{"id":1083985,"date":"2026-02-06T10:33:28","date_gmt":"2026-02-06T10:33:28","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&#038;p=1083985"},"modified":"2026-02-10T16:20:45","modified_gmt":"2026-02-10T16:20:45","slug":"long-run-ai-agents-part-3-what-this-actually-means-for-organizations","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/de\/blog\/long-run-ai-agents-part-3-what-this-actually-means-for-organizations\/","title":{"rendered":"Langfristige AI-Agenten, Teil 3: Was dies konkret f\u00fcr Unternehmen bedeutet"},"content":{"rendered":"<p><em><a href=\"https:\/\/www.linkedin.com\/in\/victor-coimbra-999a02a0\/\" target=\"_blank\" rel=\"noopener\">Victor Coimbra<\/a> wurde in der Forbes Under 30 Brazil Liste f\u00fcr seine herausragenden Beitr\u00e4ge zur KI-Innovation ausgezeichnet. Er war Mitbegr\u00fcnder der lateinamerikanischen Niederlassung von Artefact, die heute als globaler Tech-Hub mit 200 Mitarbeitern fungiert. Er verf\u00fcgt \u00fcber umfassende Erfahrung in der Skalierung von KI-L\u00f6sungen und dem Aufbau von leistungsstarken Technologie-Teams auf internationalen M\u00e4rkten.<\/em><\/p>\n<p>Wir haben das Problem behandelt (<a href=\"https:\/\/www.artefact.com\/de\/blog\/long-run-ai-agents-part-1-the-problem-nobody-talks-about\/\">Teil 1<\/a>) und die Ans\u00e4tze (<a href=\"https:\/\/www.artefact.com\/de\/blog\/long-run-ai-agents-part-2-three-approaches-that-actually-work\/\">Teil 2<\/a>). Und nun die schwierigere Frage: Was bedeutet das alles f\u00fcr die tats\u00e4chliche Arbeitsweise von Organisationen?<\/p>\n<p>Hier ist meine ehrliche Meinung. Die Technologie ist real, aber unausgereift. Die Richtung ist klar, aber der Zeitplan ist es nicht. Die meisten Unternehmen, die im Jahr 2026 KI einsetzen, werden teure Lektionen lernen. Einige wenige werden echte Vorteile daraus ziehen.<\/p>\n<p>Der Unterschied wird auf drei Dinge hinauslaufen: wo sie eingesetzt werden, wie sie regieren und ob sie verstehen, was \u201cautonom\u201d in der Praxis tats\u00e4chlich bedeutet.<\/p>\n<h2>Der Wechsel vom Assistenten zum Arbeiter<\/h2>\n<p>Dies ist der grundlegende Wandel. Wir haben schon seit Jahren KI-Assistenten - Systeme, die Menschen helfen, ihre Arbeit schneller zu erledigen. Langlebige KI steht f\u00fcr etwas anderes: Systeme, die ihre Arbeit selbstst\u00e4ndig erledigen.<\/p>\n<p>Diese Unterscheidung ist wichtig f\u00fcr das Organisationsdesign.<\/p>\n<p>Aufgaben, die weniger als f\u00fcnfzehn Minuten dauern, sind ausgereift. Entw\u00fcrfe, Vorschl\u00e4ge, schnelles Nachschlagen. Die Dinge, die KI-Assistenten seit 2023 gut gemacht haben. Menschliche Aufsicht ist selbstverst\u00e4ndlich, denn der Mensch ist immer dabei.<\/p>\n<p>Der interessante Bereich liegt zwischen einer und acht Stunden. Vollst\u00e4ndige Ergebnisse. Vollst\u00e4ndige Implementierungen. Arbeiten, f\u00fcr die sich fr\u00fcher ein Mensch einen Vormittag oder einen Nachmittag lang hinsetzen musste. Aktuelle Sch\u00e4tzungen gehen von einer Zuverl\u00e4ssigkeit in diesem Bereich von 50-70% aus. Gut genug, um n\u00fctzlich zu sein. Nicht gut genug, um blind zu vertrauen.