Die Runtime-Vertrauensschicht zwischen Vision-Modell und Aktor

Ihre Inspektions-KI hat kein Genauigkeitsproblem. Sie hat ein Envelope-Problem.

Ein Labormodell mit 97 % kann in der Produktion eine Falschausschussrate von 14 % erreichen – nicht weil das Modell schlechter geworden wäre, sondern weil Blendung, kalte Gesenke und Schichtwechsel die Eingaben aus der Verteilung geschoben haben, auf der es validiert wurde. Das Inspection Trust Gate prüft jedes Bild gegen den validierten Envelope des Modells, wendet deterministische Gates an, die das Modell nicht übersteuern kann, hält alles außerhalb des Envelopes zur menschlichen Prüfung und schreibt einen Audit-Lineage-Datensatz je Teil. Agenten beraten, Code entscheidet.

Gedriftete Gutteile, die das Gate automatisch ausgeschossen hat

Naive Baseline: Falschausschuss 95.5 bis 100 % (MVTec metal_nut Held-out-Split)

93/93

Defekte Teile unter Drift weiterhin erkannt oder eskaliert

Nie automatisch durchgelassen (derselbe Held-out-Split)

1.00

Envelope-AUROC auf einer zurückgehaltenen Drift-Familie

Nie dagegen getunt, daher ist die Prüfung nicht zirkulär (MVTec metal_nut Held-out-Split)

Das ist eine lauffähige Demo. Der SPS-Aktor und die MES-Senke sind simulierte Adapter, die protokollieren, was sie tun würden; die Teilebilder sind echte MVTec-AD-metal_nut-Fotografien, und der Drift ist ehrliche Bildkorruption, angewendet auf echte Gutbilder.

Ein 97-%-Modell im Labor. Eine Falschausschussrate von 14 % an der Presse.

Der Fehlermodus, der Edge-Inspektions-Deployments ausbremst, ist ein Eingabefehler, kein Modellfehler.

Der kanonische Fall aus unserer Forschung ist eine 200-Tonnen-Folgeverbundpresse mit 40 Hüben pro Minute: ein Vision-Modell, das in der Validierung 97 % Genauigkeit erreicht hat, bricht in der Produktion auf eine Falschausschussrate von 14 % ein. Das Modell ist nicht schlechter geworden. Die Blendung der Hallenleuchten variiert je nach Hubwinkel, Schmiermittel sammelt sich auf warmen und kalten Gesenken unterschiedlich, und die ersten 50 Teile einer Schicht kommen vor dem thermischen Gleichgewicht. Die Eingaben haben die Verteilung verlassen, auf der das Modell validiert wurde – und kein Modell, bei keiner Genauigkeit, ist dort vertrauenswürdig.

Das Branchenmuster sagt: Das Modell war nie das Projekt. Out-of-the-Box-AOI-Systeme weisen 5 bis 15 % der Gutteile fälschlich zurück, gut eingestellte Systeme liegen unter 2 %: ein Kalibrierungs- und Datenproblem, kein Architekturproblem des Modells. Integration macht 60 % des Deployment-Zeitplans aus, Modelltraining 15 %, und 84 % der Systemintegrationsprojekte scheitern oder scheitern teilweise.

Regulierung erhöht den Einsatz. Die Hochrisiko-Pflichten der EU-KI-Verordnung, die sicherheitskritische Qualitätsentscheidungen nach Anhang III erfassen, gelten ab dem 2. August 2026 vollständig, mit Höchstbußen von 35 Millionen Euro oder 7 % des weltweiten Umsatzes für die schwersten Verstöße gegen verbotene Praktiken. Ein Ausschuss-Aktor, der auf ein unvalidiertes Modellurteil feuert, ohne Aufzeichnung des Warum, ist genau das, was dieses Regime aufdecken soll.

Die Lösung ist kein besseres Modell. Selbst ein perfektes Modell gilt nur für Eingaben innerhalb seines validierten Envelopes. Was die Linie braucht, ist eine Runtime-Schicht, die diesen Envelope kennt, außerhalb davon nicht ansteuert und Teil für Teil beweisen kann, was sie entschieden hat und warum.

So funktioniert das Inspection Trust Gate

Ein deterministisches Gate entscheidet, was angesteuert wird – nicht ein Modell und nicht ein LLM.

