Die Mega-Verstärkerin

Warum Agentic Coding euren Teams einen Spiegel vorhält – und was ihr jetzt aufschreiben solltet

Juli 09, 2026

Karikatur ChatGPT, Prompt Der Promptologe

1. Der Überblick und hilfreiche Links: Martin Westphal - Agentic Update
2. Nikita Filippov - der Anwendungsfall: Von der Support-Automatisierung zum agentenbasierten Betrieb: Der Umbau von ANNA Money rund um die Aufgaben, die niemand erledigen will
3. Tereza Iofciu - der Social Impact: Warum agentisches Programmieren die Stärken Ihres Teams noch verstärkt
- Dieser Artikel -

Es gibt Vorträge, die erklären, wie etwas funktioniert. Und es gibt Vorträge, die erklären, warum etwas nicht funktioniert, obwohl es eigentlich längst hätte funktionieren sollen. Tereza Iofcius Talk beim „Agentic Shift Munich #2“ gehörte zur zweiten Sorte – und war genau deshalb der vielleicht wichtigste des Abends.

Iofciu kennt die Welt der Daten und der KI von Anfang an. Sie war Data Scientist bei XING, als das Wort „Data Scientist“ noch exotisch klang, führte danach Datenwissenschaftsteams bei FreeNow, leitete eine Data-Science-Abteilung in der EdTech-Branche und ist heute Freelancerin für Leadership-Coaching und – wie sie selbst sagt – „agentic enablement“. Sie ist Python Software Foundation Fellow, PyLadies-Organisatorin in Hamburg und hat nebenbei noch einen Doktortitel in Informatik und KI aus Hannover. Alles natürlich, wie sie lächelnd anmerkte, „accidentellement“.

Jemand mit diesem Hintergrund könnte einen Vortrag über neuronale Architekturen halten. Iofciu hielt stattdessen einen über Onboarding. Das war klug.

Das Gedankenexperiment

Stellt euch vor, eine erfahrene Senior-Entwicklerin tritt heute eurem Team bei. Stark, erfahren, genau die Person, die ihr wolltet. Wann ist sie wirklich produktiv? In zwei Wochen? In zwei Monaten? Nach einem Quartal?

Die meisten im Saal kannten die Antwort. Ein Quartal, manchmal länger. Nicht weil die Person inkompetent wäre, sondern weil das, was sie braucht, um sinnvoll beizutragen, nirgendwo aufgeschrieben steht. Wie trifft das Team Entscheidungen? Was bedeutet hier „gut“? Wen fragt man worüber? Was heißt „fertig“? Das alles lebt in den Köpfen der Leute. Es wird in Meetings, durch Kontext, durch Osmose weitergegeben. Und das dauert.

Dann kam Iofcius eigentlicher Punkt, schlicht formuliert und von erfrischender Direktheit: Der Kontext, den ihr dieser neuen Person geben würdet, ist exakt der Kontext, den ihr einem Agenten geben müsstet. Und Agenten lernen nicht durch Osmose.

Die Lücke zwischen mir und uns

Der interessanteste Befund ihres Vortrags war eine Grafik, die eigentlich gar keine Zahlen hatte – weil sie zeigen sollte, wie sich etwas anfühlt, nicht wie es ist. Auf der Y-Achse: Produktivität. Auf der X-Achse: zwei Balken. Einer für das Individuum, einer für die Organisation. Der erste ragt weit nach oben. Der zweite bleibt klein.

Individuelle Produktivität durch KI ist real, sagt Iofciu. Nicht das versprochene 10x, eher 20 bis 30 Prozent, wenn man die richtigen Werkzeuge vernünftig verdrahtet. Die Agenten übernehmen Recherche und Planung, bereiten Code-Reviews vor, erledigen die langweilige Fleißarbeit. Das ist ein echter Gewinn. Aber er hört an der Teamgrenze auf.

Denn die Organisation hat sich nicht verändert. Der Teil, der entscheidet, was überhaupt gebaut werden soll, läuft noch genauso wie vorher. Jetzt fühlt es sich so an, als wäre das Product Management plötzlich langsam geworden – weil die Implementierung so viel schneller geht. Engineering wartet auf Specs. Product braucht sechs Wochen für Discovery. Am Ende wird in die falsche Richtung codiert, nur schneller als je zuvor. Iofciu brachte dafür ein Bild, das im Kopf bleibt: Man hat dem Auto einen neuen, stärkeren Motor eingebaut. Aber die Karte aktualisiert sich nicht schneller, und wohin die Reise gehen soll, weiß auch niemand genauer als vorher. Speed without direction is a faster wrong turn.

