embarc logo
embarc logo

Von Agentic Engineering und KI profitieren – aber wie?

Niklas Trentmann Niklas Trentmann
20.11.2026

Lesezeit: 11 Minuten

Ob KI uns wirklich effizienter macht, ist schwerer zu beantworten, als es zunächst scheint. embarc hat mit der AI Journey ein Vier-Ebenen-Modell entwickelt, das zeigt, wie Agentic Engineering vom ersten Experiment bis zur AI-nativen Produktorganisation gelingt.

Wie führen wir Agentic Engineering so ein, dass es im Alltag trägt?

Werden wir mit KI tatsächlich effizienter in der Softwareentwicklung? Diese Frage muss man vielschichtiger beantworten, als es auf den ersten Blick scheint.

Coding wird mit KI schneller, keine Frage. Aber werden wir damit auch wirklich effizienter, wenn man Lizenzkosten und Tokens gegenrechnet, und ziehen alle anderen Tätigkeiten rund ums Coding mit? Dieser Beitrag ordnet das in vier Ebenen ein, an denen ihr prüfen könnt, wo euer Team gerade steht und was als Nächstes ansteht.

Die kurze Antwort vorab: Nach einigen Einführungen von Agentic Engineering in Teams lautet meine Antwort auf „Werden wir damit tatsächlich effizienter?“: kommt drauf an, und zwar vor allem auf das, was ihr um das Coding herum aufbaut.

Seit einiger Zeit kursiert in IT-Abteilungen und auf LinkedIn die These, dass wir als Entwickler mit KI viel effizienter werden. Dabei ist nicht einmal klar, ob es diese Effizienzgewinne überhaupt gibt, und sicher nicht in jedem Umfeld gleich. Wer Verantwortung für Teams oder Budgets trägt, kommt an den konkreteren Fragen dahinter kaum vorbei. Coding wird schneller, aber ziehen auch alle anderen Tätigkeiten mit? Und Coding wird teurer, was Lizenzkosten und Tokens betrifft. Macht das in Geschwindigkeit und echtem Output genug aus, um das zu rechtfertigen? Und wie setzen wir Agentic Engineering in unserem Unternehmen oder Team so ein, dass es tatsächlich etwas bringt?

Letztes Jahr stand ich selbst vor dieser Frage. Ziel war es, mit derselben Kapazität dank KI mehr Outcome für das Unternehmen zu liefern. Als damals verantwortlicher Teamlead war es meine Aufgabe hierzu einen Plan und entsprechend Meilensteine zu definieren. Außerdem sollten wir zeigen, dass Agentic Engineering über unser Greenfield-Projekt hinaus trägt, in der gesamten Abteilung und in den Brownfield-Projekten.

Zunächst lief es gut. Bald darauf stießen wir auf erste Hürden, die euch vielleicht bekannt vorkommen:

  • Greenfield ist nicht Brownfield. Was im Greenfield funktionierte, klappte im Brownfield gar nicht mehr. Der Erfolg war fragil. Zuerst mussten wir Dokumentation und das Wissen aus den Köpfen der Entwickler:innen für die Agenten verfügbar machen.
  • Der Engpass wanderte. Als das Coding gut lief, wurde es im Backlog mucksmäuschenstill. Den Teams sind in den Sprints schlicht die Tickets ausgegangen. Anschließend mussten wir auch das Requirements Engineering revidieren.
  • Viele Agenten, ein Wissensstand. Wir wollten bewusst mehrere Agenten unterstützen, um von einzelnen Anbietern unabhängig zu bleiben. Skills und Markdown-Dateien sollten dafür nicht einzeln für Claude, GitHub Copilot und Codex gepflegt werden. Wir brauchten eine versionierte Source of Truth für alle Teams.

Auf Basis der Erfahrungen, die ich dabei gemacht habe, haben mein Kollege Stefan Toth und ich gemeinsam die AI Journey entwickelt, ein Modell mit 4 Ebenen. Dies stammt aus der Projektpraxis und ist sicher nicht vollständig, aber es ist zur Einordnung bestens geeignet.

Warum reicht es nicht, ein Tool freizuschalten?

