenige Minuten reduzieren

Die GTM-Teams von MongoDB befolgen eine standardisierte, schrittweise Methodik, um den aktuellen Status eines Kunden, seine Ziele und den Weg dorthin zu verstehen. Vertriebsmitarbeiter bezeichnen dies als „Spoke“, und es geht nicht schnell. Laut Jack Bunkenburg, Strategic Account Executive bei MongoDB, nehmen diese „Spokes“ jede Woche ein oder zwei Tage seiner Arbeitszeit in Anspruch.

Das Problem waren die Tools, nicht die Prozesse. Die Mitarbeiter brauchten ein Tool, das die gesamte Datenbasis versteht, auf die sie zugreifen, und das Informationen über Systeme hinweg überträgt, die noch nie miteinander gesprochen hatten.

Ohne diesen Kontext ist die Arbeit an einem Konto über sieben verschiedene Tools hinweg ein bisschen so, als würde man sieben Spezialisten für ein Leiden aufsuchen – und keiner von ihnen kann sehen, was die anderen gefunden haben. Jeder Besuch beginnt von vorn: Sie erklären Ihre Symptome, Ihre Vorgeschichte und das, was der letzte Arzt bereits gelernt hat, erneut. Jeder Spezialist mag hervorragend sein. Aber das System lässt Sie dennoch im Stich, weil der Kontext nie weitergegeben wird. Nur Sie tun das.

Bevor überhaupt etwas entwickelt wurde, beobachtete das Team zunächst, wie die Arbeit tatsächlich ablief – und die Realität vor Ort war, wie Bunkenburg es ausdrückte, „ein gutes Stück chaotischer“ als der auf dem Papier festgelegte Ablauf. Allein die Recherche zu Konten bedeutete, mehrere KI-Tools (ChatGPT, Claude, Gemini) unter einen Hut zu bringen, die weder untereinander noch mit den MongoDB-Systemen den Kontext teilen und die generische, pauschale Antworten liefern. Das Finden von Belegen war ebenso ein manueller Prozess. Ebenso wie das Filtern der Ergebnisse auf das, was tatsächlich von Bedeutung war.

Holly ist die Lösung – der gemeinsame Kontext, den andere Tools nie hatten. Eine Schnittstelle, kein Tool-Wechsel, die alles zusammenbringt, was ein Vertriebsmitarbeiter für die Recherche, die Vorbereitung und die Ausführung benötigt. Darunter leistet Atlas Agent Engine die Schwerstarbeit – Runtime, Sicherheit, Identität, Orchestrierung, Status, Beobachtbarkeit und Lebenszyklusverwaltung –, damit Hollys Agenten in der Produktion laufen und nicht nur in einer Demo.

Abbildung 1. Hollys Agentenarchitektur.

In der Praxis bedeutet das, dass Holly Meeting-Transkripte kuratiert und zusammenfasst, Briefings entwirft, Fragen aufdeckt, die ein Vertriebsmitarbeiter noch nicht beantwortet hat, und beim Verfassen von Kontaktaufnahmen hilft. Das Ergebnis: Vertriebsmitarbeiter, die Holly nutzen, konnten die Zeit für die Recherche und Erstellung von ausgehenden Interessentenlisten um rund 95 % reduzieren, und die Vorbereitung, die früher Stunden dauerte, nimmt jetzt nur noch Minuten in Anspruch. Das bedeutet, dass Vertriebsmitarbeiter besser vorbereitet in jedes Gespräch gehen, nicht nur schneller.

„Vor Holly habe ich ein Dutzend verschiedene Tools für Recherche und Kontaktaufnahme genutzt, daher war es ein echter Mehrwert, alles auf einer einzigen Oberfläche zu haben“, sagte Bunkenburg. „Viele Tools verstehen das Geschäft von MongoDB nicht oder was genau wir mit diesen Tools erreichen wollen, aber Holly schon.“

Die intelligente Datenplattform für das KI-Zeitalter

Die Vision für die Zukunft ist, dass Holly zu einer vollständig integrierten Intelligenzebene wird, die MongoDB, unsere Kunden und einzelne Accounts genau versteht und dem gesamten GTM-Team hilft, End-to-End-Workflows effektiver auszuführen.

Am aufregendsten ist jedoch, was sich unter Holly selbst verbirgt. Holly arbeitet heute mit etwa 30 Agenten, die alle auf der gleichen Atlas Agent Engine-Architektur basieren. Diese Architektur wird nicht wackeliger, wenn Sie ihr Agenten hinzufügen; sie wurde so konzipiert, dass sie hält, egal ob Sie 30 oder 3.000 betreiben. Wir haben nicht nur ein Tool für unser GTM-Team entwickelt. Wir haben einen Bauplan erstellt – einen, der sicher skaliert, wenn ein Unternehmen einen neuen Agenten hinzufügt, anstatt mit jedem neuen Agenten Risiken anzuhäufen.

Genau diesen Wandel verkörpert die Atlas Agent Engine: weg von einmalig eingesetzten Agenten hin zu einer gesteuerten, wiederverwendbaren Plattform, die nicht an eine bestimmte Cloud, ein bestimmtes Modell oder ein bestimmtes Framework gebunden ist. Es ist der Unterschied zwischen der Hoffnung, dass sich Ihre Agenten korrekt verhalten, und der Gewissheit, dass sie es tun werden – ganz gleich, wie viele Sie davon betreiben. Es ist der Unterschied zwischen der Hoffnung, dass sich Ihre Agenten richtig verhalten, und der Gewissheit, dass sie es tun werden – ganz gleich, wie viele Sie davon betreiben.

Die Veröffentlichung der Atlas Agent Engine ist eine von drei wichtigen Ankündigungen, die MongoDB diese Woche gemacht hat – neben MongoDB 9.0 und Atlas Infinite. Die neuen Produkte bauen aufeinander auf: MongoDB 9.0 stärkt die Grundlage, auf der bereits jeder MongoDB-Kunde arbeitet, Atlas Infinite beseitigt die Grenzen der Skalierbarkeit dieser Grundlage, und Atlas Agent Engine setzt darauf aufbauend KI-Agenten ein, die gesteuert werden und auf Echtzeitdaten basieren.

Entwickler haben sich schon immer für MongoDB entschieden, weil dessen Dokumentmodell der natürlichen Struktur von Anwendungsdaten entspricht und der Art und Weise, wie KI-Systeme Informationen darstellen und austauschen. Dadurch lassen sich Anwendungen schneller entwickeln und einfacher anpassen. Unternehmen entscheiden sich zunehmend für MongoDB, da es diese native Eignung mit operativen Live-Daten, elastischer Skalierung, der Freiheit zur Ausführung an jedem beliebigen Ort – und jetzt einer Plattform, die speziell für das Zeitalter der Agenten entwickelt wurde – vereint.

Eine Plattform. Eine beliebige Anzahl von Agenten. Entwickeln, bereitstellen und betreiben Sie sie dort, wo Ihre Daten bereits gespeichert sind – mit der intelligenten Datenplattform von MongoDB.