# rippletide-agent-reliability-enterprise-architecture-2025-10-29

## Veille

Rippletide - Zuverlässigkeit von Enterprise-KI-Agenten - 64 % vs. 17 % Deployment-Lücke - Fehlende Entscheidungs-Governance bei Hyperscalern - Hypergraph Database - <1 % Halluzination - Compliance by Design - Gartner: 40 % der Projekte 2027 eingestellt

## Titre Article

Agent reliability: What's missing in Enterprise AI agent architecture?

## Date

2025-10-29

## URL

https://www.rippletide.com/resources/blog/agent-reliability-what-s-missing-in-enterprise-ai-agent-architecture

## Keywords

Zuverlässigkeit von Agenten, Enterprise-KI, Entscheidungs-Governance, Hypergraph Database, LLM-Einschränkungen, Kritik an Hyperscalern, Azure Agent Framework, Google Vertex AI Agent Builder, AWS Bedrock, Entscheidungsorchestrierung, Auditierbarkeit, Halluzinationsrate, Compliance by Design, Governance by Design, Decision Layer, Decision Core, autonome Agenten, Vertrauen der Unternehmen, CTO-Bedenken, CIO-Zögern, Gartner-Prognosen, deterministische Argumentation, überprüfbare Kausalität, Lücke bei der Produktionsbereitstellung, Policy Enforcement, Guardrails, undurchsichtige Entscheidungspipelines, autonomer Coding-Agent, autonomer Analyst-Agent, SDLC-Workflows, nachvollziehbare Entscheidungen

## Authors

Patrick Joubert - CEO Rippletide

## Ton

**Profil:** Enterprise-SaaS-Thought-Leadership | Dritte Person | Problem-Agitate-Solution | Technisch-kommerziell

Rippletide nimmt eine Enterprise-SaaS-Thought-Leadership-Stimme ein, die Branchenkritik mit Produktpositionierung verbindet. Die klassische Problem-Agitation-Solution-Struktur (64 % vs. 17 % Lücke → blinde Flecken der Hyperscaler → Rippletide-Hypergraph-Lösung) folgt dem B2B-SaaS-Marketing-Playbook. Der autoritativ-kritische Ton („was Hyperscalern fehlt“, „blinder Fleck: Entscheidungs-Governance“) etabliert Expertise durch das Aufzeigen von Schwachstellen der Konkurrenz. Strategische Zitate (die Gartner-Lücke von 64 %/17 %, 40 % der 2027 eingestellten Projekte, BCG-SDLC-Workflows) etablieren Branchenlegitimität. Technische Präzision (Decision Layer, Hypergraph Database, <1 % Halluzinationsrate, integrierte Guardrails) zielt auf technische Entscheidungsträger (CTOs/CIOs) ab. Duale Positionierung: Kritik an den Angeboten der Big Tech (Azure/Google/AWS) bei gleichzeitiger Anerkennung ihrer Stärken (Skalierbarkeit, Ökosysteme) — Ausdruck einer ausgewogenen Analyse statt reiner Wettbewerbsangriffe. Konkrete Anwendungsfälle (der autonome Coding-Agent, der eine Liste sicherer Aktionen prüft, der autonome Analyst, der seine Erkenntnisse über Policy 14 begründet) verbinden abstrakte Architekturaussagen mit praktischem Geschäftsnutzen. Typisch für Enterprise-Infrastrukturanbieter (Databricks, Snowflake, HashiCorp), die sich gegenüber etablierten Anbietern über Governance/Kontrolle als Differenzierungsmerkmal positionieren und dabei vorsichtige Entscheidungsträger in regulierten Branchen ansprechen.

