Agentic AI beschleunigt die Softwareentwicklung – doch was bleibt wirklich übrig?

Agentenbasierte KI hat die Art und Weise, wie Software entwickelt wird, grundlegend verändert. Sie generiert Code in einem Tempo, das für menschliche Entwickler*innen unvorstellbar war – und doch bleibt die Frage: Warum verbessern sich unsere Produkte nicht im gleichen Maße?

Die Ursache liegt nicht im Schreiben von Code selbst. Vielmehr scheitern viele Unternehmen daran, die richtigen Anforderungen zu definieren, komplexe Systeme zu integrieren und Software unter realen Bedingungen zuverlässig zu warten. Agenten komprimieren zwar die Ausführungszeit, doch sie lösen keine Probleme wie unklare Spezifikationen, fehlende Verantwortungszuweisungen oder operationelle Komplexität. Im Gegenteil: Je mehr Agenten Code produzieren, desto stärker verschärfen sich diese Herausforderungen. Plötzlich wird die menschliche Überprüfung zum größten Flaschenhals – und Entwickler*innen verlieren den Kontext, um Fehler zu erkennen.

Unternehmen, die diese Dynamik verstehen, handeln bewusst. Sie schaffen neue Rollen für das Management von Agentenflotten und vermeiden es, Mitarbeiter*innen zu entlassen, nur um mehr in KI zu investieren. Wer jedoch die zugrundeliegenden Probleme ignoriert, riskiert nicht nur ineffiziente Prozesse, sondern auch eine gefährliche Abhängigkeit von blindem KI-Einsatz.

Warum Agenten die alten Probleme verschärfen

Die Softwareentwicklung stand schon immer vor drei zentralen Herausforderungen:

• Unklare Anforderungen: Viele Projekte starten mit vagen Zielen oder sich ständig ändernden Spezifikationen. Agenten können zwar Code generieren, aber sie interpretieren Anforderungen oft wörtlich – oder falsch. Das Ergebnis sind Features, die zwar technisch funktionieren, aber nicht den tatsächlichen Nutzerbedürfnissen entsprechen.

• Komplexe Integrationen: Moderne Systeme bestehen aus Dutzenden Microservices, Legacy-Komponenten und externen APIs. Agenten stoßen hier schnell an Grenzen: Sie verstehen weder die Architektur noch die impliziten Abhängigkeiten zwischen den Systemen. Unerwartete Seiteneffekte sind die Folge.

• Betrieb im Live-Betrieb: Selbst perfekter Code scheitert in der Produktion, wenn er nicht auf Skalierbarkeit, Latenz oder Fehleranfälligkeit getestet wird. Agenten generieren zwar Code, aber sie können keine Lasttests durchführen oder Performance-Engpässe vorhersagen.

Die Konsequenz: Unternehmen, die Agenten ohne begleitende Strategie einsetzen, erleben zwar eine kurzfristige Produktivitätssteigerung – doch langfristig häufen sich technische Schulden, Defekte und frustrierte Kund*innen.

Ein dreistufiger Fahrplan für den verantwortungsvollen KI-Einsatz

Um die neuen Herausforderungen zu meistern, brauchen Unternehmen einen strukturierten Ansatz. Dieser lässt sich in drei Phasen unterteilen:

Phase 1: Finanzen und Risikomanagement – die Basis für nachhaltige Skalierung

Bevor Agenten in großem Stil eingesetzt werden, müssen Unternehmen ihre Infrastruktur absichern und Kostenkontrolle etablieren. Drei Maßnahmen sind entscheidend:

• Governance als Top-Priorität behandeln: Der Druck, KI schnell einzuführen, ist groß – doch ohne zentrale Steuerung entstehen fragmentierte Prozesse, doppelte Arbeit und unkontrollierbare Ausgaben. Unternehmen sollten Agentenkonfigurationen wie Produktionsinfrastruktur behandeln: Versionierung, Code Reviews und Tests von Prompts und Fähigkeiten sind Pflicht, bevor Agenten schrittweise eingeführt werden. Nur so lässt sich vermeiden, dass Teams unkoordiniert experimentieren und teure Fehler machen.

• Minimale Zugriffsrechte für Agenten durchsetzen: Ein Agent sollte niemals dieselben Berechtigungen wie seine menschlichen Kolleg*innen erhalten. Während Menschen aufgrund ihrer Expertise und Verantwortung breite Zugriffe erhalten, fehlt Agenten diese Urteilsfähigkeit. Stattdessen sollten Unternehmen eine strikte Trennung zwischen Lese- und Schreib-/Ausführungsrechten einführen. Für kritische Aktionen – etwa Änderungen in der Produktion – müssen menschliche Freigaben zwingend vorgeschrieben sein. Mit zunehmender Autonomie von Agenten wird ihre Integration in bestehende Sicherheitsmodelle immer dringlicher.