<\/p>\n<p>Jenseits von 24 Stunden befinden wir uns auf experimentellem Gebiet. Autonomie auf Projektebene. Anhaltende Forschung. Arbeit, die sich \u00fcber Tage erstreckt. Diese Grenze mag kommen, aber sie ist noch nicht da. Jeder, der etwas anderes behauptet, verkauft etwas.<\/p>\n<p>Siebenundf\u00fcnfzig Prozent der befragten Unternehmen haben jetzt KI in der Produktion im Einsatz. Diese Zahl klingt beeindruckend, bis Sie sich ansehen, was sie tats\u00e4chlich tun: 68% erfordern innerhalb von zehn Schritten einen menschlichen Eingriff. Die meisten \u201cProduktions-KIs\u201d sind glorifizierte Assistenten mit etwas l\u00e4ngeren Leinen.<\/p>\n<h2>Ihre Schnittstelle wird zu einer Delegationsschnittstelle<\/h2>\n<p>Wenn eine langlebige KI funktioniert, \u00e4ndert sich die Art und Weise, wie Menschen mit ihr interagieren, grundlegend.<\/p>\n<p>Eine Assistentenschnittstelle setzt eine Zusammenarbeit in Echtzeit voraus. Sie fragen, er antwortet, Sie verfeinern, er \u00fcberarbeitet. Der Mensch ist die ganze Zeit anwesend. Bei kurzen Aufgaben funktioniert das gut.<\/p>\n<p>Eine Delegationsschnittstelle setzt eine asynchrone \u00dcbergabe voraus. Sie geben ein Ziel vor, \u00fcberpr\u00fcfen regelm\u00e4\u00dfig den Fortschritt und erhalten die Ergebnisse. Der Mensch ist w\u00e4hrend der Ausf\u00fchrung abwesend.<\/p>\n<p>Denken Sie dar\u00fcber nach, was dies f\u00fcr die Verwaltung der Arbeit bedeutet:<\/p>\n<ul>\n<li><strong>Die Fortschrittskontrolle ersetzt das Gespr\u00e4ch.<\/strong> Die Benutzer ben\u00f6tigen Dashboards, aus denen hervorgeht, was die KI getan hat, was sie gerade tut und was sie als N\u00e4chstes zu tun gedenkt. Die Ausgabe ist nicht der Chat - es ist ein Statusbericht.<\/li>\n<li><strong>Kontrollpunkte ersetzen das Hin und Her.<\/strong> Anstatt den Plan iterativ zu verfeinern, genehmigen oder verwerfen die Benutzer ihn an bestimmten Toren. \u201cPr\u00fcfen Sie den Plan, bevor Sie mit der Arbeit beginnen.\u201d \u201cGenehmigen Sie den Ansatz vor der Ausf\u00fchrung.\u201d<\/li>\n<li><strong>Pr\u00fcfpfade werden obligatorisch.<\/strong> Wenn sechs Stunden nach einer autonomen Sitzung etwas schief geht, m\u00fcssen Sie rekonstruieren, was passiert ist. Alles zu protokollieren ist keine Paranoia, sondern eine betriebliche Notwendigkeit.<\/li>\n<li><strong>Die Wiederherstellung nach einem Ausfall wird eine Funktion.<\/strong> KI wird versagen. Die Frage ist nur, ob die KI einen guten Eindruck macht, dokumentiert, was schief gelaufen ist, und es dem Menschen erm\u00f6glicht, von einem vern\u00fcnftigen Zustand aus weiterzumachen.<\/li>\n<\/ul>\n<p>Die meisten aktuellen KI-Produkte sind daf\u00fcr nicht ausgelegt. Sie gehen davon aus, dass der Mensch zuschaut. Langfristig angelegte KI erfordert Produkte, die davon ausgehen, dass der Mensch es nicht tut.<\/p>\n<h2>Governance ist nicht optional<\/h2>\n<p>Eine KI, die stundenlang arbeitet, kann auch stundenlang Fehler machen. Fehler h\u00e4ufen sich, bevor sie von Menschen entdeckt werden. Ein Finanzdienstleistungsunternehmen verlor $2M an doppelter Verarbeitung aufgrund von schlechtem Statusmanagement in seiner KI-Installation. Das ist keine hypothetische Annahme - das ist 2025 passiert.