Agentic Engineering

Unsere Position. Agentic Engineering ist für uns Engineering-Disziplin, angewandt auf KI-Systeme (öffnet in einem neuen Tab), kein Vibe Coding. Was eine KI-Demo von Produktion trennt (öffnet in einem neuen Tab), ist Disziplin, nicht Intelligenz.

Das Fundament bleiben die Werte, Prinzipien und die Philosophie aus Software Engineering. Agenten haben das Betriebsmodell des Software Engineerings nicht verändert (öffnet in einem neuen Tab). Sie haben offengelegt, ob ein Team überhaupt eines hatte.

Was unterscheidet Agentic Engineering von Vibe Coding?

Vibe Coding promptet, bis etwas läuft. Agentic Engineering legt vorher fest, was “fertig” heißt, und prüft genau das. Unstrukturiertes KI-gestütztes Coding trägt einen Prototyp. An einer Codebasis, die ein Team pflegen muss, bricht es zusammen. Systematische Praxis ersetzt es durch schriftlich festgehaltene Absicht, kuratierten Kontext und deterministische Verifikation.

Wie praktizieren Teams es?

Die Praxis hat vier Teile: wie die Arbeit organisiert ist, was der Agent sieht, wie die Ausgabe geprüft wird und wie das System entworfen ist.

Wer nur das Coding-Tool tauscht und das Sprint-basierte Betriebsmodell behält, holt bloß einen Bruchteil des Gewinns. Die meisten Fehler von Agenten sind Kontextfehler. Deshalb ist Kontext der wichtigste Hebel für Qualität. Sobald Generieren billig ist, begrenzt die Verifikation das Tempo. Specs und Tests werden Teil der Architektur, denn der Agent liest sie.

• Methoden und Frameworks: wie sich agentische Arbeit organisieren lässt, mit Spec-driven Development, dem Agent-from-the-Loop und den Stellen, an denen das alte Agile bricht.
• Memory und Context Engineering: wie ihr das Kontextfenster steuert, mit Retrieval, persistentem Memory und der Informationsarchitektur, die Agenten lesen.
• Qualität und Verifikation: wie generierter Code vertrauenswürdig wird, mit Review als Bottleneck, AI-TDD, deterministischen Gates und Evals.
• Architektur und Design: wie Architekturarbeit im Stack nach oben wandert, wenn Agenten den Code schreiben, mit Specs und Tests als maßgeblicher Quelle.

Woran erkennt ihr, ob ein Team darin besser wird?

Messt das Ergebnis, das dem Business wichtig ist, nicht den Anteil des Codes, den ein Agent geschrieben hat. Ein Reifegradmodell ordnet Engineers auf einem Weg ein, der vom gelegentlichen Prompten bis zum Betrieb von Agenten als System führt. Eine kleine Zahl von KPIs zeigt, ob sich bei der Delivery etwas bewegt hat.

• AEMM: Evidenz aus der Industrie: was veröffentlichte Reports und Berichte aus der Praxis über jede Stufe sagen.

Was ändert sich im Enterprise-Maßstab?

Im Enterprise-Maßstab wird Kontext zu einem Produkt, das Domänen verantworten und eine gemeinsame Plattform bereitstellt. Ein zentraler Speicher scheitert an den Domänen, die er nicht versteht. Ein Speicher pro Team zersplittert die Governance.

• Federated Context Platform für KI-Agenten im Unternehmen: der Bauplan für Kontext im Enterprise-Maßstab mit Context as a Product, dem Vier-Schichten-Modell, LLM-Gateway, Kontextkatalog, polyglottem Retrieval und Governance.

Verwandte Seiten

• Software Engineering: die klassischen Grundlagen, auf denen Agentic Engineering aufbaut.
• Product Management: die Produktseite desselben Wandels, von Tickets zu schriftlich festgehaltener Absicht.
• Software Factories: das dauerhafte Produktionssystem, das Teams um ihre Agenten herum bauen.
• Tools: die Coding-Agenten, Modelle und Protokolle, mit denen diese Arbeit läuft.
• Evidenz: die Studien und Reports hinter diesen Aussagen.

Quellen

Posts

• Das Betriebsmodell nicht verändert (öffnet in einem neuen Tab) - LinkedIn-Post mit der These, dass Agenten das Betriebsmodell des Software Engineerings nicht verändert haben. Sie haben offengelegt, ob ein Team eines hatte.
• Engineering-Disziplin, angewandt auf KI-Systeme (öffnet in einem neuen Tab) - LinkedIn-Post, der Agentic Engineering als Engineering-Disziplin für KI-Systeme definiert und gegen Vibe Coding abgrenzt.
• Was eine KI-Demo von Produktion trennt (öffnet in einem neuen Tab) - LinkedIn-Post mit der These, dass Disziplin eine KI-Demo von einem Produktivsystem trennt, nicht die Intelligenz des Modells.