Veröffentlicht am: 20. Oktober 2026

7 Minuten Lesezeit

Softwareauslieferung mit KI-Agenten neu gestalten

Das neue Handbuch aus der Praxis zeigt, wie Teams Engpässe in der Auslieferung finden, festlegen, wo Menschen die Kontrolle behalten, und prüfen, was ausgeliefert wird.

KI-Agenten schicken immer mehr Code in Review-Warteschlangen, die für das Arbeitstempo von Menschen gebaut wurden. Ein Coding-Assistent kann das Schreiben von Code beschleunigen, zeigt aber nicht, ob Review, Sicherheitsprüfungen und Release-Freigaben mit dem zusätzlichen Code mithalten können. KI-natives Engineering bedeutet, den Engineering-Prozess bewusst so zu gestalten, dass Menschen und Agenten jeweils das übernehmen, wofür sie am besten geeignet sind. Am Anfang steht die Suche nach den Engpässen in der Auslieferung. Danach geht es um die Frage, wie viel Autonomie Agenten bekommen und wie die Kontrolle beim Skalieren gewahrt bleibt.

Das KI-native Engineering-Handbuch, das diese Woche erscheint, hilft Teams, aus schnellerem Coding auch eine schnellere Auslieferung zu machen, indem sie ihre Arbeitsweise mit Agenten neu gestalten. Jede Empfehlung im Handbuch stützt sich auf Erkenntnisse von Engineering-Führungskräften bei GitLab, bei unseren Kund(inn)en und aus unserer Community, dem Software Engineering Leadership Forum (SELF). Gemeinsam mit IT Revolution haben wir zudem Ergebnisse einer vielfältigen Gruppe von Fachleuten einbezogen, die KI-native Softwareentwicklung aus ganz unterschiedlichen Blickwinkeln untersuchen, vom Code Review bis zur Autonomie von Agenten.

Im Folgenden stellen wir einige der Fragen vor, denen wir bei der Erstellung des Handbuchs nachgegangen sind.

Wohin sich der Engpass bei schnellerem Coding verlagert

Coding war lange der langsamste und teuerste Teil der Softwareentwicklung. Agenten haben diesen Engpass beseitigt, und die Bremse liegt jetzt bei allem rund um den Code: das Warten auf Klärungen, Umgebungen, Freigaben und andere Teams. Der KI Accountability Report von GitLab, der auf einer Umfrage vom April 2026 unter 1.528 DevSecOps-Fachleuten beruht, zeigt: 79 % der Befragten stimmen zu, dass sich die Produktivität einzelner Entwickler(innen) durch KI verbessert hat, der gesamte Softwareauslieferungsprozess aber nicht im gleichen Maß schneller geworden ist.

In großen Unternehmen liegt die Durchlaufzeit der Softwareauslieferung meist deutlich über 200 Tagen, und die eigentliche Entwicklung macht davon nur 10 bis 20 % aus. Diese Zahlen erklären, warum ein schnellerer Coding-Schritt auf lange Sicht oft enttäuscht. Ein Beispiel: Ein Lieferzyklus von 281 Tagen enthält etwa 32 Tage Coding. Wird Coding um 50 % schneller, spart das rund 16 Tage, eine Verbesserung um 6 %. Selbst wenn das Coding auf null sinkt, bleiben rund 88 % der Durchlaufzeit unberührt. [1]

Die Studie von GitLab kommt zu einem ähnlichen Ergebnis: DevSecOps-Fachleute verbringen nach eigenen Angaben nur 16 % ihrer Zeit mit dem Schreiben von neuem Code. 85 % stimmen zu, dass KI den Engpass vom Schreiben des Codes zu seinem Review und seiner Validierung verschoben hat.

Die erste Aufgabe ist deshalb die Diagnose. Dafür lässt sich eine kleine, reale Änderung von der Anfrage bis in die Produktion verfolgen, wobei jede Wartezeit und jede Übergabe festgehalten wird. Die längsten Wartezeiten zeigen, wo die nächste Verbesserung liegt, und selten liegt sie im Code. Aufschlussreich ist auch, wo ein Agent bei einer kleinen Aufgabe stockt. Das deutet meist auf einen Standard hin, den niemand dokumentiert hat, auf eine Umgebung, die sich nur schwer starten lässt, oder auf Kontext, den nur eine einzige Person im Kopf hatte.

