Agentic Coding: Wie KI-Agenten den SDLC verändern

Jahrelang bedeutete KI in der Softwareentwicklung vor allem eines: Unterstützung.

Entwicklerinnen und Entwickler konnten einen KI-Coding-Assistenten bitten, eine Funktion zu vervollständigen, unbekannten Code zu erklären, einen Unit-Test zu erzeugen oder einen Fehler zu beheben. Der Mensch blieb dabei der Mittelpunkt des Prozesses: Er entschied, was gebaut wird, schrieb den Code, führte die Tests aus und traf die abschließenden Entscheidungen.

Dieses Modell ändert sich.

2026 gehen KI-Coding-Agenten über Autovervollständigung und einzelne Code-Vorschläge hinaus. Moderne Agenten können zunehmend Repositories untersuchen, mehrere Dateien ändern, Entwicklungswerkzeuge ausführen, Tests laufen lassen, Fehlschläge auswerten und ihre Arbeit iterativ verbessern. Die Forschung von Anthropic aus dem Jahr 2026 beruht auf einer datenschutzwahrenden Analyse von rund 400.000 Claude-Code-Sitzungen zwischen Oktober 2025 und April 2026. Sie zeigt: Menschen treffen typischerweise den Großteil der Planungsentscheidungen, während der Agent mehr der Ausführungsentscheidungen übernimmt.

Das ist ein Wandel: weg von KI als Assistent, hin zu KI als aktivem Teilnehmer im Softwareentwicklungsprozess.

Das Ergebnis ist ein aufkommender Ansatz, der oft als Agentic Coding bezeichnet wird.

Vom KI-Assistenten zum Coding-Agenten

Der Unterschied zwischen KI-gestützter Entwicklung und agentischer Softwareentwicklung liegt nicht einfach darin, wie viel Code eine KI erzeugen kann.

Entscheidend ist, an wie viel des Entwicklungsworkflows das System beteiligt sein kann.

Ein klassischer KI-Coding-Assistent arbeitet in etwa so:

Entwickler:in → Prompt → KI-Vorschlag → Review durch Entwickler:in → Umsetzung

Der Mensch steuert jeden Schritt.

Ein KI-Coding-Agent kann anders arbeiten:

Ziel → Planen → Untersuchen → Umsetzen → Testen → Beobachten → Iterieren → Review

Statt einen Agenten zu bitten, eine einzelne Funktion zu schreiben, kann ein Engineer ihm ein umfassenderes Ziel geben. Zum Beispiel: einer bestehenden Anwendung eine Authentifizierung hinzuzufügen, die betroffenen Datenbankmodelle anzupassen, Tests zu schreiben, die Test-Suite auszuführen und die Änderungen für das Review vorzubereiten.

Der Agent kann dann über das Repository und die Entwicklungsumgebung hinweg mehrere Schritte selbst erledigen.

Anthropics Analyse von rund 400.000 Claude-Code-Sitzungen aus dem Jahr 2026 zeigt eine wiederkehrende Arbeitsteilung: Menschen treffen tendenziell mehr der Planungsentscheidungen, also was getan werden soll, während der Agent mehr der Ausführungsentscheidungen übernimmt, also wie es umgesetzt wird.

Diese Unterscheidung ist wichtig.

Der Engineer definiert zunehmend Absicht, Randbedingungen und Akzeptanzkriterien, während der Agent einen größeren Teil der Umsetzungsschleife verantworten kann.

Was Coding agentisch macht

Ein KI-Coding-Agent kombiniert in der Regel mehrere Fähigkeiten:

• Ein Large Language Model für Schlussfolgern und Codegenerierung
• Kontext aus Projekt und Codebasis
• Zugriff auf Entwicklungswerkzeuge
• Datei- und Repository-Operationen
• Terminal- bzw. Befehlsausführung
• Tests und Validierung
• Rückmeldungen aus der Entwicklungsumgebung
• Die Fähigkeit, auf Basis von Ergebnissen zu iterieren

Der wichtigste Teil ist die Feedbackschleife.

