Was ist agentische KI?

Diese Unterscheidung ist wichtig, da Unternehmen diese Systeme in großem Umfang einsetzen. Unternehmen aus den Bereichen IT-Betrieb, Technik, Cybersicherheit und Wissensmanagement experimentieren mit KI-Agenten, die komplexe, mehrstufige Aufgaben durchgängig koordinieren. Der Wandel von der Automatisierung zur Autonomie beschleunigt nicht nur die Arbeit, sondern verändert die Natur der Arbeit selbst und wirft neue Fragen zu Governance, Verantwortlichkeit und Vertrauen auf. Für Sicherheits- und IT-Verantwortliche ist es nicht mehr optional, zu verstehen, was agentische KI ist und welche Anforderungen sie an die bestehende Infrastruktur stellt.

Agentische KI verstehen

Der Begriff „agentische KI“ bezeichnet eine Klasse von KI-Systemen, die so konzipiert sind, dass sie mit einem Maß an Autonomie arbeiten, das über die bloße Reaktion auf einzelne Eingaben hinausgeht. Während ein herkömmliches KI-Modell für eine einzelne Eingabe eine einzige Ausgabe generiert, erhält ein agentisches KI-System ein übergeordnetes Ziel und legt selbstständig fest, wie dieses zu erreichen ist. Es interpretiert die Aufgabe, ermittelt, mit welchen Systemen es interagieren muss, und koordiniert den gesamten Vorgang von Anfang bis Ende.

Die KI-Systeme, mit denen die meisten Menschen heute interagieren, sind assistiv. Man stellt eine Frage; das System liefert eine Antwort. Man beschreibt ein Bild; das Modell generiert eines. Diese Interaktionen sind zustandslos: Das System merkt sich nicht, was zuvor geschah, plant nicht, was als Nächstes kommt, und ergreift keine eigenständigen Maßnahmen, die über die Erzeugung von Ergebnissen hinausgehen. Agentische KI durchbricht dieses Muster. Ein KI-Agent kann den Kontext über einen mehrstufigen Arbeitsablauf hinweg aufrechterhalten, entscheiden, welche Tools er aufruft, bewerten, ob seine Aktionen das beabsichtigte Ergebnis erzielt haben, und seinen Ansatz anpassen, wenn dies nicht der Fall war. Er verhält sich weniger wie ein Skript und mehr wie ein Kollege – einer, der sich mühelos skalieren lässt, kontinuierlich arbeitet und sich durch Feedbackschleifen verbessert.

Der Begriff „agentisch“ steht für eine Reihe spezifischer Fähigkeiten:zielgerichtetes Verhalten(das Verfolgen eines Ziels anstelle der Ausführung festgelegter Anweisungen),autonome Entscheidungsfindung(das Bestimmen der nächsten Schritte, ohne in jeder Phase menschliche Zustimmung zu benötigen),Interaktion mit der Umgebung(das Lesen aus und Schreiben in externe Systeme, Datenbanken, APIs und Dienste) sowieiteratives Schlussfolgern(das Bewerten von Ergebnissen und das Anpassen von Maßnahmen, wenn diese fehlschlagen). Diese Fähigkeiten sind nicht binär. Agentische KI existiert auf einem Spektrum, das von leicht autonomen Systemen, die eine eng gefasste Aufgabe bewältigen und menschliche Aufmerksamkeit erfordern, bis hin zu vollständig autonomen Agenten reicht, die komplexe, funktionsübergreifende Prozesse mit minimaler Aufsicht koordinieren.

So funktioniert agentische KI

Agentenbasierte KI-Systeme folgen einem zyklischen Prozess, der die strukturierte Problemlösung widerspiegelt. Der Prozess beginnt, wenn der Agent ein Ziel erhält, entweder von einem menschlichen Bediener, einem anderen System oder einer übergeordneten Koordinierungsebene. Das System ist darauf ausgelegt, das Ziel im Kontext zu interpretieren und dabei zu ermitteln, wie Erfolg aussieht und welche Einschränkungen gelten. Das Ziel wird dann in eine Abfolge einzelner Aufgaben unterteilt, wobei die Systeme, Datenquellen und Werkzeuge identifiziert werden, die zur Erfüllung der einzelnen Aufgaben benötigt werden. Entscheidend ist, dass dieser Plan nicht fest programmiert ist; er wird dynamisch auf der Grundlage des aktuellen Zustands der Systemumgebung erstellt.