<\/p>\n<p>Der sich abzeichnende Rahmen ist eine begrenzte Autonomie: klare operative Grenzen, Pr\u00fcfpfade und Entscheidungspunkte, die eine menschliche Beteiligung ausl\u00f6sen.<\/p>\n<h3>Die praktischen Elemente<\/h3>\n<p><strong>Genehmigungs-Scoping.<\/strong> Die KI sollte keinen Zugriff haben, der \u00fcber das hinausgeht, was die Aufgabe erfordert. Eine KI, die Konkurrenten recherchiert, sollte keinen Zugang zur \u00c4nderung von Kundendaten haben. Das klingt offensichtlich. In der Praxis gew\u00e4hren Unternehmen jedoch zu viel Zugriff, weil es einfacher ist, als den erforderlichen Mindestumfang zu bestimmen.<\/p>\n<p><strong>Entscheidungsprotokollierung.<\/strong> Nicht nur die Ergebnisse, sondern auch den Weg der Argumentation. Wenn eine KI eine schlechte Entscheidung trifft, m\u00fcssen Sie verstehen, warum. \u201cSie hat einen Fehler gemacht\u201d ist keine Ursachenanalyse.<\/p>\n<p><strong>Ausl\u00f6ser der Eskalation.<\/strong> Legen Sie im Voraus fest, was eine menschliche Genehmigung erfordern soll. Ausgaben \u00fcber einem Schwellenwert. \u00c4ndern von Kunden data. Externe Kommunikation. Diese Ausl\u00f6ser m\u00fcssen explizit sein und d\u00fcrfen nicht dem Urteil der KI \u00fcberlassen werden.<\/p>\n<p><strong>Verfolgung von \u00c4nderungen.<\/strong> Jede \u00c4nderung ist nachvollziehbar und reversibel. Versionskontrolle ist f\u00fcr KI, die Dinge ver\u00e4ndert, nicht optional. Sie m\u00fcssen in der Lage sein, das, was schief gelaufen ist, r\u00fcckg\u00e4ngig zu machen.<\/p>\n<h3>Data Qualit\u00e4t ist wichtiger, als Sie denken<\/h3>\n<p>KI braucht klare Eingaben, um klare Ergebnisse zu erzielen. Unternehmen ohne qualitativ hochwertige, strukturierte Informationen haben es schwer, einen Nutzen aus autonomen Systemen zu ziehen.<\/p>\n<p>Dies ist der unsexy Teil. Bevor Sie KI einsetzen, die lange l\u00e4uft, brauchen Sie: saubere, konsistente Informationsformate, gut dokumentierte Verbindungen zwischen Systemen, klare Verantwortlichkeiten f\u00fcr die data-Qualit\u00e4t und Prozesse f\u00fcr den Umgang mit Fehlern.<\/p>\n<p>M\u00fcll rein, M\u00fcll raus - aber in gro\u00dfem Ma\u00dfstab, stundenlang, mit sich h\u00e4ufenden Fehlern. Data Qualit\u00e4tsprobleme, die mit Dashboards \u00e4rgerlich waren, werden mit autonomer KI katastrophal.<\/p>\n<h2>Fehlermodi, denen Sie begegnen werden<\/h2>\n<p>Eine Branchenanalyse aus dem Jahr 2025 hat 14 einzigartige Fehlermuster in KI-Systemen identifiziert. Hier sind diejenigen, die Unternehmen unvorbereitet treffen:<\/p>\n<p><strong>Kaskadierende Fehler.<\/strong> Die KI geht von einer falschen Annahme aus. Sie handelt aufgrund dieser Annahme. Der n\u00e4chste Schritt baut auf der fehlerhaften Arbeit auf. Der \u00fcbern\u00e4chste Schritt verschlimmert den Fehler. Bis ein Mensch es bemerkt, arbeitet der gesamte Arbeitsablauf auf der Grundlage fehlerhafter Pr\u00e4missen. Das ist nicht hypothetisch. Es ist allt\u00e4glich.