Red Hat AI 3.5: Enterprise-KI wird erwachsen

Die wichtigste KI- und Automatisierungsnachricht des Tages kommt nicht aus der Kategorie „noch größeres Modell“, sondern aus der weniger spektakulären, aber für Unternehmen entscheidenden Ecke: Red Hat AI 3.5 rückt Governance, sichere Agenten, Modellbewertung und geteilte GPU-Infrastruktur in den Mittelpunkt. Für den Enterprise-Markt ist das relevanter als viele reine Modellankündigungen, weil sich KI-Projekte 2026 zunehmend an einer praktischen Frage messen lassen müssen: Wie lassen sich generative und agentische Anwendungen zuverlässig, kontrollierbar und wirtschaftlich in Produktion betreiben?

Red Hat positioniert OpenShift AI als Plattform für MLOps, GenAIOps und AgentOps, also für den gesamten Lebenszyklus von Modellen, generativen Anwendungen und KI-Agenten.[3] Mit Version 3.5 wird diese Plattform um Funktionen erweitert, die zeigen, wohin sich Enterprise AI aktuell bewegt: weg vom Experimentierlabor, hin zu überprüfbarer Infrastruktur.

Warum Red Hat AI 3.5 heute relevant ist

Viele Unternehmen haben in den vergangenen zwei Jahren erste GenAI-Prototypen gebaut: interne Chatbots, Wissensassistenten, Dokumentenklassifizierung, Coding-Hilfen oder RAG-Anwendungen. Der Engpass liegt inzwischen seltener beim „Kann das Modell antworten?“, sondern bei Betrieb, Kontrolle und Haftbarkeit. Wer KI in Kundenservice, Softwareentwicklung, Compliance oder Forschung einsetzt, braucht nachvollziehbare Evaluationen, klare Zugriffskontrollen, Kostenkontrolle bei GPUs und Schutz vor gefährlichen Tool-Aufrufen.

Genau hier setzt Red Hat AI 3.5 an. Laut Techzine konzentriert sich das Release auf Sicherheitsprüfungen vor dem Deployment, Multi-Tenancy auf gemeinsam genutzter GPU-Infrastruktur und Observability; zusätzlich werden agentische Anwendungen durch AutoRAG und vorgefertigte Agenten-Templates adressiert.[1] Das ist ein deutliches Signal: Enterprise-KI wird nicht mehr primär als isoliertes Modell verstanden, sondern als Plattformproblem.

Red Hat selbst beschreibt OpenShift AI als Umgebung, die Teams beim Experimentieren, Bereitstellen und Skalieren von Modellen und KI-Anwendungen unterstützt, unter anderem mit Open-Source-Werkzeugen wie PyTorch, Kubeflow, MLflow und vLLM.[3] Die strategische Stoßrichtung ist damit klar: Unternehmen sollen KI-Workloads ähnlich diszipliniert betreiben können wie andere geschäftskritische IT-Systeme.

Evaluation statt Bauchgefühl: EvalHub wird produktionsrelevant

Ein Kernpunkt von Red Hat AI 3.5 ist EvalHub. In den Release Notes wird EvalHub als allgemein verfügbarer, von Red Hat unterstützter Evaluierungsdienst für KI-Systeme beschrieben — einschließlich Modellen, KI-Anwendungen, Agenten, Tools sowie Schwachstellenbewertung und Scanning.[2] Wichtig ist dabei nicht nur die Funktion selbst, sondern der Kontext: EvalHub erhält eine dokumentierte API-Versionierung, eine Breaking-Change-Policy und Support, was den Einsatz in regulierten oder produktiven Umgebungen erleichtern soll.[2]

Das adressiert eine zentrale Schwäche vieler KI-Projekte. In Proof-of-Concepts reicht oft ein qualitatives Urteil: „Die Antworten sehen gut aus.“ In produktiven Workflows genügt das nicht. Unternehmen müssen wissen, ob ein Modell personenbezogene Daten preisgibt, toxische Antworten produziert, Prompt-Injection-Angriffe toleriert oder bei bestimmten Aufgaben systematisch scheitert.

Red Hat ergänzt die Validierung neuer Modelle laut Release Notes um automatisierte adversariale Vulnerability Scans mit garak, einem Open-Source-Scanner für LLM-Schwachstellen.[2] Die Ergebnisse sollen als quantitative Schwachstellenwerte im Modellkatalog erscheinen, zusammen mit bestehenden Performance- und Genauigkeitsdaten.[2] Das verschiebt Modellbewertung von subjektiven Tests hin zu wiederholbaren Metriken — ein wichtiger Schritt für Compliance, Einkauf und Plattformteams.

Geteilte GPUs: Der unterschätzte Enterprise-Faktor

Der zweite große Schwerpunkt ist GPU-Infrastruktur. GPUs bleiben teuer, knapp und schwer planbar. In vielen Organisationen konkurrieren Teams um dieselben Beschleuniger: Data Science, Forschung, Produktentwicklung, interne Automatisierung und Echtzeit-Inferenz. Ohne saubere Mandantenfähigkeit entstehen entweder Leerlauf, Kostenexplosionen oder Schatten-IT.

