Agentic Coding:

Wenn die KI nicht mehr nur Code generiert

Künstliche Intelligenz ist aus dem Alltag der meisten Entwickler längst nicht mehr wegzudenken, liefert sie doch praktische Code-Vorschläge und kann sogar ganze Funktionen und Anwendungen generieren. Selbst beim Entwerfen von Architekturen, dem Erstellen von Tests und dem Deployment von Anwendungen unterstützt sie bereits. Darüber hinaus hilft sie Anwendern aus Fachbereichen, die über keine klassischen Programmierkenntnisse verfügen, sich stärker an der Software-Entwicklung zu beteiligen, sodass neue Tools besser zu ihren fachlichen Anforderungen passen. Die Business-Experten können beispielsweise Tools und Funktionen in natürlicher Sprache beschreiben – die KI erstellt daraus Design-Entwürfe, die sich mit Low-Code-Plattformen leicht umsetzen lassen. Oder sie generieren mit natürlichsprachlichen Anweisungen direkt Code, was allerdings nicht ideal ist, da dieser Code aufwendig geprüft werden muss und sich nur schwer warten und erweitern lässt.

Insbesondere durch Agentic AI wachsen die Möglichkeiten für die Software-Entwicklung mit KI noch einmal deutlich. Spezialisierte KI-Agenten, die sich untereinander abstimmen, um Lösungen zu finden und umzusetzen, werden über kurz oder lang deutlich komplexere Aufgaben als die reine Code-Erstellung übernehmen können. Vorstellbar ist etwa das Planen, Steuern und Überwachen von Entwicklungsprozessen oder das Organisieren und Dokumentieren von Code. Auch das Refactoring bestehender Anwendungen könnte sich für dieses sogenannte Agentic Coding eignen, da KI gut darin ist, Zusammenfassungen und Überarbeitungen zu erstellen – also vorhandenen Code zu analysieren und eine moderne Version davon zu entwickeln. Am größten erscheint jedoch das Potenzial im Bereich von Tests und Qualitätskontrollen.

KI-Agenten automatisieren Software-Tests

Neue APIs, Funktionen und Anwendungen sind mit KI-Unterstützung schneller als je zuvor erstellt. Die große Herausforderung liegt darin, den Code zu überprüfen – ob er Fehler enthält und alle funktionalen sowie nicht-funktionalen Anforderungen erfüllt, etwa hinsichtlich Sicherheit, Performance, Stabilität und Usability. Menschliche Entwickler können das ob der schieren Menge an Code-Zeilen, die die KI in wenigen Sekunden ausspuckt, kaum noch leisten. Insofern ist hier der Bedarf an KI-Unterstützung besonders groß.

Sollen KI-Agenten die Qualitätskontrolle übernehmen, müssen sie Anforderungen und Spezifikationen verstehen, um anschließend Tests zu entwerfen, durchzuführen und zu überwachen. Die benötigten Testdaten generieren sie selbst. Zudem sind sie bei der Durchführung der Tests nicht allein auf die Analyse des Codes und des Anwendungsverhaltens beschränkt, sondern könnten mittels Computer Vision beispielsweise auch Bedienoberflächen untersuchen und Interaktionen mit diesen auswerten. Nach Abschluss der Tests liefern sie idealerweise auch Verbesserungsvorschläge oder nehmen eigenständig Verbesserungen am Code vor.

Gerade, was das Aufspüren von Fehlern oder Abweichungen von vorgegebenen Spezifikationen angeht, schlägt sich KI schon ziemlich gut. Schwächen hat sie bislang noch bei der Fehlerbehebung, weil sie komplexe Dinge und die Auswirkungen von Veränderungen nur schwer erfassen kann. Sie generiert lieber neuen Code oder verändert alten, ohne diesen notwendigerweise besser zu machen – er sieht einfach nur anders aus. Daher würde sie zum Beispiel, wenn es zu Kompatibilitätsproblemen mit einer Bibliothek kommt, derzeit wahrscheinlich eher nach einer anderen geeigneten Bibliothek suchen. Ein menschlicher Entwickler hingehen würde sich um eine Lösung mit der ursprünglich gewünschten Bibliothek bemühen und ältere Versionen daraufhin prüfen, ob sie andere Abhängigkeiten aufweisen und sich nutzen lassen.