Planen → Handeln → Beobachten → Bewerten → Erneut handeln

Ein herkömmlicher KI-Assistent erzeugt womöglich eine Lösung und wartet auf den nächsten Prompt.

Ein Agent kann die Lösung potenziell ausführen, beobachten, was passiert, und anhand dessen seine nächste Aktion bestimmen.

Damit wird KI von einem System, das vor allem vorschlägt, zu einem System, das zunehmend an der Ausführung teilnimmt.

Doch mehr Autonomie garantiert keine Korrektheit.

Ein Agent kann viele Schritte selbstständig ausführen und dabei dennoch falsche Annahmen über Anforderungen, Architektur, Sicherheit oder Geschäftslogik treffen. Deshalb werden Feedback und Verifikation in der agentischen Entwicklung immer wichtiger.

Wie Agentic Coding den SDLC verändert

Der Softwareentwicklungszyklus (Software Development Life Cycle, SDLC) wird traditionell über Phasen wie diese beschrieben:

Anforderungen → Design → Entwicklung → Test → Deployment → Wartung

Agentic Coding schafft diese Phasen nicht zwingend ab.

Stattdessen verändert es, wie innerhalb der Phasen gearbeitet wird und wie Verantwortung zwischen Menschen und KI-Agenten verteilt ist.

1. Anforderungen und Planung

Nehmen wir eine einfache Anforderung:

„Nutzer sollen ihr Passwort zurücksetzen können.“

Traditionell interpretiert ein Engineer die Anforderung und übersetzt sie manuell in technische Aufgaben.

Ein KI-Agent kann helfen, die Anforderung zu strukturieren:

Anforderung → Akzeptanzkriterien → Technische Aufgaben → Umsetzungsplan → Testszenarien

Dabei kann er zum Beispiel folgenden Bedarf erkennen:

• APIs zum Zurücksetzen von Passwörtern
• Token-Generierung
• Regeln für den Ablauf von Tokens
• E-Mail-Versand
• Datenbankänderungen
• Frontend-Anpassungen
• Sicherheitstests
• Szenarien für die Fehlerbehandlung

Es gibt allerdings eine wichtige Grenze.

KI kann helfen, Anforderungen zu strukturieren und zu analysieren. Sie kann aber nicht automatisch beurteilen, ob die zugrunde liegende fachliche Anforderung richtig ist.

Das bleibt eine Produkt- und Engineering-Entscheidung.

In einem agentischen Workflow wird diese Unterscheidung noch wichtiger, weil sich Unklarheiten schnell fortpflanzen können. Eine unklare Anforderung kann zu falschen Aufgaben, falschem Code, falschen Tests und falscher Dokumentation führen, bevor das Problem auffällt.

Die Qualität der ursprünglichen Absicht wird damit zu einer entscheidenden Eingangsgröße für den gesamten Workflow.

2. Architektur und Design

Moderne KI-Coding-Agenten können mit deutlich mehr Kontext arbeiten als mit einem einzelnen Code-Snippet.

Sie können untersuchen:

• Repository-Strukturen
• APIs
• Datenbankschemata
• Abhängigkeiten
• Dokumentation
• Konfiguration
• Bestehende Tests
• Infrastrukturdefinitionen

So kann ein Agent die möglichen Auswirkungen eines Features auf ein System untersuchen.

Die Einführung von Mandantenfähigkeit (Multi-Tenancy) könnte zum Beispiel Folgendes betreffen:

Authentifizierung → Datenbank → APIs → Geschäftslogik → Frontend → Tests → Deployment

Ein Agent kann diese Abhängigkeiten untersuchen und einen Umsetzungsansatz vorschlagen.

Aber eine Architektur vorzuschlagen und eine Architektur zu verantworten sind zwei verschiedene Dinge.