Agentic Engineering und Coding-Agenten einzuführen ist keine geringfügige Anpassung nach dem Motto „Wir wechseln halt mal die IDE!“. Vielmehr ist es ein Change-Prozess, den man nicht unterschätzen und auch als solchen behandeln sollte. Agentische Entwicklung heißt, dass die KI Aufgaben eigenständig abarbeitet, sie übernimmt Teile des (Entwicklungs-)Prozesses. Genau das verändert mehr als nur das Werkzeug.

Um auf meine Einstiegsfrage zurückzukommen: Entwicklerinnen und Entwickler, die ausschließlich coden, dürften in Zukunft deutlich seltener gebraucht werden. Gefragt sind eher Leute mit Architekturblick, die Agenten anleiten, Harnesses für sie entwickeln (also die Umgebung aus Kontext, Regeln, Werkzeugen und Prüfungen, in der ein Agent arbeitet) und deren Arbeit überwachen und steuern. Mit einem guten Setup liefert dasselbe Team deutlich mehr Outcome. Wie viel mehr, hängt von eurem Ausgangspunkt ab.

„Agentic Engineering einzuführen ist ein Change-Prozess. Behandelt es auch so.“

Die AI Journey im Überblick

Die AI Journey beschreibt in vier Ebenen, was bei einem Wandel hin zum Agentic Engineering passiert und was dafür nötig ist. Die Merkmale in der Tabelle sind Anhaltspunkte und keine harten Kriterien. Die Journey ist nicht als starres Vorgehensmodell anzusehen sondern als Rahmen zur Sortierung von Themen. Manche Unternehmen beginnen mit Teams, Communities und Rollen (obwohl das in 4 erst kommt), andere wollen den messbaren Nutzen (2) vor dem breiten Wissensaufbau (1). Jede Journey ist einzigartig, aber man wird so oder so bei vielen dieser Themen vorbeikommen. Hier findet ihr die interaktive AI Journey

Die AI Journey von embarc: vier Ebenen von Orientierung & Exploration über Team-Piloten, Plattformisierung bis zur AI-nativen Produktorganisation
Die AI Journey von embarc

01 Orientierung & Exploration

In Ebene 1 geht es um Orientierung und Exploration. Ziel ist, als Team gemeinsam Wissen aufzubauen und ein gemeinsames Grundverständnis der Begriffe zu finden. Außerdem sollte das Team erste Erfahrungen mit Coding-Agenten sammeln, und zwar mehr als nur Conversational Programming.

Heutzutage hatten wohl die meisten in der IT schon Kontakt mit KI. Trotzdem lohnt es sich, gezielt Erfahrungen mit Agenten zu sammeln: Wie funktionieren sie, und wie interagieren wir mit ihnen? KI als bessere Google-Suche zu nutzen, zählt aus meiner Sicht noch nicht als Erfahrung im Agentic Engineering und bringt für sich genommen auch kaum noch zusätzlichen Mehrwert.

Dafür braucht es einen Rahmen, in dem das Team sicher experimentieren kann, und erste Klarheit über die Rahmenbedingungen. Teams sollten zum Beispiel Spielwiesen bauen dürfen, die nicht sofort einen Mehrwert für das Unternehmen liefern müssen. Parallel dazu entstehen erste Nutzenhypothesen, und mögliche Risiken werden sichtbar.

Am Ende von Ebene 1 stehen ein gemeinsames Vokabular, erste Erfahrungen und priorisierte Use Cases.

Ebene 2: Team-Piloten & Validierung

Was bringt es uns, und woran messen wir das? Jetzt fließt das Wissen in Piloten und Referenz-Use-Cases in echten Umgebungen. Damit verlasst ihr die Ebene der Spielzeugsysteme aus Ebene 1 und lernt in echten Projekten viel über die Professionalisierung von Setups und die Themen, die daran hängen. Hier entstehen erste Konzepte für einen Agentic SDLC.

Dieser Lifecycle ist nicht komplett neu. Anforderungsklärung, Implementierung und Testing bleiben. Die Schritte werden kleiner. Alternativen lassen sich oft schneller implementieren, als sie theoretisch abzuwägen sind. Die Zyklen sind kürzer, als wir es von agiler Entwicklung gewohnt sind.

