Stellen Sie sich vor, Sie beschreiben eine neue Funktion mit wenigen Sätzen: Das Kundenportal soll Rechnungen als PDF exportieren. Dabei müssen Zugriffsrechte beachtet und passende Tests ergänzt werden. Ein Coding Agent liest daraufhin die Codebasis, sucht die betroffenen Stellen, plant die Änderung und setzt sie um. Anschließend führt er Tests aus, reagiert auf Fehlermeldungen und überarbeitet seine eigenen Änderungen.
Solche Abläufe verändern den Charakter der Softwareentwicklung. KI ergänzt längst nicht mehr nur einzelne Codezeilen. Moderne Werkzeuge können ganze Aufgaben bearbeiten und dabei auf Dateien, Tests, Dokumentation und Entwicklungswerkzeuge zugreifen. Je nach Werkzeug konzentrieren sie sich auf Tests, Dokumentation oder bestimmte Bereiche einer Codebasis.
Das spart Zeit und senkt die Einstiegshürden. Gleichzeitig wächst die Menge an Code, die geprüft und eingeordnet werden muss. Denn eine Lösung kann sauber aussehen und erfolgreich durch einen Test laufen, obwohl sie unnötig kompliziert, fachlich unpassend oder langfristig schwer wartbar ist.
Vom Assistenten zum Agenten
Bei klassischem AI Assisted Coding bleibt der Ablauf weitgehend in der Hand des Menschen. Die KI vervollständigt eine Zeile, erklärt eine Funktion oder schlägt einen kleinen Codeabschnitt vor. Agentic Coding geht weiter. Ein Agent erhält ein Ziel und zerlegt es in mehrere Arbeitsschritte. Er sammelt Kontext, verändert Dateien, nutzt Werkzeuge, prüft Ergebnisse und passt sein Vorgehen an.
Der entscheidende Unterschied liegt im Umfang der Aufgabe. Der Mensch begleitet nicht mehr jeden einzelnen Schritt. Er definiert den Rahmen, stellt den nötigen Kontext bereit und prüft das Ergebnis.
Daneben begegnet uns häufig der Begriff Vibe Coding. Gemeint ist meist ein Arbeitsstil, bei dem eine Anwendung überwiegend durch Anweisungen in natürlicher Sprache entsteht. Das kann bei einem Prototyp erstaunlich gut funktionieren. Für ein dauerhaft betriebenes Produkt reicht ein überzeugender erster Eindruck allerdings nicht aus. Spätestens bei Sicherheit, Wartbarkeit und späteren Erweiterungen zeigt sich, ob hinter dem erzeugten Code ein tragfähiges Konzept steht.
Warum die Einstiegshürden so schnell sinken
Agentic Coding macht Softwareentwicklung zugänglicher. Eine Idee lässt sich zunächst in Alltagssprache formulieren. Der Agent übersetzt sie in technische Arbeitsschritte und übernimmt einen großen Teil der Umsetzung. Das spart besonders dort Zeit, wo Aufgaben klar beschrieben werden können.
Dazu gehören wiederkehrende Änderungen, einfache Funktionen, Boilerplate Code, Dokumentation, Tests und überschaubare Refactorings. Auch der Einstieg in eine unbekannte Codebasis oder ein neues Framework wird leichter. Der Agent kann vorhandene Strukturen erklären, relevante Dateien finden und einen ersten Lösungsweg vorschlagen. Wer das Ergebnis beurteilen will, muss die grundlegenden Konzepte trotzdem verstehen.
Gerade für Prototypen, interne Werkzeuge und klar begrenzte Funktionen ist das ein großer Vorteil. Ideen werden schneller sichtbar und können früher ausprobiert werden. Individualsoftware wird dadurch für mehr Unternehmen interessant, weil weniger Zeit in reine Schreibarbeit fließt.
Auch die testgetriebene Entwicklung bekommt einen neuen Stellenwert. Das gewünschte Verhalten kann zuerst in Form von Tests beschrieben werden. Der Agent erhält damit eine konkrete Leitplanke für seine Implementierung. In der Praxis ist das sehr hilfreich, solange die Tests tatsächlich das richtige Verhalten abbilden. Ein Test prüft nur, was vorher bedacht und festgelegt wurde. Fehlende Anforderungen bleiben auch für den besten Agenten unsichtbar.
Reasoning macht Ergebnisse besser und manchmal unnötig kompliziert
Coding Agents arbeiten meist in mehreren Schleifen. Sie analysieren die Aufgabe, erstellen einen Plan, führen Änderungen aus und prüfen anschließend die Rückmeldungen ihrer Werkzeuge. Dieser Prozess wird häufig als Reasoning bezeichnet. Vereinfacht gesagt verarbeitet das System mehrere Zwischenschritte, bevor es zu einem Ergebnis kommt.
Das erhöht bei vielen Aufgaben die Qualität. Ein Agent kann einen Fehler erkennen, seinen Ansatz verwerfen und eine zweite Lösung ausprobieren. Mehr Zwischenschritte führen jedoch nicht automatisch zu besserem Code.
