Die Cleanup-Schicht ist der eigentliche Markt für KI-Agenten

Vor drei Tagen veröffentlichte Charlie Labs einen Show HN mit einer der klarsten Pivot-Erklärungen, die ich dieses Jahr gelesen habe: „Wir haben den Schwenk vom Bau von Agenten zum Aufräumen nach ihnen vollzogen.”¹ Ihr Gründer hat fast zwei Jahre lang einen cloudbasierten TypeScript Coding-Agenten gebaut. Er stellte ihn ein, weil intensive Agentennutzung mehr PRs, mehr Drift, mehr veraltete Abhängigkeiten und mehr halbfertige Wartungsarbeit erzeugte, als sein Team bewältigen konnte. Das neue Produkt, Daemons, ist ein Konfigurationsformat für wiederkehrende Wartungsrollen, definiert in .agents/daemons/<id>/DAEMON.md-Dateien, die Bugs triagieren, Dokumentation aktualisieren, auf Merge-Konflikte achten und veraltete PRs kontinuierlich überprüfen.²

Der Pivot-Rahmen ist das eigentliche Signal. Nicht „wir haben bessere Agenten gebaut”. „Agenten erzeugen Arbeit. Daemons pflegen sie.”²

Dieser Satz benennt den Markt, in den auch der Rest der Branche hineinrast, und er erklärt, warum mein eigenes Produktions-Setup so aussieht, wie es aussieht. Der dauerhafte KI-Agenten-Markt ist nicht die Schicht, die Arbeit erzeugt. Es ist die Schicht, die beweist, dass die Arbeit korrekt, begrenzt, umkehrbar und unterschriftswürdig ist. Generierung wird innerhalb der Modell-APIs zur Massenware. Beweis ist die dauerhafte Schicht, weil das genau das ist, wofür jeder Kunde mit einer Gewinn- und Verlustrechnung tatsächlich bezahlt.

TL;DR

• Charlie Labs hat öffentlich von einem Coding-Agenten zu einem Cleanup-Produkt gewechselt, weil Agenten operative Schulden schneller erzeugen, als sie sie abbauen.
• Das Muster ist nicht einzigartig: InsightFinder sammelte am 16. April 15 Mio. $ für „wo KI-Agenten schiefgehen”, und Palo Alto Networks zahlte im November 3,35 Mrd. $ für Chronosphere. Die Beweisschicht konsolidiert sich.
• 57 % der Organisationen betreiben Agenten mittlerweile in der Produktion; 69 % der Agentenentscheidungen erfordern weiterhin menschliche Verifizierung. Die Verifizierungslücke ist der Markt.
• Mein eigener Scar-Hook-Zähler ging in 26 Tagen von 84 auf 123. Keiner dieser Hooks erzeugt; alle beweisen.
• Generierung ist der sichtbare Teil der Arbeit. Beweis ist die Rückseite des Schranks, und dort liegt die dauerhafte Marge.

Das Muster, in dem Charlie Labs steckt

Charlie Labs ist nicht das einzige Unternehmen, das sich in diesem Quartal stillschweigend neu kategorisiert. In derselben Woche wie die Daemons-Ankündigung:

• InsightFinder sammelte am 16. April 15 Mio. $ in einer Series B, gezielt positioniert als „wo KI-Agenten schiefgehen”: Anomalieerkennung plus Ursachenanalyse plus automatisierte Behebung für agentengetriebene Vorfälle.³
• Sonarly (YC W26) liefert produktive Alarm-Triage, RCA und Fix-PRs, die auf Sentry, Datadog und Grafana aufsetzen — Agenten, die das Trümmerfeld nach dem Vorfall lesen und aufräumen.⁴
• Cekura (YC F24) macht automatisiertes Testen, Monitoring und Simulation für Sprach- und Chat-Agenten: Qualitätssicherung als wiederkehrende Laufzeit, nicht als Pre-Launch-Meilenstein.⁵
• Langfuse, Arize Phoenix, Braintrust, Datadog LLM Observability und Fiddler liefern sich alle ein Rennen darum, die Tracing-und-Evaluations-Ebene für Agenten-Laufzeiten zu werden.⁶⁷⁸⁹¹⁰
• Lakera Guard und Fiddler Guardrails produktivieren Laufzeitkontrolle: Prompt-Injection-Blocker, Tool-Missbrauchserkennung, Policy Enforcement.¹¹¹²
• Palo Alto Networks zahlte im November 3,35 Mrd. $ für Chronosphere, um Observability vor der Agentenwelle in den Security-Stack zu holen.¹³

