Omnigent: Die Ebene über dem Agenten

Databricks hat mit Omnigent ein Open-Source-Meta-Harness veröffentlicht und die gemanagte Variante inzwischen in die Beta gebracht. Warum das für Unternehmen relevant ist, die heute schon mit mehreren KI-Agenten arbeiten, und was Sie bei einem Einstieg realistisch erwarten können.

In vielen Entwicklungsteams sieht der Arbeitsalltag inzwischen so aus: Claude Code läuft im einen Terminal, Codex im nächsten, dazu ein selbstgebauter Agent für die Ticket-Triage und ein Chat-Modell für die Recherche. Jedes dieser Werkzeuge bringt seine eigene Oberfläche mit, seinen eigenen Kontext, seine eigenen Berechtigungen. Ergebnisse wandern per Copy-and-paste zwischen Tools, Confluence und Slack.

Databricks beschreibt in seinem Ankündigungsbeitrag genau diese Erfahrung aus dem eigenen Engineering-Bereich mit über 5.000 Mitarbeitenden: vier bis fünf parallel geöffnete Agenten pro Person und viel Zeit, die im Hin- und Herkopieren zwischen ihnen versickert. Das ist kein Randphänomen, sondern der Normalzustand in Organisationen, die früh auf agentische Werkzeuge gesetzt haben.

Die eigentliche Ursache liegt eine Ebene tiefer. Die Fähigkeiten eines Sprachmodells sind heute in einem sogenannten Harness verpackt: der Schicht, die Prompts, Tools, Dateizugriffe und Tool-Calls organisiert. Jedes Harness hat eine eigene Schnittstelle. Wer Agenten kombinieren, austauschen oder gemeinsam kontrollieren will, baut deshalb für jede Kombination eine eigene Brücke.

Omnigent setzt eine Abstraktionsebene darüber. Die zentrale Beobachtung dahinter ist schlicht: Egal wie unterschiedlich ein Harness intern arbeitet, nach außen sieht die Schnittstelle immer gleich aus. Nachrichten und Dateien gehen hinein, Textströme und Tool-Aufrufe kommen heraus.

Auf dieser Beobachtung basiert eine gemeinsame API, die sowohl terminalbasierte Coding-Agenten wie Claude Code, Codex, Cursor und Pi kapselt als auch SDK-basierte Agenten wie das OpenAI Agents SDK oder das Claude Agents SDK. Architektonisch trennt Omnigent dabei zwei Bausteine:

• Ein Runner kapselt jeden Agenten in einer isolierten Session mit einheitlicher API. Er läuft auf dem eigenen Rechner, auf einer Dev-Maschine oder in einer Cloud-Sandbox.
• Ein Server ergänzt Policies, Historie, Skills und Freigaben und macht jede Session über Terminal, Web-UI, macOS-App, Mobilgerät und REST-API erreichbar.

Databricks zieht die Analogie zur Cloud-Orchestrierung: So wie Kubernetes und Terraform die Verwaltung einzelner Server durch die Steuerung ganzer Flotten abgelöst haben, soll das Meta-Harness die Ebene sein, auf der künftig mit Agenten gearbeitet wird. Ob sich diese Kategorie durchsetzt, ist offen. Das zugrunde liegende Problem ist es nicht.

Komposition. Ein eigener Agent wird als kurze YAML-Datei definiert. Ein Einzeiler tauscht Harness oder Modell aus, während Tools, Prompts, Skills und Policies unverändert bleiben. Auch Subagenten mit unterschiedlichen Harnesses lassen sich in einem Agenten kombinieren. Das adressiert einen realen Kostenhebel: Für viele Aufgaben liefert die Kombination aus einem günstigen Worker-Modell und einem punktuell aufgerufenen Frontier-Modell bessere Ergebnisse pro Euro als der durchgängige Einsatz des teuersten Modells.

Kontrolle. Die Policies von Omnigent gehen über statische Allow-/Deny-Listen hinaus. Sie verfolgen den Zustand einer Session und entscheiden kontextabhängig. Ein Beispiel aus der Doku: Wenn ein Agent ein neues npm-Paket heruntergeladen hat, benötigt ein anschließender git push eine menschliche Freigabe. Ebenso lassen sich Kostenbudgets durchsetzen, etwa eine Pause mit Rückfrage nach je 100 US-Dollar LLM-Ausgaben. Dazu kommt eine OS-Sandbox, die Dateisystem- und Netzwerkzugriffe einschränkt und Credentials vor dem Agenten verbirgt: Das GitHub-Token sieht der Agent nie, es wird erst im Egress-Proxy bei genehmigten Requests eingesetzt.

Der entscheidende Punkt daran ist die Trennung von Fachlogik und Governance. Sicherheitsregeln stecken nicht mehr im Prompt oder im Code eines bestimmten Agenten, sondern in einer Schicht darüber, die für alle Agenten gilt.

Kollaboration. Live-Sessions lassen sich per URL teilen, inklusive Historie. Kolleginnen und Kollegen können mitlesen, Dateien im Workspace kommentieren und Befehle senden. Das verwandelt eine Agenten-Session von einem privaten Terminalfenster in einen gemeinsamen Arbeitsraum.