Jedes Teil durchläuft dieselbe Pipeline:

Bild → physikalische + Texturmerkmale → Envelope-Prüfung (OOD) → Defekturteil → deterministisches Gate → ansteuern / HOLD → Audit-Datensatz

1. Der validierte Envelope

Ein EnvelopeDetector berechnet die Mahalanobis-Distanz im physikalischen Signalraum (Belichtung, Kontrast, Dynamikumfang, Fokus, Hochfrequenzdetail, thermischer Farbstich, Sättigung, Blendungsanteil), gefittet auf 220 Train-Good-Bilder. Er beantwortet eine Frage: Liegt dieses Bild innerhalb der Aufnahmebedingungen, auf denen das Modell validiert wurde? Außerhalb des Envelopes wird keinem Modelloutput vertraut.

2. Das deterministische Gate

Schlichter Code, außerhalb jedes LLM, den das Modell nicht übersteuern kann: kalibrierte Konfidenzschwellen aus den eigenen Daten der Demo (Auto-Pass unter 0.948, Auto-Reject über 1.30) und ein hartes Latenzbudget von 750 ms für das Hubfenster. Jedes Teil wird auf AUTO_PASS, AUTO_REJECT oder HOLD geroutet; HOLD schickt es in eine menschliche Eskalationswarteschlange.

3. Die Audit-Lineage

Jede Entscheidung schreibt einen JSONL-Datensatz: Teil-ID, Station, Modell-ID und Version, Dataset-Hash, Defektkonfidenz, OOD-Score, physikalische Signale, die ausgelösten Gate-Regeln, Latenz gegen Budget, Ansteuerungs- und MES-Logs sowie das Risiko-Tag high-risk:quality-gate (EU-KI-Verordnung Anhang III, gilt ab 2026-08-02). Ein Klick exportiert die Schicht.

Das Defektmodell ist bewusst nicht das Produkt

Der DefectDetector der Demo ist eine kNN-Distanz zu Train-Good-Teilen im Texturraum (PatchCore-lite) und steht stellvertretend für Ihr NVIDIA Metropolis, Cognex oder Custom-Modell hinter einer festen Schnittstelle. Es ist ein echter, funktionierender Platzhalter (AUROC 0.845 auf sauberen Gutteilen versus Defekt), ehrlich ausgewiesen, und der Produktanspruch stützt sich nie darauf. Der dauerhafte Wert ist die Schicht darum herum: Drift-Gating, Provenance und gesteuerte Ansteuerung halten bei jeder Modellgenauigkeit – die Schicht überlebt jedes Modell-Upgrade.

Agenten beraten, Code entscheidet

Wenn sich Teile in der HOLD-Warteschlange stauen, erklärt ein agentisches Drift-Triage-Paar das Warum: ein Diagnose-Agent liest die rangierten physikalischen Signalabweichungen der gehaltenen Teile und schlägt eine Root-Cause-Hypothese mit einer empfohlenen Maßnahme vor, und ein Critic-Agent prüft diese Hypothese gegen die numerische Evidenz und stuft sie zur manuellen Untersuchung herab, wenn das zitierte Signal nicht tatsächlich die dominante Abweichung ist. Die Agenten basieren auf Pydantic AI und sind Provider-austauschbar; ohne konfigurierten API-Schlüssel fällt die Triage auf ein deterministisches Template zurück, sodass die ganze Demo offline läuft. In jedem Fall beraten die Agenten nur. Das Gate hat bereits entschieden.

Der Schichtwechsel, durchgängig durchgespielt

Eine skriptgesteuerte Schicht an Station Line 3, wiedergegeben über echte MVTec-AD-metal_nut-Held-out-Testteile. Jedes Bild unten ist ein Screenshot der laufenden App.

Normalbetrieb: saubere Teile passieren in wenigen Dutzend Millisekunden

Vor dem Drift werden saubere Gutteile mit Zeitreserve automatisch durchgelassen: das mitgelieferte Audit-Log zeigt Teil test-good-288 bei 37.7 ms und test-good-289 bei 24.4 ms gegen das 750-ms-Hubfenster-Budget, jeweils mit vollständigem Lineage-Datensatz. Das Dashboard zeigt die Live-Entscheidungspipeline je Teil, mit gemessener Wall-Clock je Stufe und der Evidenz hinter ihrem Output.