## Pense-betes

- **Gartner-Daten**: 64 % der Technologieverantwortlichen erklären, ihr Unternehmen werde agentische KI innerhalb der nächsten 24 Monate einsetzen
- **Realität**: nur 17 % geben an, tatsächlich schon KI-Agenten in Produktion eingesetzt zu haben
- **Warum diese Lücke?**: Begeisterung hat Versprechen über KI-Agenten erzeugt, die weit über der aktuellen technologischen Realität liegen
- **Grundursache**: Vertrauen. Unternehmen sind nicht bereit, Entscheidungsfindung an Systeme zu delegieren, die sie nicht vollständig kontrollieren, erklären oder steuern können **Fundamentales Vertrauensproblem**
- **Versprechen**: autonome KI-Agenten als nächster Produktivitätssprung — Bearbeitung von Kundenanfragen, Codegenerierung, Datenanalyse, als unermüdliche digitale Kollegen
- **Wunsch von CTO/CIO**: jeder will an der Revolution teilhaben, Tausende Prototypen in großen Organisationen entwickelt
- **Barriere zur Produktion**: nur wenige erreichen die Produktion — einfacher Grund: Vertrauen
- **Notwendige Neugestaltung**: die Agentenarchitektur braucht ein grundlegendes Umdenken **Angebote und Einschränkungen der Hyperscaler** **3 große Angebote**:
- **Microsoft**: Azure AI Agent Service + Agent Framework
- **Google**: Vertex AI Agent Builder + Agent Engine
- **AWS**: Bedrock, erweitert um Multi-Agent-Fähigkeiten **Konkrete Einschränkungen**: **Azure Agent Framework**:
- Bietet: Orchestrierung, Tool-Calling, Speicherintegrationen
- Fehlt: integrierte Entscheidungsorchestrierung und Audit-Nachverfolgbarkeit der Agenten-Argumentation (zunehmend von Unternehmenskunden gefordert) **Google Vertex AI Agent Builder**:
- Bietet: Vorlagen und Tool-Ketten
- Überlässt weitgehend dem Nutzer: Policy Enforcement, Guardrails, Enterprise-taugliche Entscheidungsprotokollierung **AWS Bedrock Multi-Agent**:
- Skaliert gut
- Verlässt sich in der Regel auf das LLM als de facto Entscheidungsinstanz statt auf eine eigene Reasoning-Schicht **Gemeinsamer blinder Fleck: Entscheidungs-Governance**
- **Architektonisches Problem**: Abhängigkeit vom LLM als de facto Orchestrator — eine einzige Instanz, die sowohl schlussfolgert als auch entscheidet
- **Ergebnis**: Unternehmen erben undurchsichtige Entscheidungspipelines, bei denen die Begründung für die Wahl des Agenten nicht zugänglich ist
- **Auswirkung**: aktuelle Agentenarchitekturen liefern häufig keine zuverlässigen Entscheidungen → Verantwortliche zögern, die Bereitstellung im großen Maßstab freizugeben
- **Zusammenbruch der Rechenschaftspflicht**: ohne explizite Trennung zwischen Reasoning, Policy Enforcement und Ausführung → bricht die Rechenschaftspflicht zusammen
- **Zögern der Führungsebene**: agentische Systeme können nicht vollständig auditiert oder erklärt werden **Anerkannte Stärken der Hyperscaler** **4 von Unternehmen geschätzte Hauptstärken**: 1. **Massive Skalierbarkeit**: nahezu unbegrenzte Rechenleistung, globale Verfügbarkeitszonen, automatische Skalierung, hoher Durchsatz → Agenten bewältigen große Aufgabenvolumina und bedienen weltweite Nutzerbasen 2. **Reiche Ökosysteme und Integrationen**: breite Toolkits, API-Integrationen, vorgefertigte Konnektoren (Datenbanken, BI-Tools, Cloud-Dienste), Entwickler-Support → schnellere anfängliche Entwicklung und Agenten-Prototyping 3. **Vertrauenswürdige Infrastruktur und Support**: Unternehmen sind an große Cloud-Anbieter gewöhnt, vertrauen bereits deren Sicherheits-/Compliance-/SLA-Garantien → die Wahl eines Cloud-Anbieters eliminiert einen Großteil des Infrastrukturrisikos 4. **Schnelle Innovation und Modellzugang**: regelmäßige Modell-Updates, verwaltete