Agentic Engineering: Warum KI-Softwareentwicklung Struktur braucht

Die Antwort hängt weniger von der Künstlichen Intelligenz selbst ab, als von den Prinzipien, die wir anwenden. In dieser Episode des Podcasts Software Testing & Qualität trifft Host Richard Seidl auf Benedikt Stemmelt, einen Experten für die nächste Evolutionsstufe der KI-gestützten Softwareentwicklung. Gemeinsam tauchen sie tief in die Welt des sogenannten Vibe Codings ein und zeigen auf, warum der Begriff dem Kern der Sache nicht gerecht wird und durch Agentic Engineering ersetzt werden sollte. Dieses Gespräch ist eine unverzichtbare Ressource für alle Entwickler:innen, Qualitätsmanager:innen und Entscheider:innen, die verstehen wollen, wie KI nicht nur ein Werkzeug, sondern ein fundamentaler Verstärker für gute - und schlechte - Entwicklungspraktiken wird.

Das Wichtigste auf einen Blick

• Agentic Engineering statt Vibe Coding: Der Wandel im Vokabular ist entscheidend. Statt des unstrukturierten Vibes rückt der Begriff Agentic Engineering die Notwendigkeit von Disziplin, Architektur und soliden Ingenieursprinzipien in den Fokus, um mit KI erfolgreich Software zu entwickeln.
• Kontext ist wichtiger als der perfekte Prompt: Benedikt erklärt, dass der Erfolg eines KI-Agenten weniger von einem kunstvoll formulierten Prompt abhängt, sondern vielmehr von der Konfiguration seiner Umgebung, seiner Werkzeuge und dem Kontext, den du ihm zur Verfügung stellst.
• Lerne mit deinem Agenten: Betrachte die Arbeit mit einem KI-Agenten als einen iterativen Prozess. Führe nach jeder Aufgabe eine Art Retrospektive durch, um zu analysieren, was gut lief und wo du korrigieren musstest. Diese Erkenntnisse fließen direkt in die Konfiguration des Agenten für die Zukunft ein.
• KI als Brandbeschleuniger für Qualität: KI verstärkt bestehende Prozesse radikal. Ein Team mit soliden Praktiken wie Testautomatisierung und CI/CD wird durch KI noch besser und schneller. Ein Team mit chaotischen Prozessen wird hingegen noch schneller scheitern.
• Die neue Rolle des Entwicklers: Die Arbeit verschiebt sich weg vom reinen Schreiben von Code hin zur Architektur. Entwickler:innen gestalten und optimieren die Produktionsstraßen, in denen KI-Agenten qualitativ hochwertigen Code erzeugen.
• Organisatorische Revolution: Die enorme Geschwindigkeit des Agentic Engineering erzwingt organisatorische Veränderungen. Große Teams behindern sich gegenseitig. Die Zukunft gehört kleineren, cross-funktionalen Einheiten, die autonom an abgegrenzten Systemen arbeiten.

Vom Vibe Coding zum Agentic Engineering: Ein Paradigmenwechsel

Zu Beginn des Gesprächs stellt Benedikt klar, dass der populäre Begriff Vibe Coding, der von Andrej Karpathy geprägt wurde, bereits überholt ist. Karpathy selbst schlug vor, stattdessen von Agentic Engineering zu sprechen. Dieser Wandel ist mehr als nur Semantik. Während Vibe Coding suggeriert, man könne einfach eine vage Idee in ein Textfeld werfen und auf magische Weise funktionierenden Code erhalten, betont Agentic Engineering den bewussten, strukturierten und ingenieurwissenschaftlichen Ansatz. Es geht darum, eine Umgebung zu schaffen, in der KI-Agenten zuverlässig und nach definierten Qualitätsstandards arbeiten können. Das erfordert tiefes Verständnis für Softwarearchitektur, Qualitätsprinzipien und den gesamten Entwicklungszyklus.

Die Kunst der Agenten-Konfiguration: Mehr als nur Prompting

Ein weitverbreiteter Irrglaube ist, dass der Schlüssel zur erfolgreichen KI-Nutzung im perfekten Prompt liegt. Benedikt widerspricht dieser Annahme vehement. In einem Agentic-Engineering-Ansatz ist der initiale Prompt des Nutzers oft nur ein winziger Teil des gesamten Kontextes. Der KI-Agent bringt bereits einen umfangreichen System-Prompt mit, der seine Fähigkeiten, Werkzeuge und Grundregeln definiert. Dieser kann leicht 20.000 Tokens umfassen, während der Nutzer-Prompt oft nur 20 Tokens lang ist. Der eigentliche Hebel liegt also nicht im Prompting, sondern in der Konfiguration dieses Systems.

Anstatt bei jeder Aufgabe von vorne zu beginnen, empfiehlt Benedikt einen iterativen Lernprozess. Nach einer Interaktion mit dem Agenten analysiert er die Konversation: Wo hat der Agent Fehler gemacht? An welchen Stellen musste er manuell korrigiert werden? Diese Erkenntnisse werden dann genutzt, um die Konfiguration des Agenten zu verbessern. Moderne Werkzeuge wie Claude Code unterstützen diesen Prozess bereits mit Funktionen wie dem Befehl /insights, der eine Konversation automatisch zusammenfasst und die wichtigsten Erkenntnisse für zukünftige Interaktionen speichert. Es ist wie eine agile Retrospektive, die du direkt mit deinem KI-Kollegen durchführst.

