Red Hat Summit 2026: Red Hat AI 3.4 zielt auf KI-Agenten im Unternehmensbetrieb

Warum agentenbasierte KI die Infrastrukturfrage verschärft

Ein Chatbot kann ein Modell aufrufen. Ein produktiver KI-Agent muss oft deutlich mehr leisten: Kontext abrufen, Werkzeuge ansprechen, mit Diensten zusammenspielen, Inferenz weiterleiten, Identitäten prüfen, Datengrenzen einhalten und beobachtbar bleiben. Red Hats Entwicklerdokumentation beschreibt genau diese Ebene als Plattformaufgabe: Red Hat AI kümmere sich um Modellbereitstellung, Safety-Guardrails, Inferenz-Routing, Agentenidentität und Supply-Chain-Sicherheit, bevor Entwickler die erste Agentenkonfiguration schreiben.^[18]

Das erklärt, warum Red Hat AI 3.4 nicht nur als schnellerer Modellserver gelesen werden sollte. Der wichtigere Punkt ist die Plattformschicht für Agenten: Wie erreichen Agenten Modelle? Wie wird Inferenz verteilt? Wie werden Agenten kontrolliert? Und wo dürfen die Workloads laufen?^[18][27]

Models-as-a-Service: kontrollierter Modellzugang

Für agentenbasierte Workloads ist die Verbindung zum Modell eine Grundvoraussetzung. Red Hats Anleitung zur Agentenbereitstellung sagt, dass Agenten LLM-Inferenz benötigen, und nennt für Red Hat AI drei Wege: vLLM, Llama Stack und Models-as-a-Service, kurz MaaS.^[18]

Das ist relevant, weil Unternehmen nicht jeden Agenten unkontrolliert gegen eine externe gehostete API laufen lassen wollen. Red Hat weist selbst darauf hin, dass eine gehostete API bedeuten kann, Prompts aus dem Cluster herauszusenden, pro Token zu zahlen und einem Drittanbieter Daten anzuvertrauen.^[18] MaaS ist damit ein weiterer Zugriffspfad innerhalb der Red-Hat-AI-Architektur; vLLM und Llama Stack bleiben andere Wege, Modelle bereitzustellen oder einzubinden.^[18]

Die am besten belegbare Aussage lautet deshalb: MaaS gehört zu den agentischen Inferenzoptionen in Red Hat AI. Die vorliegenden Quellen zeigen jedoch nicht, dass MaaS eine neue, ausschließlich Red Hat AI 3.4 zuzuordnende Funktion wäre. Vorsichtiger ist die Einordnung als Bestandteil der breiteren Red-Hat-AI-Plattform für Agenten.^[18][17]

Schnellere Inferenz: Richtung klar, 3.4-Benchmarks fehlen

Red Hats Inferenzstrategie zielt darauf, Modellbereitstellung schneller, effizienter und portabler über hybride Umgebungen hinweg zu machen. Red Hat hat den Red Hat AI Inference Server als von vLLM angetrieben und durch Neural-Magic-Technologien erweitert beschrieben, um schnellere, leistungsfähigere und kosteneffizientere Inferenz über die Hybrid Cloud hinweg zu liefern.^[24] SD Times berichtete zudem, dass Red Hat AI Enterprise optimierte Laufzeiten wie vLLM und das llm-d-Framework für Modellbereitstellung mit hohem Durchsatz und niedriger Latenz nutzt.^[8]

Auch Red Hats Produktseite spricht bei Inferenz von schneller und effizienter Modellverarbeitung auf Basis von vLLM und verwandter Technologie.^[27] Was in den verfügbaren Dokumentationsauszügen zu Red Hat AI Inference Server 3.4 nicht sichtbar ist: ein konkreter Benchmark, ein Prozentwert oder eine workload-spezifische Leistungsangabe für 3.4.^[17] Die Richtung ist klar; die exakte 3.4-Beschleunigung lässt sich aus den vorliegenden Quellen nicht belastbar beziffern.

Agentenverwaltung und Governance

Der Enterprise-Wert von agentenbasierter KI steht und fällt mit Kontrolle. Red Hats Materialien beschreiben Guardrails, Routing, Identität und Supply-Chain-Sicherheit als Plattformfunktionen.^[18] Red Hat sagt außerdem, Organisationen könnten eigene Agenten mit der Governance und Kontrolle bereitstellen, die Unternehmen verlangen.^[27]

Red Hat AI Enterprise stützt diese Erzählung: Die Plattform wird für das Bereitstellen und Verwalten von Modellen, Agenten und Anwendungen über die Hybrid Cloud hinweg positioniert.^[5] Microsofts Summit-Beitrag zu Azure Red Hat OpenShift nutzt eine ähnliche Sprache für produktive KI und betont konsistente Governance, Sicherheit und Skalierung.^[2]

