Was Agentic Engineering für ein Engineering-Team bedeutet

Agentic Engineering, Vibe Coding und KI-gestütztes Programmieren

Simon Willison, dessen Leitfaden zu Agentic-Engineering-Mustern zu den klarsten Darstellungen des Themas gehört, verwendet den Begriff für Softwareentwicklung mit Unterstützung von Coding-Agenten, also Agenten, die Code sowohl schreiben als auch ausführen können. Einen Agenten beschreibt er als Software, die Werkzeuge in einer Schleife ausführt, um ein Ziel zu erreichen, und er nennt die Ausführung von Code als die Fähigkeit, die diese Praxis erst möglich macht, weil sich der Agent so an Software herantasten kann, die nachweislich funktioniert.

Vibe Coding, den Begriff, den Andrej Karpathy im Februar 2025 geprägt hat, verwendet Willison in seiner ursprünglichen Bedeutung: ein Modell Code schreiben lassen und dabei vergessen, dass es den Code gibt. Vibe Coding steht damit für ungeprüfte Ergebnisse auf Prototypniveau, Agentic Engineering für Code, den jemand auf Produktionsniveau gebracht hat. Agentic Development und Agentic Software Development bezeichnen dieselbe Praxis. Assistenten im Stil einer Autovervollständigung, die Zeilen vorschlagen, ohne etwas auszuführen, gehören nicht dazu.

Wohin sich die Arbeit verlagert

Code zu tippen wird ein kleinerer Teil der Arbeit. Willison betont, dass das Handwerk immer darin bestand zu entscheiden, welcher Code geschrieben wird, und diese Arbeit bleibt bei Menschen. In der Praxis zeigt sie sich an vier Stellen:

• Spezifizieren: Aufgaben mit so viel Kontext und Abnahmekriterien, dass ein Agent ohne Raten arbeiten kann
• Den Harness bauen: Anweisungsdateien, Tools, Sandboxes und Berechtigungen, mit denen ein Agent Build und Tests sicher ausführen kann
• Prüfen: Tests, CI und menschliches Review, die stark genug sind, um zu erkennen, was ein Agent falsch macht
• Lehren festhalten: Modelle lernen nicht aus ihren Fehlern, ein Team kann aber Anweisungen und Harness nach jedem Fehlschlag eines Agenten anpassen

Spec-Driven Development mit Coding-AgentenHarness Engineering für Coding-Agenten

Was die Forschung über Ergebnisse sagt

Der DORA-Report 2025, der auf Umfrageantworten von fast 5.000 Technologiefachleuten beruht, beschreibt die Hauptrolle von KI in der Softwareentwicklung als Verstärker der vorhandenen Stärken und Schwächen einer Organisation. 90 % der Befragten nutzten KI bei der Arbeit, und mehr als 80 % meinten, sie habe ihre Produktivität erhöht, während 30 % wenig oder kein Vertrauen in KI-generierten Code angaben. Laut Report verbessert der KI-Einsatz inzwischen den Durchsatz der Auslieferung, erhöht aber weiterhin deren Instabilität.

Gemessene Ergebnisse können von der Wahrnehmung abweichen. In der randomisierten Studie von METR mit 16 erfahrenen Open-Source-Entwicklern und Tools vom Anfang 2025 dauerten Aufgaben mit erlaubter KI 19 % länger, obwohl die Entwickler eine Beschleunigung um 24 % erwartet hatten und hinterher glaubten, 20 % schneller gewesen zu sein. Im Februar 2026 schrieb METR, dass Entwickler mit aktuellen Tools wahrscheinlich schneller sind, die neuen Daten wegen Selektionseffekten in der Folgestudie aber nur sehr schwache Belege dafür liefern, um wie viel. Die praktische Folgerung: an der eigenen Arbeit messen, statt sich auf Eindrücke oder Herstellerzahlen zu verlassen.

Grundlagen, die über den Nutzen entscheiden

Das AI Capabilities Model von DORA nennt sieben Praktiken, die in den Daten den Nutzen von KI verstärkt haben: eine klare und kommunizierte Haltung zu KI, gesunde Datenökosysteme, für KI zugängliche interne Daten, starke Praktiken der Versionskontrolle, Arbeit in kleinen Schritten, Ausrichtung auf die Nutzer und gute interne Plattformen. Keine davon ist eine Funktion eines Coding-Agenten. In der Praxis werden daraus Fragen, die ein Team vor der Ausweitung prüfen kann:

• Wissen die Engineers, welche Tools, Daten und Repositories Agenten nutzen dürfen?
• Kann ein Agent den Code in einer frischen Umgebung ohne Hilfe einer Person bauen und testen?
• Sind Änderungen klein genug, dass ein Reviewer jede einzelne versteht?
• Laufen Agenten mit eigenen, engen Berechtigungen in einer Umgebung, in der ein Fehler die Produktion nicht erreicht?

Die letzte Frage greift die Engineering-Hinweise von Anthropic zu Agenten auf, die umfangreiche Tests in Sandbox-Umgebungen mit passenden Schutzmaßnahmen empfehlen, weil Autonomie höhere Kosten und sich verstärkende Fehler mit sich bringt.

Sicherheit von Coding-Agenten in Engineering-Teams

Ein erster Schritt für ein Team

Ein hypothetisches Beispiel: Ein Team nimmt zwanzig kürzlich abgeschlossene Tickets aus dem eigenen Backlog, mit den gemergten Änderungen als Referenz. Es richtet einen Agenten mit den Build- und Testbefehlen des Repositorys, einer kurzen Anweisungsdatei und auf einen Branch beschränkten Berechtigungen ein. Jedes Ticket wird mit dem Agenten erneut bearbeitet, und das Team erfasst Review-Zeit, Nacharbeit, fehlgeschlagene CI-Läufe und Modellkosten je angenommener Änderung, neben denselben Werten für die ursprünglichen menschlichen Änderungen. Zwanzig Tickets entscheiden die Frage nicht, zeigen aber, wo Harness oder Spezifikationen fehlen, und genau das behebt das Team, bevor es den Versuch ausweitet.

Wo es sich meist noch nicht lohnt: Code ohne Tests, die ein Agent ausführen kann, Arbeit, deren Anforderungen nur in den Köpfen stecken, und Umgebungen, die manuelle Schritte zum Bauen brauchen. Diese Lücken bremsen auch Menschen, und sie zu schließen ist oft das erste Stück Agentic-Engineering-Arbeit.

Ein Pilotprojekt für Coding-Agenten, das Tools an derselben Arbeit vergleichtCoding-Agenten einführen