Agentische KI vs. generative KI

Generative KI und agentische KI sind zwar miteinander verwandt, unterscheiden sich jedoch in ihrer Architektur. Generative KI bezeichnet Modelle, die als Reaktion auf eine Eingabe Inhalte wie Text, Bilder, Code oder Audio erzeugen. Agentische KI nutzt generative Modelle als eine Komponente innerhalb eines größeren Systems, das plant, handelt und sich anpasst.

Abmessung	Generative KI	Agentenbasierte KI
Interaktionsmodell	Eine Aufforderung, eine Antwort	Zielgerichteter, mehrstufiger Arbeitsablauf
Autonomie	Keine; der Benutzer steuert jede Interaktion	Hoch; der Mitarbeiter legt die nächsten Schritte fest, nachdem das Ziel festgelegt wurde
Systeminteraktion	typischerweise isoliert	Liest aus externen Systemen und schreibt in diese
Speicher	Sitzungsübergreifend zustandslos	Behält den Kontext über verschiedene Aufgaben hinweg bei
Anpassungsfähigkeit	Erzeugt Ergebnisse auf der Grundlage des Trainings	passt die Vorgehensweise auf der Grundlage von Echtzeit-Feedback an
Typische Ausgabe	Text, Bilder, Code	Erledigte Aufgaben, getroffene Entscheidungen, koordinierte Abläufe

Der entscheidende architektonische Wandel betrifft die Richtung der Anrufe. Bei der generativen KI ruft der Nutzer das Modell auf. Bei der agentenbasierten KI ruft das Modell externe Systeme auf. Diese Umkehrung ermöglicht eine autonome, mehrstufige Ausführung und bringt zugleich neue Sicherheitsaspekte in Bezug auf Identität, Authentifizierung und Vertrauen mit sich.

Wie sich agentische KI von herkömmlicher Automatisierung unterscheidet

Sowohl die herkömmliche Automatisierung als auch die agentische KI reduzieren den manuellen Aufwand, funktionieren jedoch nach grundlegend unterschiedlichen Prinzipien. Automatisierte Systeme sind reaktiv: Sie warten auf einen Auslöser und führen eine vordefinierte Reaktion aus. Die agentische KI ist proaktiv, bewertet ihre Umgebung und leitet Maßnahmen ein, ohne auf explizite Anweisungen zu warten. Die Automatisierung folgt einer deterministischen, vorhersehbaren Logik (wenn X, dann Y). Agentische KI hingegen basiert auf probabilistischem Denken, was sie zwar unvorhersehbar macht, sie aber in die Lage versetzt, mit Mehrdeutigkeiten umzugehen, unvollständige Informationen zu bewerten und die am besten geeignete Vorgehensweise auszuwählen.

Automatisierte Systeme agieren in der Regel innerhalb festgelegter, statischer Grenzen: eine einzelne Anwendung, eine bestimmte Datenpipeline, ein eng gefasster Anwendungsbereich. Agente-basierte KI überschreitet diese Grenzen oft dynamisch. Ein KI-Agent, der einen IT-Vorfall behebt, kann eine Überwachungsplattform abfragen, eine Wissensdatenbank überprüfen, ein Ticket in einem Service-Management-Tool eröffnen und die Beteiligten über verschiedene Kanäle benachrichtigen – und das alles innerhalb eines einzigen Workflows. Und während automatisierte Systeme Anweisungen genau so befolgen, wie sie geschrieben stehen, interpretieren agentische Systeme diese und wählen je nach aktuellem Zustand ihrer Umgebung möglicherweise jedes Mal einen anderen Weg.

Architektur der agentenbasierten KI

Agentenbasierte KI-Systeme bestehen aus mehreren miteinander verbundenen Schichten, von denen jede eine bestimmte Funktion erfüllt. Der KI-Agent ist die autonome Einheit, die ein Ziel erhält und den Arbeitsablauf steuert, dabei den Status verwaltet und Interaktionen koordiniert. Eine weitere Komponente istdas große Sprachmodell(LLM), das die Schlussfolgerungsfähigkeit bereitstellt und als Cloud-Dienst läuft, der dem Agenten Ratschläge für die nächsten Schritte gibt. Schließlich sindAnwendungen und System of Recorddie Unternehmenssysteme, mit denen der Agent interagiert: Datenbanken, SaaS-Plattformen, interne Tools und APIs.