Engineers müssen weiterhin entscheiden:

• Welches Design passt zum bestehenden System?
• Welche Randbedingungen sind relevant?
• Wo sollten Sicherheitsgrenzen verlaufen?
• Welche Kompromisse sind akzeptabel?
• Wie viel technische Schuld ist tragbar?
• Welche Änderungen erfordern zusätzliche Prüfung?

In einem agentischen SDLC verschwindet architektonisches Urteilsvermögen nicht.

Es kann sogar wichtiger werden, weil Engineers womöglich eine größere Zahl agentengenerierter Umsetzungswege bewerten müssen.

3. Entwicklung

Hier wird der Unterschied am deutlichsten sichtbar.

Klassische KI-gestützte Entwicklung sieht häufig so aus:

Mensch schreibt → KI schlägt vor → Mensch überarbeitet → Mensch führt aus

Agentic Coding kann eher so aussehen:

Mensch definiert das Ziel → Agent untersucht → Agent plant → Agent ändert Dateien → Agent führt Befehle aus → Agent bewertet Ergebnisse

Der Engineer bewegt sich davon weg, jeden Umsetzungsschritt selbst auszuführen, hin zum Steuern und Beaufsichtigen eines größeren Engineering-Workflows.

Das heißt nicht, dass Engineers aufhören zu programmieren.

Vielmehr kann sich die Gewichtung der Arbeit verschieben.

Routineimplementierung, Refactoring, Testgenerierung, Dokumentation und Debugging werden möglicherweise zunehmend an Agenten delegiert, während Engineers mehr Zeit für Systemdesign, Anforderungen, Randbedingungen, Abwägungen und Verifikation aufwenden.

Die Forschung von Anthropic aus dem Jahr 2026 liefert Belege für diese Form der Arbeitsteilung in der tatsächlichen Nutzung von Claude Code. Die Ergebnisse sollten jedoch nicht als Beweis dafür verstanden werden, dass jede Engineering-Organisation bereits so arbeitet.

4. Testen und Debugging

Das ist womöglich eine der wichtigsten Veränderungen.

Angenommen, ein Agent erzeugt in kurzer Zeit Hunderte Zeilen Code.

Die Frage lautet dann nicht mehr nur:

„Wie schnell können wir Code erzeugen?“

Sondern:

„Wie schnell können wir beweisen, dass der Code funktioniert?“

Ein klassischer Workflow könnte so aussehen:

Code schreiben → Tests schreiben → Tests ausführen → Fehlschlag finden → manuell beheben

Ein agentischer Workflow kann so aussehen:

Code schreiben → Tests generieren → Tests ausführen → Fehlschlag beobachten → untersuchen → anpassen → erneut testen

So entsteht eine kontinuierliche technische Feedbackschleife.

Und sie unterstreicht ein wichtiges Prinzip:

Je schneller Code entsteht, desto wertvoller wird Verifikation.

Automatisierte Tests, statische Analyse, Security-Scans, Integrationstests, Code-Reviews und Deployment-Gates gewinnen deshalb an Bedeutung.

Das Ziel ist nicht, die Menge an Code zu steigern, die eine Organisation produzieren kann.

Das Ziel ist, die Menge an verifizierter, wartbarer und produktionsreifer Software zu steigern, die sie liefern kann.

5. Code-Review und Deployment

Mehr Autonomie beim Programmieren verändert auch das Wesen des Code-Reviews.

Wenn Agenten Änderungen schneller erzeugen, wird es schwer, jede Zeile immer in gleicher Tiefe zu prüfen.

Engineers müssen sich zunehmend fragen:

• Erfüllt diese Umsetzung die Anforderung?
• Passt sie zur bestehenden Architektur?
• Sind die Tests aussagekräftig?
• Welche Annahmen hat der Agent getroffen?
• Hat er Sicherheitsrisiken eingeführt?
• Ist die Umsetzung unnötig komplex?
• Lässt sich das Verhalten verifizieren?
• Welche Belege stützen die Änderung?

Der Fokus verschiebt sich davon, nur zu prüfen, was sich geändert hat, hin zu der Frage, ob die Änderung korrekt, sicher und für das System angemessen ist.