Die müde Qualitätskontrolle

Ein zweites Problem, das im Saal Wiedererkennen auslöste: der erschöpfte Mensch im Loop. Dreißig KI-generierte Pull Requests jeden Morgen, jeder davon ein Urteil, das nur ein Mensch fällen kann. Man beginnt mehr Projekte, als man abschließen kann. Man ist das Qualitätstor für weit mehr Output, als man bewältigbar sieht. „You cannot hand-review your way out of this“, stand auf Iofcius Folie. Wer sich das als Jobbeschreibung ausmalt, versteht, warum der Enthusiasmus manchmal nachlässt.

Und dann noch die dritte Falle, die sie besonders prägnant formulierte: KI lernt aus dem Code, den sie sieht. Wenn das Kontextmaterial die jahrelang gewachsene, niemals aufgeräumte technische Schuld des eigenen Repositories ist, amplifiziert die KI genau das. Schlechte Beispiele produzieren schlechte Imitate. Garbage in, garbage out – eine Weisheit aus der Datenscience, die sich jetzt in der Softwareentwicklung rächt.

Das war der Kern des Titels: Agentic Coding amplifies whatever your team already is. Wer gute Grundlagen hatte, profitiert. Wer nicht – dem wird geholfen, noch schneller in die falsche Richtung zu fahren.

Was endlich aufgeschrieben werden muss

Der lösungsorientierte Teil des Vortrags hatte eine fast ironische Pointe: Die Antwort auf all diese Probleme ist im Wesentlichen das, was Softwareteams schon immer hätten tun sollen, es aber nie für wichtig genug hielten. Definition of Ready. Definition of Done. Ein beschriebener Entwickler-Workflow. Qualitätserwartungen für Code. Vorlagen und Beispiele, die zeigen, wie gute Arbeit aussieht – nicht Regeln, sondern Beispiele, denn so funktionieren LLMs und so werden sie trainiert.

„Write down what good work looks like“ war Iofcius zentrale Botschaft – und sie meinte das wörtlich. Nicht als Regelwerk, sondern als konkrete Bilder von gut und nicht gut. Ein Ticket, das den Nutzer benennt und die Testbedingungen für „fertig“ enthält, ist gut. „Make it better“ ist es nicht.

Was dabei mitschwingt und Iofciu offen aussprach: Wir sind gerade dabei, die KI besser einzuarbeiten, als wir Menschen je eingearbeitet haben. Nicht aus Bosheit, sondern weil der wirtschaftliche Druck endlich erzwingt, was jahrelang als nice-to-have galt. Der zynische Blick wäre: schade, dass wir das nicht für die Menschen getan haben. Der konstruktive: Die Menschen erben diese Klarheit jetzt. Schnelleres Onboarding, weniger Rätselraten, mehr Entscheidungsfähigkeit in der gesamten Organisation.

Von der Person zum Team zur Organisation

Das letzte Drittel des Vortrags war das praktischste. Iofciu beschrieb, wie KI-Adoption in Unternehmen tatsächlich ausgerollt wird – und was funktioniert. Nicht durch Mandate. Nicht durch den Hinweis, dass jetzt alle ein Subscription haben. Sondern durch das, was sie „AIify“ nennt: Eine konkrete, wiederkehrende Aufgabe eines Kollegen oder einer Kollegin nehmen, gemeinsam einen Agenten-Workflow dafür bauen, das Ergebnis zeigen. Dann wiederholen.

„A subscription is a good start. Help people do the task“ – dieser Satz verdient es, in Unternehmens-Slacks gepinnt zu werden.

Der Rest läuft über Sogwirkung, nicht über Druck. Hackathons, Demos, sichere Experimentierräume – so entsteht Nachfrage. Wer etwas Interessantes baut, erzählt davon. Wer davon hört, will es ausprobieren. Das System zieht sich selbst weiter. Mandate erzeugen Compliance. Experimente erzeugen Enthusiasmus.

Und schließlich ein Gedanke, der als Schlusspunkt für den ganzen Abend geeignet gewesen wäre: Modelle und Werkzeuge werden sich weiter verändern, schneller als irgendjemand vorhersagen kann. Was sich langsamer verändert, ist das, was gute Arbeit in einem Team bedeutet. Wer das aufschreibt, hat einen Vorsprung, der durch jedes neue Modell größer wird – nicht kleiner. Denn jedes bessere Modell trifft einen Zielzustand, der bereits klar definiert ist.

Praktischer geht es kaum.

Tereza Iofciu war die dritte Sprecherin beim Agentic Shift Munich #2. Mehr unter terezaiofciu.com