Warum AI Engineering zur eigentlichen Engpassdisziplin der Softwareentwicklung wird.
Coding Agents sind im Entwickleralltag angekommen: Fast drei Viertel der Entwicklerinnen und Entwickler, die AI-Coding-Tools nutzen, tun das inzwischen täglich. Eine Harvard-Studie über mehr als 700 Unternehmen zeigt allerdings, was daraus folgt: Mit Agenten entsteht rund 30 Prozent mehr Code – aber nicht im selben Maß mehr fertige Software. Der Engpass wandert vom Schreiben zum Prüfen, Verstehen und Integrieren. Unsere These: Der Vorsprung entsteht nicht mehr durch das Modell oder das Tool, sondern durch das System, das um die Agenten herum gebaut wird. Genau das ist AI Engineering – Spezifikation, Kontext, Harness, Verifikation und Messung als eigene Ingenieursdisziplin. Wer sie vernachlässigt, produziert schneller Code und langsamer Ergebnisse.
In den vergangenen beiden Monaten ging es an dieser Stelle um die Kosten von AI und um die Kontrolle autonomer Agenten. Im November richten wir den Blick auf die Stelle, an der beides zusammenläuft und an der die meisten Unternehmen heute konkret mit Agenten arbeiten: die Softwareentwicklung. Dort zeigt sich gerade besonders deutlich, dass ein leistungsfähiges Werkzeug noch keinen leistungsfähigen Prozess ergibt.
Die Stack Overflow Developer Survey 2026, Anfang Oktober veröffentlicht und mit mehr als 30.000 Teilnehmenden, beschreibt eine Branche, in der AI nicht mehr experimentell ist. 73 Prozent derjenigen, die AI-Coding-Assistenten oder -Agenten nutzen, tun das täglich, ein knappes Drittel der täglichen Nutzer sogar mehr als vier Stunden am Tag. Zwei Drittel der AI-Nutzer arbeiten inzwischen mit Coding Agents, am häufigsten genannt werden Claude Code und GitHub Copilot.
Auch große Organisationen haben den Schritt vollzogen. Eine Studie zur Einführung von Claude Code und GitHub Copilot CLI bei Microsoft, die zehntausende Engineers umfasst, kommt auf rund 24 Prozent mehr gemergte Pull Requests bei den Nutzern – stabil über vier Monate. Bemerkenswert sind zwei Nebenbefunde: Die Verbreitung lief vor allem über Kolleginnen und Kollegen, nicht über Vorgaben. Und die Tokenkosten können auf Organisationsebene in die Millionen gehen. Die Autoren weisen selbst darauf hin, dass ein gemergter Pull Request noch nichts über den Wert aussagt, den er liefert.
Genau an dieser Stelle setzt eine Harvard-Studie an, über die InfoQ im Oktober berichtet hat. Grundlage sind rund 300 Millionen Arbeitsereignisse von etwa 700.000 Beschäftigten in über 700 Unternehmen zwischen 2021 und März 2026, erhoben über die Analyseplattform Jellyfish. Das Ergebnis: Mit Coding Agents steigen Codezeilen um rund 30 Prozent, Commits um 20 und Pull Requests um 23 Prozent. Die Zahl tatsächlich erledigter Aufgaben wächst dagegen deutlich schwächer.
Wohin die zusätzliche Arbeit fließt, zeigt die andere Seite der Rechnung. Die durchschnittliche Review-Zeit pro Pull Request stieg um 49 Prozent, der Anteil an Pull Requests, die Nachbesserungen erforderten, verdoppelte sich, und der Anteil der Beschäftigten, die überhaupt Code reviewen, wuchs um 14 Prozent. AI-gestützte Reviews haben diesen Effekt laut Studie nicht aufgefangen.
Wenn AI das Schreiben von Code beschleunigt, wird alles danach zum Engpass.
Das ist im Kern eine alte Erkenntnis aus der Prozessoptimierung: Wer nur eine Station einer Kette beschleunigt, verschiebt den Stau an die nächste. Laut Studie verbringen Engineers ohnehin nur 30 bis 40 Prozent ihrer Zeit mit dem Schreiben von Code. Wer ausschließlich diesen Teil optimiert, optimiert die kleinere Hälfte des Problems.
Hinzu kommt ein Effekt, der sich nicht in Pull Requests messen lässt. Eine Studie von Forschenden um Nishant Balepur mit 54 Teilnehmenden kommt zu einem unbequemen Befund: Coding Agents helfen, eine Aufgabe zunächst zu erledigen – verschlechtern aber das Verständnis des entstandenen Codes und bereiten schlechter darauf vor, ihn später zu erweitern. Besonders ausgeprägt ist das bei bequemen Interaktionen wie kopierten Prompts und automatisch übernommenen Änderungen. Trotzdem bevorzugen die Teilnehmenden die Agenten.