• Budgets strikt kontrollieren: Unternehmen sollten sowohl für Entwicklung als auch für den Live-Betrieb klare Obergrenzen setzen. Warnsignale wie überzogene Rechnungen von Anbietern häufen sich: Laut Axios hat ein Unternehmen bereits 500 Millionen Dollar an Anthropic gezahlt, weil Agenten unkontrolliert Code generierten. Ein weiteres Beispiel ist Uber, das seine KI-Ausgaben nach nur vier Monaten im Jahr 2026 deckeln musste, nachdem das Budget für das gesamte Jahr aufgebraucht war.

Phase 2: Technische Strategie – Qualität vor Quantität

Der Einsatz von Agenten darf nicht auf blindem Vertrauen in ein einziges Modell basieren. Vielmehr geht es darum, die richtigen Tools für die richtigen Aufgaben auszuwählen und messbare Erfolge zu definieren:

• Multi-Modell-Architekturen bevorzugen: Kein einzelnes KI-Modell ist für alle Aufgaben gleich gut geeignet. Unternehmen sollten daher die Stärken und Grenzen verschiedener Modelle genau analysieren und Aufgaben gezielt an die besten Systeme delegieren. Eine Standardisierung auf einen einzigen Anbieter oder ein einziges Modell erhöht nicht nur das Risiko von Abhängigkeiten, sondern führt auch zu suboptimalen Ergebnissen in vielen Use Cases.

• Premium-Modelle gezielt einsetzen: Agenten sind kein billiges SaaS-Produkt – sie sind ein Hebel für die Produktivität. Unternehmen sollten in hochwertige Modelle investieren, die weniger Nacharbeit erfordern und langfristig Kosten sparen. Die günstigste Option ist nicht die mit den niedrigsten Token-Preisen, sondern die, die am Ende die wenigsten Probleme verursacht.

• Erfolgsmessung an Geschäftsergebnissen ausrichten: Zeilen Code, Pull Requests oder Deployment-Zahlen waren schon immer schlechte Produktivitätskennzahlen – und mit Agenten werden sie noch irreführender. Stattdessen sollten Unternehmen messen:
• Wie viele Nutzer*innen tatsächlich die neuen Features verwenden
• Wie hoch die Fehlerrate in der Produktion ist
• Wie lange Code überlebt, bevor er angepasst werden muss
• Wie viel Nacharbeit pro Dollar KI-Ausgaben anfällt

Phase 3: Talent und Organisation – vom Code-Schreiber zum System-Architekten

Der größte Engpass entsteht nicht durch fehlenden Code, sondern durch fehlende Expertise. Unternehmen müssen ihre Teams neu ausrichten:

• *Entwicklerinnen zu Systemdenkerinnen weiterbilden: Wenn Agenten den Großteil des Codes schreiben, verlagert sich die Arbeit auf Architektur, Integration und Überwachung. Entwicklerinnen brauchen Schulungen, um Agentenflotten zu steuern, komplexe Systeme zu verstehen und die übergeordnete Vision zu wahren – Aufgaben, für die Agenten oft nicht geeignet sind.

• Leistungsbewertungen an Impact ausrichten: Traditionelle Metriken wie Story Points oder Sprint-Geschwindigkeit verlieren an Bedeutung, wenn eine einzelne Entwicklerin plötzlich die Arbeit eines ganzen Teams übernehmen kann. Stattdessen sollten Unternehmen messen:
• Wie viele Business-Probleme gelöst wurden
• Wie zuverlässig die Systeme sind
• Wie gut Agenten orchestriert werden

Nur so lassen sich strategisch denkende Mitarbeiter*innen fördern, die langfristig stabile Produkte bauen.

• Keine Entlassungen vor der Strategie: Unternehmen sollten nicht vorschnell Personal abbauen, bevor sie nicht verstanden haben, wie Agenten ihre Workflows verändern. Erst wenn Prozesse, Governance und Technologie aufeinander abgestimmt sind, können sie fundiert entscheiden, ob und wie viele Stellen reduziert werden müssen.

Die Zukunft: KI als Hebel, nicht als Wunderwaffe

Agentenbasierte KI wird die Softwareentwicklung nachhaltig verändern – aber nur für diejenigen, die ihre Grenzen verstehen. Geschwindigkeit allein führt nicht zu besseren Produkten. Erfolgreiche Unternehmen werden diejenigen sein, die:

• Technische Schulden aktiv managen – nicht nur Code, sondern auch Anforderungen und Integrationen sauber dokumentieren
• KI als Werkzeug begreifen – und nicht als Ersatz für menschliche Expertise
• Ihre Teams umschulen – von reinen Code-Produzentinnen zu Systemdenkerinnen und Agentenmanager*innen

Die nächsten Jahre werden zeigen, wer die neuen Spielregeln der Softwarentwicklung meistert – und wer in der Flut von Agenten-Code untergeht.