Für Käuferinnen und Käufer ist der praktische Punkt: Red Hat behandelt Agenten nicht als bloße Anwendungsschicht um ein Modell herum, sondern als verwaltete Unternehmens-Workloads. Genau dort entstehen die Betriebsfragen, sobald Agenten das Demo-Stadium verlassen.^[18]

Hybrid Cloud als eigentliche Plattformwette

Am stärksten belegt ist Red Hats Hybrid-Cloud-Ansatz. Red Hat AI Enterprise wird ausdrücklich als integrierte Plattform für das Bereitstellen und Verwalten von KI-Modellen, Agenten und Anwendungen über die Hybrid Cloud hinweg beschrieben.^[5] Berichte zur Plattform nennen Red Hat AI Inference Server, Red Hat OpenShift AI und Red Hat Enterprise Linux AI als Bestandteile und beschreiben die Verbindung von Infrastruktur, Modellbetrieb und Agenten-Deployment über Rechenzentren und Public-Cloud-Dienste hinweg.^[6]

Das passt zur größeren OpenShift- und RHEL-Strategie. Red Hat AI Enterprise soll den KI-Lebenszyklus auf Basis von Red Hat Enterprise Linux und Red Hat OpenShift vereinheitlichen.^[5] Red Hat Enterprise Linux AI wird außerdem als Plattform beschrieben, die Red Hat AI Inference für operative Kontrolle enthält, um Modelle auf Beschleunigern über die Hybrid Cloud hinweg auszuführen; genannt werden hardwareoptimierte Inferenzpfade für NVIDIA, Intel und AMD.^[28]

NVIDIA, souveräne Clouds, Weltraum und Fahrzeuge

Die Quellen stützen eine stärkere Red-Hat-NVIDIA-Linie, aber nicht vollständig als 3.4-spezifische Neuerung. Berichte zu Red Hat AI Enterprise sagen, Red Hat habe die Zusammenarbeit mit NVIDIA durch ein gemeinsam entwickeltes Angebot namens Red Hat AI Factory with NVIDIA erweitert.^[9] Eine Red-Hat-Pressemitteilung vom vorherigen Summit beschrieb zudem die Integration mit dem validierten NVIDIA Enterprise AI Factory Design, einschließlich NVIDIA RTX PRO Servers und NVIDIA B200 Blackwell Systems auf Red Hat AI.^[11]

Für agentenbasierte KI ist das wichtig, weil Beschleunigerwahl und validierte Infrastruktur bei inferenzlastigen Workloads schnell zum Engpass werden können. Dennoch liefern die vorliegenden Materialien keine konkrete 3.4-Funktionsliste und keinen 3.4-Benchmark für NVIDIA-Szenarien.^[17]

Ähnlich vorsichtig ist der Blick auf Souveränität, Weltraum-Computing und softwaredefinierte Fahrzeuge. Summit-Berichte sagen, Red Hat habe Governance, Souveränität und Sicherheit betont und Open-Source-Plattformen in spezialisierte Umgebungen wie softwaredefinierte Fahrzeuge und Computing im Weltraum ausgeweitet.^[1] Die verfügbaren Quellen nennen aber keine konkreten Sovereign-Cloud-Partnerschaften und erklären auch keine technische Architektur für Weltraum- oder Fahrzeug-Deployments. Diese Punkte sind daher eher als strategische Erweiterungsfelder für Red Hats Hybrid-Cloud- und Edge-Plattform zu lesen, nicht als vollständig dokumentierte Implementierungspläne.^[1]

Fazit

Red Hats KI-Story vom Summit 2026 lautet: agentenbasierte KI soll betriebsfähig werden. Red Hat AI 3.4, Red Hat AI Inference Server und Red Hat AI Enterprise werden um die schwierigen Teile von Produktions-KI herum positioniert – Modellzugriff, effiziente Inferenz, Agenten-Governance, Identität, Supply-Chain-Kontrollen und Hybrid-Cloud-Deployment.^{[5][17][18][27]}

Der am besten abgesicherte Punkt ist die Plattformrichtung. Red Hat will Unternehmen ermöglichen, Agenten und Modelle mit der Kontrolle auszuführen, die sie von kritischen Anwendungen kennen: auf OpenShift und RHEL, über Rechenzentren und Public Clouds hinweg, mit Wahlfreiheit bei Modellen und Beschleunigern.^{[5][6][27][28]} Schwächer belegt sind die Details: exakte 3.4-Benchmarks, konkrete Sovereign-Cloud-Partnerschaften sowie Implementierungsspezifika für NVIDIA-, Weltraum- und Fahrzeuganwendungen gehen aus den verfügbaren Quellen nicht vollständig hervor.