LLM-Dienste, früher Zugang zu neuen Agentenfähigkeiten → schnelleres Experimentieren **Kritische Lücke**: Skalierung und Compliance auf Infrastrukturebene übersetzen sich NICHT in Governance auf Entscheidungsebene. Hyperscaler liefern noch keinen vollständigen Enterprise-Stack, insbesondere fehlen die Schichten für Entscheidungsorchestrierung und Auditierbarkeit → ein entscheidender Punkt, um die agentische Einführung in Unternehmen zu beschleunigen. **Zugrunde liegende Ursachen der mangelnden Zuverlässigkeit** **Fundamentale LLM-Einschränkung**:
- **Definition**: LLMs sind probabilistisch und darauf ausgelegt, das nächste Token vorherzusagen
- **Nie ausgelegt für**: sie wurden nie und werden nie dafür ausgelegt sein, zu schlussfolgern und die beste Lösung für eine Anfrage zu liefern
- **Stark bei**: außergewöhnlicher Mustererkennung und Sprachgenerierung
- **Fehlend**: deterministische Argumentation und überprüfbare Kausalität **Architektonische Konsequenzen**:
- Warum Agenten halluzinieren
- Entgleisen
- Unerklärliche Entscheidungen treffen
- Undurchsichtige Ausgaben erzeugen, die weder nachverfolgt noch auditiert werden können
- Angesichts unerklärlichen Verhaltens zögern Unternehmen naturgemäß, diese Systeme in Produktion einzusetzen **Gartner-Prognose**:
- **40 % der agentischen KI-Projekte könnten bis 2027 eingestellt werden**
- **Gründe**: übermäßige Kosten, unklarer ROI, unzureichende Risikokontrollen infolge fehlender Governance-Möglichkeiten **Gleichzeitige Marktkonsolidierung**:
- Hyperscaler standardisieren Agenten-Frameworks
- Aufstrebende Enterprise-Plattformen führen produktionsreife Architekturen für Zuverlässigkeit und Kontrolle ein
- **Nächste Reifephase**: nicht größere Modelle, sondern bessere, nachvollziehbare Entscheidungen **Rippletide-Hypergraph-Lösung** **Kerntechnologie**:
- **Adressiertes Problem**: Agenten befähigen, tatsächlich zu schlussfolgern, statt das LLM vorhersagen zu lassen — mit hohem Halluzinationsrisiko (katastrophale Auswirkungen auf interne Produktivität und Markenimage)
- **Innovation**: die Hypergraph Database wurde geschaffen, um die inhärenten LLM-Einschränkungen zu überwinden, die den Einsatz zuverlässiger, konformer und steuerbarer Agenten verhindern
- **Ziel**: alle Daten in einem einzigen einheitlichen Hypergraphen darstellen; der Agent geht Schritt für Schritt vor, schlussfolgert tatsächlich und bewertet bei jedem Schritt die beste Entscheidung, bevor er zur nächsten Phase übergeht **3 Ergebnisse: Zuverlässigkeit + Compliance + Governance** **1. Zuverlässigkeit**:
- **Metrik**: Halluzinationsrate unter 1 % bei Produktionsagenten
- **im Vergleich zu heute**: drastische Verbesserung gegenüber rein probabilistischen LLM-Ansätzen **2. Compliance by Design**:
- **Guardrails**: fest etablierte, in der Datenbank verankerte Guardrails, die in jede Entscheidung einfließen
- **Architektonische Durchsetzung**: die Hypergraph-Architektur garantiert, dass bestimmte Teile des Graphen unzugänglich sind → der Agent hält sich stets an die festgelegten Regeln
- **Angepasst**: Guardrails, angepasst an den spezifischen Kontext und das regulatorische Umfeld jedes Unternehmens **3. Governance by Design**:
- **Auditierbarkeit**: der Agent kann jederzeit auditiert werden
- **Nachverfolgbarkeit**: alle Entscheidungen werden durch die Hypergraph-Struktur nachverfolgt und verifiziert
- **Ergebnis**: von Rippletide-Hypergraph angetriebene Agenten werden als zuverlässige, konforme und steuerbare Enterprise-Agenten eingesetzt **Konzept Decision Layer / Decision Core** **Definition**: eine eigene Reasoning-Schicht, getrennt von der LLM-Orchestrierung
