Unter „agentischem Engineering“ versteht man den Einsatz von ingenieurwissenschaftlichem Fachwissen zur Steuerung und Überwachung von KI-Agenten im Rahmen des Softwareentwicklungsprozesses.
Agentisches Engineering betont die agentische Programmierung als Tool und nicht als Kraft zur Erstellung der gesamten Codebasis von Anfang bis Ende. Der Begriff baut auf dem von OpenAI-Mitbegründer Andrej Karpathy geprägten Begriff „Vibe-Codierung“ aus dem Jahr 2025 auf. Vibe-Codierung beschreibt die freie Methode, KI-Tools dazu zu bringen, Code zu generieren, anstatt Code manuell zu schreiben.
Mit Beginn des Jahres 2026 benötigt die Softwarebranche jedoch eine Terminologie, die die professionellen Entwicklungspraktiken besser widerspiegelt. Daher hat Karpathy einen neuen Begriff geprägt: „Agentisches Engineering“. Dieser Artikel beschäftigt sich damit, was agentisches Engineering bedeutet und wie es sich von Vibe-Codierung unterscheidet.
Erhalten Sie kuratierte Einblicke in die wichtigsten – und faszinierendsten – KI-Neuheiten. Abonnieren Sie unseren wöchentlichen Think-Newsletter. Weitere Informationen in der IBM Datenschutzerklärung.
Mit dem rasanten Wachstum von künstlicher Intelligenz (KI) und KI-Agenten ist der Einsatz generativer KI zum Standard-Workflow der Softwareentwicklung geworden. In Stack Overflow’s 2025 Developer Survey, wurde festgestellt, dass 84 % der Befragten KI-unterstützte Programmierung in ihrem Entwicklungsprozess verwenden oder dies beabsichtigen.
Die Umfrage zeigt jedoch auch, dass mehr Entwickler der Genauigkeit von KI-Tools misstrauen als ihnen vertrauen: 46 % äußern Skepsis, während 33 % Vertrauen in die Ergebnisse haben.
Nur ein kleiner Anteil (3 %) sagt, dass sie KI-generierter Ausgabe „sehr vertrauen“. Erfahrene Entwickler sind besonders vorsichtig und zeigen den niedrigsten Anteil an „sehr hohem Vertrauen“ (2,6 %) und den höchsten Anteil an „sehr hohem Misstrauen“ (20 %).¹ Dieses Muster unterstreicht die breite Erwartung, dass menschliche Aufsicht unerlässlich bleibt, insbesondere bei Rollen mit erheblicher Verantwortung.
In der Praxis nutzen Entwickler KI für Aufgaben, die zwar zeitaufwändig sind, aber bei Anleitung durch einen erfahrenen menschlichen Prüfer ein relativ geringes Risiko darstellen. Diese Maßnahme umfasst Aufgaben wie Code-Refactoring, das Generieren von Standardcode und Tests, das Durchführen einfacher Code-Reviews, das Erstellen von Dokumentationen, das Entwerfen von API-Gerüsten und andere Aufgaben mit geringem Risiko.
Zusammenfassend ermöglicht Vibe-Codierung es Entwicklern, schnell zu automatisieren und Prototypen mit wenigen Prompts in natürlicher Sprache mithilfe großer Sprachmodelle (LLMs) oder agentischen Systemen zu erstellen.
Das Wort „Vibe“ im Begriff „Vibe-Codierung“ hat eine beiläufige, improvisatorische Konnotation. Dieses Framing war zwar für die frühe, explorative Phase der KI-gestützten Programmierung gut geeignet, widerspricht aber der aktuellen Realität der Skepsis der Entwickler gegenüber KI-Codierung.
Ohne die entsprechende Expertise in der Verwendung von LLMs zu Zwecken des Software-Engineering kann Vibe-Codierung zu einem sogenannten „KI-Slop“ führen: Code, der nicht nützlich ist oder bestehenden Code kaputt macht. Solch ein defekter Code erhöht oft die technische Verschuldung der Entwicklungsteams, da sie einen Großteil ihrer Zeit damit verbringen, den Code zu verstehen, zu debuggen und zu überarbeiten.