Dasselbe Prinzip gilt für das Deployment.

Ein Agent kann potenziell Features umsetzen, Tests ausführen, Deployment-Artefakte vorbereiten, Fehlschläge analysieren und Release-Workflows unterstützen.

Produktivsysteme bringen jedoch höhere Konsequenzen mit sich.

Deshalb brauchen Produktionsumgebungen weiterhin angemessene:

• Freigabeschranken (Approval Gates)
• Berechtigungen
• Monitoring
• Nachvollziehbarkeit (Auditability)
• Rollback-Mechanismen
• Sicherheitskontrollen

Je autonomer der Workflow wird, desto wichtiger ist es, klar festzulegen, wo Autonomie endet und verantwortliche menschliche Entscheidung beginnt.

Die Rolle des Engineers verändert sich

Bedeutet Agentic Coding, dass Entwickler überflüssig werden?

Das wäre zu einfach.

Hilfreicher ist es, die Veränderung über die Verteilung der Arbeit zu betrachten.

Früher

Engineer:

Verstehen → Entwerfen → Programmieren → Testen → Debuggen → Deployen

Zunehmend, in agentischen Workflows

Engineer:

Absicht definieren → Randbedingungen setzen → Architektur entwerfen → Agenten steuern → Ergebnisse verifizieren → Entscheidungen treffen

KI-Agent:

Erkunden → Umsetzen → Testen → Debuggen → Refactoren → Dokumentieren → Iterieren

Die Rolle des Engineers verschwindet also nicht.

Stattdessen können Engineers in agentischen Workflows zunehmend mehr Zeit auf Entscheidungen auf höherer Ebene verwenden und Teile der Ausführung an KI-Agenten delegieren.

Daraus entsteht ein neues Set wertvoller Fähigkeiten:

• Systemdesign
• Aufgabenzerlegung
• Context Engineering
• KI-Orchestrierung
• Sicherheit
• Verifikation
• Requirements Engineering
• Bewertung KI-generierter Lösungen
• Verständnis für Zielkonflikte auf Systemebene

Der Engineer ist damit nicht nur für das Schreiben von Software verantwortlich, sondern auch dafür, die Umgebung zu gestalten, in der Menschen und KI gemeinsam Software bauen.

Das neue Risiko: schneller arbeiten, als sich verifizieren lässt

Es liegt nahe, Agentic Coding an der Menge des erzeugten Codes oder der erledigten Aufgaben zu messen.

Aber mehr Code bedeutet nicht automatisch mehr wertvolle Software.

Wenn ein Agent in Minuten 50 Dateien ändern kann, das Engineering-Team aber dieselbe Kapazität für Review und Verifikation hat, hat sich der Engpass lediglich verschoben.

Softwarelieferung hängt weiterhin ab von:

Code-Review → Tests → Sicherheit → Integration → Deployment → Betrieb

Daraus entsteht ein neues Engineering-Problem:

Die Ausführungsgeschwindigkeit kann schneller steigen als die Fähigkeit einer Organisation, die Ergebnisse zu verifizieren.

Deshalb müssen Organisationen, die KI-Coding-Agenten einführen, auch den umgebenden Engineering-Prozess neu denken.

Die McKinsey-Forschung aus dem Jahr 2026 zu agentischer Produktentwicklung hat vier wiederkehrende Themen bei Organisationen identifiziert, die mit KI-getriebener Entwicklung stärkere Ergebnisse melden:

1. Durchgängige Workflows neu gestalten
2. Rollen und Verantwortlichkeiten rund um menschliches Urteilsvermögen und Produktabsicht neu gestalten
3. Mechanismen für Verifikation, Kontrolle und Messung aufbauen, die mit der schnelleren Arbeit Schritt halten
4. In Weiterbildung und organisatorischen Wandel investieren

Die übergeordnete Lehre: Die Einführung eines Agenten ist nicht bloß eine Tool-Entscheidung.