<\/p>\n<p><strong>Schlechte Gestaltung der \u00dcbergabe.<\/strong> Bei \u00dcberg\u00e4ngen zwischen KI-Systemen oder zwischen KI und Menschen kommt es zu Problemen. Ein E-Commerce-Unternehmen verzeichnete 40% Kundenabbr\u00fcche, weil die Benutzer verwirrt waren, als ein KI-System mitten in der Interaktion an ein anderes weitergab. Die \u00dcbergabe funktionierte. Das Erlebnis jedoch nicht.<\/p>\n<p><strong>Staatliche Korruption.<\/strong> Langlaufende Systeme h\u00e4ufen Probleme an. Alte Entscheidungen bleiben bestehen, obwohl sie eigentlich ung\u00fcltig gemacht werden sollten. Gleichzeitige Operationen f\u00fchren zu Konflikten. Die KI verliert den \u00dcberblick \u00fcber das, was sie zu erreichen versucht hat.<\/p>\n<p><strong>Gemeinsame Schwachstellen.<\/strong> Wenn all Ihre KI die gleichen zugrundeliegenden F\u00e4higkeiten nutzt, hat sie auch die gleichen Schw\u00e4chen. Sie wird in denselben Grenzf\u00e4llen versagen. Sie wird die gleichen blinden Flecken haben. Bei der Diversifizierung geht es nicht nur um F\u00e4higkeiten - es geht auch um Widerstandsf\u00e4higkeit.<\/p>\n<p>Der gemeinsame Nenner: Es handelt sich nicht um individuelle Fehler. Es sind Systemfehler. Sie k\u00f6nnen sie nicht erkennen, wenn Sie einzelne Komponenten isoliert testen. Sie m\u00fcssen den gesamten Arbeitsablauf unter realistischen Bedingungen und in einem realistischen Zeitrahmen testen.<\/p>\n<h2>Wo die realistischen Chancen liegen<\/h2>\n<p>In Anbetracht all dieser Vorbehalte: Wo sollten Unternehmen im Jahr 2026 tats\u00e4chlich langlaufende KI einsetzen?<\/p>\n<p><strong>Beginnen Sie mit der Zone von einer bis acht Stunden.<\/strong> Aufgaben, die lang genug sind, um von Autonomie zu profitieren, und kurz genug, um den Schaden zu begrenzen. Umsetzungsprojekte mit klaren Vorgaben. Forschungssynthese aus definierten Quellen. Prozessdokumentation aus vorhandenen Materialien. Erstellung von Berichten mit strukturierten Eingaben.<\/p>\n<p><strong>Suchen Sie nach Arbeiten mit messbarem Abschluss.<\/strong> Wenn Sie Erfolg nicht klar definieren k\u00f6nnen, kann KI ihn nicht zuverl\u00e4ssig erreichen. Aufgaben, deren Bewertung menschliches Urteilsverm\u00f6gen erfordert, sind schlechte Kandidaten f\u00fcr autonome Arbeit.<\/p>\n<p><strong>Zielarbeit, die vermieden wird, weil sie anhaltende Konzentration erfordert.<\/strong> Das sind die wahren Gelegenheiten. Die Aufgaben, die Menschen aufschieben, weil sie vier ununterbrochene Stunden brauchen. Die Prozessverbesserungen, die nie stattfinden. Die Dokumentation ist immer veraltet. Die Analyse ist immer unvollst\u00e4ndig.<\/p>\n<p><strong>Verlangen Sie Kontrollpunkte in angemessenen Abst\u00e4nden.<\/strong> Vier Stunden autonome Arbeit sollten nicht vier Stunden ohne menschliche Aufmerksamkeit bedeuten. Bauen Sie Kontrollpunkte ein. Nicht, weil Sie der KI misstrauen, sondern weil sich Fehler h\u00e4ufen und eine fr\u00fchzeitige Erkennung den Schaden begrenzt.<\/p>\n<p><strong>Messen Sie die tats\u00e4chlichen Erfolgsquoten, nicht die Leistung der Demo.