Zum Hauptinhalt
Synonet. Synonet · Hamburg

Technik · 05.11.2026

Ein KI-Agent baut und testet Agenten: Agentic AI in der Softwareentwicklung

Agenten, die Code lesen, Fehler suchen, Tests schreiben und sich gegenseitig prüfen — das ist kein Zukunftsszenario mehr. Ein anonymisiertes Produktionsbeispiel zeigt, wie Agentic AI die Softwareentwicklung heute schon verändert, und warum die Angst vor dem „KI-Softwareentwickler", der alles ersetzt, die falsche Frage ist.

Wird KI den Softwareentwickler ersetzen?

Diese Frage bekommen wir inzwischen bei fast jedem Projekt. Die ehrliche Antwort: Nein — aber die Arbeit des Softwareentwicklers verändert sich grundlegend. Statt jede Zeile selbst zu tippen, wird der Entwickler zum Auftraggeber, Architekten und Prüfer von KI-Agenten. Die spannendere und deutlich praxisnähere Frage lautet heute: Kann ein KI-Agent selbst Agenten bauen und testen? Ja — und genau darum geht es in diesem Artikel, festgemacht an einem echten Produktionsproblem aus der Softwareauslieferung.

Was ist ein KI-Agent?

Kurz zur Einordnung, weil der Begriff oft schwammig verwendet wird: Ein KI-Agent ist ein Programm, das ein großes Sprachmodell (LLM) nutzt, um Aufgaben nicht nur zu beantworten, sondern selbstständig zu bearbeiten. Er bekommt ein Ziel, plant Zwischenschritte, ruft Werkzeuge (Tools) auf — etwa eine Datenbank, ein Dateisystem oder eine CI-Pipeline — und arbeitet so lange, bis das Ziel erreicht oder ein definierter Abbruchpunkt gekommen ist. Während ein klassischer Chatbot antwortet, handelt ein Agent.

Agentic AI in der Softwareentwicklung

Genau dieses Handeln macht Agentic AI für die Softwareentwicklung so interessant. Ein Agent kann:

Dabei entsteht ein neues, sehr praktisches Muster: ein Agent baut, der andere testet. Die Arbeit des einen wird automatisiert von einem zweiten geprüft — und der Mensch muss nur noch die Ergebnisse freigeben. Genau dieses Zusammenspiel hat sich kürzlich in einem Produktionsfall bewährt.

Produktionsbeispiel: fehlerhafte Update-Pakete im Software-Rollout

Die Ausgangslage

Ein Software-Dienstleister betreut die Rollout-Pakete für die Windows-Arbeitsplätze der Anwender einer Fachanwendung. Die Pakete (MSI-Installationsdateien) werden aus einer zentralen Build-Pipeline erzeugt. Nach einer Migration der Build-Umgebung auf ein neues Betriebssystem kam es zu einem schwer zu fassenden Fehler: Bestimmte Anmelde- und Berechtigungsvariablen (SSO-Variablen) fehlten in den ausgelieferten Paketen. Die Anwendung ließ sich auf den Rechnern der Anwender nicht mehr korrekt einrichten. Und weil der nächste planmäßige Rollout kurz bevorstand, war Eile geboten.

Vier Variablen waren betroffen. Sie werden in Windows-Batch-Dateien (.cmd) definiert, die beim Installieren, Aktualisieren und Entfernen der Pakete ausgeführt werden. Ohne diese Variablen ist die Anmeldung an die Fachanwendung nicht möglich — ein klassischer Showstopper.

Die manuelle Jagd nach der Fehlerursache

Der Entwickler begann klassisch: Logs öffnen, durchsehen, vergleichen. Zwischen den Zeilen tauchte eine auffällige Warnung auf:

cannot scan .../preinstall.cmd: DOS batch file, ASCII text, with CRLF line terminators

Die Scan-Skripte der Build-Pipeline, die Variablen aus den Batch-Dateien auslesen, hatten die .cmd-Dateien schlicht übersprungen. Der Grund lag im Detail: Das Pipeline-Skript erkannte Dateitypen über das Linux-file-Kommando. Nach der Migration lieferte file für Windows-Batch-Dateien die Bezeichnung „DOS batch file" — und die case-Anweisung im Skript prüfte nur auf „script" und „text". Ergebnis: Die vier Variablen aus den Batch-Dateien fanden nie den Weg in das Paket-Manifest. Das manuelle Durchforsten der Logs und das Zuordnen der Zusammenhänge kostete mehrere Stunden.

