BlogFeb 16, 2026

LLMs, Agenten und Orchestrierung - Die traditionelle Softwareentwicklung in Veränderung

Visualization of a modern design system featuring interactive UI elements, charts, and code modules for data-driven applications

Die Arbeit verschwindet nicht. Sie verschiebt sich: weg von Tipparbeit, hin zu Zieldefinition, Review, Architektur, Qualität, Sicherheit und Verantwortung.

Am 30. November 2022 hat OpenAI ChatGPT kostenfrei für alle veröffentlicht. Mittlerweile sind drei weitere Jahre vergangen und unsere Welt hat sich extrem schnell geändert. OpenAI ist zwar mit ChatGPT am bekanntesten, aber nicht konkurrenzlos. Google und Anthropic aus den USA, DeepSeek und weitere Open-Source-Modelle aus China. Alle paar Monate überbieten sich ihre KI-Modelle gegenseitig.

Ein Schwerpunkt für viele KI-Modelle ist die Softwareentwicklung. Seit Dezember 2025 mit Codex 5.2 und Claude Code macht sich immer mehr der Konsens breit, dass die Modelle endlich gut genug sind, um den klassischen Workflow des Programmierens neu zu denken. Andrej Karpathy, ehemaliger Mitbegründer von OpenAI, schrieb dazu auf X, dass sich sein Anteil innerhalb weniger Wochen von „manuell + Autocomplete“ hin zu „Agenten-Coding + manuell“ verschoben hat. Gleichzeitig warnt er, Modelle bei wichtigem Code eng zu überwachen, weil Fehler heute seltener offensichtliche Formfehler sind, dafür häufiger subtile konzeptionelle Fehler, die man leicht übersieht. Quelle: https://x.com/karpathy/status/2015883857489522876

Die Arbeit verschwindet nicht. Sie verschiebt sich und wird umso intensiver: weg von Tipparbeit, hin zu Zieldefinition, Review, Architektur, Qualität, Sicherheit und Verantwortung.

Wie aus Chatbots Agenten werden

Ein normaler Chatbot ist reaktiv: Frage rein, Antwort raus. Die Brücke in die Realität muss danach selbst gebaut werden, zum Beispiel Code ändern, Tests ausführen, Doku finden, Screens prüfen oder Tickets aktualisieren.

Mit Tool-Use wird KI praktischer: Das Modell kann in einer Entwicklungsumgebung konkrete Aktionen ausführen, unter klaren Regeln. In Tools wie Cursor wird das greifbar: Statt „Hier ist ein Vorschlag“ passiert „Die Dateien wurden angepasst, Checks wurden ausgeführt, Änderungen wurden begründet“.

Ein Agent ist im Kern ein System, das:

ein Ziel versteht, also Outcome statt nur Antwort,
sich den nötigen Kontext holt, etwa Code, Doku und Fehlermeldungen,
passende Aktionen ausführt, inklusive Änderungen, Tests und Iterationen,
Ergebnisse überprüft und verbessert.

Wichtig bleibt: Die Modelle werden immer besser, aber nicht unfehlbar. Ohne Leitplanken entsteht schnell etwas, das überzeugend klingt und trotzdem nur fast richtig ist. Genau das ist in echten Projekten riskant.

Agent Orchestration: Wenn aus einem Agenten ein System wird

Sobald Agenten nützlich sind, liegt der nächste Schritt nahe: mehrere Agenten, die sich Arbeit teilen. Genau hier beginnt Agent Orchestration.

Mit mehreren Agenten müssen plötzlich viele Dinge gleichzeitig funktionieren:

Kommunikation: Wer gibt wem welche Informationen weiter und in welcher Form?
Entscheidungen: Wann übernimmt welcher Agent, wann wird eskaliert?
Gemeinsames Gedächtnis: Was gilt als Wahrheit, was als Hypothese? Wie vermeidet man Wiederholungen?
Fehlerbehandlung: Was passiert bei unerwarteten Zuständen, falschen Annahmen und Tool-Fehlschlägen?
Verifikation: Wie wird sichergestellt, dass das Ergebnis wirklich korrekt ist?
Berechtigungen: Was darf ein Agent überhaupt, im Sinne von Least Privilege?

Das ist komplex, weil Agenten nicht wie ein typisches Programm deterministisch ablaufen, sondern selbst Wege zum Ziel finden sollen. Je größer das Projekt, desto höher die Wahrscheinlichkeit für leise, systemische Fehler. Genau dort trennt sich ein Experiment von professioneller Entwicklung: Orchestrierung braucht Engineering-Disziplin mit Spezifikation, Tests, Reviews, Observability und Sicherheitsgrenzen, nicht nur mehr Prompt.

Von „KI schreibt Code“ zu „wir bauen verlässliche Systeme“

Je leistungsfähiger KI-Modelle werden, desto mehr verschiebt sich die Herausforderung: weniger „Kann das Modell X bauen?“, mehr „Wie bauen wir ein System, das zuverlässig, sicher und wartbar zum Ziel kommt?“. Gerade bei Agenten-Workflows und Orchestrierung steigt die Komplexität schnell, weil Agenten nicht wie klassische Programme deterministisch ablaufen, sondern selbstständig Wege finden, Tools nutzen und Annahmen treffen.

Deshalb ist Fachwissen und tiefes Verständnis hier der entscheidende Hebel. Wer seine Disziplin versteht, ob Produkt, UX, Frontend, Architektur, QA oder Security, kann KI-gestützte Workflows so gestalten, dass sie:

die richtigen Ziele und Constraints bekommen,
durch klare Checks, Tests und Reviews verifiziert werden,
Fehlannahmen sichtbar machen statt nur überzeugend zu wirken,
und in realen Projekten stabil funktionieren.

Agenten-Systeme und Orchestrierung sind weltweit noch in einer Experimentier- und Erkundungsphase. Je größer der Umfang eines Projekts, desto höher das Risiko für leise, konzeptionelle Fehler, die erst spät auffallen und die man nur mit Erfahrung erkennt, sauber absichert und dauerhaft verhindert.

Dieses Feld entwickelt sich rasant weiter. Wir nutzen KI heute als Werkzeug im Prozess und kombinieren Design- und Engineering-Expertise, um schneller zu besseren Entscheidungen und kürzeren Iterationen zu kommen, damit unsere Kundinnen und Kunden schneller das beste Produkt für ihren Zweck erhalten.

Die Richtung ist klar

Mehr Automatisierung, mehr Agenten, mehr Geschwindigkeit. Der Engpass bleibt derselbe: die richtigen Entscheidungen und eine verlässliche Umsetzung. Wer KI nur laufen lässt, bekommt Output. Wer sie mit Fachwissen führt, bekommt überzeugende Ergebnisse.