Das Dashboard des Inspection Trust Gate im Normalbetrieb: ein sauberes Teil mit PASS-Urteil, die Live-Entscheidungspipeline mit Millisekunden je Stufe und der Envelope-Monitor im Nominalzustand. — Ein sauberes Teil, automatisch durchgelassen: PASS-Urteil, Zeiten je Stufe, Envelope-Monitor nominal.

06:00, Schichtwechsel: die Eingaben verlassen den Envelope

Dann feuert die skriptgesteuerte Markierung: SHIFT CHANGE 06:00, kalte Gesenke, Hallenleuchten an. Zwölf zurückgehaltene Gutteile kommen mit Blendung, Defokus und thermischem Stich korrumpiert an (ehrliche Bildkorruption auf echten Gutfotos, in der App als solche gekennzeichnet). Der Envelope-Monitor wird rot. Das Gate hält jedes davon zur menschlichen Prüfung, statt den Aktor auf ein Urteil feuern zu lassen, das das Modell nie validiert geben durfte.

Der Drift-Moment: Banner SHIFT CHANGE 06:00, ein HOLD-Urteil mit der Meldung needs proof, ein Out-of-Distribution-Breach-Ring um das Teil und ein Hinweis, dass eine naive AOI es zurückgewiesen hätte. — Der Drift-Moment: HOLD statt eines Falschausschusses. Der naive AOI-Pfad hätte dieses Gutteil ausgeschossen.

Der Envelope-Bruch Signal für Signal erklärt: Helligkeit bei plus 7.6 Sigma trägt 87.1 % der Mahalanobis-Distanz bei. — Warum der Envelope ausgelöst hat: Helligkeit bei +7.6 Sigma, 87.1 % der Distanz. Evidenz, kein Black-Box-Flag.

Dieselbe Schicht, auf beiden Pfaden gemessen

Das Vergleichspanel treibt dieselben Teile durch die naive Baseline ohne Envelope und durch das Trust Gate. Die Baseline weist die gedrifteten Gutteile fälschlich zurück; das Gate schießt 0 automatisch aus und hält sie und senkt den Falschausschuss-KPI von 57.1 % auf 0 % in dieser skriptgesteuerten Schicht. Ein Projektionspanel extrapoliert die gemessene naive Falschausschussrate auf eine volle Schicht (40 Hübe pro Minute über 8 Stunden sind 19,200 Teile) bei $2.42 je Teil, eine belegte Größenordnung der Ausschusskosten (Fall eines Keksherstellers: $94K jährliche Einsparung durch 8.7 % weniger Ausschussabfall). Die Dollarzahl ist immer eine gekennzeichnete Projektion, nie eine gemessene Einsparung.

Das Payoff-Panel: naive Baseline 12 Gutteile ausgeschossen versus Trust Gate 0, die Eskalationswarteschlange der gehaltenen Teile, der Falschausschuss-KPI von 57.1 % auf 0 % und eine gekennzeichnete Ausschusskosten-Projektion von etwa $26.5k. — Naive 12 Gutteile ausgeschossen, Gate 0. Die gehaltenen Teile warten in der Eskalationswarteschlange; der Dollar-Zähler ist eine gekennzeichnete Projektion.

Ein echter Defekt wird automatisch zurückgewiesen, ehrlich annotiert

Drift-Gating wäre wertlos, wenn Defekte darunter verschwinden. Ein echter grober Strukturdefekt (MVTec-Klasse flip, Teil test-flip-264) wird automatisch zurückgewiesen, und der simulierte Aktor protokolliert REJECT actuated in 25 ms gegen das 750-ms-Budget. Der Geometrie-Drill-in stellt fest, dass auf diesem Teil nichts lokalisiert wurde: die Rückweisung beruht allein auf der Texturkonfidenz, und die Zonenregel fiel auf ihr Zentrum-Default zurück. Diesen Text zu zeigen ist Absicht. Die Demo zeigt, dass die Regel sich enthält, statt so zu tun, als hätte sie lokalisiert. Über den gesamten Held-out-Split werden defekte Teile, die während des Drifts injiziert wurden, weiterhin erkannt oder eskaliert, 93 von 93, nie automatisch durchgelassen.

Die vollständige Entscheidungsspur des automatisch zurückgewiesenen echten Defekts test-flip-264, mit dem simulierten Aktor-Log: REJECT actuated in 25 ms gegen das 750-ms-Budget. — Die Auto-Reject-Spur: ein echter Defekt, Ansteuerung vom simulierten Adapter protokolliert.