Omnigent ist seit dem 13. Juni 2026 unter Apache 2.0 auf GitHub verfügbar. Das Open-Source-Projekt befindet sich in der Alpha und lässt sich auf sehr unterschiedlicher Infrastruktur betreiben, von Docker Compose auf einem eigenen Server über Fly.io, Railway, Modal und Daytona bis zu Databricks Apps.

Parallel dazu bietet Databricks eine vollständig gemanagte Variante an, die aktuell als Beta läuft und im Rahmen der Product Roadmap für Q3/2026 offiziell positioniert wurde. Sie umfasst:

• einen von Databricks betriebenen Omnigent-Server mit Anbindung an den Identity Provider des Workspace,
• Modellzugriff über die Foundation Model APIs und die Unity AI Gateway, inklusive Policies, Budgets und Audit-Trails,
• Databricks Sandboxes für abgesichertes, kollaboratives Arbeiten.

Für Unternehmen ist vor allem der zweite Punkt interessant. Wer Unity Catalog bereits als Governance-Schicht für Daten nutzt, bekommt hier dieselbe Logik für KI-Interaktionen: nachvollziehbarer Zugriff auf Modelle, MCP-Server und Skills, mit Enterprise-Identität statt individueller API-Keys.

Ein ehrlicher Blick auf den Reifegrad gehört dazu, wenn Sie das Thema intern platzieren wollen:

• Das Open-Source-Projekt ist Alpha, die Databricks-Variante Beta. Für produktionskritische Workloads ist das eine bewusst zu treffende Entscheidung, kein Selbstläufer.
• Auf Databricks werden derzeit nur die eingebauten kontextuellen Policies unterstützt. Eigene Policy-Funktionen mit beliebigem Code laufen dort nicht.
• Kein natives Windows. Der Betrieb erfolgt unter WSL2 nach der Linux-Anleitung.
• Databricks Sandbox ist auf ausgewählte Regionen beschränkt und verträgt sich nicht mit aktivierter Serverless Egress Control.
• Die Feature-Verfügbarkeit hängt an Workspace-Previews, die administrativ freigeschaltet werden müssen.

Das sind keine K.-o.-Kriterien, aber sie bestimmen, ob ein Einstieg heute als Pilot oder als Plattformentscheidung sinnvoll ist.

Aus unserer Sicht wird Omnigent dort schnell relevant, wo mindestens eine der folgenden Situationen zutrifft:

• Mehrere Teams arbeiten mit unterschiedlichen Coding-Agenten, und die Governance dafür ist heute pro Tool gelöst oder gar nicht.
• Die LLM-Kosten agentischer Workflows sind schwer vorhersagbar, und es fehlt ein Mechanismus, der vor dem Monatsabschluss eingreift.
• Agenten sollen auf produktive Systeme oder sensible Repositories zugreifen, und die Absicherung besteht bisher aus Prompt-Anweisungen und Vertrauen.
• Es gibt eine Lock-in-Sorge: Modelle und Harnesses wechseln im Halbjahrestakt, die eigenen Workflows sollen das nicht jedes Mal mitmachen müssen.

Der letzte Punkt ist strategisch der wichtigste. Wenn Sessions, Policies und Skills auf der Meta-Ebene liegen, überstehen sie einen Modellwechsel. Genau das ist das Argument, das sich einem CIO gut vermitteln lässt.

adesso ist seit März 2026 Databricks Silver Partner und begleitet Kunden beim Aufbau moderner Daten- und KI-Plattformen. Omnigent passt in eine Entwicklung, die wir in Projekten seit Monaten beobachten: Die spannende Frage ist nicht mehr, ob ein Agent eine Aufgabe lösen kann, sondern wie ein Unternehmen viele Agenten betreiben kann, ohne die Kontrolle über Kosten, Zugriffe und Nachvollziehbarkeit zu verlieren.

Ein Meta-Harness ist eine plausible Antwort darauf. Ob Omnigent sich als Standard etabliert, entscheidet der Markt in den nächsten Quartalen. Für Unternehmen, die bereits auf Databricks setzen, ist der Einstieg jedoch vergleichsweise günstig: Die Governance-Schicht ist mit Unity Catalog und AI Gateway ohnehin vorhanden, und das Open-Source-Fundament unter Apache 2.0 begrenzt das Risiko einer Sackgasse.

Wir empfehlen ein klar abgegrenztes Pilotszenario statt eines Big-Bang-Rollouts: ein Team, ein Anwendungsfall mit messbarem Nutzen, definierte Kostenbudgets und ein Governance-Konzept, das von Anfang an mitgedacht wird.

Sprechen Sie mit unseren Expertinnen und Experten aus dem Bereich Data & Analytics. In einem gemeinsamen Workshop bewerten wir Ihre bestehende Agenten-Landschaft, identifizieren geeignete Pilotszenarien und entwerfen ein tragfähiges Governance-Modell.

• Databricks Blog: Wir stellen Omnigent vor: https://www.databricks.com/de/blog/introducing-omnigent-meta-harness-combine-control-and-share-your-agents
• Projektseite und Doku: https://omnigent.ai/
• Quellcode: https://github.com/omnigent-ai/omnigent
• Databricks Doku: Omnigent on Databricks: https://docs.databricks.com/aws/en/omnigent/