27. Juli 2026Aktualisiert am Fathy Shalaby16 Min. Lesezeit
Agent-ready Produkte: das Zwei-Nutzer-Modell für PMs im Zeitalter der KI-Agenten
Dein Produkt hat jetzt einen zweiten Leser: einen KI-Agenten, der für einen Menschen handelt. Das Zwei-Nutzer-Modell und vier Audit-Fragen zeigen, wo dein Produkt nur funktioniert, weil ein Mensch zuschaut.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Agent-ready Produkte funktionieren für einen KI-Agenten, der im Auftrag eines Menschen handelt, genauso zuverlässig wie für den Menschen selbst. In der Praxis heißt das vier Dinge: einen maschinenlesbaren Weg neben dem Bildschirm, Schutzmechanismen, die das System durchsetzt statt jemandes Aufmerksamkeit, jedes Mal dieselbe Antwortstruktur und eine benannte verantwortliche Person, wenn ein Agent auf Grundlage einer mehrdeutigen Ausgabe handelt. Das Zwei-Nutzer-Modell prüft jedes Feature gegen beide Leser.
Das Wichtigste in Kürze
Software ist bereits der Mehrheitsleser des Webs. 2024 übertraf automatisierter Traffic zum ersten Mal seit einem Jahrzehnt den menschlichen: mit 51 % des gesamten Web-Traffics (Imperva, 2025).
Agenten sind (noch) eine Minderheitengewohnheit, aber eine echte. In der Stack-Overflow-Umfrage 2025 nutzten 30,9 % der Befragten bei der Arbeit zumindest gelegentlich KI-Agenten, 14,1 % täglich (Stack Overflow, 2025).
Für Menschen gebaute Produkte scheitern bei Agenten leise. Der Agent tut genau das, was eine mehrdeutige Oberfläche ihm gesagt hat, in Maschinengeschwindigkeit.
Die Standards gibt es. MCP (im November 2024 von Anthropic als Open Source veröffentlicht), llms.txt (September 2024 vorgeschlagen), das Fehlerformat RFC 9457 und Idempotency Keys beantworten jeweils eine der vier Audit-Fragen.
Fang mit einem Workflow an, und zwar mit dem repetitivsten, regelbasierten, bei dem ein Mensch für jemand anderen handelt.
Wer ist der zweite Nutzer deines Produkts?
Zwanzig Jahre lang hatte die Frage „Wer ist der Nutzer?“ eine Antwort: ein Mensch, der auf einen Bildschirm schaut und eine Entscheidung trifft. Diese Annahme bröckelt. Ein wachsender Teil des Lesens, Klickens und Formularausfüllens in Software wird von einem Agenten erledigt: einem Modell mit Werkzeugen, das für einen Menschen handelt, deine API aufruft, deine Docs liest und deine Formulare ausfüllt.
Die Zahlen zeigen die Richtung, noch nicht das Ziel:
Traffic: Automatisierte Anfragen machten 2024 51 % des Web-Traffics aus, allein schädliche Bots 37 % (). Das meiste davon sind Crawler und Angreifer, keine hilfreichen Agenten – aber es heißt, dass ein großer Teil dessen, was dein Produkt liest, schon heute Software ist.
Entwickler:innen: Von 31.877 Befragten, die zur Agentenfrage antworteten, nutzen 14,1 % KI-Agenten täglich bei der Arbeit, 9 % wöchentlich und 7,8 % monatlich oder seltener; 37,9 % haben es nicht vor (Stack Overflow, 2025).
Unternehmenssoftware: Gartner erwartet, dass bis 2028 33 % der Enterprise-Software-Anwendungen agentische KI enthalten (2024: weniger als 1 %) und dass mindestens 15 % der alltäglichen Arbeitsentscheidungen autonom getroffen werden (W.Media on Gartner, 2025).
Dieselbe Gartner-Meldung enthält das Gegengewicht: Über 40 % der Agentic-AI-Projekte werden bis Ende 2027 eingestellt (Gartner, 2025), und nur rund 130 der Tausenden Anbieter, die „agentische KI“ verkaufen, liefern tatsächlich das Echte. Der Wandel ist real und laut. Keines von beidem ist ein Grund, ihn zu ignorieren.