Die oben genannten Unternehmen verkaufen unterschiedliche Oberflächen (Alerting, Evals, Tracing, Runtime-Guardrails, Code-Level-Wartung), aber sie alle leben stromabwärts einer Tatsache: Die Ausgabe eines Agenten kann nicht allein auf sein Wort hin ausgeliefert werden. Jemand, oder ein anderes Stück Software, muss bestätigen, dass die Arbeit so passiert ist, wie der Bericht behauptet, dass sie passiert ist. Dieser Jemand ist die Beweisschicht, und die Beweisschicht ist der Teil des Agenten-Stacks, der heute Umsatz generiert.

Charlies Formulierung ist die klarste Art, es zu sagen: Agenten erzeugen Beweispflichten schneller, als sie fertige Arbeit erzeugen. Die Beweispflicht ist die Einheit, für die ein Kunde bezahlt. Der Agent, der sie erzeugt, ist zunehmend kostenlos, weil die Foundation-Labs ihn als Funktion des Modells subventionieren.

Die Verifizierungslücke, in Zahlen

Eine aktuelle Marktsynthese passt zu den Gründer-Anekdoten. Drei Zahlen tragen den Großteil der These:

• 57 % der Organisationen betreiben KI-Agenten mittlerweile in der Produktion, gegenüber 51 % im Vorjahr.¹⁴
• 72 % der Enterprise-KI-Projekte beinhalten Multi-Agenten-Architekturen, gegenüber 23 % im Jahr 2024.¹⁴
• 69 % der KI-gestützten Entscheidungen erfordern weiterhin menschliche Verifizierung, bevor sie umgesetzt werden. 32 % der Teams nennen Qualität als Haupthindernis für die Produktivbereitstellung.¹⁴

Die ersten beiden Zahlen beschreiben die Oberfläche der Agentenbereitstellung. Die dritte beschreibt die Durchsatzgrenze. Kunden, die 100 Agentenentscheidungen pro Tag fahren, machen immer noch 69 Verifizierungen von Hand, weil das darunterliegende Tooling die Schleife nicht geschlossen hat. Jedes Produkt auf der oben genannten Liste der Beweisschicht ist ein Keil in diese 69 %.

Übersetzt man die Lücke in Beschaffungssprache, schreibt sich die These von selbst. Ein Käufer mit einem Budget von X $ für „KI-Agenten” kann es für Generierung ausgeben (mehr Agenten, schneller) oder für Beweis (weniger False Positives, mehr autonome Entscheidungen, weniger Human-in-the-Loop). Der marginale Generierungs-Dollar bringt abnehmende Erträge, sobald die Verifizierungs-Warteschlange voll ist. Der marginale Beweis-Dollar entkoppelt die Warteschlange. Dorthin wandert das Budget, weshalb Sonarly, Cekura, InsightFinder, Charlie Labs und die etablierten Observability-Anbieter dem Raum die Luft absaugen.

Mein Produktionssystem ist dasselbe Muster, in kleinerem Maßstab

Ich stehe seit dem ersten Tag, an dem ich einen Agenten in der Produktion betrieb, auf der Beweis-Seite dieses Marktes. Ich hatte nur keinen Namen dafür. Das einzige Generierungsseiten-Artefakt, das ich ausliefere, ist ein einzelner Abschlussbericht. Die Cleanup-seitigen Artefakte sind überall.