Qualitätssicherung im KI-Zeitalter: Die Aufräum-Crew als Muster

Eine große Sorge beim Einsatz von KI ist die Qualität des erzeugten Codes. Unkontrolliert neigen Modelle dazu, redundanten oder unnötig komplexen Code zu produzieren. Anstatt zu versuchen, dem Agenten von vornherein Perfektion beizubringen, hat sich ein anderes Muster als äußerst effektiv erwiesen: die Aufräum-Crew. Benedikt beschreibt, wie Teams spezialisierte Agenten einsetzen, die kontinuierlich im Hintergrund laufen. Ein Agent ist beispielsweise darauf trainiert, Duplikate im Code zu finden und durch wiederverwendbare Komponenten zu ersetzen. Ein anderer sucht nach Sicherheitslücken, ein weiterer stellt sicher, dass für neue Funktionalitäten auch die passenden Unit-Tests existieren. Dieses Vorgehen entkoppelt die Geschwindigkeit der Feature-Entwicklung von der Notwendigkeit, permanent aufzuräumen. Der erste Entwurf darf unperfekt sein, weil ein automatisiertes System für die kontinuierliche Verbesserung sorgt.

KI als Katalysator: Wie gute und schlechte Praktiken verstärkt werden

Eine der eindringlichsten Aussagen von Benedikt, die auf Erkenntnissen aus dem DORA-Report basiert, lautet: KI ist ein Verstärker. Wenn du schlechte Prinzipien hast, wirst du durch KI nur schneller schlechter. Wenn du gute Prinzipien hast, wirst du schneller besser. Unternehmen, die glauben, ihre grundlegenden Probleme im Softwareentwicklungsprozess durch KI lösen zu können, werden scheitern. Wenn es keine funktionierende CI/CD-Pipeline, keine automatisierte Teststrategie (Shift Left) und keine klare Definition of Done gibt, führt die durch KI erzeugte Flut an Pull Requests direkt ins Chaos und überlastet die manuelle Qualitätssicherung.

Der Erfolg mit Agentic Engineering setzt daher voraus, dass die Hausaufgaben gemacht wurden. Die Investition in solide Engineering-Praktiken wird durch KI nicht überflüssig, sondern zur zwingenden Voraussetzung. Die Schere zwischen leistungsstarken und leistungsschwachen Organisationen wird sich dadurch noch weiter öffnen.

Die Zukunft der Softwareentwicklung: Neue Rollen und Teamstrukturen

Die Einführung von Agentic Engineering verändert nicht nur die technischen Aspekte, sondern auch die Rollen der Entwickler:innen und die Struktur von Teams fundamental. Benedikt argumentiert, dass die Arbeit sich von der Code-Ebene auf die Architekturebene verlagert. Anstatt einzelne Features zu implementieren, entwerfen Entwickler:innen ganze Produktionsstraßen - also Systeme und Prozesse, die KI-Agenten in die Lage versetzen, Features im spezifischen Kontext eines Produkts oder Unternehmens autonom zu erstellen.

Diese immense Produktivitätssteigerung hat jedoch auch zur Folge, dass sich Entwickler:innen in größeren Teams gegenseitig blockieren. Wenn jeder Agent den gesamten Technologie-Stack bearbeiten kann, kommt es ständig zu Merge-Konflikten und Abstimmungsproblemen. Die Lösung liegt laut Benedikt in radikal kleineren, cross-funktionalen Teams - möglicherweise nur zwei bis drei Personen stark. Diese Teams müssen, im Sinne von Conway's Law, an klar abgegrenzten, autonomen Systemteilen arbeiten können. Dies erfordert eine Architektur, die solche kleinen, unabhängigen Einheiten unterstützt, wie es beispielsweise bei Self-Contained Systems der Fall ist.

Praktische Schritte für den Einstieg ins Agentic Engineering

1. Führe Retrospektiven mit deinem Agenten durch: Beende eine Session nicht einfach. Nutze die Konversationshistorie, um zu lernen. Frage dich: Wo habe ich den Agenten korrigiert? Was hätte er von Anfang an wissen müssen? Speichere diese Erkenntnisse in Konfigurationsdateien, damit der Agent beim nächsten Mal besser vorbereitet ist.
2. Investiere in Kontext, nicht in Prompts: Anstatt Stunden mit dem Formulieren des perfekten Prompts zu verbringen, stelle sicher, dass dein Agent Zugriff auf relevante Dokumentation, Code-Beispiele und definierte Werkzeuge hat. Ein gut konfigurierter Agent kann auch mit einem einfachen Auftrag Großes leisten.
3. Sei bereit, etablierte Konfigurationen wegzuwerfen: Wenn eine neue, leistungsfähigere Modellgeneration erscheint (wie GPT-4o oder Claude 3.5 Sonnet), sind deine alten Konfigurationen und Skills oft hinderlich. Benedikt empfiehlt, bei einem Modellwechsel von vorne anzufangen, um das neue, verbesserte Standardverhalten des Modells voll auszunutzen und es nicht durch alte Krücken einzuschränken.
4. Implementiere eine automatisierte Aufräum-Crew: Richte separate, spezialisierte Agenten ein, die permanent deinen Code auf Qualität, Sicherheit und Konsistenz prüfen. So kann sich das Entwicklungsteam auf die schnelle Lieferung von Features konzentrieren, ohne technische Schulden anzuhäufen.
5. Optimiere den gesamten Entwicklungszyklus: Betrachte KI nicht als reines Code-Generierungswerkzeug. Analysiere deinen kompletten Prozess von der Anforderungserhebung über die Entwicklung und Testautomatisierung bis zum Deployment. Setze KI gezielt dort ein, wo sie den größten Mehrwert für den gesamten Fluss bringt, anstatt nur einen einzelnen Schritt zu beschleunigen.