- **Funktion**: prüft Pläne gegen Richtlinien, erinnert sich an frühere Vorfälle, wendet Guardrails an, macht Entscheidungen zuverlässig und auditierbar
- **Trennung**: explizite Trennung zwischen Reasoning, Policy Enforcement und Ausführung
- **Kritische Schicht**: schnell als kritische Schicht des Agentic Enterprise anerkannt
- **Fehlendes Element**: ergänzt die strenge Entscheidungslogik und Governance, die früheren Agentendesigns fehlte **Anwendungsfall 1: Autonomer Coding-Agent** **Fähigkeiten**: Code generieren, Fehler beheben, Software bereitstellen **Ohne Governance**: ein Risiko (Referenz: der Vorfall mit der gelöschten Datenbank verdeutlichte dies) **Mit dem Decision Layer**:
- **Richtlinienprüfung**: prüft Pläne gegen eine Liste „sicherer Aktionen“
- **Begrenzte Autonomie**: kann autonom Code schreiben und Tests ausführen, aber die Bereitstellung in Produktion kann eine menschliche Freigabe erfordern, sofern die Änderung nicht risikoarm ist
- **Gedächtnis**: erinnert sich durch das Hypergraph-Gedächtnis an frühere Vorfälle — wiederholt keine gefährliche Migration, die zuvor einen Ausfall verursacht hat
- **Verhalten**: verhält sich wie ein Junior-Entwickler — ergreift Initiative, weiß aber, wann er um Freigabe bitten muss
- **Zukunftspotenzial**: könnte künftig ganze SDLC-Workflows vom Ticket bis zum Deployment abdecken, sofern die Entscheidungslogik zuverlässig und auditierbar ist
- **BCG-Prognose**: künftige KI-Agenten könnten sogar getestete Anwendungen über Pipelines mit menschlicher Freigabe bereitstellen — der Decision Layer macht dies für CTOs/CIOs sicher und akzeptabel **Anwendungsfall 2: Autonomer Analyst-Agent** **Fähigkeiten**: erstellt Analyseberichte und Empfehlungen (Finanzanalyse, Marketing-Insights) **Mit dem an den Enterprise-Hypergraphen angebundenen Decision Layer**:
- **Geschwindigkeit**: erledigt in Sekunden, wofür ein Team von Analysten Tage bräuchte
- **Datenintegration**: aggregiert Daten aus verschiedenen Silos, wendet Geschäftsregeln an, erstellt den Bericht
- **Nachverfolgbarkeit**: kann jede Erkenntnis mit nachvollziehbaren Daten begründen
- **Beispielausgabe**: „Der Umsatz sank um 5 % aufgrund eines Lagerengpasses in Region X (Fakten aus ERP und CRM), daher empfehle ich eine Umverteilung der Lieferung: siehe Policy 14, die Abhilfepläne bei Lagerengpässen vorschreibt“
- **im Vergleich zur Black Box**: statt eines Black-Box-Diagramms erhält man eine Erklärung
- **Vertrauen der Führungsebene**: dieses Maß an Erklärbarkeit ist entscheidend für das Vertrauen der Führungsebene
- **Prüffähigkeit**: die Argumentation kann bei Bedarf von Regulierungsbehörden oder internen Prüfern auditiert werden (entscheidend in Finanzwesen/Gesundheitswesen)
- **Erfolgsfaktoren**: erfolgreiche Unternehmen konzentrieren sich auf messbare Ergebnisse (schnellere Zyklen, Kosteneinsparungen) und wahren eine strikte Aufsicht **Vision für die Einführung von Enterprise-KI** **Der Decision Core als kritische Schicht**:
- Ergänzt die strenge Entscheidungslogik und Governance, die früheren Designs fehlte
- Unternehmen erschließen das wahre Potenzial autonomer Agenten **Von fragilen Prototypen zu vertrauenswürdigen Kollegen**:
- **Vorher**: Agenten konnten nur konversieren oder Informationen abrufen
- **Mit Decision Core**: sie können entscheiden und handeln — mit der Konsistenz, Präzision und Compliance eines erfahrenen Fachmanns
- **Transformation**: KI-Agenten entwickeln sich von fragilen Prototypen → zu vertrauenswürdigen Kollegen, die zentrale Geschäftsabläufe führen