Das Model Context Protocol (MCP)ist ein aufkommender Standard, der als Verbindungsschicht zwischen KI-Agenten und externen Systemen dient. Laut Anthropic (dem Entwickler des Protokolls) fungiert MCP als „Augen und Hände“ einer KI und macht dem Agenten bestehende externe Systeme zugänglich, sodass dieser über die Generierung statischer Antworten hinaus Maßnahmen ergreifen kann. Ein MCP-Server stellt einem KI-Agenten eine Reihe von API-Funktionen zur Verfügung, die es ihm ermöglichen, Daten zu lesen und zu schreiben, mit Fachanwendungen zu interagieren und Vorgänge auf externen Plattformen auszulösen.

Der Identitätsanbieterauthentifiziert den Agenten und autorisiert dessen Aktionen. Jedes Mal, wenn ein KI-Agent mit einem externen System interagiert, muss er seine Identität nachweisen und belegen, dass er die Berechtigung zur Ausführung des angeforderten Vorgangs besitzt. Der Identitätsanbieter stellt die Anmeldedaten aus, die der Agent für diese Interaktionen verwendet, überprüft sie und verwaltet sie. Häufige Anwendungsfälle

Unternehmen setzen agentenbasierte KI in verschiedenen Schlüsselbereichen ein.

• ImIT-Betrieb überwachen KI-Agenten die Infrastruktur, setzen Warnmeldungen in Zusammenhang, diagnostizieren die Ursachen und leiten Abhilfemaßnahmen ein.
• Im Bereichder Cybersicherheit analysieren Agenten Bedrohungsdaten, untersuchen Warnmeldungen und leiten Maßnahmen zur Eindämmung in einem Umfang und mit einer Geschwindigkeit ein, die menschliche Analysten nicht erreichen können.
• ImKundensupport bearbeiten die Mitarbeiter mehrstufige Arbeitsabläufe von der Triage bis zur Lösung über CRM- und Ticket-Systeme hinweg.
• Beider Geschäftsprozesskoordination koordiniert agentenbasierte KI funktionsübergreifende Arbeitsabläufe, die die Bereiche Beschaffung, Compliance, Finanzen und Betrieb umfassen.

Warum Unternehmen auf agentenbasierte KI setzen

Die Einführung agentischer KI in Unternehmen schreitet immer schneller voran, angetrieben durch betriebliche Anforderungen, denen herkömmliche Automatisierung und generative KI allein nicht gerecht werden können.

-KI-Agenten arbeiten kontinuierlich und bewältigen parallele Arbeitsabläufe. Aufgaben, deren Koordination herkömmliche Teams Tage kosten würde – wie beispielsweise ein systemübergreifendes Sicherheitsaudit oder ein Beschaffungszyklus mit mehreren Anbietern –, lassen sich innerhalb von Stunden oder Minuten erledigen.

Konsistenz-
-KI-Agenten wenden jedes Mal dieselbe Logik an und halten sich an dieselben Richtlinien. Diese Konsistenz ist besonders wertvoll in regulierten Branchen, in denen Prüfpfade und die Einhaltung von Richtlinien unabdingbar sind.

Effizienz
Die agentenbasierte KI reduziert den manuellen Koordinationsaufwand bei mehrstufigen Prozessen. Anstatt Aufgaben über mehrere Teams und Übergaben hinweg weiterzuleiten, kann ein autonomer Agent durchgängige Arbeitsabläufe ausführen – von der Datenerfassung bis zur Umsetzung von Entscheidungen –, wodurch Zeiträume, die zuvor Tage dauerten, auf Stunden verkürzt werden. Für Unternehmen, die Tausende von Prozessen und Arbeitsabläufen verwalten, summiert sich dieser Effizienzgewinn schnell.

Wettbewerbsdruck
Unternehmen, die die Einführung agentischer KI hinauszögern, laufen Gefahr, hinter Wettbewerber zurückzufallen, die bereits autonome Agenten einsetzen, um Entscheidungsprozesse zu beschleunigen und das Kundenerlebnis zu verbessern. Die Technologie befindet sich im Übergang vom experimentellen zum strategischen Einsatz.