Eine Momentaufnahme meines Scar-Hook-Orchestrators am 24. April 2026:¹⁵

• 123 Hook-Dateien auf der Festplatte, gegenüber 84 am 29. März, ein Wachstum von 47 % in 26 Tagen. Jeder neue Hook ist ein Wächter, hinzugefügt als Reaktion auf einen spezifischen Produktionsfehler.
• 88 Skills in der Registry, geschnürte Aufgabenpakete, die einschränken, was ein Agent tun darf.
• 26 Hook-Matcher-Zeilen über 15 Lifecycle-Event-Typen in ~/.claude/settings.json.
• Phantom-Verifizierung sank von 12 % der Sitzungen auf unter 2 %, nachdem der Hedging-Sprache-Hook ausgeliefert wurde.¹⁶
• Vier benannte antwortförmige Fehlermodi: Phantom-Verifizierung, fehlerhafte Tool-Kulisse, übersprungene Abhängigkeit, Zusammenfassungs-Wäsche.¹⁶
• Zwei Trust-Dialog-Bypass-CVEs in 37 Tagen (CVE-2026-33068, CVE-2026-40068). Beide erforderten benutzerseitige Auditierung, nicht nur Anbieter-Patching.¹⁷

Keiner dieser Hooks erzeugt Arbeit. Alle beweisen (oder verweigern den Beweis) für Arbeit, die ein Agent erzeugt hat. Der Scar-Zähler wächst, weil jede neue Agentenfähigkeit eine neue Möglichkeit zutage fördert, dass eine Antwort ein Kostüm für ein Tool ist, das nie ausgeführt wurde. Die Wachstumskurve ist ein Beweis im kleinen Maßstab für die Marktthese: Generierung erweitert die Angriffsfläche für Beweis. Beweis muss kompoundieren, um Schritt zu halten.

Das ist dieselbe Form, auf die Charlies Team bei Charlie Labs gestoßen ist. Dieselbe Form, die die Observability-Anbieter zu erfassen versuchen. Das Beweisproblem hört nicht bei der Verifizierung von Abschlussberichten auf. Es umfasst Credential-Exposure, destruktive Operationen, Aufgabendrift, Ausgabequalität, Ressourcenerschöpfung, Cross-Project-Kontamination und Kompromittierung des Trust-Bootstraps.¹⁵¹⁷ Jeder davon ist eine eigene Zeile in der Cleanup-Taxonomie, und jede Zeile trägt einen oder zwei Anbieter.

Der Einwand: Cleanup war schon immer der Markt

Der stärkste Einwand gegen diese These lautet „alter Wein in neuen Schläuchen”.

Cleanup war schon immer der Markt. SRE, QA, CI, Code Review, Security Scanning, Observability, Dependency Bots, Incident Response: Das sind alles Beweisschicht-Disziplinen, und sie zusammen machen einen erheblichen Anteil der Ausgaben jeder Engineering-Organisation aus, lange bevor Agenten kamen. Agenten erschaffen die Kategorie nicht. Agenten beschleunigen das Volumen.

Dieses Gegenargument ist bei der Kategorie korrekt und bei der Größenordnung falsch. Drei Dinge ändern sich, wenn Agenten in den Loop eintreten:

1. Volumen. Ein Coding-Agent erzeugt Dutzende PRs pro Woche statt der zwei oder drei eines einzelnen Engineers. Dokumentation driftet schneller. Abhängigkeiten veralten schneller. Die Wartungs-Warteschlange wächst mit Agentengeschwindigkeit, was schneller ist als das Wachstum menschengeführter Cleanup-Warteschlangen.¹
2. Fehlermodi. Die vier oben genannten antwortförmigen Fehler (Phantom-Verifizierung, fehlerhafte Tool-Kulisse, übersprungene Abhängigkeit, Zusammenfassungs-Wäsche) sind keine Bugs, für deren Erkennung die bestehenden CI-/QA-/Observability-Stacks ausgelegt waren. Der bestehende Stack erkennt „die Test-Suite hat einen Wert ungleich Null zurückgegeben”. Er erkennt nicht „der Agent hat die Test-Suite übersprungen und Erfolg gemeldet”. Jeder Fehlermodus erfordert ein neues Gate.¹⁶
3. Reversierungskosten. Ein schlechter PR, den ein Mensch einreicht, wird mit einem Commit revertiert. Ein schlechter PR, den ein Agent einreicht, in einer Kette von 30 PRs, auf denen andere Agenten bereits aufgebaut haben, kostet eine Woche Forensik. Die Reversierungskosten sind das, was die Beweisschicht zu einer Pflicht statt zu einem Nice-to-have macht.