Klärt früh, was ihr bezwecken wollt. Den Feature-Stau abbauen? Schneller am Markt sein? Mehr Outcome für Nutzer:innen und Kund:innen erzeugen, ohne personell im gleichen Maß zu wachsen? Legt zu Beginn fest, woran ihr den Erfolg messt. Ohne diesen Maßstab bleibt der Mehrwert ein Luftschloss.

Codezeilen und PRs lassen sich leicht zählen. Das ist Output. Wenn euch Enablement und das langfristige Wachstum eurer Teams und Software wichtig sind, führt diese Zählung am Ziel vorbei. Outcome zu messen ist schwieriger. Je nach Unternehmen und Projekt passen andere Metriken, zum Beispiel Time to Value oder die Entlastung im Support. Eine einheitliche Metrik gibt es nicht. Umso wichtiger ist, dass alle dasselbe Ziel vor Augen haben. Wer nur beim Hype dabei sein will, dem reicht es vielleicht, einfach Agenten bereitzustellen. Auch das ist ein legitimes Ziel.

Am Ende von Ebene 2 haben wir erste Einsatzmuster, die außerhalb von „Spielwiesen“ im realen Umfeld tragen.

Ebene 3: Plattformisierung & kontrollierte Skalierung

Wie können mehrere Teams das sicher und bezahlbar nutzen? Hier geht es um Professionalisierung und das kontrollierte Skalieren ins Unternehmen beziehungsweise in verschiedene Bereiche und Teams. Dabei wollen wir aus einem Setup, das für eine Person oder ein Team funktioniert hat, eines machen, an dem viele gemeinsam weiterbauen können. So vermeiden wir redundantes Explorieren und schaffen ein gemeinsames Vorgehen, bei dem jeder von den Erfahrungen der anderen profitiert. Dazu gehören zentrale Architekturleitplanken und, genauso wichtig, Mechanismen für Harness Engineering und Architektursensoren. Ein Architektursensor kann zum Beispiel eine Verletzung der Schichtenarchitektur erkennen und dem Agenten zurückmelden, dass er sich nicht an das Architekturmuster hält. Damit können Teams mit ihren Agenten zunehmend autonom Software entwickeln, die auch den Maßstäben von Enterprise-Produkten standhalten soll.

Zusätzlich stehen Themen wie Quality Governance und FinOps an, damit nicht unkontrolliert Tokens ausgegeben werden. Auch große Unternehmen achten inzwischen genau auf ihre KI-Kosten: Laut Berichten, die sich auf The Information stützen, hat Microsoft seine Prognose für interne Ausgaben für Anthropic-Modelle um mehr als ein Drittel gesenkt und lenkt Entwicklerinnen und Entwickler zuerst zu GitHub Copilot. Meta setzt ebenfalls stärker auf hauseigene Werkzeuge. Kosten dürften dabei nicht das einzige Motiv sein, weil beide auch ihre eigenen Produkte voranbringen wollen. Für die meisten anderen Unternehmen bleibt trotzdem die Frage, wie tool- und tokeneffizient sie mit Coding-Agenten umgehen.

Darüber hinaus braucht es Wege, Agenten sicher einzusetzen. Das gelingt zum einen über Regeln und Einschränkungen, die sich bei der Modellnutzung konfigurieren lassen, zum anderen über den gezielten Einsatz von Sandboxes, in denen die Agenten laufen. So lässt sich kontrollieren, was die Agenten tun und worauf sie zugreifen.

Ziel dieser Ebene ist es, Prozesse und Harnesses zu entwickeln, die nicht nur für ein Team funktionieren. Die Teams sollen voneinander und von gemeinsamen Harnesses, Hooks und Prozessen profitieren, ohne dass jedes Team oder Projekt bei null anfängt.

Am Ende von Ebene 3 steht ein „Golden Path“ für Teams und die Skalierung von Agentic Engineering von einzelnen Pionieren auf das gesamte Team/Unternehmen.

Ebene 4: AI-native Produktorganisation

Was muss sich außerhalb des Codings ändern? Die letzte Ebene betrachtet Veränderungen, die nicht direkt das Coding betreffen. Dass Agentic Coding nicht nur Einfluss auf die eigentliche Codeerstellung hat, sondern auch auf das Drumherum – wie Anforderungen definiert werden, wie Ergebnisse geprüft werden, welche Rollen es braucht und wie groß Teams idealerweise sind –, wird in jedem ernsthaften Einsatz klar. Genau das kann ein eigentlich gutes Setup wieder kaputt machen oder die Effizienz auffressen: Entweder wird das Falsche gebaut, oder es entstehen Bottlenecks und Cognitive Debt.