Die Idee hat inzwischen einen Namen. Im Januar 2025 schlug Mathias Biilmann von Netlify die Agent Experience (AX) vor: die Erfahrung, die ein KI-Agent als Nutzer eines Produkts macht – nach der User Experience (Don Norman, 1993) und der Developer Experience (Jeremiah Lee, 2011) (Biilmann, 2025).
Warum scheitern für Menschen gebaute Produkte leise, wenn Agenten sie nutzen?
Dieser Wandel zeigt sich nicht als Ausfall. Er zeigt sich als schleichender Vertrauensverlust in die Ausgaben deines Produkts. Ein Feature, das auf menschlichem Urteilsvermögen aufbaut, hängt von Dingen ab, die Agenten schlecht verarbeiten: Texte, die für einen Menschen gut lesbar sind, aber keine eindeutige Interpretation haben, Zustand, der nur im visuellen Layout existiert, und Bestätigungen, die davon ausgehen, dass jemand merkt, wenn eine Zahl nicht stimmt. Ein Agent, der auf derselben Oberfläche arbeitet, hält nicht inne, um etwas auf Plausibilität zu prüfen. Er tut genau das, was die Oberfläche ihm gesagt hat, so schnell er kann – ob sie klar war oder nicht.
Das ist der Fehlermodus, auf den du dich einstellen musst: nicht „der Agent geht kaputt“, sondern „der Agent tut genau das, was ein mehrdeutiges Produkt ihm gesagt hat, und niemand merkt es, bis das Ergebnis im großen Maßstab falsch ist“.
OWASP führt das als eines der Top-Risiken für LLM-Anwendungen. Excessive Agency (LLM06:2025) ist die Schwachstelle, die schädliche Aktionen als Reaktion auf unerwartete, mehrdeutige oder manipulierte Modellausgaben ermöglicht; ihre Ursachen sind übermäßige Funktionalität, übermäßige Berechtigungen und übermäßige Autonomie (OWASP, 2025). Mehrdeutigkeit in deinem Produkt ist einer der Auslöser.
Intensive KI-Nutzer spüren das schon. In derselben Stack-Overflow-Umfrage nannten 66 % der Entwickler:innen als größte Frustration KI-Ausgaben, die fast richtig sind, aber eben nicht ganz, und mehr misstrauten der Genauigkeit von KI (46 %), als ihr vertrauten (33 %) (Stack Overflow, 2025). Ein Agent, der gegen ein mehrdeutiges Produkt arbeitet, liefert genau solche fast richtigen Ergebnisse.
Ein Alltagsbeispiel: der Bildschirm zur Spesenfreigabe
Ein menschlicher Freigeber wirft einen Blick auf die Summe, merkt, dass sie für diesen Lieferanten hoch wirkt, und hakt nach. Ein Agent, der nach denselben Kriterien freigibt, hat keinen Eingang für „wirkt ungewöhnlich hoch“. Er hat nur das Feld, das deine Oberfläche als Freigabeschwelle bereitstellt. Steht diese Schwelle in einem Tooltip, den ein Mensch lesen würde, den aber die Integration des Agenten nie anfasst, funktioniert der Agent nicht falsch. Er folgt einer Spezifikation, die niemand aufgeschrieben hat, weil immer vorausgesetzt wurde, dass ein Mensch liest.
Jeder Workflow, in dem ein Mensch ein Urteil beisteuert, das die Oberfläche nie abbildet, ist eine Stelle, an der das auftaucht: leise, ein Sonderfall nach dem anderen.
Was ist das Zwei-Nutzer-Modell?
Betrachte jedes Feature so, als hätte es zwei mögliche Nutzer, die dieselbe Oberfläche lesen, und prüfe es vor dem Release gegen beide.
1. Der menschliche Entscheider muss verstehen, warum, nicht nur was. Er liest, um Kontext, Abwägungen und die Sicherheit zum Handeln zu bekommen. Deine Aufgabe hier hat sich nicht geändert: Klarheit, Hierarchie, das richtige Detail im richtigen Moment.
2. Der Agent Operator ist ein System, das im Auftrag dieses Menschen handelt und eine Aufgabe ausführt, ohne dass ein Mensch jeden Schritt prüft. Er liest nicht auf Nuancen. Er braucht eine Oberfläche, die eindeutig, strukturiert und stabil ist: Dieselbe Eingabe soll verlässlich dieselbe Art von Ausgabe liefern.