Was sich im Lieferzyklus langsam anfühlt, im Vergleich zu dem, was tatsächlich bremst.

Wie viel Autonomie Agenten erhalten sollten

Wie viel Autonomie ein Agent erhält, sollte davon abhängen, wie gut sich seine Ergebnisse verifizieren lassen. Ein Bild dafür ist eine Leiter mit vier Stufen, von halbmanuell (eine Person genehmigt jeden Schritt) bis vollständig autonom (ein Zero-Touch-Workflow). Für den Aufstieg gelten klare Regeln: Keine Sprosse darf übersprungen werden, und jeder Schritt nach oben muss durch Nachweise aus der Stufe darunter gestützt sein. [2]

  1. Stufe 1: Menschen sind in jeden Schritt eingebunden.
  2. Stufe 2: Menschen sind weiterhin eingebunden, aber der Agent handelt innerhalb festgelegter Grenzen.
  3. Stufe 3: Im Normalbetrieb sind Menschen nicht eingebunden und kümmern sich nur um Ausnahmen.
  4. Stufe 4: Ein Zero-Touch-Workflow, in dem der Agent sich durchgängig selbst steuert und nur dann einen Menschen hinzuzieht, wenn festgelegte Schwellenwerte erreicht sind. [2]

Wichtig ist außerdem, dass für jeden KI-gestützten Workflow eine namentlich benannte Person verantwortlich bleibt. Die Grenze zwischen einem Menschen, der prüft, und einem Menschen, der überwacht, sollte ausdrücklich festgelegt sein, denn vage oder willkürliche Definitionen weichen unter Zeitdruck schnell auf. [3]

Genau dieses Aufweichen ist die Falle. Eine Person, die formal eingebunden ist, aber alles genehmigt, erweckt den Anschein von Kontrolle, ohne deren Nutzen zu bringen. Gewohnheit und Menge machen aus einem Review leicht ein gedankenloses Durchwinken. Ein rein formaler Kontrollpunkt ist schlimmer als gar keiner, weil er Sicherheit vermittelt, wo das System eigentlich genaue Prüfung braucht.

Den Weg nach oben muss sich ein Agent Schritt für Schritt durch Nachweise verdienen. Bevor ein Schritt erweitert wird, braucht es einen ausdrücklichen Schwellenwert für Genauigkeit oder Erfolg. Danach wechseln Menschen vom Prüfen jedes einzelnen Schritts zum Überwachen des Ganzen. Hält ein Agent häufiger an, um Hilfe zu holen, ist das ein gutes Zeichen: Das System weigert sich, seinen eigenen Nachweisen vorauszueilen. [2]

Ein mehrstufiger Prozess, in dem Agenten schrittweise mehr Autonomie erhalten, mit festen Kriterien, die zwischen den Stufen erfüllt sein müssen.

Code Reviews bei agentischem Volumen

Mehr Autonomie setzt voraus, dass Fehler gefunden werden, und das erhöht den Druck auf das Code Review. Das Review beim Merge wurde für das Arbeitstempo von Menschen entwickelt. Agenten erhöhen die Änderungsrate, und ein manuelles Review jedes einzelnen Change Sets ist nicht mehr durchzuhalten. Die Studie von GitLab bestätigt diese Belastung: 78 % der Befragten stimmen zu, dass die bestehenden Code-Review-Prozesse nicht für die Menge an Code ausgelegt sind, die KI-Tools ermöglichen, und 80 % stimmen zu, dass ihre Organisation KI-Coding-Tools schneller eingeführt hat, als sie Richtlinien für deren Steuerung entwickelt hat.

Die Antwort ist eine mehrschichtige Verifizierung, in der jede Schicht den Teil übernimmt, den sie am besten kann. Menschen werden nur dann aus dem Prozess herausgenommen, wenn Risiko und Nachweise diese Entscheidung rechtfertigen. Ein Standard ist das nie. [4]

  1. Objektive Prüfungen wie Formatierung, Typen und Richtlinien für Abhängigkeiten so nah wie möglich an das Schreiben des Codes verlagern.
  2. Änderungen klein halten, damit jede spätere Schicht leichter prüfen kann.
  3. Das erwartete Verhalten vorab definieren, damit es etwas Konkretes zu prüfen gibt.
  4. Eine unabhängige Prüfinstanz einsetzen.
  5. Die Tiefe des Reviews am Risiko der Änderung ausrichten.
  6. Jede Review-Entscheidung von Agenten so festhalten, dass sie sich später nachvollziehen lässt.

