Eine Schleife, ein Orakel
Eine wiederverwendbare Methode für agentische Softwareentwicklung: Der Mensch legt die gewünschten Ergebnisse fest, Agenten bearbeiten die Aufgaben, und ein Merge-Gate prüft die fertige Funktion am laufenden Produkt. Eine feste Aufgabenliste, geschützte Abnahmeszenarien und regelmäßige Regressionstests halten die Entwicklung auf Kurs. Der Ablauf lässt sich auf unterschiedliche Produkte und Modelle übertragen.
Warum mein agentischer SDLC ins Stocken geriet
In meinen Projekten arbeiteten die Agenten weiter, schrieben Tests und prüften ihre Ergebnisse. Neue nutzbare Funktionen kamen zeitweise kaum hinzu. Bei der Untersuchung fand ich Regeln, die diesen Zustand verlängerten. Seit dem 26. September erhält der Ablauf brauchbaren Versuchscode und begrenzt den gesamten Reparaturaufwand. Ein zweites Projekt habe ich auf ausführbare Szenarien und ein Merge-Gate umgestellt. Ein Geschwindigkeitsgewinn ist noch nicht nachgewiesen.
Die Einführung des Koordinators
Drei Product-Owner-Agenten verantworten ihre eigenen Aufträge parallel. Ein Koordinator klärt die Konflikte, die sie nicht selbst lösen, und führt geprüfte Änderungen zusammen. Hinter jeder Fertigmeldung verlangt er einen unabhängigen Nachweis. Dazu die Befugnisse der Rollen, die Modellbesetzung und der Weg, auf dem die Codex-Sessions einander erreichen. Aus Fehlern bei Tests und Reviews folgen Änderungen am Entwicklungsprozess.
Claude-Agenten reden miteinander
Ich habe in einer Codebasis drei Claude-Sessions parallel als Product Owner gestartet, orchestriert von Fable 5.1. Während der Arbeit haben sie einander Nachrichten geschickt: Merges angekündigt, den Vollzug mit der Commit-SHA nachgetragen und den mehrstündigen Lauf der Testsuite abgestimmt. Der Beitrag zeigt den Aufbau, Auszüge von den drei Terminals und den Weg, den die Nachrichten technisch nehmen.
Die Grenzen menschlicher Freigaben bei KI-Agenten
Eine menschliche Freigabe im agentischen SDLC bescheinigt einen festen Arbeitsstand gegen vorab formulierte Maßstäbe. Den Agentenlauf selbst deckt sie nicht ab. Eigene Erfahrungen und fünf Arbeiten aus dem Frühjahr und Sommer 2026 zeigen: Kognitive Überlastung ist real. Die Einbindung eines Menschen als Human in the Loop gaukelt Sicherheit und menschliche Teilhabe am Prozess vor.
Ein Junior-Entwickler für 10.000 € einmalig?
Ein lokales 27B-Modell erzeugt auf einem MacBook Pro eine brauchbare Webseite. Der Versuch zeigt, welchen Anteil einer eng geführten Juniorrolle lokale Modelle übernehmen können und wo ihre Grenzen liegen.
Spec-Drift ist der Normalzustand
Spec-Driven Development verspricht, dass eine präzise Spezifikation das Ergebnis der Agenten-Arbeit bestimmt. In zwei internen Projekten mit zusammen rund 850.000 Zeilen Produktcode, über 5.000 Ticket-Dateien und mehr als 7.000 Commits sind Spezifikation und Code trotzdem laufend auseinandergelaufen. Der Beitrag belegt das mit Primärdaten aus beiden Projekten und zehn aktuellen Studien. Er beschreibt außerdem die Gegenmaßnahmen aus der Praxis, ihre Kosten und warum all das Mitigation bleibt.