Der KI-Agent übernimmt

An diesem Punkt wurde ein KI-Agent auf das Problem angesetzt. Der erste Agent (Analyst) arbeitete die typische Fehlersuche ab:

  1. Die Build-Logs wurden durchsucht und die auffällige „cannot scan"-Warnung als roter Faden identifiziert.
  2. Der Agent las das Scan-Skript, verglich die case-Anweisung mit den tatsächlich gelieferten file-Ausgaben und erkannte die Lücke im Mustervergleich.
  3. Er schlug eine minimalinvasive Korrektur vor: das Muster um den Eintrag für „DOS batch files" erweitern, damit diese Dateien wieder gescannt werden.

Das war die eigentliche Lösung: zwei Zeilen im Skript, eine Erweiterung des Mustervergleichs. Der Entwickler hatte die Ursache zuvor an derselben Stelle gesucht, aber das manuelle Sichten kostete Zeit und Überblick.

Der Test-Agent: ein Agent baut und testet einen Agenten

Spannend wurde es im zweiten Schritt. Statt den Fix nur einmalig anzuwenden, wurde ein zweiter Agent beauftragt: einen Test-Agenten zu bauen, der die Korrektur dauerhaft absichert — und diesen Test-Agenten anschließend selbst zu testen.

Der Test-Agent ist ein kleines Softwaremodul, das in die Build-Pipeline integriert wurde und bei jedem neuen Paket automatisch prüft:

Damit entstand eine klar abgegrenzte Kette: Agent A baut den Fix, Agent B baut den Test-Agenten und testet damit die Arbeit von Agent A. Reproduzierbar, automatisiert, ohne dass ein Mensch jede Prüfung manuell fahren musste. Der Entwickler führte am Ende nur noch die Freigabe durch: Diff ansehen, die zwei geänderten Zeilen prüfen, Tests laufen lassen, freigeben.

Das Ergebnis

Was das für die Softwareentwicklung bedeutet

Der Fall zeigt ein Muster, das typisch für Agentic AI in der Softwareentwicklung ist:

  1. Agenten arbeiten dort, wo Aufgaben klar und nachvollziehbar sind. Fehlersuche in Logs, Mustervergleich in Skripten, das Schreiben von Regressionstests — das sind ideal abgegrenzte Aufgaben.
  2. Ein Agent baut, der andere testet. Die Trennung von Bauendem und Prüfendem ist in der Softwarequalität seit Jahrzehnten bewährt. Agenten machen sie bezahlbar und skalierbar.
  3. Der Entwickler bleibt Entscheider. Er definiert das Ziel, prüft die Diff, gibt frei. Die Verantwortung für die Auslieferung trägt weiterhin der Mensch — gerade in regulierten Umgebungen ein unverzichtbarer Punkt.
  4. Wissen bleibt im Unternehmen. Wer eigene KI-Agenten entwickelt und Schritt für Schritt in die eigene Pipeline integriert, baut sich — unabhängig von einzelnen Dienstleistern — dauerhaft Kompetenz auf.

Natürlich gibt es Grenzen: Agenten brauchen klare Aufträge, einen begrenzten Kontext und saubere Werkzeuge. Sie können sich verrechnen oder halluzinieren — deshalb gehört ein Mensch-in-the-loop zwingend dazu. Aber dort, wo das eingerichtet ist, verlagert sich die Arbeit des Software-Entwicklers vom Tippen hin zum Steuern und Prüfen.

Datenhoheit bleibt Pflicht

Gerade dort, wo sensible Daten und strenge Regeln gelten, zählt ein Punkt besonders: die Kontrolle über die eigene Infrastruktur. Das spricht nicht gegen Agentic AI — im Gegenteil. Ein Build- und Test-Agent arbeitet idealerweise vollständig in der eigenen Umgebung, ohne dass Daten das Unternehmen verlassen. Wer die Kontrolle über Modell, Pipeline und Daten behält, kann Agenten auch in regulierten Branchen sicher betreiben.

Fazit

Die Frage „Wird KI Softwareentwickler ersetzen?" ist die falsche Frage. Richtig ist: KI-Agenten sind in der Softwareentwicklung angekommen — auch dort, wo sensible Daten und strenge Regeln gelten. Sie suchen Fehler, schreiben Code, bauen Test-Agenten und prüfen ihre eigene Arbeit gegenseitig. Der Entwickler wird vom Tippenden zum Auftraggeber und Qualitätswächter.

Haben Sie ein ähnliches Problem im eigenen Build-, Test- oder Bereitstellungsprozess? Wir analysieren gern, welche Aufgaben sich bei Ihnen sinnvoll an KI-Agenten übertragen lassen — sprechen Sie uns an.

← Zurück zum Blog