In der Praxis neigen Agenten gelegentlich dazu, eine einfache Aufgabe größer zu machen, als sie ist. Sie führen zusätzliche Abstraktionen ein, bauen vorsorglich weitere Ebenen ein und sichern seltene Edge Cases ab, obwohl das Produkt sie gar nicht benötigt. Das Ergebnis wirkt durchdacht, verursacht aber mehr Code, mehr Tests und mehr Wartungsaufwand.
Dahinter steckt ein einfaches Problem: Dem Agenten fehlt oft der geschäftliche und technische Gesamtzusammenhang. Er sieht die aktuelle Aufgabe und den bereitgestellten Ausschnitt der Codebasis. Warum eine bewusst einfache Lösung gewählt wurde, welche Funktionen später geplant sind oder welche Kompromisse ein Team bereits getroffen hat, weiß er nur dann, wenn dieser Kontext ausdrücklich vorliegt.
Der gefährlichste Fehler sieht überzeugend aus
Leistungsfähige Sprachmodelle sind verlässlicher geworden, bleiben aber fehleranfällig. Sie können Schnittstellen falsch verwenden, Annahmen über eine Codebasis treffen oder Funktionen erfinden, die plausibel klingen. Hinzu kommen Verzerrungen aus Trainingsdaten und aus dem Kontext, den ein Agent für seine Aufgabe erhält.
Das Problem ist selten ein offensichtlich kaputter Codeblock. Schwieriger sind Lösungen, die professionell aussehen, Tests bestehen und erst später Schwächen zeigen. Eine Funktion kann lokal korrekt umgesetzt sein und dennoch die Architektur des gesamten Systems beschädigen. Sie kann ein neues Muster einführen, das an anderer Stelle nicht verwendet wird. Sie kann Daten doppelt halten, Abhängigkeiten unnötig verschärfen oder spätere Erweiterungen erschweren.
Gerade bei Architekturentscheidungen, Schnittstellen und grundlegender Programmlogik ist deshalb weiterhin menschliche Verantwortung gefragt. Ein Agent kann verschiedene Lösungswege aufzeigen, Code schreiben und die Umsetzung deutlich beschleunigen. Die entscheidende Frage bleibt jedoch: Welche Lösung passt langfristig zum Produkt, zur bestehenden Architektur und zu den Anforderungen des Projekts? Diese Entscheidung braucht Erfahrung, Kontextverständnis und den Überblick über das gesamte System, die nur ein Mensch mitbringen kann.
Auch die Datenfrage gehört zur Qualität
Wer einen Coding Agent einsetzt, gibt ihm Einblick in Quellcode, Dokumentation und Projektstrukturen. Je nach Aufgabe können auch Konfigurationen, Protokolle oder Beispieldaten verarbeitet werden. Damit wird die Wahl des Werkzeugs zu einer Frage von Datenschutz und Verantwortung.
Vor dem Einsatz muss geklärt sein, welche Informationen an ein Modell übermittelt werden dürfen, wo sie verarbeitet werden und welche Vereinbarungen mit dem Kunden gelten. Für manche Projekte kommen leistungsfähige externe Modelle infrage. Andere verlangen stärker abgeschottete Umgebungen oder selbst betriebene Modelle. Eine pauschale Lösung gibt es hier nicht. Entscheidend sind die Daten, das Risiko, der konkrete Einsatzzweck und die Freigabe durch den Kunden.
Agentic Coding braucht einen klaren Rahmen
Agentic Coding kann Entwicklung spürbar beschleunigen. Besonders bei gut beschriebenen Aufgaben liefert es heute Ergebnisse, die vor wenigen Jahren nicht in so geringer Zeit möglich waren. Der Nutzen wächst, wenn Anforderungen klar sind, Tests aussagekräftig bleiben und der Agent ausreichend Kontext erhält.
Bei Sensetence setzen wir solche Werkzeuge bewusst im Entwicklungsalltag ein. Wir nutzen ihre Geschwindigkeit, prüfen aber ebenso genau, wie eine Lösung in das Produkt passt, welche Daten verarbeitet werden und ob der entstehende Code langfristig verständlich bleibt. Die Verantwortung für das Ergebnis liegt weiterhin bei uns.
Sie planen ein digitales Produkt oder möchten eine bestehende Anwendung gezielt weiterentwickeln? Sprechen Sie mit uns über Ihre Idee. Gemeinsam klären wir, an welchen Stellen Agentic Coding sinnvoll Tempo schafft und welche Leitplanken Ihr Projekt braucht.
Wie dieser Wandel in der Praxis aussieht, erzählen wir im zweiten Teil unserer Serie. Dort zeigen wir, wie sich unser Umgang mit KI-gestützter Entwicklung bei Sensetence Schritt für Schritt verändert hat: von ersten Codevervollständigungen bis zu heutigen agentischen Workflows.