AeronauticsAgentic Engineering in der Praxis: Wie KI-Agenten bei DATEV die Softwaremodernisierung beschleunigen
Künstliche Intelligenz verändert die Softwareentwicklung grundlegend. Doch während viele Unternehmen noch über den Einsatz von KI-gestütztem Coding diskutieren, gehen einige bereits den nächsten Schritt: Sie etablieren strukturierte Entwicklungsprozesse, in denen KI-Agenten produktiv, kontrolliert und nachvollziehbar arbeiten.
Im Rahmen eines Modernisierungsprojekts bei DATEV begleitet Loren als Softwarearchitekt und AI Ambassador die Einführung von Agentic Engineering. Im Interview erklärt er, warum Unternehmen jetzt handeln sollten, welche Rolle Frameworks wie BMAD spielen und welche Erkenntnisse sich aus der praktischen Anwendung für die gesamte IT-Branche ableiten lassen.
Vom Softwareentwickler zum AI-Experte
Nach dem Studium der Geoinformatik an der Technischen Universität Dresden führte ihn sein Karriereweg durch zahlreiche Branchen, darunter Pharma, Automotive und IT-Dienstleistungen. Heute liegt sein Fokus auf der Konzeption moderner Softwarearchitekturen, der Transformation komplexer Bestandssysteme und dem praxisnahen Einsatz künstlicher Intelligenz in Entwicklungsprojekten.
Als AI-Experte unterstützt er Teams dabei, KI-basierte Methoden nachhaltig in bestehende Entwicklungsprozesse zu integrieren und schlägt die Brücke zwischen Technologie, Organisation und Menschen.
Agentic Engineering wird aktuell intensiv diskutiert. Wie würdest du den Begriff beschreiben und warum sollten sich Unternehmen gerade jetzt damit beschäftigen?
Agentic Engineering beschreibt die ingenieurmäßige Entwicklung von Software mit Hilfe von KI-Agenten. Der Ansatz unterscheidet sich bewusst von einem rein experimentellen Einsatz generativer KI, bei dem Ergebnisse häufig auf Basis einzelner Prompts entstehen und schwer nachvollziehbar sind.
Im Mittelpunkt steht die Frage, wie Unternehmen die Geschwindigkeit von KI nutzen können, ohne Qualität, Sicherheit oder Architekturprinzipien zu gefährden. Dafür kommen strukturierte Verfahren wie Spec-Driven Development, Frameworks wie und Konzepte wie Harness Engineering zum Einsatz. Sie schaffen den notwendigen Rahmen, damit KI-Agenten nicht nur schnell arbeiten, sondern auch nachvollziehbare und überprüfbare Ergebnisse liefern.
Gerade jetzt ist das Thema relevant, weil viele Unternehmen vor umfangreichen Modernisierungsaufgaben stehen und gleichzeitig unter hohem Zeit- und Fachkräftedruck arbeiten.
Welchen Herausforderungen musstet ihr euch stellen?
Unser Kunde stand im Rahmen seines ModFac-Modernisierungsprogramms vor der Aufgabe, bestehende Altsysteme deutlich schneller zu modernisieren, als dies mit klassischen Entwicklungsansätzen möglich gewesen wäre.
Dabei ging es unter anderem um die Neuentwicklung bestehender On-Premise-Komponenten. Schnell wurde klar, dass ein einfacher Einsatz von KI nicht ausreichen würde. Architekturvorgaben, Compliance-Anforderungen und Qualitätsstandards mussten weiterhin konsequent eingehalten werden.
Agentic Engineering erwies sich deshalb als passender Ansatz. Durch eine klar definierte Spezifikation und einen kontrollierten Entwicklungsrahmen konnten KI-Agenten produktiv eingesetzt werden, ohne die notwendige Transparenz und Kontrolle zu verlieren.
Wie wurde Agentic Engineering im Projekt konkret eingesetzt?
Wir haben mit dem BMAD-Framework gearbeitet, das die Zusammenarbeit verschiedener spezialisierter KI-Rollen ermöglicht. Dabei übernehmen Agenten Aufgaben aus Architektur, Implementierung und Qualitätssicherung, basierend auf einer gemeinsamen Spezifikation statt auf isolierten Einzelprompts.
Die Agenten erzeugten Code, überprüften Anforderungen gegen architektonische Vorgaben und validierten Ergebnisse über automatisierte Testverfahren. Zusätzlich wurde ein Cross-Model-Review eingesetzt, bei dem ein zweites KI-Modell die Ergebnisse unabhängig bewertet.