Mit Agentic Engineering verhält es sich aus meiner Sicht ähnlich wie mit agiler Entwicklung. Agilität zerlegt Komplexität in greifbare Stücke. Auch dort galt das nicht nur für die Entwicklung. Es hat schon damals nicht gereicht, einfach in Sprints zu arbeiten, wenn das Scrum-Team keine Entscheidungen treffen durfte und ständig von anderen abhängig war.

Übertragen auf Agentic Engineering heißt das: Es braucht Prozesse, Organisationsstrukturen und Verantwortlichkeiten, die mit den schnellen Zyklen eines Agentic SDLC zurechtkommen und sie nicht ausbremsen. Dazu kommen Fragen zu Wissensaufbau, neuen Rollen, veränderten Rollenbildern und Karrierepfaden. Hier können zum Beispiel AI Champions helfen, die über Communities als erste Anlaufstelle für neue KI-Themen dienen. Außerdem solltet ihr regelmäßig prüfen, ob die Organisation tatsächlich am Outcome ausgerichtet ist und nicht am Output.

„Woher kommen künftige Agentic Engineers, wenn Unternehmen heute vor allem auf erfahrene Seniors setzen?“

Meine These: Ausgewählte Juniors mit Potenzial sollten Erfahrungen im Software Engineering mit und ohne KI sammeln können und schrittweise, innerhalb definierter Leitplanken, an Agentic Engineering herangeführt werden. Ihr investiert damit bewusst in den Erfahrungsaufbau, selbst wenn die Ergebnisse ebenso von der KI erzeugt werden könnten. Das Vorgehen rentiert sich, wenn aus diesen Juniors Senior-Architektinnen und -Architekten geworden sind, die mit KI deutlich mehr Outcome erzielen.

Am Ende dieser Ebene steht ein neues „AI Engineering Operating Model“ für die lernende, AI-native Produktorganisation.

Wie könnt ihr die AI Journey nutzen?

Nach unserer Erfahrung durchlauft ihr die meisten dieser Punkte bei einer Einführung von Agentic Engineering früher oder später. Wenn ihr dies gezielt tut und frühzeitig daran denkt, könnt ihr euch viel Zeit und Mühe sparen. Effizienz sollte man erst bewerten, wenn ihr das Setup auch skaliert, professionell aufgestellt und organisatorisch gelebt habt. Ohne das wird nur das Coding schneller, und ob das wirklich effizienter ist, ist, wie eingangs erwähnt, fragwürdig – gerade in größeren Kontexten und Unternehmen.

Für eine erste Standortbestimmung reichen oft schon die folgenden drei Fragen im Team.

  • Auf welcher Ebene stehen wir? Sehen das alle gleich?
  • Woran erkennen wir in einem Jahr, dass sich die Einführung gelohnt hat?
  • Wo liegt unser Engpass, wenn das Coding bereits gut läuft?

Blick von außen

Vieles davon lässt sich gut in eigener Regie angehen. Eine Außensicht hilft vor allem, wenn die Einschätzungen intern auseinandergehen oder Erfahrungswerte aus anderen Teams fehlen. Willst du in einem Scoping mit uns in Erfahrung bringen, wo dein Unternehmen, dein Bereich oder dein Team auf der AI Journey steht? Sprich uns einfach an. Ein Erstgespräch, in dem wir eure bisherigen Bemühungen sortieren und mögliche nächste Schritte identifizieren, bieten wir kostenfrei an – für ein belastbares Bild reichen die rund zwei Stunden nicht, für eine erste Einschätzung schon.

Wir machen das gewohnt pragmatisch und Bullshit-frei. Keine Silver Bullets – das wird Arbeit! Ob du eine ganze Agentic Development Initiative begleitet haben möchtest oder einfach nur einen Baustein brauchst, um den nächsten Schritt zu gehen: Verwende das Kontaktformular oder schreib uns an, dann geht das gut los. Einen Überblick über Formate wie das Agentic Engineering Bootcamp oder die Organisationsentwicklung im Zeitalter von AI findest du auf unserer Seite zu Agentic Software Engineering.