Am erfolgreichsten sind hier Organisationen, die bereits stark in automatisierte Tests, statische Analyse und kleine Change Sets investiert haben. Die Schichten wirken also am besten auf einem Fundament, das schon vorhanden ist. [4]

Ein abgestuftes Review-System, das zwischen risikoarmen Änderungen mit kurzer Prüfung und risikoreichen Änderungen mit vollständiger Prüfung unterscheidet.

Das Handbuch lesen und eigene Erkenntnisse einbringen

KI-natives Arbeiten ist eine Praxis, die Führungskräfte gemeinsam mit ihren Teams weiter verfeinern werden, während sich Werkzeuge und Verständnis weiterentwickeln. Für den Einstieg bietet sich das vollständige Handbuch an, alternativ der Teil, der zu den größten Reibungspunkten im eigenen Team passt:

  • Die Neugestaltung der Arbeit, damit Agenten sich in den Ablauf der Auslieferung einfügen, statt an Schritte angehängt zu werden, die allein für Menschen gebaut wurden
  • Die Arbeit mit Agenten, also die Entscheidung, wo menschliches Urteil und Verantwortung bleiben und wie Entwickler(innen) sich weiterentwickeln, während sich das Coding verändert
  • Governance und Skalierung, vom einzelnen Workflow zu vielen, mit dem Kontext, der Verifizierung und den Messungen, die Fortschritt ermöglichen, ohne die Kontrolle über Qualität oder Risiko zu verlieren

Wer ein Engineering-Team leitet und eigene Erkenntnisse in das Handbuch einbringen möchte, kann SELF beitreten, der Community für Engineering-Führungskräfte im KI-Zeitalter.

Quellen

  1. Cochran, Timothy, and Bryan Finster, Tim Ottersburg, Scott Prugh, and Amy Willard. "When Coding Is Free, Where Is the Bottleneck? A Guide for Leaders Building Agent-Ready Delivery Systems." Enterprise Technology Leadership Journal 3, no. 2 (Fall 2026). https://itrevolution.com/product/when-coding-is-free/.
  2. Cockcroft, Adrian, and Jeremy Eder, Joseph Enochs, Jenn Spykerman, and Brian Wald. "When Agents Decide: Continuous Decision Intelligence and the Substrate Beneath It." Enterprise Technology Leadership Journal 3, no. 2 (Fall 2026). https://itrevolution.com/product/when-agents-decide/.
  3. Eslick, Ian, and Collin Fox, Amanda Graham, Suzette Johnson, Chuck Lafferty, Tom Kilcommons, Rosalind Radcliffe, Cat Swetel, Annie Vella, Sam Yeats, and Robin Yeman. "The Sociotechnical Architecture of AI-Enabled Enterprises: Principles, Patterns, and Practices for Human-Governed AI." Enterprise Technology Leadership Journal 3, no. 2 (Fall 2026). https://itrevolution.com/product/sociotechnical-architecture-of-ai-enabled-enterprises/.
  4. Davis, Zach, and Michelle Gill, Elisabeth Hendrickson, Angie Jones, Sha Ma, Randy Shoup, and James Wickett. "Agentic AI and Code Reviews: Toward a Pattern Language for Code Reviews in the Age of Agentic AI." Enterprise Technology Leadership Journal 3, no. 2 (Fall 2026). https://itrevolution.com/product/agentic-ai-and-code-reviews/.

Feedback erwünscht

Hat dir dieser Blogbeitrag gefallen? Hast du Fragen oder Feedback? Erstelle ein neues Diskussionsthema im GitLab-Community-Forum und lass andere an deinen Eindrücken teilhaben.

Feedback teilen

Beginne noch heute, schneller zu entwickeln

Entdecke, was dein Team mit der intelligenten Orchestrierungsplattform für DevSecOps erreichen kann.