Die zweite Spur: warum Agenten im Bestandssystem Code doppeln
Coding-Agenten setzen im Bestandssystem oft eine zweite Implementierung neben den vorhandenen Pfad. Der Beitrag erklärt das Phänomen, belegt es mit einer eigenen Auswertung von Korrektur-Findings aus der Git-Historie eines Branches und beschreibt einen Prüfprozess mit Vorab-Gate, unabhängigem Auditor und maschinenlesbarem Verdict.
Die Rolle Entwicklung: Wenn niemand mehr den Code von Hand schreibt
In der agentischen Engineering-Pipeline für den SDLC schreibt die Entwicklerin keinen Quelltext mehr Zeile für Zeile. Ihre Arbeit verschiebt sich auf Machbarkeit, Architektur, Ticketschnitt, Plan und Review. Dieser Beitrag der Serie zeigt, warum Entwickler und Architekt verschmelzen, wie der Agent die Rolle übernimmt und warum hundertprozentige Testabdeckung plötzlich bezahlbar wird, ohne dass sie Korrektheit garantiert.
Die Rolle Business-Analyse: Was gebaut werden soll und warum
Der zweite Teil der Serie zur agentischen Engineering-Pipeline für den SDLC widmet sich der Business-Analyse. Sie liefert eine belegte Wahrheit: was passieren soll, für wen, auf welcher Faktenbasis und mit welchen offenen Fragen. Der Beitrag zeigt, warum diese Aufgabe keine neue Erfindung ist, wie Agenten das alte Ziel eines vollständigen, prüfbaren Tickets erreichbar machen und welche fachlichen E2E-Inhalte vor der Weitergabe an die Entwicklung entstehen müssen.
Die agentische Engineering-Pipeline für den SDLC
Agentische Werkzeuge beschleunigen die Arbeit. Im Brownfield erzeugen sie dabei oft Fehler, die erst spät auffallen. Dieser Auftakt einer Serie stellt die agentische Engineering-Pipeline für den SDLC vor: feste Rollen, explorative Phasen, Zustand in versionierten Artefakten, ein Quality Gate an jedem Übergang und eine zweite Modellmeinung für wichtige Entscheidungen.
Die Architektur des Vergessens
Sprachmodelle haben kein Gedächtnis. Was wie eine Erinnerung wirkt, ist eine Rekonstruktion bei jedem Aufruf. Eine vergleichende Analyse, wie sechs agentische CLIs das Problem des knappen Arbeitsgedächtnisses architektonisch lösen, mit präzisen Schwellwerten und nachvollziehbaren Belegen aus den jeweiligen Codebasen.
Der ROI hängt am Fundament: Was Googles DORA-Team über KI-gestützte Entwicklung berechnet
Google Cloud hat im Februar 2026 einen 60-seitigen Bericht zum Return on Investment KI-gestützter Softwareentwicklung veröffentlicht. Das DORA-Team und die hauseigene Beratungseinheit „delta" rechnen darin in einem Modellunternehmen vor, was Werkzeugeinkauf, Lehrgeld und Wertzuwachs im ersten Jahr ergeben. Die zentrale Aussage steht außerhalb der Tabellen: KI wirkt als Verstärker. Ohne reifes Fundament verstärkt sie die Dysfunktionen einer Organisation.
Agentic Coding zwingt Entwicklerteams zum Umbau
Sprachmodelle haben den Editor verlassen und sind in die Kommandozeile eingezogen. Sie planen, schreiben, testen, deployen. Wer ohne Methode mitarbeitet, verliert die Kontrolle über das Ergebnis. Ich habe ein Schulungsprogramm ausgearbeitet, das beschreibt, was ein Team end-to-end aufsetzen muss, um weiter zu bestehen.
Kontext ist alles
KI-Agenten sind so gut wie der Kontext, den man ihnen gibt. Wer große Projekte mit Agenten umsetzt, kommt mit besserem Kontextmanagement weiter als mit einem besseren Modell. Ein Feldbericht aus zwei Jahren Praxis.