<\/strong> Dies ist wichtig. Die Leistung von Benchmarks sagt nichts \u00fcber die Leistung in der Realit\u00e4t aus. METR fand heraus, dass null Prozent der von der KI generierten Arbeit ohne Bereinigung verwendbar war, selbst wenn die automatischen Pr\u00fcfungen bestanden. Ihre internen Messungen m\u00fcssen reale Qualit\u00e4tsstandards widerspiegeln, nicht idealisierte Bedingungen.<\/p>\n<h2>Die historische Parallele, revisited<\/h2>\n<p>Die Dampfmaschine wurde Jahrzehnte vor der Umstellung der Fabriken auf sie erfunden. Die M\u00fchlenbesitzer wussten, wie man M\u00fchlen mit Wasserkraft betreibt. Sie hatten Arbeitsabl\u00e4ufe, Fachwissen und ganze Gesch\u00e4ftsmodelle, die auf dem alten Ansatz aufbauten. Die neue Technologie erforderte neue Strukturen, neue Arbeitsabl\u00e4ufe, neue Denkweisen dar\u00fcber, wo die Arbeit stattfindet und wie sie abl\u00e4uft.<\/p>\n<p>Ich habe diese Analogie in der urspr\u00fcnglichen Version dieses Artikels verwendet, allerdings mit einem Vorbehalt: Die Dampfmaschine funktionierte zuverl\u00e4ssig. Die aktuelle langlebige KI tut das nicht - noch nicht, nicht durchg\u00e4ngig.<\/p>\n<p>Dieser Vorbehalt gilt immer noch. Aber die Richtung der Investitionen ist unverkennbar. Jedes gro\u00dfe KI-Unternehmen optimiert f\u00fcr einen dauerhaften Betrieb. Jeder ernsthafte Anwender entwickelt Umgehungsl\u00f6sungen f\u00fcr aktuelle Einschr\u00e4nkungen. Jede Unternehmensplattform f\u00fcgt eine Infrastruktur f\u00fcr l\u00e4ngerfristige KI-Arbeit hinzu.<\/p>\n<p>Die Frage f\u00fcr Unternehmen ist nicht, ob sie sich auf diesen Wandel einlassen sollen. Die Frage ist vielmehr, wie sie sich verantwortungsbewusst engagieren: Aufbau von Governance vor F\u00e4higkeit, Messung der Realit\u00e4t statt Demos und kleiner Anfang vor Skalierung.<\/p>\n<p>Unternehmen, die darauf warten, dass die Technologie ausgereift ist, k\u00f6nnten in R\u00fcckstand geraten, wenn dies der Fall ist. Unternehmen, die die Technologie verfr\u00fcht einsetzen, werden teure Lektionen lernen. Der schmale Weg ist das bewusste Experimentieren mit angemessenen Leitplanken.<\/p>\n<h2>Drei Fragen an Ihr Unternehmen<\/h2>\n<p>Welche anhaltenden, aufmerksamkeitsintensiven Aufgaben gibt es in Ihrem Bereich? Suchen Sie nach Aufgaben, die eine konzentrierte Anstrengung \u00fcber Stunden, nicht Minuten, erfordern. Die Aufgaben, die Menschen aufschieben, weil sie anhaltende Konzentration erfordern - das sind die Kandidaten f\u00fcr Pilotprogramme.<\/p>\n<p>K\u00f6nnen Sie den Erfolg Ihrer autonomen Arbeit zuverl\u00e4ssig messen? Nicht \u201chat sie Leistung erbracht\u201d, sondern \u201chat sie Leistung erbracht, die Ihren tats\u00e4chlichen Standards entspricht\u201d. Wenn Sie den Erfolg nicht definieren und messen k\u00f6nnen, k\u00f6nnen Sie auch nicht beurteilen, ob die KI funktioniert.<\/p>\n<p>Ist Ihre Governance-Infrastruktur bereit f\u00fcr Arbeiten, die unbeobachtet stattfinden? Protokollierung. Berechtigungskontrollen. Eskalationsausl\u00f6ser. Wiederherstellungsmechanismen. Pr\u00fcfpfade. Die Infrastruktur f\u00fcr die Delegation muss vorhanden sein, bevor die Delegation Sinn macht.