Vier Prozent aller öffentlichen Commits auf GitHub werden bereits von einem einzigen KI-Coding-Tool verfasst, einem Tool, das vor einem Jahr noch nicht existierte. Laut Analysen von SemiAnalysis könnte dieser Anteil bis Ende 2026 auf über 20 Prozent steigen. Was als Experiment begann (autonome KI-Agenten, die eigenständig Code schreiben, testen und deployen), hat sich zur neuen Realität der Softwareentwicklung entwickelt. Spitzeningenieure bei führenden Technologieunternehmen berichten, seit Monaten keine einzige Zeile Code mehr manuell geschrieben zu haben. Stattdessen dirigieren sie parallel laufende KI-Agenten, die 20 oder 30 Pull Requests pro Tag produzieren.
Für Unternehmen, die auf hochwertige Webanwendungen und Softwarelösungen setzen, stellt sich nicht mehr die Frage, ob KI-Agenten die Entwicklung verändern, sondern wie schnell sie ihre eigenen Prozesse, Teams und Produkte darauf ausrichten.
Was „Agentic Coding" von klassischer KI-Unterstützung unterscheidet
Der Begriff „KI im Coding" ist nicht neu. Autovervollständigung, Code-Vorschläge, Chatbot-Assistenten: All das gibt es seit Jahren. Doch Agentic Coding markiert einen qualitativen Sprung: Hier agiert die KI nicht als passiver Assistent, sondern als eigenständiger Agent, der Tools nutzt, Entscheidungen trifft und in echten Systemen handelt.
Der entscheidende Unterschied liegt im Wort Agent: Ein Agent ist ein KI-Modell, das nicht nur spricht, sondern handelt. Es kann:
- Dateisysteme durchsuchen und Codebasen analysieren
- eigenständig Git-Operationen durchführen
- Tests schreiben, ausführen und Fehler beheben
- Build-Prozesse steuern und Deployments anstoßen
- Bug-Reports lesen, Telemetriedaten auswerten und daraus Handlungsempfehlungen ableiten
Das ist fundamental anders als ein Copilot, der Zeile für Zeile Vorschläge macht. Ein Agent übernimmt ganze Aufgabenketten: vom Verstehen des Problems bis zur fertigen Lösung als Pull Request.
Vom Codeschreiber zum Dirigenten
Die Rolle des Softwareentwicklers verschiebt sich damit massiv. Wer heute effektiv mit KI-Agenten arbeitet, schreibt keinen Code mehr im klassischen Sinne. Stattdessen:
- Definiert Ziele und Constraints: Was soll gebaut werden? Welche Qualitätsanforderungen gelten?
- Steuert parallele Agenten: Fünf oder mehr Agenten laufen gleichzeitig an unterschiedlichen Aufgaben.
- Reviewt Ergebnisse: Code wird gelesen und validiert, aber nicht mehr geschrieben.
- Iteriert auf höherer Ebene: Architekturentscheidungen, Systemdesign und Nutzerfeedback stehen im Zentrum.
Laut dem Stack Overflow Developer Survey 2025 nutzen bereits 84 Prozent aller Entwickler KI-Tools oder planen deren Einsatz, ein Anstieg gegenüber 76 Prozent im Vorjahr. Die Pragmatic Engineer-Umfrage von 2026 zeigt zudem, dass 55 Prozent der Befragten regelmäßig KI-Agenten einsetzen, ein massiver Sprung innerhalb weniger Monate.
Warum Coding „weitgehend gelöst" ist und was das wirklich bedeutet
Die Aussage „Coding ist gelöst" klingt provokant. Gemeint ist nicht, dass Software-Engineering überflüssig wird. Gemeint ist: Die handwerkliche Tätigkeit des Code-Schreibens (Syntax, Boilerplate, Implementierungsdetails, Dependency-Management) ist kein Engpass mehr. KI-Agenten lösen diese Aufgaben zuverlässig, schneller und zunehmend fehlerfrei.
Die Parallele zur Geschichte ist aufschlussreich: Im Europa des 15. Jahrhunderts konnte nur ein sehr kleiner Teil der Bevölkerung lesen und schreiben. Schreiber waren hochspezialisierte Fachkräfte. Dann kam der Buchdruck. In den 50 Jahren nach Gutenbergs Erfindung wurde mehr gedruckt als in den tausend Jahren zuvor. Die Kosten fielen um den Faktor 100. Die Alphabetisierung stieg über die folgenden 200 Jahre in Teilen Europas auf rund 70 Prozent.
