Kommentar von Maximilian Jesch, IBM So schaffen KI-Agenten Mehrwert für die Softwareentwicklung

Die Automatisierung in der Softwareentwicklung erreicht die nächste Stufe. Es reicht nicht mehr aus, einzelne Code-Zeilen durch Künstliche Intelligenz (KI) ergänzen oder einfache Programme automatisch generieren zu lassen. Agentische Entwicklungsplattformen versprechen mehr: Sie fungieren in unübersichtlichen Systemen als Lotse für die Entwicklungsteams und übernehmen als digitale Partner komplette Aufgabenpakete.

Das Schreiben von neuem Code macht im Alltag vieler Software-Ingenieure oft den geringsten Teil der eigentlichen Arbeit aus. Die meiste Zeit fließt in das Lesen und Verstehen des Codes bestehender Systeme, sowie die Suche nach Fehlern in verteilten Architekturen und das mühsame Entwirren historisch gewachsener Abhängigkeiten. Einfache KI-Assistenten und Codegeneratoren, die Entwicklern während des Tippens Vorschläge für die nächsten Zeilen machen, bieten bei diesen Herausforderungen nur begrenzte Hilfe. Sie beschleunigen lediglich die reine Code-Produktion. Sie reduzieren aber nicht die enorme kognitive Last, die mit dem Verstehen der Komplexität heutiger IT-Landschaften einhergeht und die oft ein Dickicht aus Legacy- und topmodernen Systemen bilden.

Eine umfassende Studie des KI-Forschungsinstituts METR aus dem Juli 2025 kam zu dem Ergebnis, dass Entwickler von KI-Coding-Assistenten Produktivitätsgewinne von bis zu 24 Prozent erwarteten. Doch die Realität zeigte ein anderes Bild: KI-Nutzer in großen, realen Umgebungen brauchten 19 Prozent länger für ihre Aufgaben als Kollegen, die keine KI einsetzten.

Das zeigt, dass ein Paradigmenwechsel nötig ist: Der Schritt von einfachen, reaktiven KI-Werkzeugen hin zu agentenbasierten Systemen, die Entwickler zunächst wie Lotsen durch die Systemlandschaften führen und sie dann als digitale Teammitglieder beim Coding und Problemlösen unterstützen. Ein Beispiel für diesen Ansatz ist die neue Plattform IBM Bob. Sie ist darauf ausgelegt, Entwicklungsteams über den gesamten Lebenszyklus der Softwareentwicklung hinweg zu unterstützen, statt nur Code-Snippets zu liefern.

Navigieren im Code-Dschungel: Die KI als Lotse

Viele Unternehmen betreiben IT-Systeme, die über Jahre oder Jahrzehnte gewachsen sind. Die Dokumentation ist oft lückenhaft, und die ursprünglichen Entwickler haben die Teams längst verlassen. In solchen Umgebungen wird jede Änderung zum Risiko, weil die aktuellen Teams die Systeme nicht mehr vollständig verstehen und die Folgen von Änderungen nicht vollständig abschätzen können. Hier kann eine agentenbasierte Entwicklungs-Plattform das Team als Lotse unterstützen.

In der Praxis analysiert die Plattform zunächst die gesamte vorhandene Codebasis und macht unsichtbare Abhängigkeiten zwischen verschiedenen Microservices, Datenbanken und Altsystemen sichtbar. Sie hilft dabei, den Pfad und die gesamten Auswirkungen einer Transaktion über zahlreiche verteilte Dienste hinweg exakt nachzuvollziehen. Sie erklärt den Entwicklern die komplexen Zusammenhänge und Architekturmuster in einer verständlichen Weise. Das verkürzt die Einarbeitungszeit in fremde, gewachsene Repositories massiv und macht bisher unentdeckte Abhängigkeiten transparent. Die Entwicklungsteams können ihr weiteres Vorgehen dann auf Basis dieser Informationen besser planen – das minimiert die Gefahr unbeabsichtigter Seiteneffekte bei Systemänderungen drastisch.

