OpenAI Dots: Ihr KI-Agent arbeitet rund um die Uhr – auch offline. Wie Sie bereitstellen und welche Risiken für Ihr Unternehmen bestehen

von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau. Bei DennisCraft AI Studio entwickle ich autonome Multi-Agent-Systeme für DACH-B2B-Kunden (Logistik, Fintech, industrielle Automatisierung). Mein Stack: Claude, Supabase, n8n, Doppler, self-hosted Postgres. KI-Agenten laufen in produktiven Umgebungen rund um die Uhr – auch wenn kein Mensch aktiv überwacht. Genau dort entstehen die echten Risiken und regulatorischen Anforderungen.

Warum „24/7-Agenten“ mehr sind als Chatbots

In Demos laufen KI-Systeme oft nur manuell oder mit Testdaten. Im Produktivbetrieb verarbeiten Agenten echte Geschäftsereignisse, greifen auf Kundenschnittstellen zu, schreiben direkt in Postgres und orchestrieren Prozesse via n8n – alles automatisiert. Ein Beispiel ist mein öffentlicher Agent unter live.gerdennisai.com mit Live-Transparenz.

• Der Agent wartet nicht – er überwacht, erkennt und handelt selbstständig.
• Stabilität bei Fehlern, Datenabweichungen und Cloud-Ausfällen ist Pflicht.
• Entscheidend ist nicht die Demo, sondern die Einhaltung von SLA, Auditierbarkeit und Compliance.

Architektur: So funktionieren OpenAI Dots produktiv

1. Ereignisgesteuerte Pipeline

Das Grundmuster: Ereignisse (z.B. Bestellung, Anomalie, E-Mail) landen in einer Queue (Supabase Realtime oder Webhook zu n8n). Der Agent übernimmt die Aufgabe und startet Workflows. Alle Aktionen und Kontexte werden in einer self-hosted Postgres-Datenbank für vollständige Rückverfolgbarkeit protokolliert – ein Muss für DSGVO, BSI und ISO 27001.

import supabase_py
from n8n_python import N8NClient

supabase = supabase_py.create_client(url, key)
n8n = N8NClient(api_url, token)

# Neue Ereignisse abrufen
events = supabase.table('events').select('*').execute()
for event in events.data:
    if event['type'] == 'order_created':
        n8n.trigger_workflow('process-order', payload=event)

2. Orchestrierung mit n8n und Claude

n8n steuert Integrationen und Prozessschritte. Claude (API) übernimmt Sprachverarbeitung und Entscheidungslogik. Doppler verwaltet Secrets, um Token-Leaks auszuschließen. Zustand und Logs werden stets in Postgres gespeichert – für Recovery und Compliance.

• n8n: Orchestrierung von externen API-Aufrufen und Workflows
• Claude: Sprachmodelle, promptgesteuerte Aktionen
• Supabase/Postgres: Zustandsmanagement, Logging, Audit-Trail

3. Überwachung, Idempotenz, Rollbacks

Idempotenz ist zwingend – Agenten müssen Ereignisse wiederholt verarbeiten können, ohne doppelte Effekte zu verursachen. Ich logge alle Zwischenstände und Prompts in separaten Tabellen. So werden Rollbacks möglich und Incident-Analysen nachvollziehbar.

CREATE TABLE agent_events (
  id SERIAL PRIMARY KEY,
  event_type TEXT,
  payload JSONB,
  status TEXT,
  created_at TIMESTAMP DEFAULT now()
);

CREATE TABLE agent_prompts (
  id SERIAL PRIMARY KEY,
  event_id INT REFERENCES agent_events(id),
  prompt TEXT,
  response TEXT,
  created_at TIMESTAMP DEFAULT now()
);

Risiken im Produktivbetrieb: Was tatsächlich schiefgeht

Sicherheit & Audit: Was in DACH-Compliance wirklich zählt

Statische Analyse und Sandbox zur Laufzeit

Statische Analyse (bandit, semgrep) erkennt nicht alle Prompt-Injection-Risiken. Die Bandit-Dokumentation (2024) weist darauf hin. Ich setze zusätzlich eine Sandbox in n8n ein: Jede Agentenaktion wird geloggt, verdächtige Fälle gehen zur manuellen Prüfung.

Prompt- und Aktions-Logging

Alle Prompts und LLM-Antworten landen in separaten Postgres-Tabellen. Für Banken und Industrie ist das für DSGVO und EU AI Act unerlässlich. Im Incident-Fall kann die gesamte Ereigniskette rekonstruiert werden.

Validierung eingehender Daten

Jede eingehende Payload wird mit Pydantic (Python) oder Zod (TypeScript) validiert – nie „raw“ Webhook-Daten an den Agenten weitergeben.

from pydantic import BaseModel

class OrderEvent(BaseModel):
    order_id: int
    status: str
    customer_email: str

# Validierung vor Agenten-Call
event = OrderEvent.parse_obj(raw_data)

FAQ

Welche SLA sind bei 24/7-Agenten realistisch?

In meinen Projekten: 99,7 % Verfügbarkeit auf Integrationslayer (n8n + Supabase), aber nur mit aktivem Monitoring und manueller Kontrolle von Edge Cases.

Lässt sich Datenleckage durch LLMs vollständig verhindern?

Nein. Selbst mit Doppler und n8n-Filtern gibt es Restrisiken bei komplexen Prompts. Nur Logging und manuelle Kontrolle minimieren dies.

Welche LLMs sind im DACH-Regelbetrieb etabliert?

Claude (Anthropic), GPT-4 (Azure OpenAI), selbstgehostete Modelle via API-Gateway. Immer mit vollständigem Logging und Zugangskontrolle.

Wie werden Rollbacks agentischer Aktionen automatisiert?

Jede Operation wird mit einzigartiger event_id in Postgres abgelegt – so ist gezieltes Rollback möglich.

Was tun, wenn der Agent nicht mehr antwortet?

Fallback-Logik in n8n, z.B. menschliche Benachrichtigung, und Heartbeat-Monitoring in einer eigenen DB-Tabelle.

In welchem Schritt Ihrer Agenten-Pipeline werden produktiv die meisten Fehler entdeckt: statische Analyse, Laufzeit-Sandbox oder menschliche Kontrolle? Ich freue mich über Praxiserfahrungen. Ich biete einen kostenlosen 30-Minuten-Stack-Check für DACH-Teams im regulierten KI-Umfeld an. Kontaktieren Sie mich auf LinkedIn oder via @ger_dennis_ai.