Bedarf
Menschlicher Entscheider
Agent Operator
Liest
Gerenderte Seiten, Diagramme, Tooltips
API-Antworten, Schemas, Docs, Markdown
Erkennt Fehler durch
Bemerken, dass etwas nicht stimmt
Harte Validierungsfehler mit Begründung
Toleriert Inkonsistenz
Ja, passt sich unbemerkt an
Nein, jede Abweichung bricht eine Integration
Will Erklärungen als
Fließtext und Kontext
Strukturierte Felder plus dieselbe Begründung
Sicherer Standard bei riskanten Aktionen
Ein Bestätigungsdialog
Entwurf oder vorgeschlagener Zustand, Freigabe durch einen Menschen
Anthropics Leitfaden zum Bau von Agenten sagt dasselbe aus Sicht der Entwickler: Man solle „genauso viel Mühe in gute Agent-Computer-Interfaces (ACI) investieren“ wie in Mensch-Computer-Interfaces. Beim SWE-bench-Agenten verbrachte das Team mehr Zeit damit, die Tools zu verbessern, als den Gesamt-Prompt (Anthropic, 2024).
Wie prüfst du ein Feature auf Agent-Readiness?
Stell einem Feature vier Fragen. Jede hat eine konkrete „gute“ Antwort.
1. Gibt es neben dem menschenlesbaren auch einen maschinenlesbaren Weg?
Wenn man Informationen nur über eine gerenderte Seite aus deinem Produkt bekommt, hat ein Agent, der für diesen Menschen arbeitet, keinen verlässlichen Zugang. Eine dokumentierte API, ein strukturierter Export oder eine vorhersehbare Datenform ist heute die zweite Eingangstür.
Eine Berechtigungseinstellung, die nur als Checkbox auf einer Einstellungsseite existiert und kein Feld in der API-Antwort hat, ist für jeden Agenten unsichtbar, der über diese API arbeitet. Sie wird stillschweigend nicht durchgesetzt, sobald ein Mensch die Aufgabe delegiert.
So sieht gut aus: Jede Information auf dem Bildschirm ist auch als Feld verfügbar, und jede Aktion hat ein API- oder MCP-Tool-Pendant mit deklariertem Ausgabeschema. MCP-Tools können ein outputSchema deklarieren und structuredContent zurückgeben, das diesem entspricht (MCP-Spezifikation).
2. Setzt die Oberfläche voraus, dass ein Mensch Fehler bemerkt?
Bestätigungsdialoge, „Bist du sicher?“-Abfragen und rote Warnungen verlassen sich alle darauf, dass ein Mensch merkt, dass etwas nicht stimmt. Ein Agent hält nicht inne, es sei denn, die Prüfung ist strukturell: ein harter Validierungsfehler, kein visueller Hinweis. Wenn dein einziger Schutz vor einer destruktiven Aktion ein Modal mit rotem Button ist, existiert dieser Schutz für alles nicht, was deine API direkt aufruft.
So sieht gut aus: Fehler, mit denen eine Maschine etwas anfangen kann. RFC 9457 (Juli 2023) definiert ein Standardformat für „Problem Details“, weil „nicht-menschliche Konsumenten von HTTP-APIs Schwierigkeiten haben“, HTML-Fehlerseiten zu lesen (IETF, 2023). MCP trennt Protokollfehler von Fehlern bei der Tool-Ausführung, die mit isError: true und einer Nachricht zurückkommen, mit der das Modell sich selbst korrigieren und es erneut versuchen kann. Bei folgenreichen Aktionen empfiehlt OWASP eine menschliche Freigabe, bevor die Aktion läuft.
3. Liefert dieselbe Aktion garantiert dieselbe Art von Ergebnis?
Menschen tolerieren ein Feature, das sich je nach Kontostand, Last oder Sonderfall leicht anders verhält. Sie passen sich an, ohne es zu merken. Ein Agent, der denselben Aufruf tausendmal macht, braucht eine Antwort, die in ihrer Form konsistent bleibt, auch wenn sich die Werte ändern: jedes Mal dieselben Felder und dasselbe Fehlerformat. Sonst bricht jede Integration auf leicht andere Weise, je nachdem, auf welchen Sonderfall sie zuerst gestoßen ist.