Die Kategorie ist alt. Die Größenordnung ist neu. Neue Größenordnungen finanzieren neue Anbieter.

Der andere Einwand: Konsolidierungsrisiko

Der zweitstärkste Einwand ist Konsolidierungsrisiko. Wenn Anthropic, OpenAI, GitHub und Datadog die Beweisschicht nativ in ihre Plattformen absorbieren, wird jedes eigenständige Cleanup-Startup gequetscht. Es gibt echte Präzedenzfälle: Datadog absorbierte APM-Startups, GitHub absorbierte Dependabot, Anthropic liefert Hook-Scaffolding nativ in Claude Code aus.

Das Konsolidierungsargument ist real, aber kleiner, als es aussieht, weil die Beweisschicht strukturelle Gründe hat, außerhalb des Modells zu leben.

Der wichtigste Grund ist derjenige, den Das Repo sollte über sein eigenes Vertrauen nicht selbst abstimmen dürfen benennt: Das zu bewertende Artefakt darf bei der Vertrauensentscheidung nicht mithelfen.¹⁷ Ein Modell, das seine eigene Ausgabe benotet, ist das Inhouse-Auditor-Problem. Kunden, die Compliance-Grade-Verifizierung kaufen, werden den Modellanbieter nicht als letzte Instanz der Verifizierung akzeptieren. Dieses strukturelle Argument schafft Raum für mindestens einen unabhängigen Beweisschicht-Anbieter pro reguliertem Vertikalmarkt, ganz gleich, wie aggressiv die Plattformen werden.

Der zweite Grund ist Heterogenität. Agenten-Stacks kombinieren OpenAI, Anthropic, hauseigene Modelle, Drittanbieter-Tools, Vektordatenbanken und maßgeschneiderte Skills. Die Beweisschicht muss sie alle umspannen. Ein plattform-natives Cleanup-Tool deckt seine eigene Oberfläche ab; ein plattformübergreifendes Beweis-Tool deckt die aller ab. Letzteres ist das, was Enterprise-Beschaffung tatsächlich braucht.

Der dritte Grund ist das Geschwindigkeitsdifferential. Die Modell-Labs liefern Funktionen aus. Die Beweisschicht liefert verhinderte Vorfälle aus. Andere Kadenz, anderer Fehlermodus, anderes Team. Konsolidierungsdruck existiert, aber die Oberfläche für unabhängige Beweisschicht-Anbieter ist groß genug, dass zwei oder drei davon unabhängig davon, was die Plattformen tun, substanzielle Geschäfte sein werden.

Das philosophische Geflecht: Jiro, Steve, MWP

Die Beweisschicht-These ist nicht nur eine Marktwette. Sie bildet sauber auf die drei Bestandteile der Philosophie ab, zu der ich immer wieder zurückkehre.

Die Jiro-Qualitätsphilosophie benennt das Gate: Qualitätsansprüche erfordern Beweise, keine Gefühle.¹⁸ Die Beweisschicht ist das Gate auf unternehmensweiter Skala. Jede Sonarly-RCA, jeder Langfuse-Trace, jeder Charlie-Labs-Daemon, jeder meiner Scar-Hooks hat dieselbe Form: zuerst der Beweis, dann das Urteil. Tools, die das Urteil oben auf unverifizierte Beweise schrauben, werden in dem Moment zurückgewickelt, in dem sie einen öffentlichen Vorfall verursachen.