<br \/>\n2026 wird wahrscheinlich nicht das Jahr sein, in dem KI bei langwierigen Aufgaben zuverl\u00e4ssig wird. F\u00fcnfzig Prozent Erfolg bei zweist\u00fcndigen Aufgaben bedeutet immer noch die H\u00e4lfte der Zeit Misserfolg.<\/p>\n<p>Aber es kann sein, dass die ein Jahr lang laufende KI f\u00fcr bestimmte Anwendungsf\u00e4lle einsatzf\u00e4hig wird - gut genug f\u00fcr den Produktionseinsatz mit angemessener Aufsicht und Fehlertoleranz.<\/p>\n<p>Die ehrliche Antwort: Niemand wei\u00df genau, wann diese Systeme ausgereift sein werden. Die Signale legen nahe, dass es sich lohnt, das herauszufinden.<\/p>\n<p>&nbsp;<\/p>\n<p><strong>Referenzen<\/strong><\/p>\n<p><span style=\"text-decoration: underline;\">Forschungspapiere<\/span><\/p>\n<ul>\n<li>Aufbau produktionsreifer KI mit skalierbarem Langzeitspeicher - <a href=\"http:\/\/arxiv.org\/abs\/2504.19413\" target=\"_blank\" rel=\"noopener\">arxiv.org\/abs\/2504.19413<\/a><\/li>\n<li>Multi-Graph basierte Speicherarchitektur f\u00fcr KI - <a href=\"http:\/\/arxiv.org\/abs\/2601.03236\" target=\"_blank\" rel=\"noopener\">arxiv.org\/abs\/2601.03236<\/a><\/li>\n<li>KI in der Produktion messen - <a href=\"http:\/\/arxiv.org\/abs\/2512.04123\" target=\"_blank\" rel=\"noopener\">arxiv.org\/abs\/2512.04123<\/a><\/li>\n<\/ul>\n<p><span style=\"text-decoration: underline;\">Branchenberichte &amp; Whitepapers<\/span><\/p>\n<ul>\n<li>Fehlermodi in KI-Systemen - Microsoft<\/li>\n<li>Lektionen aus dem Jahr 2025 \u00fcber KI und Vertrauen - Google Cloud<\/li>\n<li>Stand der KI-Technik - LangChain<\/li>\n<li>Benchmark vs. Bewertung in der realen Welt - METR<\/li>\n<\/ul>\n<p><span style=\"text-decoration: underline;\">Technische Dokumentation<\/span><\/p>\n<ul>\n<li>Wie wir unser Multi-Agenten-Forschungssystem aufgebaut haben - Anthropic<\/li>\n<li>Spezifikation des Modellkontextprotokolls - modelcontextprotocol.io<\/li>\n<li>Fresh-Start Cycling Dokumentation (\u201cRalph Wiggum\u201d) - Geoffrey Huntley (<a href=\"http:\/\/arxiv.org\/abs\/2512.04123\" target=\"_blank\" rel=\"noopener\">ghuntley.com\/ralph\/<\/a>)<\/li>\n<\/ul>","protected":false},"excerpt":{"rendered":"<p>Die Technologie ist real, aber noch nicht ausgereift. Die Entwicklung ist klar, der Zeitplan jedoch nicht. Die meisten Unternehmen, die im Jahr 2026 langlaufende KI-Systeme einsetzen, werden teure Lektionen lernen. Einige wenige werden echte Vorteile daraus ziehen. Der Unterschied wird letztlich von drei Faktoren abh\u00e4ngen: wo sie die Systeme einsetzen, wie sie diese steuern und ob sie verstehen, was \u201cautonom\u201d in der Praxis tats\u00e4chlich bedeutet.<\/p>","protected":false},"featured_media":1086607,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-1083985","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/1083985","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/1086607"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=1083985"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=1083985"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=1083985"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}