Entscheidend: Die Schreiber verschwanden nicht. Doch ihre Aufgabe veränderte sich radikal. Ein historisches Beispiel zeigt einen Schreiber, der die Druckerpresse begrüßte, weil sie ihn von der mühsamen Kopierarbeit befreite und ihm mehr Zeit für Illustration und Buchbindung ließ.
Für die Softwareentwicklung bedeutet das: Die kreative, architektonische und strategische Arbeit rückt in den Vordergrund. Wer heute komplexe Webentwicklungsprojekte plant und umsetzt, verbringt mehr Zeit mit den Fragen „Was bauen wir?", „Warum?", „Wie hängt alles zusammen?" und investiert weniger Zeit in reine Schreibarbeit auf Codeebene.
Fünf Prinzipien für die KI-gestützte Softwareentwicklung
Aus der Praxis führender Engineering-Teams lassen sich konkrete Prinzipien ableiten, die für jedes Unternehmen relevant sind, das Softwareentwicklung betreibt oder beauftragt.
1. Für das Modell von morgen bauen, nicht für das von heute
KI-Modelle verbessern sich exponentiell. Was heute noch holprig funktioniert, läuft in wenigen Monaten oft schon zuverlässig. Wer Architekturen, Workflows oder Produkte ausschließlich auf die heutigen Fähigkeiten eines Modells zuschneidet, riskiert, bei der nächsten Modellgeneration von Grund auf umbauen zu müssen.
Das Prinzip: Systeme so entwerfen, dass sie von leistungsfähigeren Modellen unmittelbar profitieren. Das bedeutet in der Praxis:
- Lose Kopplung zwischen Geschäftslogik und KI-Komponenten
- API-basierte Architekturen, die den Austausch von Modellen ermöglichen
- Minimale Scaffolding-Schichten, die bei Modellupgrades nicht zum Hindernis werden
2. Die „Bitter Lesson" beherzigen
Rich Suttons einflussreicher Essay „The Bitter Lesson" aus dem Jahr 2019 formuliert eine unbequeme Wahrheit: Allgemeine Methoden, die mit mehr Rechenleistung skalieren, schlagen langfristig immer spezialisierte, handgefertigte Lösungen.
Für die Praxis der Softwareentwicklung bedeutet das:
- Nicht zu viel Scaffolding um Modelle bauen. Aufwändige Orchestrierungs-Workflows (Schritt 1, dann Schritt 2, dann Schritt 3) bringen kurzfristig vielleicht 10 bis 20 Prozent Verbesserung, aber der nächste Modellsprung macht diese Gewinne oft zunichte.
- Auf das allgemeinere Modell setzen. Feintuning und Spezialmodelle haben Nischen, aber für die meisten Anwendungen ist das leistungsfähigste allgemeine Modell die bessere Wahl.
- Dem Modell Werkzeuge geben statt Instruktionen. Anstatt exakte Schritte vorzuschreiben, erhält der Agent ein Ziel und die nötigen Tools und findet den Weg selbstständig.
3. Teams bewusst schlank halten
Ein kontraintuitives Prinzip: Leicht unterbesetzte Teams produzieren mit KI-Agenten oft bessere Ergebnisse als überbesetzte. Der Mechanismus dahinter ist einfach: Wenn die Personaldecke knapp ist, steigt der natürliche Druck, KI-Agenten kreativ einzusetzen. Ein einzelner Ingenieur, der ein Projekt mit voller Agent-Unterstützung vorantreibt, kann Ergebnisse liefern, die früher ein Team von fünf erfordert hätten.
Die Zahlen stützen das: Anthropic berichtet seit der Einführung von Claude Code intern von einer 200-prozentigen Produktivitätssteigerung pro Ingenieur, gemessen an Pull Requests. Zum Vergleich: In der Prä-KI-Ära galten einige Prozentpunkte Produktivitätszuwachs pro Jahr bereits als Erfolg, selbst wenn Hunderte von Ingenieuren an der Optimierung arbeiteten.
4. Token-Budgets großzügig bemessen
Ein häufiger Fehler: Unternehmen versuchen, die Kosten für KI-Modellnutzung von Anfang an zu optimieren. Sie setzen kleinere, günstigere Modelle ein oder limitieren die Nutzung. Das ist kontraproduktiv.
Leistungsfähigere Modelle sind oft effektiver und im Ergebnis günstiger, weil sie Aufgaben in weniger Durchläufen und mit weniger Korrekturbedarf lösen. Ein günstigeres, weniger fähiges Modell braucht mehr Tokens für dieselbe Aufgabe; die Gesamtkosten sind häufig höher.
Der bessere Ansatz:
- Phase 1, Experimentieren: Ingenieuren so viele Tokens wie möglich zur Verfügung stellen. Die Kosten für individuelle Experimente sind relativ zum Gehalt gering.