Herausforderungen und Risiken der agentenbasierten KI

Die gleichen Fähigkeiten, die agentenbasierte KI so leistungsstark machen, bergen auch Risiken, denen sich Unternehmen stellen müssen, bevor sie den Einsatz ausweiten.

Lücken in der Governance von KI-Agenten [
] Laut einer Keyfactor [TODO: Link und Quellenangabe hinzufügen] haben nur 50 % der Unternehmen umfassende Governance-Rahmenwerke für KI-Agenten eingeführt. Die andere Hälfte arbeitet ohne klare Richtlinien dazu, wie Agenten autorisiert, überwacht oder eingeschränkt werden sollen. Diese Lücke ist erheblich: Ohne Governance fehlt es den Unternehmen an Transparenz darüber, was ihre Agenten tun, auf welche Systeme sie zugreifen und ob ihre Handlungen den Richtlinien entsprechen.

Nicht-deterministisches Verhalten
Agente-basierte KI-Systeme sind von Natur aus probabilistisch, was bedeutet, dass ihr Verhalten nicht zuverlässig vorhersagbar ist. Wie bei jedem auf probabilistischer Logik basierenden System kann diese Schlussfolgerung vom Kurs abweichen. Ein Agent könnte einen unerwarteten Weg einschlagen, den Kontext falsch interpretieren oder ein unbeabsichtigtes Ergebnis hervorbringen. Für Unternehmen, die an deterministische Automatisierung gewöhnt sind, erfordert diese Unvorhersehbarkeit neue Strategien zur Überwachung, zum Testen und zur Eindämmung.

Identitätswildwuchs
KI-Agenten erstellen und nutzen Identitäten in einem Tempo, für das herkömmliche Identitätsmanagementlösungen nicht ausgelegt sind. Kurzzeitmitarbeiter, aufgabenspezifische Agenten und selbstgesteuerte Prozesse können Identitäten über Konten und Regionen hinweg schneller erstellen und nutzen, als Sicherheitsteams erwarten. Die Folge ist Identitätswildwuchs: eine sich rasch ausbreitende Fläche aus Anmeldedaten, Zertifikaten und Zugriffstoken, die nachverfolgt, rotiert und widerrufen werden müssen.

Sicherheitsrisiken bei KI-Agenten (
) Laut derselben Keyfactor glauben 69 % der Cybersicherheitsexperten, dass KI-basierte Schwachstellen eine größere Bedrohung darstellen werden als menschlicher Missbrauch. Der Missbrauch von Zugangsdaten ist kein neues Problem. Neu sind jedoch das Ausmaß und die Geschwindigkeit, mit der dies geschehen kann, wenn KI-Agenten im Spiel sind. KI-Agenten müssen nicht einbrechen, da sie hereingebeten werden. Sie agieren mit legitimen Zugangsdaten innerhalb des Netzwerks, was sie eindeutig in die Kategorie der internen Bedrohungen einordnet. Darüber hinaus können Datenströme in einem agentenbasierten KI-System die Zuständigkeit des Unternehmens verlassen (insbesondere bei Nutzung des entsprechenden LLM), was ein Risiko für die Vertraulichkeit der Daten darstellt, wenn das System nicht ordnungsgemäß überwacht wird oder keine angemessenen Sicherheitsvorkehrungen getroffen werden.

Wo die meisten Unternehmen heute stehen

Das Interesse der Unternehmen an agentenbasierter KI ist groß, doch die organisatorische Bereitschaft hinkt den Ambitionen hinterher. Die meisten Unternehmen befinden sich derzeit in einer Situation, in der eine Kluft zwischen dem Einsatz von KI-Agenten und deren effektiver Steuerung besteht.

Die Einführung überholt die Governance
Die Mehrheit der Unternehmen testet derzeit agentische KI-Systeme oder prüft deren Einsatz aktiv, doch nur wenige haben diese auf strukturierte Weise unternehmensweit eingeführt. Die zuvor erwähnte Statistik (nur 50 % der Unternehmen geben an, eine vollständig implementierte Governance für agentische KI zu haben, die andere Hälfte nicht) untermauert diese Beobachtung. Das Ergebnis ist eine fragmentierte Landschaft, in der Agenten schneller eingesetzt werden, als die sie regelnden Richtlinien ausgereift sein können.