## RésuméDe400mots

Patrick Joubert, CEO von Rippletide, identifiziert eine kritische Lücke beim Einsatz von KI-Agenten in Unternehmen: 64 % der Technologieverantwortlichen wollen agentische KI innerhalb der nächsten 24 Monate einsetzen (Gartner), aber nur 17 % haben sie tatsächlich in Produktion gebracht. Grundursache: **Vertrauen** — Unternehmen sind nicht bereit, Entscheidungsfindung an Systeme zu delegieren, die sie nicht vollständig kontrollieren, erklären und steuern können.

**Kritik am blinden Fleck der Hyperscaler**

Microsoft (Azure AI Agent Service/Framework), Google (Vertex AI Agent Builder/Engine) und AWS (Bedrock Multi-Agent) dominieren den Markt, teilen jedoch einen blinden Fleck: **Entscheidungs-Governance**.

Konkrete Einschränkungen: Azure fehlt eine integrierte Entscheidungsorchestrierung und Audit-Nachverfolgbarkeit (zunehmend von Unternehmen gefordert). Google Vertex AI überlässt Policy Enforcement, Guardrails und Entscheidungsprotokollierung weitgehend dem Nutzer. AWS Bedrock verlässt sich auf das LLM als de facto Entscheidungsinstanz statt auf eine eigene Reasoning-Schicht.

**Gemeinsames architektonisches Problem**: Abhängigkeit vom LLM als de facto Orchestrator — eine einzige Instanz, die sowohl schlussfolgert als auch entscheidet. Ergebnis: Unternehmen erben **undurchsichtige Entscheidungspipelines**, bei denen die Begründung für die Wahl eines Agenten nicht zugänglich ist. Ohne explizite Trennung von Reasoning / Policy Enforcement / Ausführung → bricht die Rechenschaftspflicht zusammen, und Verantwortliche zögern, agentische Systeme freizugeben, die nicht auditiert oder erklärt werden können.

**Anerkannte Stärken der Hyperscaler**: massive Skalierbarkeit (nahezu unbegrenzte Rechenleistung, globale Verfügbarkeit), reiche Ökosysteme und Integrationen (Toolkits, APIs, Konnektoren), vertrauenswürdige Infrastruktur und Support (Sicherheit, Compliance, SLAs), schnelle Innovation und Modellzugang. Doch Skalierung und Compliance auf Infrastrukturebene übersetzen sich NICHT in Governance auf Entscheidungsebene.

**Die grundlegende LLM-Einschränkung hinter der mangelnden Zuverlässigkeit**

LLMs sind probabilistisch und darauf ausgelegt, das nächste Token vorherzusagen. Sie wurden **nie darauf ausgelegt, zu schlussfolgern** und die beste Lösung für eine Anfrage zu liefern. Außergewöhnliche Mustererkennung und Sprachgenerierung, ABER **keine deterministische Argumentation und keine überprüfbare Kausalität**. Diese Architektur erklärt, warum Agenten halluzinieren, entgleisen, unerklärliche Entscheidungen treffen und undurchsichtige Ausgaben erzeugen, die weder nachverfolgt noch auditiert werden können.

**Gartner-Prognose**: **40 % der agentischen KI-Projekte werden bis 2027 eingestellt** — wegen übermäßiger Kosten, unklarem ROI und unzureichender Risikokontrollen infolge fehlender Governance-Möglichkeiten. Der Markt konsolidiert sich: Die nächste Reifephase hängt **nicht von größeren Modellen ab, sondern von besseren, nachvollziehbaren Entscheidungen**.

**Die Hypergraph-Database-Lösung von Rippletide**

**Kerninnovation**: Überwindung der inhärenten LLM-Einschränkungen, die den Einsatz zuverlässiger, konformer und steuerbarer Agenten verhindern. Alle Daten werden in einem einzigen **einheitlichen Hypergraphen** dargestellt; der Agent geht Schritt für Schritt vor, **schlussfolgert tatsächlich** und bewertet bei jedem Schritt die beste Entscheidung, bevor er ausführt.

**3 Ergebnisse auf Enterprise-Niveau**:

(1) **Zuverlässigkeit**: **Halluzinationsrate <1 %** bei Produktionsagenten (im Vergleich zu rein probabilistischen LLM-Ansätzen)

(2) **Compliance by Design**: **in der Datenbank verankerte Guardrails** fließen in jede Entscheidung ein. Die Hypergraph-Architektur garantiert, dass bestimmte Teile des Graphen unzugänglich sind → der Agent hält sich stets an die Regeln. Guardrails sind an den Kontext und das regulatorische Umfeld jedes Unternehmens **angepasst**.

(3) **Governance by Design**: der Agent ist **jederzeit auditierbar**, alle Entscheidungen werden durch die Hypergraph-Struktur **nachverfolgt und verifizierbar**.

