Technischer Kontext
Ich habe mir angesehen, was GitLab als Act 2 bezeichnet, und es ist nicht nur ein weiteres Update mit einem Chatbot an der Seite. Sie strukturieren die Plattform wirklich für ein Szenario um, in dem KI-Automatisierung innerhalb des SDLC lebt, anstatt als Spielzeug zur Codegenerierung an eine IDE angehängt zu sein.
Die Kernidee ist einfach: GitLab möchte, dass Agenten nicht nur Codeausschnitte schreiben, sondern auch Merge-Requests öffnen, Pipelines ausführen, Sicherheitsergebnisse analysieren, CI-Probleme beheben und parallel arbeiten. Für die KI-Implementierung in Ingenieurteams rückt dies näher an eine Plattforms-Schicht als an vereinzelte Experimente.
Im Mittelpunkt steht die GitLab Duo Agent Platform. Sie umfasst mehrere spezialisierte Agenten: für Entwicklung, Sicherheit, Forschung und CI. Zusätzlich gibt es eine Orchestrierungsebene, um sicherzustellen, dass sie vordefinierten Abläufen folgen, anstatt chaotisch miteinander zu konkurrieren.
Interessant fand ich die Unterstützung für MCP, die Anbindung externer Agenten wie Claude Code und Codex sowie benutzerdefinierte Abläufe. Das bedeutet, GitLab sperrt nicht alles in einen einzigen integrierten Agenten, sondern schafft eine Art Bus, auf dem man seinen eigenen Prozess für ein bestimmtes Team oder Produkt aufbauen kann.
Ein weiterer wichtiger Punkt: GitLab spricht explizit von einem "machine-scale workflow". Das bedeutet, dass das Git-Modell, die Pipelines und die internen Dienste an einen Strom von Commits und Ausführungen angepasst werden, der nicht mehr von Menschen manuell, sondern rund um die Uhr von Agenten erzeugt wird. Hier habe ich innegehalten: Die glänzende Präsentation endet, und die schwere Arbeit an der KI-Architektur beginnt.
Die Verfügbarkeit ist ebenfalls bodenständig: Eine Beta ist für GitLab 18.2 angekündigt, die allgemeine Verfügbarkeit wird um 18.8+ erwartet, hauptsächlich für die Premium- und Ultimate-Stufen. Die kostenlose Stufe ist eingeschränkt, und die Nutzung wird über GitLab Credits abgerechnet, was bedeutet, dass die Kostenfrage schnell zu einem sehr realen buchhalterischen Thema wird.
Was sich dadurch für Unternehmen und Automatisierung ändert
Der erste Vorteil liegt auf der Hand: CI/CD ist nicht mehr nur eine Überprüfung nach dem Commit, sondern eine Umgebung, in der Agenten Fehler beheben, Pipelines optimieren und alte Jenkins-Skripte in GitLab CI/CD konvertieren. Für DevOps-Teams bedeutet das eine Zeitersparnis nicht in Prozenten, sondern bei ständigen Routineaufgaben.
Der zweite Punkt ist härter: Ohne Regeln, Audits und Grenzen wird dies schnell zu teurem Chaos. Teams mit einer soliden KI-Integration, klaren Richtlinien und Beobachtbarkeit werden gewinnen. Diejenigen, die Agenten einfach für alle aktivieren, werden verlieren.
Und drittens: Der Wert der Workflow-Architektur steigt und stellt den Fokus auf ein einzelnes Modell in den Schatten. Bei Nahornyi AI Lab lösen wir genau solche Probleme für Kunden: wo man einem Agenten eine Aktion anvertrauen kann, wo ein Mensch im Prozess (human-in-the-loop) benötigt wird und wie man Automatisierung mit KI aufbaut, ohne die Kosten und das Produktionsrisiko explodieren zu lassen.
Wenn Ihr CI/CD bereits an manuelle Überprüfungen, nächtliche Korrekturen und das endlose Debuggen instabiler Pipelines stößt, ist dies ein guter Zeitpunkt, den Prozess neu zu gestalten. Wir können gemeinsam analysieren, wo in Ihrem Fall ein KI-Agent erstellt oder eine sorgfältige KI-Automatisierung aufgebaut werden kann, damit Ihr Team wirklich schneller wird, anstatt nur eine weitere modische Lärmquelle zu erhalten.