Der Steve-Test ist das Gate eine Höhe darüber: Würde Blake seinen Namen darunter setzen?¹⁹ Auf der Skala einer Engineering-Organisation wird die Frage zu: Würde das Team seinen Namen unter die Ausgabe des Agenten setzen? Diese Unterschrift erfordert einen Audit-Trail, keine Stimmung. Die Beweisschicht ist das, was den Audit-Trail erzeugt. Unternehmen, die ohne sie ausliefern, unterschreiben Blankoschecks gegen zukünftige Vorfälle, und die Postmortems dieser Vorfälle werden die Beweisschicht-Lücke als Ursache benennen.

Minimum Worthy Product schließt den Rahmen.²⁰ Minimum ist eine Scope-Beschränkung. Worthy ist ein Qualitätsmaßstab. Ein Minimum-Agent-Produkt ist ein Generator. Ein Minimum-Worthy-Agent-Produkt ist ein Generator plus die Beweisschicht, die seine Ausgabe unterschriftsfähig macht. Unternehmen, die die Beweisschicht streichen, um schneller auszuliefern, streichen Worthy aus MWP. Der Markt korrigiert sie in Echtzeit, weshalb Charlie Labs den Pivot machte, weshalb InsightFinder Kapital aufnahm, weshalb Palo Alto Networks 3,35 Milliarden für Observability zahlte und weshalb mein Hook-Zähler kompoundiert.

Die Schrank-Metapher aus Die Werkbank, die ich mit mir trage lässt sich direkt in diesen Markt übertragen.²¹ Die Rückseite des Schranks ist der Teil, den der Kunde an einem guten Tag nie sieht. Sie ist auch der Teil, der öffentlich versagt, wenn jemand dort eine Abkürzung genommen hat, wo niemand hinsah. Die Beweisschicht ist die Rückseite des Schranks. Die Unternehmen, deren Rückseite des Schranks fertig ist, gewinnen.

Was sich daraus für Operatoren ändert

Drei praktische Lesarten, geordnet nach Wirkung.

Wählen Sie einen Beweisschicht-Keil, bevor Sie einen Generierungsschicht-Agenten wählen. Die meisten Teams beginnen mit dem Agenten und fügen Observability später hinzu. Drehen Sie die Reihenfolge um. Wählen Sie zuerst die Gates (Exit-Codes, Schema-Validierung, File-Read-Audits, Drift-Erkennung), verdrahten Sie sie als unidirektionale Abhängigkeiten und fügen Sie erst dann Agenten hinzu, deren Ausgabe durch sie fließt. Generierung, die Ihre Gates umgeht, ist Haftung, keine Produktivität.¹⁶²²

Behandeln Sie den Scar-Hook-Zähler als Frühindikator. Wenn Sie Agenten betreiben und der Cleanup-Zähler nicht wächst, fangen Sie nichts. Die Wachstumsrate ist das Audit-Signal. Meine 47 % in 26 Tagen sind keine Prahlerei; sie sind eine Messung, dass der Orchestrator auf neue Fehlermodi trifft und sie aufzeichnet. Flache Scar-Zähler plus hohe Agentenaktivität sind die Gefahrenzone.

Kaufen oder bauen Sie die Beweisschicht plattformübergreifend. Wenn Sie Beweisschicht-Anbieter evaluieren, lautet die richtige Frage nicht „funktioniert das mit unserem Modell”, sondern „funktioniert das über jedes Modell und jeden Tool-Stack hinweg, den wir in den nächsten achtzehn Monaten einführen werden”. Single-Plattform-Beweis-Tools haben die falsche Form. Die Kategorie, die gewinnt, ist plattformübergreifend.

Was ich mir von Gründern als Nächstes wünsche

Der Beweisschicht-Markt ist reichhaltig genug, um spezialisierte Vertikalen zu tragen, die noch niemand besetzt hat. Ich würde Geld bezahlen für:

• Ein Reversibilitäts-First-Deployment-Tool, das jeden agenten-erzeugten PR daran misst, wie günstig die Änderung zurückgewickelt werden kann, bevor er gemergt wird. Hochkostige Reversierungen werden blockiert oder an Menschen geroutet.
• Einen taxonomiebewussten Drift-Detektor, der jede Scar-Hook-Kategorie auf spezifische Test-Pattern abbildet und alarmiert, wenn eine Kategorie zu lange schweigt. Stille Kategorien sind die gefährlichen.
• Ein regulator-fähiges Audit-Trail-Produkt, das jeden Agenten-Stack nimmt und einen SOC-2-tauglichen Datensatz jedes Tool-Aufrufs, jeder Signatur, jeder Verweigerung erzeugt. Regulierte Vertikalen werden das kaufen, bevor sie mehr Agenten kaufen.