Der Honesty-Drill-in am automatisch zurückgewiesenen Teil: keine Anomalie lokalisiert, die Rückweisung beruht allein auf der Texturkonfidenz. — Die Offenlegung, im Produkt: keine Anomalie lokalisiert, allein Texturkonfidenz.

Der Beleg und die Erklärung

Klicken Sie ein beliebiges Teil an, und die Audit-Schublade zeigt den vollständigen Lineage-Datensatz: Modell-ID metalnut-defect-knn Version v7, Dataset-Hash ae95b5b533c8, OOD-Score, physikalische Signale, die ausgelösten Regeln, Latenz gegen Budget, die Ansteuerungs- und MES-Logs sowie das Risiko-Tag high-risk:quality-gate (EU-KI-Verordnung Anhang III, gilt ab 2026-08-02). Export Audit lädt die Schicht als inspection_audit.jsonl herunter; die Audit-Vollständigkeit beträgt 100 % der entschiedenen Teile auf dem Held-out-Split. Run Drift Triage: der Diagnose-Agent schlägt eine Root Cause für die gehaltenen Teile vor, während der Critic-Agent sie gegen die numerische Evidenz prüft, bevor sie ein verified-Badge verdient.

Die Audit-Lineage-JSON je Teil mit Modell-ID und Version, Dataset-Hash, OOD-Score, ausgelösten Gate-Regeln, Latenz und dem Hochrisiko-Tag nach EU-KI-Verordnung Anhang III. — Der Lineage-Datensatz je Teil, als ablagefähige Evidenz für eine Hochrisiko-Konformitätsakte konzipiert.

Ausgabe von Drift Triage: die Root-Cause-Hypothese und empfohlene Maßnahme des Diagnose-Agenten, mit dem verified-Badge des Critic-Agenten. — Drift Triage: ein Diagnose-Agent schlägt vor, ein Critic-Agent prüft. Nur beratend; das Gate hat bereits entschieden.

Die Zahlen, mit ihrem exakten Geltungsbereich

Alle Messwerte stammen aus dem Benchmark-Skript der Demo auf dem offiziellen Held-out-Test-Split von MVTec AD metal_nut (220 Train-Good-Fit-Bilder; 22 Gut- und 93 defekte Testteile) und vergleichen die naive Baseline ohne Envelope mit dem Trust Gate auf denselben Bildern. Die Baseline weist 95.5 bis 100 % der gedrifteten Gutteile je Drift-Familie fälschlich zurück (Durchschnitt 98.9 %); das Gate schießt 0.0 % automatisch aus und hält 100 % davon. Der Envelope-Detektor erreicht AUROC 1.00 auf einer zurückgehaltenen Drift-Familie (Unterbelichtung), gegen die er nie getunt wurde. Die Korruptionen sind in voller Stärke, daher ist der Kollaps der Baseline konstruktionsbedingt nahezu total: der ehrliche Anspruch ist die Richtung – ein sauber validiertes Modell bricht ein, sobald Eingaben den Envelope verlassen –, nicht der exakte Prozentsatz. Das sind Demo-Messungen auf einem Forschungsbenchmark, nie Open-World-Garantien.

Naive AOI-Pipeline versus das Inspection Trust Gate

Derselbe Vergleich, den die Demo live fährt, auf denselben Teilen.

Dimension	Naive AOI (keine Envelope-Prüfung)	Inspection Trust Gate
Eingaben außerhalb des Envelopes	Modellurteil trotzdem vertraut	Keinem Modelloutput vertraut; Teil für Prüfung auf HOLD
Gedriftete Gutteile (Blendung, Defokus, thermischer Stich)	95.5 bis 100 % falsch zurückgewiesen je Drift-Familie	0 automatisch ausgeschossen; 100 % gehalten (MVTec metal_nut Held-out-Split)
Wer den Aktor feuert	Das Modellurteil, direkt	Ein deterministisches Gate, das das Modell nicht übersteuern kann
Latenzverantwortlichkeit	Keine	Hartes 750-ms-Hubfenster-Budget, je Teil gemessen
Audit-Trail	Keine	JSONL-Lineage-Datensatz je Teil, je Schicht exportierbar
Wenn die Linie driftet	Ausschuss stapelt sich, bis es jemand merkt	Eskalationswarteschlange plus beratende Drift Triage (Diagnose-Agent, Critic-Agent)

