Agentic Software Engineering 

Ein Coding-Assistent unterstützt Entwickler innerhalb ihrer IDE, beispielsweise bei Codevervollständigung, Erklärungen oder der Generierung einzelner Funktionen. Agentic Software Engineering geht darüber hinaus. Ein Agent erhält ein Ziel, zerlegt dieses in Arbeitsschritte und kann beispielsweise Code analysieren, Dateien verändern, Tests ausführen und Ergebnisse iterativ verbessern.

Für Unternehmen stellt sich deshalb weniger die Frage, welches einzelne Tool eingesetzt wird. Relevant ist vielmehr, welche Autonomie KI innerhalb des Entwicklungsprozesses erhalten soll und welche technischen und organisatorischen Leitplanken dafür notwendig sind.

Besonders geeignet sind Aufgaben, deren Ziel und gewünschtes Ergebnis klar beschrieben und automatisiert überprüft werden können. Dazu gehören beispielsweise Testgenerierung, Dokumentation, definierte Refactorings, Fehleranalyse oder klar abgegrenzte Implementierungsaufgaben.

Je größer die Auswirkungen einer Entscheidung auf Architektur, Sicherheit oder fachliche Logik sind, desto wichtiger bleibt die menschliche Kontrolle. ICS analysiert deshalb zunächst den Entwicklungsprozess und priorisiert Einsatzfelder nach Nutzen, Automatisierbarkeit und Risiko, statt möglichst viele Aufgaben an KI zu übertragen.

Die Produktivität eines KI-gestützten Entwicklungsteams sollte nicht allein anhand der erzeugten Codemenge bewertet werden. KI-generierter Code muss denselben Architektur-, Qualitäts- und Sicherheitsanforderungen entsprechen wie manuell entwickelter Code.

Dazu gehören unter anderem verbindliche Coding Guidelines, automatisierte Tests, statische Codeanalyse, definierte Architekturregeln, Reviews und klare Akzeptanzkriterien. Je autonomer Agenten arbeiten, desto wichtiger werden automatisierbare Qualitätsprüfungen als Leitplanken des Entwicklungsprozesses.

In vielen Fällen ja. Agentische Entwicklungsworkflows können mit Entwicklungsumgebungen, Git-Repositories, Ticketing-Systemen, Testframeworks, Dokumentation und CI/CD-Pipelines verbunden werden.

Dabei sollte nicht die bestehende Toolchain für KI neu aufgebaut werden. Sinnvoller ist es, zu prüfen, an welchen Stellen KI bestehende Abläufe ergänzen kann und welche Zugriffsrechte sie benötigt. Gerade der Zugriff auf Source Code, Repositories, Tickets oder produktionsnahe Systeme muss bewusst gesteuert werden.

Gerade dort kann KI interessant sein. In gewachsenen Systemen fehlt häufig aktuelles Wissen über Abhängigkeiten, Architekturentscheidungen oder einzelne Komponenten. KI kann große Codebasen analysieren, Strukturen erklären, Dokumentation erzeugen und Tests für bestehendes Verhalten vorbereiten.

Das bedeutet jedoch nicht, dass Legacy-Code automatisch modernisiert werden sollte. Zunächst muss verstanden werden, welches Verhalten erhalten bleiben muss, welche technischen Schulden tatsächlich relevant sind und wo eine Modernisierung wirtschaftlich sinnvoll ist. KI beschleunigt diese Analyse und kann anschließend Refactoring und Migration unterstützen.

Bevor KI-Tools Zugriff auf Source Code oder Entwicklungsdaten erhalten, müssen Datenflüsse, Berechtigungen, verwendete Modelle und Betriebsmodelle geklärt werden. Besonders relevant ist, welche Informationen externe Dienste verarbeiten dürfen und welche Daten das Unternehmen nicht verlassen sollen.

Abhängig von den Anforderungen können unterschiedliche Modelle, Entwicklungswerkzeuge und Betriebsvarianten sinnvoll sein. Deshalb gehört die technische und organisatorische Governance für uns zur Einführung von AI Development dazu und nicht erst zu einer nachgelagerten Compliance-Prüfung.

Nicht allein über die Anzahl generierter Codezeilen. Sinnvoller sind Kennzahlen entlang des Entwicklungsprozesses, beispielsweise Durchlaufzeiten von Aufgaben, Zeitaufwand für Tests und Reviews, Fehlerquoten, Deployment-Frequenz oder der Aufwand für wiederkehrende Entwicklungsaufgaben.

Für einen Pilot sollte deshalb bereits vor der Einführung festgelegt werden, welches Problem gelöst und anhand welcher Kriterien der Erfolg bewertet wird. So lässt sich entscheiden, welche AI-Development-Workflows anschließend skaliert werden sollten.

Nein. Entwicklungsteams müssen jedoch verstehen, wo KI zuverlässig unterstützt, wie Ergebnisse geprüft werden und welche Informationen an Modelle oder Agenten übergeben werden dürfen. Gleichzeitig verändert sich die Entwicklungsarbeit: Gute Anforderungen, Kontext, Tests und überprüfbare Akzeptanzkriterien werden wichtiger.

Deshalb gehört neben der technischen Integration auch das Enablement der Entwicklungsteams zu einer nachhaltigen Einführung.