Lücken in der Sicherheitsbereitschaft sind messbar
Die Defizite bei der Sicherheitsbereitschaft gehen über Governance-Rahmenwerke hinaus. Nur 28 % der in der genannten Umfrage befragten Unternehmen glauben, dass sie einen außer Kontrolle geratenen KI-Agenten stoppen könnten, bevor dieser Schaden anrichtet. Die meisten gehen davon aus, dass sie Probleme erst erkennen oder darauf reagieren können, wenn ein Vorfall bereits eingetreten ist. Gleichzeitig sind 55 % der Befragten der Meinung, dass die Unternehmensleitung die mit KI-Agenten verbundenen Risiken für die digitale Identität nicht ernst genug nimmt – ein Zeichen dafür, dass das Bewusstsein der Führungskräfte noch nicht mit der technischen Realität Schritt gehalten hat.

Die Identitätsinfrastruktur ist noch nicht bereit
Viele Unternehmen verlassen sich bei der Authentifizierung von KI-Agenten nach wie vor auf statische Anmeldedaten, API-Schlüssel, gemeinsam genutzte Geheimnisse und langlebige Token. Diese Methoden wurden nicht für autonome, dauerhafte Systeme konzipiert, die über Unternehmensgrenzen hinweg operieren. Nur ein kleiner Teil der Unternehmen hat eine zertifikatsbasierte Identitätslösung für KI-Agenten implementiert, obwohl 86 % der Cybersicherheitsexperten der Meinung sind, dass Agenten ohne eindeutige, dynamische digitale Identitäten nicht vertrauenswürdig sind.

Die Kluft zwischen dem, was Unternehmen als notwendig erachten, und dem, was sie tatsächlich implementiert haben, bestimmt den aktuellen Stand der Bereitschaft für agentenbasierte KI. Um diese Lücke zu schließen, sind gezielte Investitionen in Identitätsinfrastrukturen, Governance-Rahmenwerke und operative Kontrollmechanismen erforderlich, bevor autonome Systeme weiter ausgebaut werden können.

Vorgehensweise: Ausweitung des Identitätsmanagements auf KI-Agenten

Während Unternehmen den Schritt von Pilotprojekten mit KI-Agenten hin zu deren großflächigem Einsatz vollziehen, beginnt der Weg dorthin bei der Identitätsinfrastruktur. Unternehmen, die die Identität von KI-Agenten als eigenständigen Bereich betrachten und nicht als Nebensache, sind besser aufgestellt, um autonome Systeme sicher zu skalieren.

Behandeln Sie KI-Agenten als vollwertige Identitäten
KI-Agenten sollten nicht mit gemeinsam genutzten Anmeldedaten oder als Erweiterungen menschlicher Benutzerkonten arbeiten. Jeder Agent benötigt eine eindeutige, überprüfbare digitale Identität, genau wie Server, Container und IoT . Dies ist der Ausgangspunkt für die Nachvollziehbarkeit: Wenn ein Agent über eine eigene Identität verfügt, können Unternehmen nachweisen, welcher Agent gehandelt hat, nach welchen Richtlinien und wie lange er zum Betrieb berechtigt war.

Implementierung der zertifikatsbasierten Authentifizierung
X.509-Zertifikate bieten kryptografisch gesicherte, fälschungssichere Identitäten, die sich gut für autonome Agenten eignen. Im Gegensatz zu API-Schlüsseln oder gemeinsamen Geheimnissen bieten Zertifikate mehrere Eigenschaften, die den Anforderungen agentischer KI entsprechen:

Unwiderrufliche Herkunfts
Jede vom Agenten durchgeführte Aktion lässt sich kryptografisch auf eine bestimmte Identität zurückverfolgen. [TODO: Prüfen, ob ein Herkunftsnachweis erforderlich ist]

Zertifikate für die gegenseitige Authentifizierung
ermöglichen es beiden Parteien einer Kommunikation – sei es zwischen zwei Agenten oder zwischen einem Agenten und einem Dienst – die Identität des jeweils anderen vor dem Datenaustausch zu überprüfen.

Integriertes Lebenszyklus-Management-
-Zertifikate haben festgelegte Fristen für die Ausstellung, Erneuerung und den Ablauf, wodurch die Persistenz von Anmeldedaten verhindert wird, die bei statischen Geheimnissen ein Risiko darstellt.