Was diese Demo nicht tut

✓ Sie fährt keine Live-Linie. Der EtherNet/IP-zu-Allen-Bradley-ControlLogix-Ausschuss-Aktor und die MES-Senke sind simulierte Adapter, die protokollieren, was sie tun würden, und die Kamera ist ein aufgezeichneter Bildstrom. Station Line 3 und die Schicht sind skriptgesteuert.
✓ Sie behauptet keine Open-World-Garantien. Der 0.0-%-Falschausschuss des Gates, der Envelope-AUROC von 1.00 und die Fangquote 93/93 sind Messungen auf dem MVTec-metal_nut-Held-out-Split unter synthetischen Korruptionen in voller Stärke.
✓ Sie zeigt keinen echten Anlagendrift. Der Drift ist ehrliche Bildkorruption (Blendung, Defokus, thermischer Stich) auf echten MVTec-Fotografien: echte Fotos, synthetischer Drift, in der App als solche gekennzeichnet.
✓ Sie verkauft nicht das Defektmodell. Der kNN-Platzhalter existiert, damit die Schicht darum herum gezeigt werden kann; in der Produktion ist das Modell Ihres, und wir erheben keinen Anspruch, AOI-Anbieter zu übertreffen.
✓ Sie liefert keine Produktionsmetrologie. Die geometrische Zonenregel ist ein grober Platzhalter, der eine Anomalie auf 33 von 93 Held-out-Defekten lokalisiert und das Gate-Ergebnis auf 1 von 93 ändert; die UI weist das je Teil aus.
✓ Sie berichtet keine gemessenen Einsparungen. Der Ausschusskosten-Zähler ist eine gekennzeichnete Projektion bei $2.42 je Teil, eine belegte Größenordnung, und für diese Demo gibt es keine Kunden, Deployments oder Fallstudien.

Fragen, die Käufer wirklich stellen

Warum weist unser Vision-System nach einem Schichtwechsel Gutteile zurück?

Meist weil die Eingaben gedriftet sind, nicht weil das Modell schlechter geworden ist. Hallenblendung, kalte Gesenke und die ersten Teile einer Schicht vor dem thermischen Gleichgewicht schieben Bilder aus der Verteilung, auf der das Modell validiert wurde – und kein Modell ist auf Eingaben außerhalb seines validierten Envelopes vertrauenswürdig. Ein Labormodell mit 97 % und einer Produktions-Falschausschussrate von 14 % an einer Stanzpresse ist das kanonische Beispiel. Die dauerhafte Lösung ist ein Gate, das Eingaben außerhalb des Envelopes erkennt und diese Teile zur Prüfung hält, statt anzusteuern.

Müssen wir unser bestehendes Inspektionsmodell oder AOI-System ersetzen?

Nein. Das Inspection Trust Gate wickelt Ihr Modell hinter einer festen Schnittstelle ein; in der Demo ist der Defektdetektor ein bewusster Platzhalter für NVIDIA Metropolis, Cognex oder eine Custom-Engine. Das Produkt ist die Schicht um das Modell: die Envelope-Prüfung, das deterministische Gate, die Eskalationswarteschlange und die Audit-Lineage. Diese Schicht verdient sich durch jedes Modell-Upgrade weiter, weil der Fehler, den sie verhindert, ein Eingabefehler ist, kein Modellfehler.

Ist es schnell genug für eine echte Stanzlinie?

Das Gate ist schlichter Code mit hartem Latenzbudget: die Ausschussentscheidung muss im 750-ms-Hubfenster einer Presse mit 40 Hüben pro Minute landen. Im mitgelieferten Audit-Log der Demo landen Entscheidungen in wenigen Dutzend Millisekunden, etwa 24.4 ms und 37.7 ms gegen das 750-ms-Budget, und das Dashboard zeigt das Live-p99. Das sind Demo-Messungen, keine Produktionsgarantie – das Budget wird aber je Teil erzwungen.

Gilt die EU-KI-Verordnung für KI-Qualitätsprüfung, und was müssen wir protokollieren?