Techzine berichtet, dass Red Hat AI 3.5 Fair-Share-Scheduling über Tenants hinweg, prioritätsbewusstes Serving für Echtzeit-Inferenz und die Möglichkeit strengerer Isolation über Hosted Control Planes auf OpenShift Virtualization unterstützt.[1] Praktisch bedeutet das: Hintergrundjobs sollen freie Kapazität nutzen können, ohne latenzkritische Inferenz zu verdrängen; gleichzeitig erhalten Organisationen Optionen für stärkere Trennung von Mandanten.

Auch die Red-Hat-Dokumentation verweist auf neue Funktionen für Models-as-a-Service, darunter externe OIDC-Authentifizierung, Gruppenmapping und zentrale Zugriffskontrolle über bestehende Identity-Provider.[2] Das ist für Enterprise-KI entscheidend: Der Zugriff auf Modelle soll nicht über improvisierte API-Keys oder manuelle Nutzerlisten laufen, sondern in bestehende IAM-Prozesse eingebettet werden.

Agentic AI braucht Leitplanken

Agentic AI ist eines der dominierenden Themen des Jahres, weil KI-Systeme nicht mehr nur Texte generieren, sondern Tools aufrufen, Daten abrufen, Workflows starten und Entscheidungen vorbereiten. Damit steigen aber auch die Risiken. Ein fehlerhafter Chatbot ist unangenehm; ein Agent, der falsche Daten abruft, unzulässige Aktionen ausführt oder vertrauliche Informationen weitergibt, ist ein operatives Problem.

Red Hat adressiert diesen Punkt mit AgentOps-Funktionen und Tool-Governance. Die Produktseite hebt Agentic AI, MCP-Server und kontrollierten externen Tool-Zugriff als Bestandteile der Plattform hervor.[3] Techzine berichtet zudem, dass Red Hat AI 3.5 AutoRAG für die Verbindung von Enterprise-Datenquellen mit Agentenanwendungen einführt und NeMo Guardrails zur Abwehr bösartiger Tool-Aufrufe integriert.[1]

Gerade diese Kombination ist relevant. RAG allein löst nicht das Problem der zuverlässigen Automatisierung. Unternehmen müssen steuern, welche Daten ein Agent abrufen darf, welche Tools er verwenden kann, wie seine Aktionen protokolliert werden und wie gefährliche Inputs oder Outputs blockiert werden. Agentic AI wird damit weniger zu einer Frage einzelner Prompts und mehr zu einer Disziplin aus Zugriffskontrolle, Monitoring, Evaluation und Governance.

Was Unternehmen daraus lernen sollten

Red Hat AI 3.5 zeigt, dass der Enterprise-AI-Markt in eine neue Phase eintritt. Die Differenzierung entsteht nicht mehr nur durch Modellgröße oder Benchmark-Rekorde, sondern durch Produktionsfähigkeit: Kann ein Unternehmen Modelle bewerten, absichern, bereitstellen, überwachen, skalieren und abrechnen? Kann es GPU-Ressourcen fair verteilen? Kann es Agenten mit Leitplanken betreiben? Kann es Audits bestehen?

Für CIOs, CTOs und Plattformteams bedeutet das: KI-Strategie sollte nicht bei der Auswahl eines Foundation Models enden. Mindestens ebenso wichtig sind Betriebsmodell, Identitätsmanagement, Evaluationspipeline, Observability, Kostensteuerung und Sicherheitsarchitektur. Wer diese Grundlagen ignoriert, riskiert, dass erfolgreiche Prototypen nicht produktionsreif werden.

Fazit

Red Hat AI 3.5 ist keine laute Consumer-KI-Ankündigung, sondern ein nüchternes, aber wichtiges Enterprise-Signal. Der Fokus auf EvalHub, adversariale Modellprüfung, mandantenfähige GPU-Nutzung, Models-as-a-Service und agentische Leitplanken zeigt, wohin sich der Markt bewegt: KI wird zur regulierten, gemessenen und gemeinsam genutzten Unternehmensinfrastruktur.

Für den WorldIP AI Technology Blog ist das Thema des Tages deshalb nicht „welches Modell ist größer?“, sondern „welche Plattform macht KI produktionsfähig?“. Red Hat AI 3.5 liefert darauf eine klare Antwort: durch mehr Governance, mehr Sicherheit und mehr operative Kontrolle.

Sources

[1] https://www.techzine.eu/news/devops/135340/red-hat-ai-3-5-focuses-on-governance-and-shared-gpus — Techzine: Red Hat AI 3.5 focuses on governance and shared GPUs

[2] https://docs.redhat.com/en/documentation/red_hat_openshift_ai_self-managed/3.5/html/release_notes/new-features-and-enhancements_relnotes — Red Hat OpenShift AI 3.5 release notes: New features and enhancements

[3] https://www.redhat.com/en/technologies/cloud-computing/openshift/openshift-ai — Red Hat OpenShift AI product page