- Phase 2, Skalieren: Sobald ein funktionierender Ansatz gefunden ist, gezielt optimieren: kleinere Modelle für Routineaufgaben, leistungsfähigere für Kernlogik.
Einige der produktivsten Ingenieure verbrauchen mittlerweile sechsstellige Token-Budgets pro Monat. Zunehmend wird unbegrenzter KI-Zugang als Recruiting-Vorteil eingesetzt: ein Signal dafür, dass Unternehmen verstehen, welchen Hebel diese Investition darstellt.
5. Dem Modell nicht vorschreiben, wie es denken soll
Viele Teams versuchen instinktiv, KI-Modelle in enge Bahnen zu lenken: strenge Workflows, rigide Prompts, exakte Schritt-für-Schritt-Anweisungen. Das funktionierte bei früheren Modellgenerationen. Heute ist es ein Hemmnis.
Der effektivere Ansatz: Dem Modell Werkzeuge und ein Ziel geben und ihm den Lösungsweg überlassen. Moderne Agenten entscheiden eigenständig, welche Tools sie in welcher Reihenfolge einsetzen. Sie schreiben sich bei Bedarf eigene Hilfsprogramme, analysieren Daten, die ihnen zur Verfügung stehen, und finden Lösungswege, die kein menschlicher Entwickler so instruiert hätte.
Die Rolle des Menschen: Vom Coder zum Builder
Die Jobbezeichnung „Software Engineer" steht vor einem fundamentalen Wandel. Was sich abzeichnet, ist keine Abschaffung, sondern eine Neudefinition: Die Rolle verschmilzt zunehmend mit Produktmanagement, Design und strategischer Planung.
In leistungsstarken Teams lässt sich heute bereits beobachten:
| Funktion | Traditionell | Mit KI-Agenten |
|---|---|---|
| Engineering | Code schreiben, debuggen, reviewen | Agenten steuern, Architektur definieren, Ergebnisse validieren |
| Produktmanagement | Anforderungen definieren, priorisieren | Selbst codieren mit Agent-Unterstützung, direkt validieren |
| Design | Mockups erstellen, an Engineering übergeben | Eigene Designs mit Agent-Unterstützung implementieren |
| Datenanalyse | SQL-Queries schreiben, Dashboards bauen | Agenten für Analysen einsetzen, Ergebnisse interpretieren |
Die Grenzen zwischen diesen Rollen verschwimmen rapide. Der gemeinsame Nenner: Jeder baut. Produktmanager, die eigene Prototypen implementieren. Designer, die ihre Entwürfe direkt in Code umsetzen. Analysten, die komplexe Datenauswertungen per Agenten durchführen, ohne eine Zeile SQL zu schreiben.
Für Unternehmen, die strategische Beratung in der digitalen Transformation suchen, ergibt sich daraus eine zentrale Erkenntnis: Die wertvollsten Mitarbeitenden werden künftig Generalisten sein, also Menschen, die Technik, Produkt, Design und Business-Logik übergreifend denken und KI-Agenten als Multiplikator einsetzen.
Jevons Paradox: Mehr Produktivität, mehr Nachfrage
Eine berechtigte Sorge: Wenn KI-Agenten den Großteil des Codes schreiben, braucht man dann weniger Entwickler? Die bisherigen Daten deuten auf das Gegenteil hin, ein Phänomen, das als Jevons Paradox bekannt ist.
Das Grundprinzip: Wenn eine Ressource effizienter genutzt wird, sinkt ihr Preis, und die Nachfrage steigt so stark, dass der Gesamtverbrauch zunimmt. Auf die Softwareentwicklung übertragen: Wenn Code-Produktion drastisch günstiger wird, werden Tausende von Projekten wirtschaftlich tragbar, die vorher undenkbar waren.
Die Stellenausschreibungen für Softwareentwickler, die Mitte 2025 einen Tiefpunkt erreichten, steigen seit Monaten kontinuierlich, je nach Datenquelle inzwischen zweistellig prozentual über dem Tiefstand. Unternehmen, die KI-Agenten eingeführt haben, stellen weiterhin ein. Die Nachfrage verschiebt sich allerdings: Gesucht werden zunehmend Menschen, die Probleme lösen, Systeme entwerfen und KI-gestützte Workflows orchestrieren, weniger reine Code-Produzenten.