Sicherheitskritische Qualitätsentscheidungen fallen unter die Hochrisiko-Pflichten der Verordnung (Anhang III), vollständig anwendbar ab dem 2. August 2026, mit Höchstbußen von 35 Millionen Euro oder 7 % des weltweiten Umsatzes für die schwersten Verstöße gegen verbotene Praktiken. Die Demo schreibt einen Lineage-Datensatz je Teil: Modell-ID und Version, Dataset-Hash, OOD-Score, die ausgelösten Regeln, Latenz gegen Budget, Ansteuerungs-Log und das Risiko-Tag, exportierbar als JSONL. Dieser Datensatz ist als ablagefähige Evidenz für eine Hochrisiko-Konformitätsakte konzipiert; er ist keine Zertifizierung.

Kann die KI oder ein LLM den Ausschuss-Aktor feuern?

Nein. Die Ansteuerung entscheidet ein deterministisches Gate: gefittete Konfidenzschwellen und ein Latenzbudget in schlichtem Code, den kein Modelloutput und kein LLM übersteuern kann. Der agentische Teil, Drift Triage, ist ein Diagnose-Agent plus ein Critic-Agent, die erklären, warum die Linie gedriftet ist; sie beraten und steuern nie an. Ohne konfigurierten API-Schlüssel fällt die Triage auf einen deterministischen Fallback zurück, und die ganze Demo läuft offline.

Woher wissen wir, dass der Drift-Detektor nicht nur auf die Demo getunt ist?

Das ist der Unabhängigkeitscheck, den wir gefahren haben: der Envelope-Detektor erreichte AUROC 1.00 auf einer zurückgehaltenen Drift-Familie (Unterbelichtung), gegen die er nie getunt wurde, gemessen auf dem MVTec-metal_nut-Held-out-Split. Er ist auf 220 bekannt-gute Bilder im physikalischen Signalraum gefittet und flaggt daher Aufnahme-Drift, der diese Signale verschiebt – nicht nur die Drift-Familien, die wir gebaut haben. Die Korruptionen sind in voller Stärke, die Trennung ist konstruktionsbedingt scharf; der ehrliche Anspruch ist die Richtung, nicht der exakte Prozentsatz.

Ist das eine Live-Linie oder eine Demo?

Eine lauffähige Demo, die den Mechanismus beweist. Der EtherNet/IP-zu-Allen-Bradley-ControlLogix-Ausschuss-Aktor und die MES-Senke sind simulierte Adapter, die protokollieren, was sie tun würden, und die Kamera ist ein aufgezeichneter Strom echter MVTec-AD-metal_nut-Fotografien; der Drift ist ehrliche Bildkorruption auf echten Gutfotos. Die Envelope-Prüfung, das deterministische Gate, die Eskalationswarteschlange und der Audit-Export sind echt und laufen genau wie gezeigt, und jede Headline-Zahl ist auf dem MVTec-metal_nut-Held-out-Test-Split gemessen.

Technische Forschung

Die Forschung hinter dieser Demo — die Architektur, das Verifikationsdesign und der Enterprise-Blueprint.

Vollständige Lösung

Entdecken Sie die Lösung Edge-AI-Qualitätsprüfung in der Fertigung →

Ein Edge-Inspektions-Deployment retten oder härten?

Die Vertrauensschicht zwischen Modell und Aktor ist der harte Teil. Wir bauen sie.

Wenn Ihr Team nach jedem Schichtwechsel mit Falschausschlüssen kämpft oder damit, was die Hochrisiko-Pflichten der EU-KI-Verordnung für eine Linie bedeuten, die mit 40 Hüben pro Minute entscheidet, hören wir wirklich gern, wie Sie darüber denken. Das Problem ist branchenweit – und die Antworten werden es auch sein.

Envelope-Bewertung

✓ Kartieren, wo die Eingaben Ihrer Linie den validierten Envelope des Modells verlassen
✓ Einen Out-of-Distribution-Detektor über Ihre Aufnahmesignale fitten
✓ Gate-Schwellen und HOLD-Policy aus Ihren eigenen Daten definieren
✓ Den Lineage-Datensatz spezifizieren, den Ihre Konformitätsakte braucht

Die Vertrauensschicht bauen

✓ Ein deterministisches Gate innerhalb Ihres Hubfenster-Budgets
✓ Envelope-Monitoring und eine Eskalationswarteschlange an der Linie
✓ Audit-Lineage je Teil als JSONL mit Export per Klick
✓ Begrenzte Drift-Triage-Agenten, die beraten, nie ansteuern

Über WhatsApp verbinden Unserem Team eine E-Mail schreiben