So sieht gut aus: stabile Schemas, versionierte Änderungen und sichere Wiederholungen. Mit den Idempotency Keys von Stripe kann ein Client eine Anfrage nach einem Verbindungsfehler wiederholen, ohne dass die Operation zweimal ausgeführt wird; Keys können bis zu 255 Zeichen lang sein, und v1-Keys dürfen gelöscht werden, sobald sie mindestens 24 Stunden alt sind (Stripe). MCP bietet vier Tool-Hinweise (readOnlyHint, destructiveHint, idempotentHint, openWorldHint), aber laut Schema sind das Hinweise, keine Garantien (MCP-Schema). Erzwinge das Verhalten auf dem Server.
4. Wer ist verantwortlich, wenn der Agent es falsch macht?
Das ist die Frage, die die meisten Roadmaps auslassen. Wenn ein Agent auf Grundlage der Ausgabe deines Produkts für einen Menschen handelt und diese Ausgabe mehrdeutig war, geht der Fehler auf eine Produktentscheidung zurück, nicht auf einen Nutzerfehler. Das ist eine neue Kategorie von Produktrisiko. Sie verdient die Sorgfalt jedes Produktionsvorfalls: eine benannte verantwortliche Person, eine Möglichkeit, nachzuvollziehen, was passiert ist, und einen Fix, der die eigentliche Lücke schließt statt den einen Fall, der aufgefallen ist.
So sieht gut aus: ein Audit-Trail darüber, welcher Agent was getan hat, in wessen Auftrag und auf welcher Eingabe. Die MCP-Spezifikation verlangt, dass Hosts vor dem Aufruf jedes Tools die ausdrückliche Zustimmung der Nutzer:innen einholen (MCP-Spezifikation), und dass immer ein Mensch im Loop sein sollte, der einen Tool-Aufruf ablehnen kann (MCP tools). Wie du entscheidest, welche Aktionen eine KI allein ausführen darf, steht in dem AI Handoff Contract: fragen, handeln oder stoppen.
Welche Standards machen ein Produkt 2026 agent-ready?
Keiner davon ist verpflichtend, und keiner reicht allein. Jeder beantwortet eine bestimmte Audit-Frage.
Standard
Was es ist
Ursprung
Beantwortet
Model Context Protocol (MCP)
Offenes Protokoll, um KI-Anwendungen mit Tools und Daten zu verbinden, über JSON-RPC 2.0
Von Anthropic am 25. Nov. 2024 als Open Source veröffentlicht; aktuelle Spec 2026-07-28
F1, F2, F4
llms.txt
Eine Markdown-Datei im Stammverzeichnis deiner Website, die Agenten knappen Kontext und Links zu sauberen Markdown-Seiten liefert
Von Jeremy Howard am 3. Sep. 2024 vorgeschlagen; v2 August 2026
F1
OpenAPI-Beschreibung
Maschinenlesbare Beschreibung deiner REST-API
Branchenstandard
F1, F3
RFC 9457 Problem Details
Standardisiertes JSON-Fehlerformat für HTTP-APIs
IETF, Juli 2023 (ersetzt RFC 7807)
F2, F3
Idempotency Keys
Vom Client vergebener Schlüssel, der Wiederholungen sicher macht
Gängige API-Praxis (z. B. Stripe)
F3
MCP wird heute von Assistenten wie Claude und ChatGPT und von Tools wie VS Code und Cursor unterstützt (MCP). Server stellen drei Arten von Features bereit: Resources (Kontext und Daten), Prompts (Vorlagen) und Tools (Funktionen, die das Modell aufrufen kann) (MCP-Spezifikation). Laut dem llms.txt-Vorschlag veröffentlichen inzwischen Tausende Websites die Datei, und Chromes Lighthouse sucht in seinen Audits für agentisches Browsen nach einer (llms.txt). Wenn es dir darum geht, wie KI-Assistenten dein Produkt beschreiben, und nicht darum, wie Agenten es bedienen, ist das ein anderes Problem, das in AI-Search-Sichtbarkeit behandelt wird.
Wie sieht ein Agent-Readiness-Audit aus? Ein durchgespieltes Beispiel
Illustratives Beispiel. Nehmen wir ein Unternehmen mit 40 Mitarbeitenden, das 600 Spesenabrechnungen im Monat durch dein Produkt schleust und dessen Finanzleiter einen Agenten routinemäßige Fälle freigeben lassen möchte. Bewerte jede Audit-Frage mit 0 (nicht erfüllt), 1 (teilweise) oder 2 (erfüllt).
