Agentic Engineering: KI-Agenten in der Softwareentwicklung und SDLC

Agentic Engineering: Wie KI-Agenten den Software-Entwicklungszyklus transformieren

Die Integration von KI-Agenten verändert die Ansätze der Softwareentwicklung grundlegend und verspricht eine erhebliche Verkürzung der Zeit von der Konzeption bis zur Veröffentlichung. Dieser Prozess ist jedoch keine Einheitslösung und variiert erheblich je nach Projekttyp. Während Greenfield-Projekte eine radikale Beschleunigung erfahren können, erfordern Brownfield-Projekte und stark regulierte Umgebungen einen nuancierteren Ansatz, bei dem die menschliche Rolle bei der Gewährleistung von Qualität, Sicherheit und Compliance weiterhin von entscheidender Bedeutung ist. Das Verständnis dieser Unterschiede und die Anpassung der Strategien des Software Development Lifecycle (SDLC) zur Nutzung der Fähigkeiten von KI-Agenten wird zu einem entscheidenden Erfolgsfaktor für moderne IT-Teams.

Der differenzierte Einfluss von KI auf den SDLC

Das Konzept des Agentic Engineering, das den aktiven Einsatz von KI-Agenten in verschiedenen Entwicklungsphasen beinhaltet, erweist sich als wirksam bei der Reduzierung der Lead Time – einer kritischen Leistungsmetrik. Das Ausmaß und die Art dieses Einflusses variieren jedoch erheblich je nach Projektkontext. Es gibt keinen einzigen, universellen, agentengesteuerten SDLC; stattdessen entsteht ein Spektrum von Szenarien, die jeweils spezifische Aufmerksamkeit für Metriken und Prozesse erfordern. Das Kernprinzip ist, dass menschliches Eingreifen für kritische Aspekte unerlässlich bleibt, während Routine- und sich wiederholende Aufgaben erfolgreich automatisiert werden können.

Greenfield-Projekte: Maximale Beschleunigung und neue Risiken

Projekte, die von Grund auf neu entwickelt werden (Greenfield), stellen ein ideales Umfeld für die vollständige Implementierung von Agentic Engineering dar. Das Fehlen von Legacy-Codebasen und bestehenden Benutzern minimiert die Fehlerkosten und ermöglicht es den Teams, sich auf Geschwindigkeit und Innovation zu konzentrieren. Unter solchen Bedingungen können KI-Agenten die Zeit von der Anforderungsdefinition bis zur Produktionsbereitstellung erheblich verkürzen. Wesentliche Änderungen umfassen:

• Automatisiertes Code-Review: Für nicht-kritischen Code können die meisten Prüfungen durch KI-Agenten automatisiert werden, mit selektiven manuellen Überprüfungen. Kritisch wichtige Module, wie z.B. Autorisierungs- oder Zahlungsabwicklung, erfordern weiterhin ein 100% manuelles Code-Review durch erfahrene Spezialisten.
• Observability als Schutzmechanismus: Canary Releases und automatische Rollbacks werden zu den primären Mechanismen zur Gewährleistung der Produktionsstabilität. Dies erfordert eine tiefe Integration von Monitoring- und Logging-Systemen sowie die strikte Einhaltung von Engineering-Praktiken: mehrstufiges Testen, lose gekoppelte Architektur und sauberer Code.
• Radikale Reduzierung der Iterationen: KI-Agenten beschleunigen den Feedback-Loop erheblich und liefern fertige Ergebnisse in wesentlich kürzerer Zeit.

Um die Effektivität zu bewerten und eine Verschlechterung in Greenfield-Projekten zu verhindern, werden die folgenden Metriken zur Verfolgung empfohlen:

• Lead Time: Sollte weniger als 1 Tag betragen.
• Deployment Frequency: Mehr als einmal täglich.
• Change Failure Rate: Einhaltung der DORA-Standards (0-15 %).

Brownfield-Projekte: Balance zwischen Geschwindigkeit und Stabilität

Bei bestehenden Produkten (Brownfield) mit einer etablierten Benutzerbasis und technischen Schulden sind die Fehlerkosten erheblich höher. Hier erfordert die Implementierung von KI-Agenten einen vorsichtigeren und strukturierteren Ansatz. Das Hauptziel ist es, die Entwicklungszeit zu verkürzen, ohne die Stabilität und Sicherheit zu beeinträchtigen. Der Ansatz für das Code-Review sollte dreistufig sein:

• Sicherheit und kritischer Code: 100 % manuelle Überprüfung durch erfahrene Spezialisten (z.B. für Authentifizierungssysteme, Zahlungsgateways, Umgang mit personenbezogenen Daten).
• Geschäftslogik: 30-40 % manuelle Überprüfung durch Kollegen.
• Dienstprogramme und Anwendungstools: Automatisierte Überprüfung durch KI-Agenten mit selektiven manuellen Prüfungen (für Tests, Dokumentation, Konfigurationen).