Letztlich müssen die Fähigkeiten von KI also noch deutlich wachsen, bevor sie Fehler nicht nur finden, sondern deren Ursachen erkennen und zielgerichtet beseitigen kann. Dafür wird sie jedoch stets genaue Anweisungen und klar umrissene Rahmenbedingungen benötigen, um nicht zu sehr von internen Standards und konkreten Projektanforderungen abzuweichen.

Wer übernimmt die Orchestrierung?

Damit das Zusammenspiel der verschiedenen Agenten reibungslos funktioniert, wird ein Orchestrierungslayer benötigt. Auf diesem können grundsätzlich ebenfalls KI-Agenten arbeiten und etwa Aufgaben zuteilen, Ergebnisse zusammenführen und die Einhaltung von Richtlinien überwachen. Besser geeignet sind jedoch spezialisierte Plattformen, die Regeln und Workflows vorgeben und dafür sorgen, dass alles transparent, nachvollziehbar und kontrollierbar bleibt. Sie haben sich in ähnlicher Form, als sogenannte BOAT-Plattformen (Business Orchestration and Automation Technologies), bereits bei der Automatisierung von Geschäftsprozessen bewährt.

In den Plattformen werden Regeln und Workflows zentral definiert, sodass Unternehmen sie nicht in die Agenten integrieren müssen, was die Pflege erleichtert und inkonsistente Rahmenbedingungen vermeidet. Zudem können die Plattformen fertige und geprüfte Bausteine für Software-Tests bereitstellen, damit die KI diese nicht jedes Mal neu erstellen muss. In Kombination stellen die Regeln, Workflows und Bausteine sicher, dass die Testabläufe vorhersagbar beziehungsweise reproduzierbar bleiben, es also nur eine geringe Varianz gibt. Wären KI-Agenten am Steuer, bestünde die Gefahr, dass Tests trotz gleicher Aufgabenstellung unterschiedlich ablaufen und auch Verbesserungsvorschläge jeweils anders aussehen. Vor allem für Stabilitäts- und Sicherheitstests von unternehmenskritischen Software-Komponenten ist das wenig erstrebenswert.

Rollen in der Entwicklung verändern sich

Übernehmen KI-Agenten das Entwickeln und Testen von Software, verändert sich zwangsläufig auch die Rolle von Entwicklern. Sie werden zu Supervisoren, die unter anderem Ziele für die KI definieren, die KI kontrollieren und sich um Regeln, Workflows und Bausteine kümmern – nicht nur Bausteine für die Software-Tests, sondern auch für die Programmierarbeit der KI. Denn je mehr qualitätsgeprüfte Code-Fragmente, Module und Bibliotheken sie verwendet, desto höher ist die Grundqualität der neuen Anwendungen und desto leichter lassen sich diese überprüfen. Der Mensch kann solche aus Bausteinen bestehenden Anwendungen schlicht besser erfassen und bewerten als komplett im Freestyle von KI erzeugten Code, und auch die KI-Agenten tun sich dann leichter.

Wenn allerdings KI die Code-Erstellung übernimmt, bleibt die Frage, inwieweit Entwickler, die lange nicht mehr gecodet haben oder nie in Coding-Arbeiten involviert waren, überhaupt in der Lage sind, diesen Code zu prüfen und zu einzuschätzen. Sinnvoll dürfte es daher sein, Mitarbeiter weiter mit Programmierarbeiten zu betrauen und nicht überall und ausschließlich auf KI zu setzen. Gerade bei der Pflege und Weiterentwicklung von Anwendungen gibt es ohnehin noch einigen Raum für solche Tätigkeiten, da der KI – wie erwähnt – derzeit eher die Neugenerierung als die Wartung von Code liegt. Will man nicht mit Wegwerf-Code arbeiten, also Anwendungen immer wieder neu generieren, statt kontinuierlich weiterzuentwickeln, werden weiterhin die menschliche Erfahrung und das menschliche Kontextverständnis gebraucht. Da KI sich allerdings schnell weiterentwickelt und jederzeit Entwicklungssprünge möglich sind, kann sich das aber auch schnell ändern.

Unabhängig davon wird Agentic Coding die Geschwindigkeit in der Software-Entwicklung weiter steigern und Entwickler entlasten, und das nicht nur durch schnelleren und größeren Code-Output, sondern vor allem bei der Organisation von Projekten und der Qualitätskontrolle. Dass menschliche Expertise dadurch überflüssig wird, steht indes nicht zu befürchten.