Dadurch entstand ein mehrstufiger Prozess, der nicht auf Vertrauen basiert, sondern auf überprüfbaren Nachweisen.
Welche konkreten Ergebnisse konnten erzielt werden?
Aus technischer Sicht konnten wir sicherstellen, dass erzeugte Lösungen nachweisbar mit Architektur-, Sicherheits- und Qualitätsanforderungen übereinstimmen. Durch automatisierte Prüfmechanismen wurden Risiken und offene Entscheidungen frühzeitig sichtbar.
Ein weiterer Vorteil war die Transparenz. Kritische Architekturthemen, etwa rund um Speicher- oder Integrationskonzepte, konnten früh identifiziert und bewusst entschieden werden.
Geschäftlich betrachtet führte der Ansatz zu einer deutlichen Beschleunigung der Modernisierung. Gleichzeitig behielten Fachbereiche, Architekt:innen und Projektverantwortliche jederzeit die Kontrolle über Anforderungen, Entscheidungen und Freigaben. Das Management erhielt eine belastbare Entscheidungsgrundlage anstelle eines reinen Vertrauensvorschusses gegenüber KI-generiertem Code.
„KI kann schnell Lösungen erzeugen, aber Schnelligkeit garantiert keine Richtigkeit. Erst eine klare Spezifikation und ein kontrollierter Harness machen aus einem KI-Experiment einen verlässlichen Engineering-Prozess.“
Welche Herausforderungen sind besonders relevant für andere Unternehmen?
Die wichtigste Erkenntnis lautet: KI-Agenten sind nur so gut wie der Rahmen, in dem sie arbeiten. Eine hochwertige Spezifikation allein genügt nicht. Wenn Dokumentation fehlt, Architekturregeln unklar sind oder Kontrollmechanismen fehlen, können Agenten falsche Annahmen treffen oder Aufgaben voreilig als erledigt betrachten.
Besonders in komplexen Modernisierungsprojekten zeigt sich, wie wichtig ein sauber definiertes Harness ist. Unternehmen sollten deshalb ausreichend Zeit in die Vorbereitung investieren und Governance, Qualitätssicherung sowie Dokumentation von Anfang an mitdenken.
Welche Voraussetzungen sollten Unternehmen für den Einstieg mitbringen?
Der wichtigste Erfolgsfaktor ist Klarheit. Bevor ein KI-Agent eingesetzt wird, müssen Zielbild, Nutzen, Erfolgskriterien und Rahmenbedingungen eindeutig definiert sein. Ebenso notwendig sind eine belastbare Projektdokumentation, Architekturleitlinien, automatisierte Tests und geeignete Zugriffskontrollen.
Genauso entscheidend bleibt der Mensch. KI kann unterstützen und beschleunigen, Verantwortung für Entscheidungen und Freigaben muss jedoch weiterhin bei erfahrenen Fach- und Architekturteams liegen.
Für welche Anwendungsfälle eignet sich Agentic Engineering besonders?
Besonders großes Potenzial sehen wir in Modernisierungs- und Transformationsprojekten. Dort müssen häufig komplexe Altsysteme abgelöst werden, die über viele Jahre gewachsen sind und umfangreiche fachliche Regeln enthalten.
Auch in regulierten Branchen wie Finanzwesen, Versicherungen oder öffentlicher Verwaltung bietet der Ansatz erhebliche Vorteile. Die Kombination aus Spezifikation, Governance und automatisierter Validierung schafft die notwendige Nachvollziehbarkeit, um KI produktiv einzusetzen.
Grundsätzlich eignet sich Agentic Engineering überall dort, wo Qualität, Dokumentation und Nachweisbarkeit genauso wichtig sind wie Geschwindigkeit.
Wie wird sich das Thema in den kommenden Jahren entwickeln?
Ich gehe davon aus, dass Agentic Engineering einen ähnlichen Weg einschlagen wird wie DevOps oder agile Methoden. Was heute noch häufig als Pilotprojekt betrachtet wird, wird sich zunehmend als Standard etablieren.
Frameworks wie BMAD und Konzepte wie Harness Engineering werden reifer, stärker standardisiert und einfacher in bestehende Entwicklungslandschaften integrierbar sein.
Gleichzeitig wächst die Bedeutung von Softwarearchitekt:innen. Sie definieren künftig die Leitplanken, innerhalb derer KI-Agenten sicher, effizient und verantwortungsvoll arbeiten können.