Die Studie ist klein und noch nicht abgeschlossen, das Muster ist in Projekten aber gut erkennbar. Code, den niemand im Team wirklich versteht, wird zur technischen Schuld mit Zinseszins – spätestens bei der nächsten Änderung, beim nächsten Incident oder beim nächsten Audit. Die Stack Overflow Survey passt dazu: 93 Prozent der Befragten brauchen Quellenangaben, um AI-Ergebnissen zu vertrauen, und als vertrauenswürdigster Kontext gelten Projektziele und Anforderungen.
Wie schnell sich das Feld weiterbewegt, zeigt DeepSeek. Das Harness-Team des Unternehmens hat Ende Oktober einen Prototyp namens „Super-Agent“ als Open Source vorgestellt, der Gespräche in Entwicklerteams mitverfolgen, Probleme erkennen und Lösungen vorschlagen soll – ohne ausdrücklich aufgerufen zu werden. Es ist ein Prototyp, kein Produkt. Aber die Richtung ist klar: Agenten werden proaktiver, und damit wird die Frage, wer welche Änderung verantwortet, noch wichtiger.
Die Antwort der Branche auf diese Entwicklung hat inzwischen einen Namen. Auf dem AI Engineer World's Fair 2026 wurde AI Engineering als das Bauen von Systemen um Agenten herum beschrieben – nicht mehr nur das Bauen mit Agenten. Die wichtigsten Trends, die Latent Space von dort zusammengefasst hat, zeigen in dieselbe Richtung:
Gleichzeitig gibt es dort auch deutliche Warnungen: Der Hype laufe der Disziplin davon, und die breite Einführung in Unternehmen sei noch auf frühe Anwender konzentriert.
Wie groß die Lücke zwischen Anspruch und Praxis ist, zeigt eine aktuelle Untersuchung von Forschenden um Christoph Treude und Sebastian Baltes. Sie haben die Fachliteratur zu Loop Engineering ausgewertet und daraus abgeleitet, was eine gut gebaute Agentenschleife ausmacht: definierte Auslöser, maschinell prüfbare Abbruchbedingungen, persistenter Zustand, prüfende Subagenten, Token-Budgets und klare Eskalationspunkte zu Menschen.
Der Abgleich mit der Realität fällt ernüchternd aus. In 217 Open-Source-Repositories mit autonomen Agentenschleifen war die Konfiguration zum Starten der Schleife fast immer eingecheckt – die empfohlenen Zustandsdateien dagegen fast nie. Und für die behaupteten Vorteile fanden die Autoren in den Quellen keine systematische Evidenz. Gestartet wird also überall, nachvollziehbar gesteuert dagegen kaum.
Laut Stack Overflow Survey setzen 38 Prozent der Organisationen bereits Nutzungslimits für AI, 28 Prozent haben ihre Ausgaben überprüft und 27 Prozent nutzen bewusst unterschiedliche Modelle für unterschiedliche Aufgaben. Was wir im September für AI im Allgemeinen beschrieben haben, gilt für die Softwareentwicklung im Besonderen: Die entscheidende Messgröße ist nicht der Token und nicht die Codezeile, sondern die erfolgreich abgeschlossene Aufgabe.
Aus unseren Projekten und den Befunden der vergangenen Monate ergibt sich ein recht klares Bild davon, was AI Engineering in der Praxis bedeutet. Es sind die Fragen, die vor dem ersten Agentenlauf beantwortet sein sollten:
Daraus folgen fünf Bausteine, die wir als Kern von AI Engineering verstehen:
Wie das in einem konkreten Projekt aussehen kann, haben wir in unserer Case Story zu Agentic AI beschrieben. Der Kern ist immer derselbe: Der Agent ist austauschbar, das System um ihn herum ist es nicht.
Die Befunde dieses Herbstes ergeben ein konsistentes Bild. Coding Agents sind gekommen, um zu bleiben, und sie erhöhen den Output messbar. Aber Output ist nicht Ergebnis. Der Engpass hat sich verschoben – von der Tastatur zu Spezifikation, Review, Verständnis und Steuerung.
AI Engineering verschiebt die Arbeit von Entwicklerinnen und Entwicklern, statt sie zu ersetzen: weniger Code schreiben, mehr Systeme gestalten, in denen guter Code entsteht und als guter Code erkannt wird.
Unternehmen, die jetzt in diese Disziplin investieren – in Spezifikation, Kontext, Harness, Verifikation und Messung –, werden aus Agenten tatsächlich schnellere Software machen. Alle anderen bekommen vor allem mehr Pull Requests.
Ob Einführung von Coding Agents, Aufbau von Harness und Verifikation oder die Messung des tatsächlichen Nutzens: Wir sprechen gern darüber, wie AI Engineering in Ihrer Entwicklung aussehen kann.
Gespräch anfragenMK Zwei Digital GmbH · info@mk-zwei.com