Neue Aufgabenverteilung zwischen Mensch und KI

Nachdem IBM Bob das Team durch die Systemlandschaft geführt und sie analysiert hat, unterstützt er auch bei der Umsetzung. Ein klassischer Code-Assistent gleicht einem interaktiven Lexikon auf Knopfdruck. Ein agentisches System hingegen agiert als digitales Teammitglied, dem man Teilaufgaben des Projektes übergeben kann.

Technologisch wird dies im Hintergrund durch eine dynamische Multi-Modell-Orchestrierung gelöst. Je nach spezifischer Anforderung wählt das System im Hintergrund automatisch das optimale Modell aus. Zum Einsatz kommen unter anderem Anthropic Claude, Open-Source-Modelle von Mistral sowie IBM Granite. Sie werden zusammen mit speziell abgestimmten Modellen für Code-Analyse, Sicherheit und Modellen für die Vorhersage des nächsten Bearbeitungsschritts eingesetzt. Einfachere Arbeiten werden von kleineren, kostengünstigeren Modellen übernommen, komplexe Aufgaben hingegen von leistungsfähigeren. Das reduziert auch die KI-Kosten, ohne dass die Qualität leidet.

Atlassian schlägt die Brücke

Wenn Agenten zu Teammitgliedern werden

Die Plattform plant eigenständig den Lösungsweg, schreibt den Code, führt notwendige Tests durch, korrigiert auftretende Build-Fehler selbstständig und liefert automatisch auch die dazugehörige Dokumentation. Diese hilft den menschlichen Entwicklern alles zu verstehen, was der digital Worker an Output produziert. Sie schlüpfen dadurch mehr in die Rolle des Systemarchitekten und Prüfers, der die Ergebnisse des digitalen Partners kontrolliert und abnimmt, anstatt jede Zeile selbst zu schreiben oder jede Abhängigkeit nachzuverfolgen.

Wenn der Helfer die ungeliebten Aufgaben übernimmt

Der praktische und betriebswirtschaftliche Wert dieses agentenbasierten Ansatzes zeigt sich am deutlichsten bei der Modernisierung von Altsystemen. Jedes gewachsene Unternehmen besitzt Repositories, an die sich kaum noch jemand heranwagt, solange sie einfach nur funktionieren – sie sind zu alt, zu komplex, zu undurchsichtig. Solche technischen Schulden binden enorme Ressourcen und blockieren Innovationen. Eine aktuelle Studie von IBM zeigt: Nur etwa 13 Prozent der deutschen Organisationen verstehen ihre eigenen Abhängigkeiten in ihrer IT-Architektur wirklich – diese Abhängigkeiten müssten aber für eine größere digitale Souveränität abgebaut werden zugunsten von mehr Transparenz und Flexibilität.

Hier übernimmt der digitale Helfer das sprichwörtliche „Heavy Lifting“. Anwendungsfälle reichen vom Durchführen zwingend notwendiger Framework-Upgrades – etwa die massenhafte Migration von veralteten Java-Versionen auf aktuelle Standards – bis hin zur Analyse von Mainframe-Programmen, die noch in COBOL oder PL/I geschrieben sind. Aufgaben, für die ein menschliches Entwicklerteam Wochen oder Monate benötigen würde, können durch die autonome Vorarbeit agentischer Systeme in wenigen Tagen bewältigt werden. Das entlastet nicht nur die Fachkräfte von monotonen Routinearbeiten, sondern senkt auch das Risiko von Sicherheitslücken, die durch veraltete Software-Stacks entstehen.

Auch Lotsen brauchen Regeln: Governance und digitale Souveränität

Für Projektverantwortliche und die Geschäftsführung bringt der Einsatz Künstlicher Intelligenz tief in den Kernsystemen der eigenen IT unweigerlich Fragen nach Sicherheit und Datenschutz mit sich. Unternehmenscode ist hochsensibles geistiges Eigentum. Eine KI mit weitgehendem Systemzugriff benötigt daher strikte Leitplanken – insbesondere in hochregulierten Branchen wie Finanzwesen, Gesundheitswesen oder auch im Behördenumfeld.