Sie kann Änderungen am Engineering-Betriebsmodell erfordern.

Autonomie braucht Leitplanken

Agentic Coding führt ein nützliches Prinzip ein:

Autonomie sollte proportional zum Risiko sein.

Risikoarme Tätigkeiten lassen sich oft weitgehend automatisieren.

Beispiele:

• Dokumentation erzeugen
• Gerüste für Unit-Tests erstellen
• Code formatieren
• Wiederkehrendes Refactoring durchführen
• Naheliegende Testfehler untersuchen

Riskantere Tätigkeiten erfordern womöglich stärkere Kontrollen.

Beispiele:

• Änderungen an der Authentifizierung
• Autorisierungslogik
• Zahlungssysteme
• Sicherheitskritischer Code
• Datenbankmigrationen
• Infrastrukturänderungen
• Produktions-Deployments
• Änderungen mit regulierten oder sensiblen Daten

Das Ziel ist also nicht, autonome Aktivität zu maximieren.

Es geht darum, ein Entwicklungssystem aufzubauen, in dem Autonomie:

dort eingesetzt wird, wo sie nützt → dort begrenzt wird, wo sie riskant ist → dort verifiziert wird, wo Korrektheit zählt

Der agentische SDLC

Das entstehende Modell lässt sich so zusammenfassen:

Das ist kein Ersatz für den SDLC.

Es ist eine Weiterentwicklung dessen, wie Arbeit durch ihn fließt.

Die Phasen bleiben vertraut.

Was sich ändert:

• Wer welche Aufgabe übernimmt
• Wie schnell die Phasen ineinandergreifen
• Wie viel Ausführung sich delegieren lässt
• Wo Verifikation stattfindet
• Wie Menschen mit dem Workflow interagieren
• Wie viel Autonomie für welche Art von Änderung angemessen ist

Der SDLC wird weniger zu einer Abfolge manueller Übergaben und mehr zu einem kontinuierlichen Feedbacksystem zwischen menschlicher Absicht, KI-Ausführung, automatisierter Verifikation und menschlichem Urteil.

Die Zukunft des Software Engineerings

Die wichtigste Veränderung durch KI-Coding-Agenten ist nicht, dass sie schneller Code erzeugen können.

Sondern dass sie zunehmend an der Engineering-Schleife rund um diesen Code teilnehmen.

Die Rolle des Engineers könnte sich zunehmend von der Frage:

„Wie setze ich das um?“

hin zu der Frage verschieben:

„Was soll gebaut werden, welche Randbedingungen sollen dafür gelten, und wie beweisen wir, dass es funktioniert?“

Das bedeutet nicht, dass die Umsetzung unwichtig wird.

Es bedeutet, dass Umsetzung Teil einer größeren Engineering-Verantwortung wird.

Die Zukunft der Softwareentwicklung wird womöglich nicht allein dadurch bestimmt, wie viel Code ein Entwickler selbst schreiben kann.

Sie wird zunehmend dadurch bestimmt, wie wirksam Engineers Folgendes kombinieren:

Menschliches Urteilsvermögen + KI-Ausführung + Automatisierte Verifikation + Denken auf Systemebene

Die entscheidende Engineering-Fähigkeit ist deshalb nicht bloß zu wissen, wie man einen KI-Coding-Agenten bedient.

Sie besteht darin zu wissen:

• Was sich delegieren lässt
• Welche Randbedingungen zu definieren sind
• Welche Belege zu verlangen sind
• Was zu verifizieren ist
• Welche Risiken menschliche Prüfung erfordern
• Welche Entscheidungen menschliche Entscheidungen bleiben sollten

Die Frage lautet nicht mehr nur:

„Kann KI den Code schreiben?“

Sondern:

„Können wir ein Engineering-System aufbauen, das weiß, was sich delegieren lässt, was zu verifizieren ist und was eine menschliche Entscheidung bleiben sollte?“

Genau hier beginnt Agentic Coding, den SDLC neu zu prägen.