Sicherheit und Qualität: Kein Autopilot ohne Aufsicht
Die Geschwindigkeit, mit der KI-Agenten Code produzieren, bringt neue Herausforderungen für Qualitätssicherung und Sicherheit:
Automatisierte Code-Reviews als Standard
Wenn ein einzelner Entwickler 20 oder 30 Pull Requests pro Tag erstellt, kann kein menschliches Review-System mithalten. Die Lösung: KI-Agenten prüfen sich gegenseitig. Der Agent erstellt den Code, ein zweiter Agent prüft ihn, mit einer menschlichen Kontrollschicht darüber.
Sandboxing und kontrollierte Ausführung
Agenten, die eigenständig auf Dateisystemen, APIs und Datenbanken operieren, benötigen klare Sicherheitsgrenzen. Open-Source-Sandboxes, die Agenten in kontrollierten Umgebungen ausführen, werden zum Standard. Die Idee: Dem Agenten genug Freiheit geben, um effektiv zu arbeiten, aber mit klar definierten Grenzen, was er berühren darf.
Drei Ebenen der Sicherheit
Für den verantwortungsvollen Einsatz von KI-Agenten haben sich drei Sicherheitsebenen etabliert:
- Alignment und Interpretierbarkeit: Verstehen, was im Modell selbst passiert. Welche Neuronen aktivieren sich bei welchen Aufgaben? Gibt es Anzeichen für unerwünschtes Verhalten?
- Evaluierung im Labor: Synthetische Testszenarien, die prüfen, ob der Agent in kritischen Situationen korrekt handelt.
- Verhalten in der Praxis: Das Modell im realen Einsatz beobachten und aus Abweichungen lernen.
Gerade die dritte Ebene gewinnt an Bedeutung: Ein Agent kann alle Tests bestehen und sich in der Praxis anders verhalten. Deshalb ist ein früher, kontrollierter Release mit engem Feedback-Loop oft sicherer als ein verzögerter Launch nach perfektionierter Laborentwicklung.
Was bedeutet das für Ihre Digitalstrategie?
Die Implikationen von Agentic Coding reichen weit über die Engineering-Abteilung hinaus:
Für IT-Entscheidungsträger:
- Softwarearchitekturen sollten auf lose Kopplung und API-First-Prinzipien setzen, um von KI-Agenten maximal zu profitieren.
- Die Auswahl von Tech-Stacks wird weniger von Sprachpräferenzen und mehr von Agenten-Kompatibilität bestimmt.
Für Produktverantwortliche:
- Prototyping-Zyklen verkürzen sich auf Tage statt Wochen. Die Fähigkeit, schnell zu iterieren, wird zum zentralen Wettbewerbsvorteil.
- „Latent Demand" systematisch identifizieren: Wo nutzen Anwender bestehende Produkte auf unvorhergesehene Weise? Dort liegen die nächsten Produktchancen.
Für das Management:
- Die Investition in KI-Token-Budgets und -Infrastruktur ist keine Kostenstelle, sondern ein Produktivitätshebel mit messbarem ROI.
- Teams, die KI-nativ arbeiten, können mit weniger Headcount mehr Output liefern. Allerdings steigen die Qualifikationsanforderungen an jeden Einzelnen.
Der Blick nach vorn: Vom Code-Agenten zum Allround-Agenten
Die nächste Evolutionsstufe zeichnet sich bereits ab: KI-Agenten, die nicht nur Code schreiben, sondern eigene Ideen entwickeln. Agenten, die Nutzerfeedback auswerten, Telemetriedaten analysieren und eigenständig Vorschläge machen, was als Nächstes gebaut oder behoben werden sollte. Agenten, die Projektmanagement automatisieren, E-Mails beantworten und zwischen verschiedenen Tools koordinieren.
Die Entwicklung folgt einer klaren Logik: erst Coding, dann Tool-Nutzung, dann Computer-Nutzung. Was für Ingenieure bereits Realität ist, also autonome Agenten, die über Stunden eigenständig arbeiten, wird in den kommenden Monaten für Produktmanager, Designer, Analysten und weitere Funktionen greifbar.
Für Unternehmen, die digitale Produkte bauen oder ihre Prozesse digitalisieren, ist jetzt der Moment, die eigene Entwicklungskultur zu hinterfragen. Die Frage lautet nicht mehr: „Setzen wir KI ein?" Sie lautet: „Wie schnell schaffen wir es, unsere Teams, Architekturen und Workflows so aufzustellen, dass sie von der nächsten Modellgeneration sofort profitieren?"
Bei mindtwo begleiten wir Unternehmen bei genau dieser Transformation: von der strategischen Konzeption über die technische Architektur bis zur Umsetzung skalierbarer, zukunftssicherer Digitalprodukte. Denn die Werkzeuge ändern sich. Aber der Anspruch an durchdachte, leistungsfähige Lösungen bleibt.