Statistiken zeigen, dass KI-generierte Pull Requests (PRs) in 32,7 % der Fälle Nacharbeit erfordern, verglichen mit 84,5 % bei von Menschen geschriebenem Code (LinearB 2026 Benchmarks), was die Notwendigkeit menschlicher Validierung unterstreicht, insbesondere bei Code mit hohem Risiko. Phasenweise Rollouts über Vorproduktionsumgebungen und robuste Observability-Frameworks mit proaktivem Monitoring und automatischen Rollbacks sind unerlässlich.

Wichtige Metriken für Brownfield-Projekte:

• Code Review Zeit: Sollte trotz steigender Anzahl von PRs nicht zunehmen.
• Anzahl der Defekte: Sollte stabil bleiben oder abnehmen.
• SLA/SLO: Sollte nicht sinken.
• Entwicklerzufriedenheit: Sollte nicht abnehmen.

Regulierte Branchen: Compliance und Auditierbarkeit gewährleisten

In Sektoren wie FinTech, MedTech oder Versicherungen sind Brownfield-Projekte mit einer zusätzlichen Ebene strenger regulatorischer Anforderungen verbunden. Hier können KI-Agenten einzelne Phasen beschleunigen und Leerlaufzeiten reduzieren, aber die menschliche Verantwortlichkeit und eine klare Änderungshistorie bleiben zwingend erforderlich. Phasen können kombiniert werden (z.B. Compliance und Anforderungen), aber sie können nicht vollständig eliminiert werden. Eine gründliche Dokumentation ist unerlässlich: wer hat generiert, wer hat genehmigt, welche Änderungen wurden vorgenommen – alles für Audit-Zwecke.

Eine radikale Reduzierung der Implementierungszeit ist in solchen Projekten schwieriger zu erreichen, aber KI trägt dennoch zur Optimierung bei. Beispielsweise können KI-Agenten Code effektiv mit regulatorischen Anforderungen abgleichen und Systeme auf Schwachstellen scannen, wodurch der Compliance-Verifizierungsprozess erheblich beschleunigt wird.

Wichtige Metriken für regulierte Branchen:

• Change Failure Rate: Sollte nicht steigen.
• Compliance-Verifizierungszeit: Sollte schrittweise abnehmen.
• Entwicklungsgeschwindigkeit: Sollte steigen, während die vollständige Konformität von Produkten und Dienstleistungen mit den regulatorischen Anforderungen gewahrt bleibt.

Wichtige Erkenntnisse

• KI-Agenten reduzieren die Lead Time erheblich, aber ihr Einfluss hängt stark vom Projekttyp ab: Greenfield-Projekte erfahren maximale Beschleunigung, während Brownfield- und regulierte Umgebungen eine vorsichtigere und kontrolliertere Implementierung erfordern.
• Menschliche Validierung und Code-Review bleiben unerlässlich für kritisch wichtigen Code und in Hochrisikoszenarien, insbesondere in Brownfield- und regulierten Projekten, wo Fehler hohe Kosten verursachen.
• Observability und robuste Engineering-Praktiken (Testen, Architektur, sauberer Code) sind von entscheidender Bedeutung, um Stabilität und Sicherheit bei der Implementierung von Agentic Engineering zu gewährleisten und dienen als primärer Abwehrmechanismus.
• DevOps-Metriken (Lead Time, Deployment Frequency, Change Failure Rate) müssen zusammen mit spezifischen Indikatoren (Code Review Zeit, Anzahl der Defekte, SLA/SLO, Entwicklerzufriedenheit, Compliance-Verifizierungszeit) sorgfältig verfolgt werden, um die Effektivität zu bewerten und negative Folgen der KI-Agenten-Implementierung zu verhindern.
• In regulierten Branchen beschleunigt KI einzelne Phasen, hebt aber die menschliche Verantwortlichkeit und die Notwendigkeit, alle Änderungen für Audit-Zwecke zu dokumentieren und die Einhaltung gesetzlicher Vorschriften zu gewährleisten, nicht auf.

— Editorial Team