Was ist agentisches Engineering in der Softwareentwicklung?
Eine konkrete Definition von agentischem Engineering, Unterschiede zu einem klassischen KI-Assistenten, typische Schritte, Leitplanken und ehrliche Grenzen, ohne Fachjargon.
Agentisches Engineering ist eine Methode der Softwareentwicklung, bei der mehrere spezialisierte KI-Agenten (Architektur, Code, Tests, Oberfläche) unter der Orchestrierung eines menschlichen Ingenieurs zusammenarbeiten. Jeder Agent trifft technische Entscheidungen autonom, führt Code aus, prüft seine eigenen Ergebnisse und korrigiert sich selbst. Der Mensch bleibt Fachexperte und validiert jedes Ergebnis.
Unterschied zu einem klassischen KI-Assistenten
Drei Unterschiede grenzen agentisches Engineering von einem einfachen „ChatGPT, das codet“ ab:
- Ausführungsautonomie. Ein klassischer Assistent schlägt Code vor, den ein Mensch ausführt. Ein agentischer Agent führt den Code selbst aus, beobachtet das Ergebnis, erkennt Fehler und behebt sie ohne menschliches Eingreifen.
- Spezialisierung. Statt eines einzelnen Generalistenmodells übernehmen mehrere Agenten unterschiedliche Rollen (Architektur, Code, Tests, Review). Jeder hat einen spezifischen Systemprompt und angepasste Werkzeuge.
- Verifikationsschleife. Jedes Ergebnis durchläuft einen Qualitäts-Agenten (Tests, Linting, Review). Ein erkannter Mangel löst eine weitere Iteration aus, bevor der Mensch eingreift.
Typische Schritte eines agentischen Projekts
Konkret durchläuft ein Projekt in agentischem Engineering vier Schritte in kurzer Schleife:
- Spezifikation: Der menschliche Ingenieur übersetzt den Geschäftsbedarf in testbare Spezifikationen (erwartete Eingaben, Verhalten, Abnahmekriterien). Dieser Schritt bleibt menschlich, weil er tiefes Fachwissen über das Kundengeschäft erfordert.
- Multi-Agenten-Generierung: Mehrere Agenten erstellen parallel Architektur, Code und Oberfläche. Sie kommunizieren über strukturierte Artefakte (Schemas, API-Verträge, Testfälle).
- Automatisierte Tests: Ein dedizierter Agent führt Tests aus, meldet Regressionen, schlägt Korrekturen vor und schleift mit den Generierungsagenten, bis die Kriterien erfüllt sind.
- Menschliche Prüfung: Der Ingenieur liest Code und Bedienung, justiert, validiert oder fordert eine weitere Iteration. Hier übernimmt das Fachwissen wieder die Führung, bevor an den Kunden ausgeliefert wird.
Warum dies Kosten und Zeit deutlich reduziert
Drei Mechanismen erklären die beobachteten Gewinne (5–10× bei kleinen Projekten):
- Parallelisierung. Während ein menschlicher Entwickler sequenziell programmiert, arbeiten mehrere Agenten gleichzeitig an verschiedenen Bausteinen.
- Sehr kurze Feedback-Zyklen. Ein Mangel wird in Sekunden statt in Tagen erkannt und sofort behoben, was den Grossteil der technischen Schulden vor der Auslieferung beseitigt.
- Bessere Nutzung der menschlichen Aufmerksamkeit. Die menschliche Zeit konzentriert sich dort, wo sie zählt (Spezifikation, strukturelle Architekturentscheidungen, Prüfung), nicht auf das Tippen von Standardcode.
Die unverzichtbaren Leitplanken
Die Autonomie der Agenten erfordert eine besondere Disziplin:
- Testbare Spezifikationen. Ohne explizite Abnahmekriterien kann ein Agent nicht beurteilen, ob er fertig ist.
- Systematische menschliche Prüfung. Kein Code wird ohne Review durch einen Menschen ausgeliefert, der die Branche kennt: sonst entsteht „technisch richtiger“, aber „fachlich falscher“ Code.
- Automatisierte Tests in der Schleife. Bei der produzierten Menge ist manuelle Prüfung unmöglich; sie muss agent-geprüft und dann menschlich nachgeprüft werden.
- Strenges Versionsmanagement. Jede Generierung ist versioniert, damit später erkannte Regressionen rückgängig gemacht werden können.
- Explizite Vertraulichkeit. Der Umfang der an Modelle gesendeten Daten muss vertraglich kontrolliert werden, insbesondere bei sensiblen Geschäftsdaten.
Die ehrlichen Grenzen
Agentisches Engineering ist weder magisch noch universell einsetzbar:
- Bei sehr neuartigen oder unorthodoxen Problemen machen Agenten subtile Fehler, die nur ein menschlicher Experte erkennt.
- Vage Spezifikationen ergeben lieferbaren, aber unzureichenden Code: die Output-Qualität hängt direkt von der Spezifikationsqualität ab.
- Sehr grosse Bestandssysteme (Hunderttausende Codezeilen, intransparente interne Konventionen) lassen sich mit Agenten allein schwer erweitern.
Deshalb bleibt ein menschlicher KMU-Experte unverzichtbar im Zentrum des Prozesses: genau die Haltung, für die surmesure.ai steht.