**Konzept Decision Layer / Decision Core**

**Kritische Schicht des Agentic Enterprise**: eine eigene Reasoning-Schicht, getrennt von der LLM-Orchestrierung. Ergänzt die strenge Entscheidungslogik und Governance, die früheren Designs fehlte. Explizite Trennung von Reasoning / Policy Enforcement / Ausführung.

**Anwendungsfall 1: Autonomer Coding-Agent**

Erzeugt Code, behebt Fehler, stellt Software bereit. Ohne Governance: ein Risiko (der Vorfall mit dem gelöschten Datenbank verdeutlichte dies). Mit dem Decision Layer: Er prüft Pläne gegen eine Liste „sicherer Aktionen“, schreibt Code und führt Tests autonom aus, die Produktionsbereitstellung erfordert eine menschliche Freigabe, sofern die Änderung nicht risikoarm ist, und er **erinnert sich an frühere Vorfälle** durch das Hypergraph-Gedächtnis (er wiederholt keine gefährliche Migration, die zuvor einen Ausfall verursacht hat). Er verhält sich wie ein Junior-Entwickler: ergreift Initiative, weiß aber, wann er um Freigabe bitten muss. Könnte künftig **gesamte SDLC-Workflows** vom Ticket bis zum Deployment abdecken (BCG-Prognose: künftige KI-Agenten stellen getestete Anwendungen über Pipelines mit menschlicher Freigabe bereit — der Decision Layer macht dies für CTOs/CIOs sicher und akzeptabel).

**Anwendungsfall 2: Autonomer Analyst-Agent**

Erstellt Analyseberichte und Empfehlungen. Mit dem Decision Layer: Er erledigt in Sekunden, wofür ein Team von Analysten Tage bräuchte — aggregiert Daten aus Silos, wendet Geschäftsregeln an, erstellt den Bericht und **begründet jede Erkenntnis mit nachvollziehbaren Daten**. Beispiel: „Der Umsatz sank um 5 % aufgrund eines Lagerengpasses in Region X (aus ERP/CRM stammende Fakten) → ich empfehle eine Umverteilung der Lieferung: Policy 14, Abhilfepläne.“ Statt eines Black-Box-Diagramms: eine Erklärung. Die Argumentation ist **von Regulierungsbehörden und internen Prüfern auditierbar** (entscheidend in Finanzwesen/Gesundheitswesen).

**Vision**: KI-Agenten entwickeln sich von fragilen Prototypen → zu **vertrauenswürdigen Kollegen**, die zentrale Geschäftsabläufe mit der Konsistenz, Präzision und Compliance eines erfahrenen Fachmanns führen.

## GrapheDeConnaissance

- Patrick Joubert —dirige→ Rippletide (ORGANISATION, 0.98)
- Rippletide —a_créé→ Hypergraph Database (TECHNOLOGIE, 0.97)
- Hypergraph Database —mesure→ taux d'hallucination inférieur à 1% en production (MESURE, 0.93)
- Gartner —prédit→ 40% des projets IA agentique annulés d'ici 2027 (AFFIRMATION, 0.95)
- Gartner —mesure→ 64% des dirigeants veulent déployer l'IA agentique sous 24 mois vs 17% déployés (MESURE, 0.95)
- Patrick Joubert —affirme_que→ les hyperscalers manquent de gouvernance décisionnelle (AFFIRMATION, 0.92)
- Patrick Joubert —affirme_que→ Azure AI Agent Service manque d'orchestration décisionnelle et de traçabilité d'audit (AFFIRMATION, 0.9)
- Patrick Joubert —affirme_que→ Google Vertex AI Agent Builder délègue politiques et guardrails à l'utilisateur (AFFIRMATION, 0.88)
- AWS Bedrock —est_basé_sur→ LLM comme décideur de facto (CONCEPT, 0.88)
- Patrick Joubert —affirme_que→ les LLM manquent de raisonnement déterministe (AFFIRMATION, 0.92)
- Decision Layer —permet→ séparation du raisonnement et de l'exécution (CONCEPT, 0.9)
- Rippletide —recommande→ compliance by design (METHODOLOGIE, 0.9)
- Rippletide —recommande→ governance by design (METHODOLOGIE, 0.9)
- manque de confiance entreprise —réduit→ déploiement agents IA en production (CONCEPT, 0.92)

---
Canonical: https://www.thekb.eu/de/fiches/rippletide-agent-reliability-enterprise-architecture-2025-10-29/