Wenn Sie eines der oben Genannten bauen, bauen Sie innerhalb der Beweisschicht. Der Markt bewegt sich auf Sie zu, nicht von Ihnen weg.

Die Cleanup-Schicht ist der eigentliche KI-Agenten-Markt, weil Generierung innerhalb der Modell-APIs zur Massenware wird und Beweis zum bepreisten Asset wird. Charlie Labs hat es am klarsten benannt. Die finanzierten Unternehmen rasen hinein. Generierung erweitert die Angriffsfläche. Beweis ist die Rückseite des Schranks. Die Unternehmen, deren Rückseite des Schranks fertig ist, gewinnen.

FAQ

Ist „Cleanup nach Agenten” wirklich eine neue Marktkategorie?

Die Kategorie ist alt. Cleanup umspannt SRE, QA, CI, Code Review, Observability, Security Scanning und Incident Response. Was neu ist, sind das Volumen und die Fehlermodi. Coding-Agenten erzeugen pro Sitz Dutzende PRs pro Woche. Multi-Agenten-Architekturen vervielfachen diesen Zähler. Die vier antwortförmigen Fehlermodi, die in Reward the Tool Before the Answer benannt werden, sind nicht das, wofür der bestehende CI-Stack ausgelegt war. Die Kategorie ist alt; die Größenordnung ist das, was neue Anbieter finanziert.

Warum werden Anthropic, OpenAI oder GitHub die Beweisschicht nicht absorbieren?

Drei strukturelle Gründe. Erstens darf das zu bewertende Artefakt bei der Vertrauensentscheidung nicht mithelfen; Modell-Labs, die ihre eigene Ausgabe benoten, sind das Inhouse-Auditor-Problem. Zweitens kombinieren reale Agenten-Stacks mehrere Modelle, mehrere Tools und maßgeschneiderte Skills, sodass die Beweisschicht sie alle umspannen muss. Drittens liefern Modell-Labs Funktionen in einer Kadenz aus; die Beweisschicht liefert verhinderte Vorfälle in einer anderen aus. Konsolidierungsdruck ist real, aber kleiner, als er aussieht.

Welche Scar-Hook-Pattern lassen sich über einen persönlichen Orchestrator hinaus verallgemeinern?

Vier Kern-Gates: Hedging-Sprache-Erkennung in Abschlussberichten, Exit-Code-Prüfungen bei Tool-Aufrufen, File-Read-Audits, die Berichte mit dem Tool-Log abgleichen, und Narrativ-Drift-Erkennung zwischen der ursprünglichen Aufgabe und der Zusammenfassung. Jedes davon ist ein unidirektionales Gate: Fehlende Tool-Belege blockieren die Bewertung der Antwort. Dieselbe Form funktioniert in produktiven Observability-Stacks; sie läuft nur auf anderen Substraten.

Wie schließt sich die Verifizierungslücke (69 % der Agentenentscheidungen brauchen menschliche Prüfung)?

Sie schließt sich, indem die Gates automatisiert werden, die Menschen derzeit per Auge betreiben. Exit-Code-Prüfungen, Schema-Validatoren, File-Read-Audits, Drift-Erkennung und Runtime-Guardrails sind alle Beispiele für günstige deterministische Überwachung, die Arbeit aus der menschlichen Warteschlange herausbewegt. Die 69 % sind eine Funktion des Beweis-Toolings darunter, keine feste Eigenschaft von Agenten. Jedes Gate, das ausgeliefert wird, verkleinert den Prozentsatz.

Quellen