KI-gestützte Softwareentwicklung

Fujitsu automatisiert Softwareprojekte mit Multi-Agenten-KI

Im Gegensatz zu vielen frei zugänglichen KI-Tools, bei denen die Gefahr besteht, dass vertrauliche Firmendaten in das Training globaler Modelle abfließen, setzt ein unternehmenstauglicher Ansatz auf strikte Governance. IBM Bob verfügt daher über integrierte Sicherheitsmechanismen, die vor jeder Aktion den Kontext und alle Systeme auf sensible Daten scannen und unternehmensinterne Sicherheitsrichtlinien durchsetzen. Ein zentrales Element ist dabei die vollständige Auditierbarkeit durch komplette Dokumentation des Codes und aller Arbeitsschritte und Entscheidungen der KI. Alles wird detailliert protokolliert und bleibt nachvollziehbar.

Um dem wachsenden Bedürfnis nach digitaler Souveränität gerecht zu werden, gerade auch im europäischen Raum, lässt sich das System nicht nur in der Public Cloud, sondern auch in lokalen Rechenzentren (On-Premises) oder in dedizierten Private-Cloud-Umgebungen betreiben. Die Datenhoheit und die vollständige Kontrolle bleiben somit zu jedem Zeitpunkt im Unternehmen.

Messbarer Mehrwert: Ein digital Worker als berechenbare Ressource

Auf betriebswirtschaftlicher Ebene muss sich die Einführung einer neuen Technologie natürlich rechnen. Nach dem ersten KI-Hype sollen KI-Systeme heute schnell ihren Mehrwert unter Beweis stellen. Erste Erhebungen – unter anderem aus dem umfangreichen internen Einsatz bei 100.000 Entwicklern von IBM – belegen den Nutzen mit konkreten Zahlen. Die Plattform wurde hier beispielsweise für Java-8-Upgrades oder die Refaktorisierung von Legacy-Pipelines genutzt. Entwicklerteams berichteten bei der Fehlersuche, dem Verstehen fremden Codes und Modernisierungsaufgaben von einer Zeitersparnis von bis zu 70 Prozent. Über den gesamten Software-Lebenszyklus hinweg ließen sich laut dem Feedback aus den Teams Produktivitätssteigerungen von durchschnittlich 45 Prozent messen. Modernisierungsaufgaben konnten bis zu 93 Prozent schneller abgeschlossen werden.

Auch externe Praxisprojekte stützen diese Zahlen: Der Cloud-Lösungsanbieter BluePearl konnte ein wichtiges Java-Upgrade von Java 11 auf Java 25 innerhalb von drei Tagen abschließen und mehr als 160 Arbeitsstunden einsparen. Normalerweise hätte ein solches Projekt circa 30 Tage in Anspruch genommen.

Um diese Effizienzgewinne planbar zu machen, ist Kostentransparenz unerlässlich. Viele KI-Lösungen rechnen nach verbrauchten Tokens ab, was eine verlässliche Budgetierung für große Entwicklungsabteilungen nahezu unmöglich macht. Um dieses Problem zu lösen, kommt hier ein punktebasiertes Verrechnungssystem (Credit-System) zum Einsatz, die sogenannten Bobcoins. Diese sind in Paketen von 40 Bobcoins pro Monat für 20 US-Dollar bis hin zu 500 Bobcoins für 200 US-Dollar pro Monat erhältlich. Die berechneten Kosten richten sich nach der Komplexität der abgeschlossenen Aufgabenpakete. Das gibt dem Management die notwendige finanzielle Planungssicherheit zurück.

Der Übergang zur KI-gestützten Software-Auslieferung

Die Softwareentwicklung mithilfe von KI steht an einem Wendepunkt. Der Fokus verschiebt sich von reiner Programmierunterstützung („AI-assisted Coding“) hin zur ganzheitlichen Begleitung des gesamten Software-Lebenszyklus („AI-assisted Delivery“).

Agentische Entwicklungsplattformen lösen dabei gleich ein doppeltes Versprechen ein: Sie entlasten Software-Ingenieure in ihrem komplexen Arbeitsalltag, indem sie zunächst Orientierung in großen Systemlandschaften bieten und im Anschluss aufwendige Standardaufgaben autonom erledigen. Gleichzeitig geben sie der Management-Ebene die notwendigen Werkzeuge an die Hand, um strategische Modernisierungsprojekte messbar zu beschleunigen – flankiert von den unabdingbaren Standards für Sicherheit, Governance und Kostentransparenz.

(ID:50881211)