Frage
Befund
Punkte
1. Maschinenlesbarer Weg
Abrechnungen und Summen sind in der API; die Schwelle von 2.000 € pro Lieferant steht nur in einem Tooltip
1
2. Strukturelle Schutzmechanismen
Freigaben über der Schwelle lösen ein Modal aus; die API akzeptiert sie stillschweigend
0
3. Konsistente Ergebnisse
Die Freigabe liefert bei Abrechnungen in mehreren Währungen eine andere Payload; kein Idempotency Key, sodass eine Wiederholung nach einem Timeout doppelt freigeben kann
0
4. Verantwortlichkeit
Das Audit-Log erfasst den Nutzer, nicht den Agenten oder die angewendete Regel
1
Summe
2 / 8
Die Fixes sind klein: die Schwelle als Feld bereitstellen, Freigaben über der Schwelle in der API mit einem Problem-Details-Fehler ablehnen, eine einheitliche Payload-Form zurückgeben und einen Idempotency Key akzeptieren sowie den handelnden Agenten neben dem delegierenden Nutzer loggen. Nach diesen Änderungen erreicht das Feature erneut bewertet 8/8, ohne dass sich an der Oberfläche für Menschen etwas ändert.
Behandle einen Wert unter 6 als Grund, Agenten für diesen Workflow im reinen Entwurfsmodus zu belassen. Diese Grenze ist ein Ausgangspunkt, kein Benchmark.
Agent-Readiness-Checkliste (zum Kopieren)
Jeder auf dem Bildschirm angezeigte Wert ist als benanntes Feld in der API oder im Export verfügbar.
Jede Aktion hat einen API-Endpunkt oder ein MCP-Tool mit deklariertem Eingabe- und Ausgabeschema.
Geschäftsregeln (Limits, Schwellenwerte, Berechtigungen) werden auf dem Server durchgesetzt, nicht in der UI.
Fehler liefern eine maschinenlesbare Begründung (RFC 9457 oder ein gleichwertiges stabiles Format).
Schreibende Operationen akzeptieren einen Idempotency Key oder lassen sich gefahrlos wiederholen.
Antworten behalten dieselbe Form über Kontostände, Währungen und Sonderfälle hinweg.
Destruktive oder folgenreiche Aktionen erfordern eine menschliche Freigabe oder starten als Entwurf.
Logs erfassen den Agenten, den delegierenden Nutzer und die Eingabe hinter jeder Aktion.
Docs liegen als sauberes Markdown vor, mit einer llms.txt-Datei, die darauf verweist.
Jeder Workflow hat eine benannte verantwortliche Person für Agenten-Vorfälle.
Was das nicht bedeutet
Das ist kein Plädoyer, dein Produkt über Nacht als API-first-Plattform neu zu bauen oder die Oberfläche für Menschen aufzugeben. Die meisten Produkte werden noch jahrelang einen Menschen als primäre Zielgruppe haben; der Wandel kommt on top. Es ist auch kein Grund, jedem Agenten-Framework von einer Launch-Seite hinterherzurennen. Die Lehre ist enger gefasst: Prüfe deine bestehende Oberfläche auf Annahmen, die nur funktionieren, wenn ein Mensch mitliest.
Welche Fehler machen Teams beim Design für KI-Agenten?
Zwei Quellen der Wahrheit. Das Dashboard sagt „3 Einträge müssen geprüft werden“, während die API 4 zurückgibt. Produkte, die mit Agenten gut umgehen, erzeugen die Erklärung für Menschen und die Maschinendaten aus derselben Quelle, sodass keiner der beiden Leser mit einem unvollständigen Bild arbeitet.
Tool-Hinweisen als Kontrollen vertrauen. Eine Annotation destructiveHint: false verhindert keinen destruktiven Aufruf. Die MCP-Spezifikation weist Clients an, Annotationen als nicht vertrauenswürdig zu behandeln, solange sie nicht von einem vertrauenswürdigen Server stammen.
Mehr gewähren, als die Aufgabe braucht. OWASPs erste Gegenmaßnahmen sind weniger Tools, engere Funktionen und der minimale OAuth-Scope. Eine reine Leseaufgabe sollte einen reinen Lese-Token bekommen.
