Was ist Olivares AI?

Olivares AI ist eine offene, selbst hostbare Plattform, die eine Frage beantwortet, die die meisten Teams heute nicht beantworten können: Welche KI-Agenten laufen auf meiner Infrastruktur, und was kann jeder von ihnen tatsächlich erreichen?

Sie läuft dort, wo Ihre Agenten laufen, entdeckt sie passiv und baut eine Lese-/Schreib-Zugriffskarte — für jeden Agenten die Ressourcen, die er berühren kann, und ob er sie lesen oder lesen und schreiben kann. Von dort aus können Sie diesen Zugriff steuern und im Nachhinein genau beweisen, was passiert ist.

Die Lese-/Schreib-Zugriffskarte

Die Karte ist der Kern des Produkts (Modul III). Jeder KI-Agent wird ein Knoten; jede Ressource, die er erreichen kann — eine Datenbank, ein Objektspeicher, ein MCP-Server, eine API — wird ebenfalls ein Knoten; und jede Kante ist typisiert als R (Lesen) oder RW (Lesen/Schreiben).

Diese Lese-versus-Schreib-Unterscheidung ist der Punkt. Ein Agent, der einen Produktionsspeicher nur lesen kann, hat einen ganz anderen Wirkungsradius als einer, der ihn schreiben kann. Die Karte macht diesen Unterschied explizit, anstatt ihn in verstreuten IAM-Richtlinien vergraben zu lassen.

Erlaubt vs Beobachtet

Was die Karte auszeichnet, ist der Abgleich zwischen zwei Ebenen:

• Erlaubt — was ein Agent berühren darf, aus Berechtigungen und Richtlinien.
• Beobachtet — was er tatsächlich dabei gesehen wurde zu berühren, aus Telemetrie.

Der Vergleich deckt zwei Befunde auf, die wichtig sind:

• Unerwarteter Zugriff — beobachtet, aber nie erwartet. Das, was Sie fangen wollen.
• Ungenutzte Berechtigungen — erlaubt, aber nie ausgeübt. Ihre Least-Privilege-Bereinigungsliste.

Ehrlich darüber, was es beweisen kann

Die Karte fabriziert nie Sicherheit. Die Genauigkeit ist gestuft und wird als solche angezeigt:

• Abdeckung von Lesen-vs-Schreiben ist clean bei Quellen mit nativem Audit (PostgreSQL über pgAudit, Objektspeicher über CloudTrail, Data Warehouses und Data Lakes), lossy bei einigen Dokument-/Vektorspeichern, und opaque, wo es einfach passiv nicht rekonstruiert werden kann (Redis, SQLite, D1) — dort wird die Kante als unknown markiert, anstatt zu raten.
• Zuordnung ist firm, wenn eine Quelle eine Pro-Agent-Identität trägt, und kollabiert zu approximate, wenn ein gemeinsames Dienstkonto verbirgt, wer was getan hat.

Sie sehen immer, wie viel das Produkt tatsächlich weiß: Die Stufen werden in der UI angezeigt, nicht verborgen, sodass eine clean/firm-Kante und eine unknown/approximate-Kante nie als dasselbe präsentiert werden.

Selbst gehostet und Open-Core

Olivares AI ist Open-Core: Das vollständige Produkt ist frei und quelloffen unter AGPL-3.0 — keine abgespeckte Community-Edition. Es wird als einzelnes statisches Binary mit eingebetteter Webkonsole deployed.

Die Steuerungsebene läuft innerhalb Ihrer eigenen Infrastruktur und kann air-gapped laufen — Ihre Governance- und Beobachtungsdaten verlassen nie Ihren Perimeter. Ein ehrlicher Hinweis: Gehostete Modelle wie Claude sind nicht selbst hostbar, sodass jede Modell-Inferenz weiterhin die API des Anbieters erreicht (direkt oder über Bedrock/Vertex/Foundry). “Air-gapped” bedeutet Ihre Umgebungsdaten bleiben zu Hause, nicht dass das Modell offline läuft. Nur wirklich selbst hostbare Modelle (zum Beispiel über vLLM/Ollama) laufen vollständig offline.

Wo es heute steht

Die Plattform ist pre-1.0. Sie liefert einen Katalog von 29 Fähigkeitsmodulen, alle in einer Standardinstallation heute angebunden. Das Produkt ist lesen-zuerst und standardmäßig detektiv — es beobachtet und steuert, und wo es handeln kann, tut es dies standardmäßig-ablehnend. Nichts hier beansprucht etwas zu tun, was der Code nicht tut.

Bereit, es zu sehen? Beginnen Sie mit dem Schnellstart.