Für Unternehmen, die bereits Maschinenidentitäten geräte-, Workload- und containerübergreifend verwalten, ist die Ausweitung der zertifikatsbasierten Identitätsverwaltung auf KI-Agenten ein logischer und betrieblich effizienter Schritt.

Ausweitung von Zero Trust auf nicht-menschliche Akteure
Zero-Trust-Architekturen wurden für eine auf Menschen ausgerichtete Welt entwickelt: Jeder Benutzer, jedes Gerät und jede Sitzung wird überprüft. KI-Agenten lassen sich nicht ohne Weiteres in diese Modelle einordnen. Sie treffen Entscheidungen, passen ihr Verhalten an den Kontext an und interagieren auf unvorhersehbare Weise mit Systemen. Die Ausweitung von Zero Trust auf agentenbasierte KI erfordert, dass jeder Agent als eigenständige, authentifizierte Identität mit bereichsbezogenen Berechtigungen, kontinuierlicher Überprüfung und der Möglichkeit, den Zugriff in Echtzeit zu widerrufen, behandelt wird. Die Identität ist die einzige Steuerungsebene, die alles umfasst: Konten, Regionen, Dienste sowie menschliche und nicht-menschliche Akteure.

Automatisierung des Lebenszyklusmanagements für Anmeldedaten
Die manuelle Verwaltung von Zertifikaten ist in Umgebungen mit Hunderten oder Tausenden von KI-Agenten nicht skalierbar. Ein automatisiertes Lebenszyklusmanagement, das die Ausstellung, Erneuerung, Rotation und Sperrung umfasst, ist unerlässlich, um die Sicherheit zu gewährleisten, ohne dass dabei betriebliche Engpässe entstehen. Kurzlebige Zertifikate sind vorzuziehen: Sie begrenzen das Zeitfenster, in dem ein Risiko besteht, falls Anmeldedaten kompromittiert werden, und erzwingen eine regelmäßige erneute Authentifizierung.

vor der Skalierung festlegen: Bevor Unternehmen autonome Agenten in großem Maßstab einsetzen, sollten sie klare Richtlinien festlegen, welche Aufgaben die Agenten ausführen dürfen, wie ihre Aktionen überwacht werden und unter welchen Bedingungen ihnen der Zugriff entzogen werden kann. Governance-Rahmenwerke sollten den Aufgabenbereich der Agenten, zulässige Systeminteraktionen, Eskalationswege und Anforderungen an die Nachverfolgbarkeit regeln. Die Einrichtung dieser Kontrollmechanismen vor der Skalierung verhindert die Governance-Lücken, mit denen die meisten Unternehmen derzeit zu kämpfen haben.

Warum Keyfactor an Agentic AI beteiligt Keyfactor

Die Plattform Keyfactorerweitert das Maschinenidentitätsmanagement auf autonome KI-Workloads. Dieselbe PKI-Infrastruktur, die heute Geräte, Workloads und vernetzte Systeme schützt, kann den Zertifikatslebenszyklus für KI-Agentenidentitäten automatisieren und dabei die Ausstellung, Erneuerung, Rotation und Sperrung ohne manuellen Eingriff abdecken. Bei containerisierten und kurzlebigen Agenten stellt das automatisierte Lebenszyklusmanagement sicher, dass Anmeldedaten nicht über ihre vorgesehene Nutzungsdauer hinaus bestehen bleiben.

Wie Ellen Boehm, SVP für IoT KI-Identitätsinnovation bei Keyfactor, in [TODO: Quelle suchen] sagt: „Unternehmen sind bestrebt, KI-Agenten zu skalieren, stehen jedoch vor einer neuen Identitätskrise, in der statische Anmeldedaten wie API-Schlüssel und Client-Geheimnisse einfach keine Nachvollziehbarkeit oder Sicherheit bieten.“ Sehen Sie es in Aktion.

Keyfactor oder implementiert Keyfactor KI-Agenten. Das Unternehmen stellt sicher, dass jeder in Ihrer Umgebung tätige Agent über eine überprüfbare, kontrollierte Identität verfügt, und erweitert damit die Vertrauensinfrastruktur, die bereits Ihre Geräte, Workloads und verbundenen Systeme schützt, auf das KI-Zeitalter.