Aufrufe messen statt Ergebnisse. Agenten-Traffic bläht Nutzungszahlen auf. Prüfe, ob delegierte Aufgaben korrekt erledigt wurden, nicht nur, wie viele gelaufen sind. Starke Agentennutzung belastet außerdem Preismodelle pro Nutzer:in; siehe wie du Preise setzt, wenn deine Nutzer KI-Agenten sind.
Such dir das eine Feature aus, bei dem ein Mensch derzeit die meiste repetitive, regelbasierte Arbeit für jemand anderen erledigt: Anfragen freigeben, Tickets triagieren, Datensätze abgleichen. Dort taucht ein Agent fast immer zuerst auf, weil es der Workflow ist, den zu automatisieren sich am meisten lohnt. Stell diesem Feature die vier Fragen, bevor ein Agent ungebeten auftaucht und auf Annahmen handelt, die deine Oberfläche nie ausgesprochen hat.
Die PMs, die hier vorn liegen, sind nicht die, die Agenten bauen. Es sind die, die ihr bestehendes Produkt so klar die Wahrheit sagen lassen, dass eine Maschine beim Lesen dieselbe Antwort bekommt wie ein Mensch.
Wo Specky ins Spiel kommt
Speckys eigene Agenten-Oberfläche folgt dem Zwei-Nutzer-Modell. Coding-Agenten und Assistenten verbinden sich über einen MCP-Server mit OAuth, laden den Produktkontext und evidenzbasierte Briefs, bevor sie planen, und legen PRDs, Tickets und Entscheidungen als Entwürfe an. Diese Entwürfe landen im PM-Inbox, wo ein Mensch sie freigibt, und jede Aussage verweist im Product Graph auf die Quellen-Evidenz zurück, sodass Mensch und Agent dieselbe Begründung sehen. Details findest du auf der Seite Specky für Agenten.
Häufig gestellte Fragen
Was ist ein agent-ready Produkt?
Ein agent-ready Produkt ist eines, das ein KI-Agent im Auftrag eines Menschen so zuverlässig bedienen kann wie der Mensch selbst. Es stellt Daten und Aktionen über eine API oder einen MCP-Server bereit, setzt Regeln auf dem Server durch, liefert konsistente Antwortformen und gefahrlos wiederholbare Schreibvorgänge und protokolliert, welcher Agent in wessen Auftrag gehandelt hat.
Was ist Agent Experience (AX)?
Agent Experience ist die Erfahrung, die ein KI-Agent als Nutzer eines Produkts oder einer Plattform macht – in Analogie zu User Experience und Developer Experience. Mathias Biilmann von Netlify hat den Begriff im Januar 2025 eingeführt. Gute AX bedeutet: Ein Agent bekommt Zugang, versteht die Fähigkeiten des Produkts und erledigt Aufgaben, ohne dass ein Mensch für ihn übersetzt.
Brauche ich einen MCP-Server, um agent-ready zu sein?
Nein. Eine gut dokumentierte API mit stabilen Schemas, klaren Fehlern und idempotenten Schreibvorgängen beantwortet die meisten der vier Audit-Fragen bereits. Ein MCP-Server macht dein Produkt leichter an Assistenten wie Claude, ChatGPT, VS Code und Cursor anschließbar und bringt Konventionen für Zustimmung und Tool-Beschreibungen mit. Es lohnt sich also, ihn zu ergänzen, sobald die API darunter solide ist.
Ist llms.txt dasselbe wie ein agent-ready Produkt?
Nein. llms.txt, im September 2024 von Jeremy Howard vorgeschlagen, hilft Agenten, deine Website und Dokumentation zu lesen, indem es sie auf knappes Markdown verweist. Es adressiert die erste Audit-Frage für Inhalte. Für sichere Aktionen, konsistente Antworten oder Verantwortlichkeit tut es nichts; dafür braucht es Änderungen an API und Produkt.
Wie behältst du einen Menschen im Loop, wenn Agenten handeln?
Lass riskante Aktionen als Entwürfe oder Vorschläge starten, die ein Mensch freigibt, und erzwinge das auf dem Server statt in einem Dialog. Die MCP-Spezifikation verlangt vor Tool-Aufrufen die ausdrückliche Zustimmung der Nutzer:innen, und OWASP empfiehlt eine menschliche Freigabe für folgenreiche Aktionen. Protokolliere bei jeder Aktion den Agenten, den delegierenden Nutzer und die Eingabe.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing