# Was ist Agentic Engineering? Definition, Praxis und die Agentic Software Factory

> Was ist Agentic Engineering? Definition, Ursprung, Guardrails, Autonomiestufen und die Agentic Software Factory für KI-Coding im Unternehmen.

- URL: https://seiler.it/themen/agentic-engineering/
- Author: Dr. Sven Seiler (https://seiler.it/)
- Type: Pillar / Topic Hub
- Language: de
- Updated: 2026-09-27

TL;DR

- Agentic Engineering ist die Disziplin, mit der Teams Agentic AI im Softwareentwicklungsprozess produktionsreif einsetzen.

- Es adressiert das Kernproblem der Agentic-Ära: Tools sind weiter als die Methodik. Gartner prognostiziert (Juni 2025)[^1], dass über 40 % der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden.

- Drei Bausteine: Spezifikation als Laufzeitkomponente, sechs Guardrails (CI, Static Types, Linting, Architektur-Tests, Behavior-Tests, Code-Quality mit MCP), neue Team-Rollen (Context Engineer, AI Ethics Advisor).

- Anders als Vibe Coding: jedes Output ist nachprüfbar, jede Entscheidung dokumentiert, jede Architektur kontrolliert.

- Meine Einschätzung: Kleine Teams mit gut instrumentierten Agenten können mit deutlich größeren Teams mithalten — der Engpass verschiebt sich von Coding zu Review, Testing, QA.

## Was ist Agentic Engineering?

Kurz gesagt
Agentic Engineering ist ein strukturierter, nachprüfbarer Ansatz, mit dem Entwicklungsteams Agentic AI (autonome KI-Agenten) im gesamten Software-Lebenszyklus einsetzen — ohne dabei Kontrolle über Architektur, Qualität und Wartbarkeit zu verlieren.

Der Begriff grenzt sich bewusst von „Vibe Coding“ ab, also der unstrukturierten Nutzung von KI-Coding-Tools, bei der Promptergebnisse direkt in Produktion landen.

Wo Vibe Coding für Prototypen erstaunlich gut funktioniert, bricht es bei Produktionssoftware spätestens beim ersten Schema-Update zusammen. Agentic Engineering ist die Antwort auf diese Lücke: ein Engineering-Framework, das KI-Output behandelt wie jeden anderen Code — mit Spezifikation, Verifikation, Code Review und Quality Gates.

**Woher der Begriff kommt:** Der Begriff wurde Anfang 2026 von Andrej Karpathy popularisiert, Mitgründer von OpenAI und früher KI-Chef bei Tesla. Am 4. Februar 2026, ein Jahr nachdem er „Vibe Coding“ geprägt hatte, nannte er „Agentic Engineering“ seinen Favoriten[^2] für das, was danach kommt: Programmieren mit KI-Agenten als Standard, aber mit mehr Aufsicht und ohne Abstriche bei der Qualität. Meine Arbeit beschäftigt sich mit der Frage, wie daraus eine belastbare Enterprise-Engineering-Disziplin wird.

## Agentic Coding, Vibe Coding, Agentic Engineering: der Unterschied

Die drei Begriffe werden oft vermischt. Sie beschreiben aber verschiedene Dinge:

- Agentic Coding ist die Technik: Ein KI-Agent schlägt nicht nur Code vor, sondern ändert selbst Dateien, führt Befehle aus und nutzt Werkzeuge, in der IDE oder im Terminal. Das entspricht den Stufen 3 bis 5 der Agentic-Coding-Leiter weiter unten.

- Vibe Coding ist der unkontrollierte Einsatz: Prompt, Ergebnis übernehmen, hoffen. Für Prototypen erstaunlich gut, für Produktionssoftware riskant.

- Agentic Engineering ist die Methode: Spezifikation, Guardrails und klare Verantwortung zwischen Mensch und Agent, damit Agentic Coding in Unternehmen produktionsreif wird.

## Warum jetzt: das Methodik-Tooling-Gap

2025/2026 ist die Agentic-Ära: 85 % der Entwickler nutzen regelmäßig KI-Tools[^3], Cursor wurde im November 2025 mit 29,3 Mrd. USD bewertet[^4], und Claude Code erreichte sechs Monate nach dem Start 1 Mrd. USD annualisierten Umsatz[^5]. Doch der Tagline-Shift von „Autocomplete“ zu „autonom“ passiert schneller als sich Engineering-Praktiken anpassen.

Die Kehrseite: Gartner prognostiziert (Juni 2025)[^1], dass über 40 % der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden — wegen steigender Kosten, unklarem Geschäftsnutzen oder unzureichender Risikokontrollen. Meine Lesart: Nicht die Modelle sind das Problem, sondern die Lücke zwischen „technisch möglich“ und „produktionsreif“. Genau dort setzt Agentic Engineering an.

> Coding ist billig. Software nicht. Die Lücke dazwischen ist, wo die echte Arbeit passiert — und wo der echte Wert für das nächste Jahrzehnt liegt.

## Die fünf Stufen der Agentic-Coding-Leiter

Ein mentales Modell, wo ein Team auf der Kurve steht:

1. Chat — Modell fragen, Antwort kopieren.

1. Mid-loop generation — KI generiert Code-Blöcke, Mensch stitcht.

1. In-the-loop agentic — KI agiert innerhalb der IDE mit Zugriff auf Files, Terminal, Tools.

1. On-the-loop agentic — KI arbeitet mit reduzierter Aufsicht. Mensch setzt Ziele, Agent führt aus, Mensch reviewt.

1. Multi-Agent Coding — mehrere spezialisierte Agenten kooperieren parallel.

Die meisten Entwickler stehen zwischen Stufe 2 und 3. Die spannende Arbeit passiert auf Stufe 4 und 5. **Wichtig:** Jede höhere Stufe bedeutet weniger Mensch-Review pro Code-Zeile — das funktioniert nur, wenn das Drumherum (Spezifikationen, Guardrails, Verifikationsschichten) entsprechend stärker wird.

## Vom Entwickler zur Organisation: Autonomie nur so weit, wie die Verifikation trägt

Die Coding-Leiter beschreibt, wie ein einzelner Entwickler mit Agenten arbeitet. Für ein Unternehmen reicht das nicht. Dort lautet die Frage: Was darf ein Agent in welcher Phase selbst tun, und woran merken wir, wenn er es falsch macht? Dafür habe ich bei Storm Reply gemeinsam mit Kolleginnen und Kollegen ein Modell entwickelt. Konstruiert ist es aus der eigenen Entwicklungsarbeit mit Agenten und gegen die veröffentlichten Rahmenwerke von DORA[^6], DX[^7], Augment Code[^8] und Microsoft[^9].

> Autonomie darf nur so weit gehen, wie die Verifikation trägt. Autonomiegrad ist kein Reifegrad – nicht jede Phase soll auf Stufe 5.

Jede Stufe hat deshalb zwei Seiten: was der Agent selbst tut (Autonomie) und wer oder was das Ergebnis absichert (Verifikation).

1. Assistiert – der Agent schlägt vor, der Mensch liest mit.

1. Delegiert – der Agent erledigt ganze Arbeitspakete, der Mensch prüft jede Zeile. Die gefährlichste Stufe, weil sie sich nach Fortschritt anfühlt: Die Fehler sind jetzt konzeptionell, der Code sieht richtig aus.

1. Überwacht – ein technisch erzwungenes Gate prüft, der Mensch entscheidet.

1. Autonom – das Gate prüft und entscheidet, der Mensch sieht nur definierte Risikoklassen.

1. Selbstnachführend – der Kreis schließt sich aus Betriebsdaten: Produktionsfehler werden zu Tests, Telemetrie zu Tickets.

**Die Rechenregel:** Je Phase werden Autonomie und Verifikation getrennt eingestuft, und es zählt das Minimum. Ein Team, dessen Agent Tickets bis zum Pull Request bearbeitet (Autonomie 3), in dem aber weiterhin ein Mensch jede Zeile liest (Verifikation 2), steht auf Stufe 2. Läuft die Autonomie der Verifikation voraus, ist das kein Fortschritt, sondern ein Risikobefund.

### Die Landkarte: acht Phasen

| Phase | Leitfrage | Zielstufe |
| --- | --- | --- |
| Requirements | Woher kommen Anforderungen – und wer schreibt sie auf? | 4 |
| Design & Architecture | Wer entscheidet Architektur, Sicherheit und Performance? | 3 |
| Implementierung | Wie viel Code entsteht ohne menschliche Tastatur? | 4 |
| Test & Evaluation | Woran misst sich Qualität, wenn Code billig wird? | 4 |
| Review & Acceptance | Wo bleibt der Mensch im Entscheidungspfad? | 3 |
| Deploy & Operations | Wie schließt sich der Kreis vom Betrieb zur Anforderung? | 4 |
| Menschen & Rollen | Wer arbeitet so – und wer gibt Autonomie frei? | 4 |
| Wertbeitrag & Kennzahlen | Woran zeigt sich, dass mehr Autonomie besser ist? | 4 |

_Die acht Phasen der Landkarte mit ihren Leitfragen und der empfohlenen Zielstufe. Stufe 5 ist in keiner Phase das Standardziel._

### Die fünf Fundamente

Unter den Phasen liegen fünf Fundamente. Sie bekommen keine Stufe, sondern eine Ampel, denn sie sind Voraussetzungen: **Kontext & Wissen**, **Werkzeuge & Sandboxes**, **Guardrails, Hooks & Observability**, **Security, Compliance & IP** und **Kosten & Token-Ökonomie**. Ein rotes Fundament deckelt jede Phase, die daran hängt – egal wie gut der Agent programmiert.

Die Coding-Leiter und die Landkarte widersprechen sich nicht: Die Leiter beschreibt, wie weit ein Entwickler geht, die Landkarte, wie weit die Organisation es tragen kann.

## Die Agentic Software Factory: sieben Schichten

Der Begriff „Software Factory“ stammt aus den 1970er Jahren und meinte die standardisierte, wiederholbare Produktion von Software. 2026 ist er als „Agentic Software Factory“ zurückgekehrt, unter anderem bei BCG Platinion[^10] und Red Hat[^11]. Meine Definition: **Die Agentic Software Factory ist kein Produkt, das man kauft, sondern die Umgebung, in der Agenten sicher arbeiten dürfen** – mit geordnetem Kontext, begrenzten Rechten, erzwungenen Prüfungen und sichtbaren Kosten. Wer sie hat, kann Autonomie Phase für Phase erhöhen. Wer sie nicht hat, hat schnelle Agenten in einer Werkstatt ohne Schutzbrille.

1. Kontext – das Gedächtnis der Fabrik: versionierte Projektregeln im Repository, wiederverwendbare Skills und Live-Zugriff per MCP auf Tickets, Doku und Betriebsdaten.

1. Arbeitsfluss – Tickets als Warteschlange für Agenten: Labels lösen Spezifikation, Implementierung oder Eskalation aus.

1. Agentenlaufzeit – jeder Agent arbeitet in einer isolierten Umgebung mit eigener, nicht-menschlicher Identität. Ab mehreren Teams braucht es einen zentralen Agent Hub. Rechte, die im Prompt stehen, sind keine Rechte.

1. Qualität und Gates – Tests prüfen den Code, Evals den Agentenlauf. Risikoklassen legen fest, welche Änderung immer ein Mensch sieht.

1. Betrieb und Learning Loop – Deploy-Rechte stufenweise, Canary und Rollback im Regelbetrieb, Störungen werden zu neuen Tickets und Tests.

1. Kosten – Modell-Routing, Iterationsgrenzen und harte Limits. Das Ergebnis ist eine Zahl, die heute kaum jemand hat: Kosten je Ticket.

1. Menschen und Rollen – Werkzeuge kauft man, Arbeitsweisen nicht. Die Arbeit verschiebt sich vom Schreiben zum Spezifizieren und Prüfen.

Warum das nötig ist, zeigt die Studienlage. Laut DORA nutzen 90 % der Befragten KI bei der Arbeit, und KI-Adoption geht mit höherem Durchsatz, aber weiterhin geringerer Stabilität der Auslieferung einher[^6]. Bain beziffert den Anteil von Schreiben und Testen des Codes an der Zeit von der Idee bis zum Launch auf 25 bis 35 %[^12] – wer nur diesen Teil beschleunigt, verschiebt den Engpass. In einer randomisierten Studie von METR brauchten erfahrene Open-Source-Entwickler mit KI-Werkzeugen 19 % länger, glaubten aber, schneller gewesen zu sein[^13]. Und laut Veracode enthielten 45 % der von Sprachmodellen erzeugten Code-Beispiele Schwachstellen aus den OWASP Top 10[^14].

Die Fabrik ersetzt keine Architekten, keine Reviewer und keine Abnahme. Sie verschiebt deren Arbeit dorthin, wo sie wirkt: an den Plan statt an den Diff, an die Regel statt an den Einzelfall. Und sie ist kein Big Bang – jede Schicht lässt sich einzeln bauen. In meinen Vorträgen „[How to build an Agentic Software Factory](https://www.meetup.com/agentic-shift/events/316695452/)“ und „[Agentic Software Factory on AWS](https://www.meetup.com/dortmund-aws-user-group/events/316695439/)“ (November 2026, beide mit Henning Teek) zeigen wir das am Beispiel unseres Agent Hub.

## Spezifikation als Laufzeitkomponente

In der klassischen Softwareentwicklung sind Anforderungen ein Dokumentations-Artefakt: niemand liest sie regelmäßig, sie driften aus dem Code. In Agentic Engineering werden Anforderungen zur **Laufzeitkomponente**: Systemprompts, Skill-Definitionen, Tool-Beschreibungen, Acceptance-Kriterien sind das, was der Agent *jedes Mal* liest, wenn er die nächste Entscheidung trifft.

Konsequenz: eine vage Spec bedeutet einen ratenden Agenten. Eine missverständliche Tool-Beschreibung ist ein Live-Bug. Eine fehlende Edge-Case-Beschreibung ist ein Produktions-Incident in der Warteschlange. Damit verändert sich auch die Ökonomie: Zeit, die in präzise Specs fließt, multipliziert sich — jeder zukünftige Agent-Aufruf profitiert davon.

## Die sechs Guardrails

Spezifikationen sagen dem Agenten *was* zu bauen ist. Guardrails sagen dem System, *was abzulehnen ist*, wenn der Agent es falsch macht. Beides ist nötig:

1. Continuous Integration mit kurzlebigen Branches — Agentic-Code-Volumen sprengt klassische Git-Workflows. Branches dürfen Stunden leben, nicht Tage.

1. Statisch typisierte Sprachen — der Compiler ist die billigste, schnellste, zuverlässigste Feedback-Loop. Domain-Typen (PersonId statt string) eliminieren Argument-Vertauscher.

1. Deterministisches Linting — Prettier, ESLint, CSharpier. Niemals die KI formatieren lassen.

1. Architektur-Unit-Tests — ArchUnit & Co. erzwingen Design-Constraints programmatisch. Der Agent muss die Architektur nicht erinnern; der Build fällt, wenn sie verletzt wird.

1. Behavior-Tests statt Coverage-Tests — 100 %-Coverage führt zu KI-Slop-Tests. Was wehtut wenn es bricht, das wird getestet.

1. Code-Quality-Tools mit MCP — SonarQube, CodeScene über Model Context Protocol. Quality-Reports werden direkt an den Agenten zurückgefüttert — der refactort autonom.

## Was bedeutet das für Teams?

Die Mythical-Man-Month-Logik gerät ins Wanken. Aus meiner Erfahrung können kleine Teams mit gut instrumentierten Agenten mit deutlich größeren Teams mithalten — nicht weil sie heroisch sind, sondern weil Koordinations-Overhead sinkt. Lines-of-Code ist nicht mehr der Bottleneck; Review, Testing und QA werden zum Engpass.

Auch der Funnel verändert sich. Zur Illustration (fiktive Zahlen): Früher wurden aus 500 Nutzerproblemen 15 priorisiert und 5 ausgeliefert — weil Coding teuer war. Heute kann jeder spezifizierte Use-Case geschrieben werden. Der Filter verschiebt sich vor zu Spec, hinten zu Review/QA. Genau dort liegt die wertvollste menschliche Arbeit der nächsten Jahre.

Neue Rollen entstehen: **Context Engineer**, **AI Ethics Advisor**, **AI Product Owner**. Klassisches Junior-Coding verliert an Bedeutung — im LeadDev AI Impact Report 2025[^15] erwarten 54 % der Befragten aus der LeadDev-Community, dass KI-Coding-Tools auf Dauer zu weniger Junior-Einstellungen führen.

## Vom Prinzip zum Enterprise-Delivery: Silicon Shoring

Im Enterprise-Kontext braucht Agentic Engineering ein belastbares Liefermodell. **Silicon Shoring** ist das KI-gestützte Software-Delivery-Modell der **Reply Group** (vorgestellt 2025): generative KI-Agenten über den gesamten Software-Lebenszyklus — von Anforderungen und Code-Generierung über Testing und Deployment bis Betrieb und Monitoring — kombiniert mit menschlicher Expertise. Es operationalisiert genau die Prinzipien dieser Seite: Spezifikation als Laufzeitkomponente, durchgängige Guardrails, nachprüfbare Outputs.

Bei Storm Reply wird Silicon Shoring **auf und mit AWS** umgesetzt — mit best-of-breed agentischem Tooling (u. a. Claude Code, MCP), enterprise-grade und souveränitätsbewusst. Zwei Betriebsmodelle: *In-House* (das agentische System läuft in der Umgebung des Kunden, integriert mit dessen Daten, Tools und Infrastruktur) und *Managed* (eine vollständig betriebene, KI-native Software-Factory).

## Häufige Fragen zu Agentic Engineering

Was ist eine Agentic Software Factory?

Eine Agentic Software Factory ist kein Produkt, sondern die Umgebung, in der KI-Agenten sicher Software entwickeln dürfen: mit geordnetem Kontext, begrenzten Rechten, technisch erzwungenen Prüfungen und sichtbaren Kosten. Im Modell von Dr. Sven Seiler besteht sie aus sieben Schichten – Kontext, Arbeitsfluss, Agentenlaufzeit, Qualität und Gates, Betrieb und Learning Loop, Kosten sowie Menschen und Rollen. Der Begriff „Software Factory“ stammt aus den 1970er Jahren; als „Agentic Software Factory“ verwenden ihn seit 2026 unter anderem BCG Platinion und Red Hat.

Wie weit darf ein KI-Agent in der Softwareentwicklung autonom arbeiten?

So weit, wie die Verifikation trägt. Das Agentic-Engineering-Modell, das Dr. Sven Seiler bei Storm Reply mit Kolleginnen und Kollegen entwickelt hat, stuft je Phase Autonomie und Verifikation getrennt auf fünf Stufen ein (Assistiert, Delegiert, Überwacht, Autonom, Selbstnachführend) und wertet das Minimum. Nicht jede Phase soll auf Stufe 5: Für Design & Architecture sowie Review & Acceptance empfiehlt das Modell Stufe 3, weil dort der Mensch im Entscheidungspfad bleibt.

Was ist Agentic Coding?

Agentic Coding ist Programmieren mit KI-Agenten, die selbstständig Dateien ändern, Befehle ausführen und Werkzeuge nutzen, statt nur Vorschläge zu machen. Beispiele sind Claude Code, GitHub Copilot im Agent-Modus, Cursor oder Kiro. Agentic Engineering ist die Methode, mit der Teams diese Technik kontrolliert und nachprüfbar einsetzen.

Was unterscheidet Agentic Engineering von Vibe Coding?

Vibe Coding ist Prompt → Output → Hope: keine Struktur, keine Verifikation, keine Spezifikation. Funktioniert für Prototypen, bricht in Produktion. Agentic Engineering kehrt das um: Spezifikationen als Laufzeitkomponente, sechs Guardrails (CI/Types/Linting/Architecture-Tests/Behavior-Tests/Code-Quality-MCP) und klare Verantwortlichkeiten zwischen Mensch und Agent.

Brauche ich Agentic Engineering, wenn mein Team klein ist?

Gerade dann. Kleine Teams mit gut instrumentierten Agenten können aus meiner Erfahrung mit deutlich größeren Teams mithalten — aber nur, wenn die Guardrails stehen. Ohne Spec und Tests skaliert die KI nicht, sondern produziert Tech-Debt im Wochentakt.

Welche Tools gehören zur Agentic-Engineering-Toolchain?

Coding-Agenten (Claude Code, GitHub Copilot, Cursor, Kiro, Amazon Q Developer), MCP-Server für externe Systeme (DMS, ITSM, Observability), statische Typsysteme (TypeScript, Rust, C#), Architektur-Tests (ArchUnit & Co.), Code-Quality-Tools mit MCP-Anbindung (SonarQube, CodeScene) und ein strikter CI-Trunk-based-Workflow.

Was ist das Model Context Protocol (MCP)?

MCP ist ein offener Standard für bidirektionale, kontrollierte Anbindungen zwischen KI-Applikationen und externen Systemen. Oft als „USB-C für KI“ beschrieben. Im Agentic-Engineering-Kontext erlaubt MCP, Quality-Reports, Architektur-Constraints und Tool-Capabilities einheitlich an Agenten zurückzuführen — die Basis für autonomes Refactoring.

Woher stammt der Begriff „Agentic Engineering“?

Von Andrej Karpathy. Er hat den Begriff am 4. Februar 2026 [auf X](https://x.com/karpathy/status/2019137879310836075) als Nachfolger von „Vibe Coding“ vorgeschlagen, das er ein Jahr zuvor geprägt hatte. Dr. Sven Seiler und Henning Teek haben ihn im April 2026 in ihrem Vortrag beim Agentic Shift Meetup in Dortmund und im zugehörigen Essay [„Coding Is Cheap, Software Is Not“](/articles/coding-is-cheap-software-is-not/) für die Enterprise-Praxis ausgearbeitet.

Wie messe ich Erfolg in Agentic-Engineering-Projekten?

Drei Metrik-Familien: **Produktivität** (Release-Frequenz, Lead-Time, Throughput), **Qualität** (Defect-Rate, MTTR, Test-Stabilität) und **Risiko** (Coverage kritischer Pfade, Audit-Trail-Vollständigkeit, Compliance-Findings). Erfolgreiche Teams führen diese Metriken parallel und führen regelmäßige KI-Assessments durch — laut einer [Gartner-Umfrage (November 2025)](https://www.gartner.com/en/newsroom/press-releases/2025-11-04-gartner-survey-finds-regular-ai-system-assessments-triple-the-likelihood-of-high-genai-value) berichten Organisationen mit regelmäßigen KI-Assessments mehr als dreimal so häufig einen hohen GenAI-Nutzen.

## Quellen

[^1]: Gartner: „Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027“, Pressemitteilung, 25. Juni 2025. [gartner.com](https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027)

[^2]: Andrej Karpathy: Beitrag auf X, 4. Februar 2026. [x.com](https://x.com/karpathy/status/2019137879310836075)

[^3]: JetBrains Research: „The State of Developer Ecosystem 2025“, Oktober 2025. Befragung von 24.534 Entwicklerinnen und Entwicklern, April bis Juni 2025. [blog.jetbrains.com](https://blog.jetbrains.com/research/2025/10/state-of-developer-ecosystem-2025/)

[^4]: Cursor: „Past, Present, and Future“ (Ankündigung der Series D, 2,3 Mrd. USD bei 29,3 Mrd. USD Post-Money-Bewertung), 13. November 2025. [cursor.com](https://cursor.com/blog/series-d)

[^5]: Anthropic: „Anthropic acquires Bun as Claude Code reaches $1B milestone“, 3. Dezember 2025. [anthropic.com](https://www.anthropic.com/news/anthropic-acquires-bun-as-claude-code-reaches-usd1b-milestone)

[^6]: Google Cloud / DORA: „2025 DORA Report: State of AI-Assisted Software Development“, Studie, 23. September 2025. Knapp 5.000 Technologie-Fachleute weltweit, plus über 100 Stunden qualitative Daten. [cloud.google.com](https://cloud.google.com/blog/products/ai-machine-learning/announcing-the-2025-dora-report)

[^7]: DX (Abi Noda, Laura Tacho): „Measuring AI code assistants and agents“, Forschungsbericht zum DX AI Measurement Framework (Dimensionen: Nutzung, Wirkung, Kosten). Ohne Datumsangabe. [getdx.com](https://getdx.com/research/measuring-ai-code-assistants-and-agents/)

[^8]: Augment Code: „Agentic Engineering Maturity Model: 5-Level Self-Assessment“, Leitfaden von Ani Galstian, 12. Juni 2026 (aktualisiert 18. Juni 2026). Fünf Stufen: Ad-Hoc, Standardized, Orchestrated, Systematic, Autonomous. [augmentcode.com](https://www.augmentcode.com/guides/agentic-engineering-maturity-model)

[^9]: Microsoft Learn: „Introduction to the Agentic AI adoption maturity model“, Leitfaden, 31. März 2026. Fünf Reifegrade (Level 100–500) und fünf Säulen. [learn.microsoft.com](https://learn.microsoft.com/en-us/agents/adoption-maturity-model/)

[^10]: BCG Platinion: „The Agentic Software Factory“, Insights-Artikel, 26. März 2026. Autoren u. a. Joachim Engesser, Axel Griewel, Sebastian Ley. [bcgplatinion.com](https://www.bcgplatinion.com/insights/the-agentic-software-factory)

[^11]: Red Hat Developer: „Trusted software factory: Building trust in the agentic AI era“, Fachartikel von Meg Foley, 13. Mai 2026. [developers.redhat.com](https://developers.redhat.com/articles/2026/05/13/trusted-software-factory-building-trust-agentic-ai-era)

[^12]: Bain & Company: „From Pilots to Payoff: Generative AI in Software Development“, Technology Report 2025, 23. September 2025. [bain.com](https://www.bain.com/insights/from-pilots-to-payoff-generative-ai-in-software-development-technology-report-2025/)

[^13]: METR: „Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity“, randomisierte kontrollierte Studie, 10. Juli 2025 (arXiv:2507.09089). 16 erfahrene Open-Source-Entwickler, 246 Aufgaben. [metr.org](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/)

[^14]: Veracode: „2025 GenAI Code Security Report“, Studie, 30. Juli 2025. Über 100 LLMs, Code in Java, Python, C# und JavaScript. [veracode.com](https://www.veracode.com/blog/genai-code-security-report/)

[^15]: LeadDev: „The AI Impact Report 2025“, S. 13. Befragung von 883 Personen aus der LeadDev-Community, 30. Mai bis 21. Juni 2025. [leaddev.com](https://leaddev.com/wp-content/uploads/2025/08/THE-AI-IMPACT-REPORT-2025-download__LDMO__.pdf)

## Vertiefende Beiträge

### Coding Is Cheap, Software Is Not

Der vollständige Essay zu Agentic Engineering — Era-Map, Five-Rung-Ladder, Spec-as-Runtime, sechs Guardrails.

### KI-gestützte Softwareentwicklung 2025–2030

Wie generative KI und Agentic AI die Softwareentwicklung verändern — Adoption, Governance, Teamrollen, ROI.

### Vortrag: Coding Is Cheap (Agentic Shift, April 2026)

Vortrag mit Henning Teek beim Agentic Shift Meetup in Dortmund, April 2026 (Event-Seite).