Alternativ wird der Begriff „agentisches Engineering“ von Karpathy auf X anders erläutert:
| Vibe-Codierung | Agentisches Engineering | |
| Menschliche Rolle | Gibt Anweisungen und steuert die KI | Orchestriert, überprüft und validiert Agenten |
| KI-Rolle | Generiert Code aus Prompts | Führt bestimmte Aufgaben aus und iteriert |
| Überwachung | Oft begrenzt | Einbindung von Menschen |
| Hauptfokus | Geschwindigkeit und Experimentierfreude | Engineering in Produktionsqualität |
| Am besten geeignet für | Prototypen und Erkundung | Professionelle Softwareentwicklung |
Möchten Sie mehr darüber erfahren, wie agentisches Engineering die Rolle des Softwareingenieurs verändert? Sehen Sie sich Agentic Engineering vs. Software Engineering: Beyond Vibe-Coding an, um zu erkunden, wie sich agentisches Engineering von traditioneller Softwareentwicklung unterscheidet und wie Entwickler mit KI-Agenten zusammenarbeiten können.
Agentisches Engineering kombiniert Fachwissen im Bereich des menschlichen Engineering mit KI-Agenten, die bestimmte Aufgaben der Softwareentwicklung ausführen. Anstatt ein KI-System aufzufordern, aus einem einzigen Prompt eine komplette Anwendung zu generieren, definieren die Entwickler Ziele, zerlegen komplexe Aufgaben in überschaubare Teilaufgaben, stellen den Agenten den notwendigen Kontext und die notwendigen Tools zur Verfügung und überprüfen und validieren die daraus resultierende Arbeit.
Ein typischer Workflow des agentischen Engineering umfasst die folgenden Schritte:
Definieren von Zielen und Anforderungen. Die Entwickler legen fest, was die Software oder Funktion leisten soll, sowie die technischen Anforderungen, Einschränkungen und Qualitätsstandards.
Unterteilung der Arbeit in Aufgaben. Komplexe Entwicklungsarbeit wird in kleinere, klar definierte Aufgaben unterteilt, die ein KI-Agent ausführen kann, wie z. B. das Schreiben von Code, das Aktualisieren der Dokumentation, das Generieren von Tests oder das Identifizieren von Fehlern.
Zuweisen von Aufgaben an KI-Agenten. Entwickler wählen oder konfigurieren Agenten für spezifische Aufgaben und geben ihnen Zugriff auf den relevanten Code, die Dokumentation, die Entwicklungstools und den restlichen Kontext, den sie für das effektive Arbeiten benötigen.
Orchestrierung und Anleitung der Agenten. Entwickler geben Anweisungen, stellen Abhängigkeiten zwischen den Aufgaben her und bestimmen, wann Agenten unabhängig arbeiten sollen oder wann ihre Ausgaben menschliches Eingreifen erfordern.
Überprüfen und Validieren der Ausgabe. Menschliche Ingenieure bewerten den vom Agenten generierten Code und andere Ausgaben hinsichtlich Korrektheit, Sicherheit, Leistung, Wartbarkeit und Übereinstimmung mit den Anforderungen. Automatisierte Tests und andere Bewertungsinstrumente können diesen Prozess unterstützen.
Iterieren und Optimieren. Agenten können ihre Arbeit auf der Grundlage von Ergebnissen, Entwickler-Feedback oder sich ändernden Anforderungen überarbeiten. Entwickler führen den Prozess fort, bis die Ausgabe die erforderlichen Standards erfüllt.
Integration genehmigter Änderungen. Sobald die Arbeit geprüft und validiert wurde, integrieren die Entwickler den resultierenden Code in den übergeordneten Softwareentwicklungs-Workflow und die Produktionscodebasis.
Der entscheidende Unterschied besteht darin, dass KI-Agenten einen Großteil der Ausführung übernehmen, während menschliche Ingenieure für die Leitung der Arbeit, das Treffen hochrangiger technischer Entscheidungen und die Sicherstellung der Qualität des Endergebnisses verantwortlich bleiben. Dies ermöglicht es Unternehmen, die KI für mehr als nur die Codegenerierung einzusetzen und gleichzeitig das für die professionelle Softwareentwicklung erforderliche technische Urteilsvermögen und die Aufsicht beizubehalten.
Die Einführung von agentischem Engineering erfolgt, indem Unternehmen die richtige Governance etablieren, Entwickler mit den Fähigkeiten für die Arbeit mit KI-Agenten ausstatten und die technische Infrastruktur schaffen, die für agentische Workflows benötigt wird. Dazu gehört die Bereitstellung von relevantem organisatorischem Kontext für Agenten, die Aufteilung der Entwicklungsarbeit in überschaubare Aufgaben und die Einrichtung klarer Prozesse für die menschliche Aufsicht und Validierung.
Unternehmen können verschiedene Maßnahmen ergreifen, um die Akzeptanz zu fördern.
Dieser Prozess beginnt mit der Festlegung klarer Governance-Frameworks, die definieren, wann und wie agentische Workflows eingesetzt werden sollen, wobei die menschliche Aufsicht im Mittelpunkt der Qualitätskontrolle steht. Ingenieurteams sollten nicht nur im Prompting, sondern auch im Systemdesign geschult werden. Es ist entscheidend zu lernen, wie man autonome Agenten orchestriert, deren Ergebnisse validiert und iterative Review-Schleifen in bestehende CI/CD-Pipelines integriert.
Beim agentischen Engineering müssen Entwickler mehr tun, als nur die KI zur Generierung von Code aufzufordern. Teams benötigen die entsprechenden Kompetenzen, um Agenten zu orchestrieren, effektiven Kontext zu bieten, Ergebnisse zu bewerten und übergeordnete technische Entscheidungen zu treffen.
Gut konzipierte Agentensysteme unterteilen Aufgaben in kleinere Module, sodass Agenten in Echtzeit eigenständige Komponenten generieren können, die sich problemlos in die bestehende Codebasis integrieren lassen, ohne dass die technische Verschuldung zunimmt. Viele Organisationen übernehmen zudem RAG-basierte Architekturen, sodass Agenten ihre Ergebnisse auf echte Dokumentation, Spezifikationen und Code-Repositorys stützen können, Halluzinationen reduzieren und die Genauigkeit verbessern.
Unternehmen können auch interne Playbooks entwickeln, die Muster für die sichere Verwendung von Agenten standardisieren, einschließlich Anforderungen an Code-Reviews, Testerwartungen und Konfigurationen von Leitlinien. Ingenieuren Beispiele für erfolgreich eingesetzte agentische KI-Systeme für verschiedene Anwendungsfälle bereitzustellen, kann einen hilfreichen Ausgangspunkt bieten.
Eine erfolgreiche Einführung erfordert eine Veränderung in der Herangehensweise von Softwareteams an die Entwicklung. Sorgen Sie für eine Kultur, die Experimentierfreude fördert und gleichzeitig die Rechenschaftspflicht wahrt: Agentische Systeme sollten die Entwicklung beschleunigen und nicht die Expertise im Softwareingenieurwesen ersetzen. Auf diese Weise können Unternehmen agentisches Engineering so integrieren, dass die Produktivität gesteigert und Entwickler unterstützt werden, ohne das Vertrauen oder die Codequalität zu beeinträchtigen.
Miteinander kombiniert können diese Methoden Unternehmen dabei helfen, von Experimenten mit KI-Codierung zu einem strukturierteren Ansatz im Bereich des agentischen Engineering überzugehen, bei dem KI-Agenten unter angemessener menschlicher Aufsicht zunehmend komplexere Entwicklungsaufgaben übernehmen.
Agentisches Engineering ermöglicht es uns, von der deterministischen Logik zum nuancierten Gebiet des probabilistischen Urteilsvermögens überzugehen. Daher ist ein grundlegender Wandel im Denken von Unternehmen und der Arbeitsweise von Ingenieurteams erforderlich.
Da sich die Landschaft der KI-gestützten Softwareentwicklung ständig weiterentwickelt, wird sich voraussichtlich auch ihre Terminologie weiter verändern. „Agentisches Engineering“ bietet zwar einen ausgereifteren und genaueren Rahmen dafür, wie Entwickler heute mit autonomen Systemen zusammenarbeiten, aber die dahinterstehenden Verfahren werden sich weiter entwickeln, wenn KI-Agenten immer leistungsfähiger werden. In den kommenden Jahren können wir erwarten, dass agentische Systeme immer komplexere Aufgaben bewältigen werden.
Gleichzeitig wird sich die Rolle der Entwickler vom einfachen Schreiben von Code hin zum Entwerfen, Überwachen und Gestalten des Verhaltens dieser KI-Systeme entwickeln. Ganz gleich, ob Sie KI-Ingenieur, Full-Stack-Entwickler, Data Scientist oder jemand sind, der mit Codierung beginnt: Die Kernprinzipien der menschlichen Aufsicht, Systemdesignkompetenz und eine fundierte Entscheidungsfindung werden grundlegend bleiben.
Wenn Sie sich unsicher sind, wo Sie anfangen sollen, fangen Sie klein an. Erkunden Sie einen agentischen Workflow, ob Open Source oder Unternehmensklasse, testen Sie ihn mit Ihrem Team und sehen Sie, was möglich ist.
Beschleunigen Sie die Softwarebereitstellung mit Bob, Ihrem KI-Partner für sichere, absichtsorientierte Entwicklung.
Entwickeln, bereitstellen und verwalten Sie KI-Anwendungen schneller mit unternehmensgerechten Tools.
Gestalten Sie Altsysteme durch intelligente KI-Modernisierung neu.