Die Fabrik kehrt zurück

Wie KI den Traum von der Software-Fabrik wiederbelebt, und ob die Agilität das überleben kann

Veröffentlicht von Polity | Juli 2026
Autoren: Alexandre Kotcherguine, Vision Officer & Investor, Polity;
Kevin Riedl, Managing Partner, Wavect GmbH

Dieser Artikel befasst sich mit Methoden der Softwareentwicklung und Organisationsdesign. Er stützt sich auf öffentlich zugängliche Quellen, darunter peer-reviewte und Preprint-Forschung, kontrollierte Studien und Branchenberichterstattung mit Stand Mitte 2026. Zahlen aus einem sich schnell bewegenden Feld sind Momentaufnahmen und können revidiert werden. Nichts darin stellt professionelle, rechtliche oder Anlageberatung dar.

Das Wichtigste vorab

1968 forderte Douglas McIlroy auf der NATO Conference on Software Engineering eine Industrie massenproduzierter, aus Katalogen bestellbarer Softwarekomponenten. Es war die erste Formulierung einer tayloristischen Ambition in der Softwareindustrie: Programmierung von einem Handwerk in eine wiederholbare, wissenschaftlich gemanagte Lieferkette zu verwandeln. Der Traum scheiterte zweimal, einmal in den buchstäblichen „Software Factories“ der 1970er und 1980er Jahre und erneut in den schwerfälligen, kontrollorientierten Prozessen, gegen die die Agile-Bewegung 2001 revoltierte, beide Male aus demselben Grund: Ein Handwerk lässt sich nicht industrialisieren, indem man das Urteil entfernt, das es funktionieren lässt. Dieser Artikel argumentiert, dass agentische KI den Fabrik-Traum nun in einer Form wiederbelebt, die McIlroys Komponenten endlich liefert (auf Abruf generiert statt aus einem Katalog bestellt), zugleich aber in messbarer Form genau jene Spannung reproduziert, die ihre Vorgänger besiegte. Die Evidenz schneidet in beide Richtungen und wird vollständig dargestellt: großangelegte Code-Qualitätsdaten, die zeigen, wie KI Technical Debt verstärkt; eine randomisierte kontrollierte Studie, die zeigt, dass KI erfahrene Developer verlangsamte, während diese glaubten, schneller geworden zu sein; und das rasche Umbiegen dieser Signale, als Tooling und Praxis im Lauf von 2025-26 reiften. Die Auflösung lautet, dass die Engineering-Disziplin, die die Agile-Unterzeichner verteidigten, unter KI nicht verschwindet; sie wandert nach oben im Stack, vom Tastenanschlag zur Spezifikation. Die Fabrik kann zum ersten Mal industriellen Durchsatz und handwerkliche Agilität zugleich liefern, aber nur für Organisationen, die ihre Engineering-Kultur verlagern, statt sie, wie es die Ära des Enterprise Agile so oft tat, still zu entfernen. Die am weitesten fortgeschrittene agentische Fabrik, die bislang dokumentiert ist (jene von Stripe, die über tausend maschinengeschriebene Pull Requests pro Woche merged), funktioniert genau deshalb, weil sie in deterministische Gates, Sandboxing und verpflichtendes menschliches Review eingebettet ist; sie ist die These, in Produktion beobachtet. Die entscheidende Variable ist Governance, nicht das Modell.

Der Traum, der zweimal scheiterte

Das Argument für die Industrialisierung von Software ist so alt wie der Name der Disziplin. Der Begriff „Software Engineering“ war selbst eine bewusste Provokation, geprägt für die NATO-Konferenz von 1968, um zu signalisieren, dass Programmierung aus ihrer Phase als, wie der Historiker Nathan Ensmenger es nennt, „black art“ in etwas Rationalisiertes und Gemanagtes überführt werden sollte (1). Auf derselben Konferenz lieferte McIlroy den schärfsten Ausdruck des Traums: einen Markt für standardisierte Quellcode-Komponenten von der Stange, aus denen komplexe Systeme wie Leiterplatten zusammengesetzt werden könnten (2). Die Vision war explizit tayloristisch (die Arbeit zerlegen, die Teile standardisieren, die Planung vom Ausführen trennen), und sie wurde ernsthaft verfolgt (3). „Software Factory“ wurde 1974 als Marke eingetragen; in den 1980er Jahren errichteten Hitachi, Toshiba, NEC und Fujitsu industrielle Softwarefabriken, die standardisierte Prozesse, Reuse-Bibliotheken und Qualitätskontrollen im großen Maßstab durchsetzten.

Sie lieferten nicht die versprochene Revolution. Wiederverwendung erwies sich als weit schwieriger, als das Bestellen aus Katalogen nahelegte: Komponenten trugen versteckte Annahmen in sich, die Kosten, Code wirklich wiederverwendbar zu machen, überstiegen die Kosten des Neuschreibens, und die Starrheit der Fabrik vertrug sich schlecht mit dem ständigen Wandel, den Software verlangt. Das tayloristische Erbe wanderte stattdessen in schwerfällige, phasengesteuerte Methodologien (die Waterfall-Stacks, die umfassenden Vorab-Spezifikationen, die Change-Control-Boards), und genau gegen diese schrieben siebzehn Engineers 2001 das Agile Manifesto. Die Fabrik war als buchstäbliche Institution gescheitert und scheiterte erneut als Prozessdoktrin. In beiden Fällen lautete die Diagnose gleich: Der Apparat industrieller Kontrolle, angewandt auf eine kreative und experimentelle Tätigkeit, unterdrückte genau das, was er optimieren sollte.

Warum es diesmal anders ist

Agentische KI verändert die Mechanik auf eine Weise, wie es die Software Factory nie konnte. McIlroys Komponenten mussten von Menschen geschrieben, katalogisiert, generalisiert und gewartet werden, bevor irgendjemand sie bestellen konnte; der Overhead der Generalisierung war es, der die Wiederverwendung tötete. Ein Coding Agent kollabiert diesen Overhead. Er holt keine vorgefertigte Komponente aus dem Regal; er synthetisiert auf Abruf eine passgenaue, aus einer Beschreibung der Absicht, gegen den spezifischen Kontext der Codebasis vor ihm. Der Katalog ist nicht länger endlich und von Menschen gepflegt; er ist, faktisch, die latente Kapazität des Modells, das benötigte Teil zu erzeugen, wenn man danach fragt.

Die Fähigkeit ist nicht länger spekulativ. Auf dem Benchmark SWE-bench Verified (einem standardisierten Set realer Software-Issues) stiegen Frontier-Modelle von unter zwei Prozent gelöster Aufgaben Ende 2023 auf rund achtundsiebzig Prozent Anfang 2025 und über neunzig Prozent Mitte 2026 (mit den üblichen Vorbehalten zu Benchmark-Sättigung und Kontamination an der Frontier). Die Arbeitseinheit hat sich entsprechend verschoben: Praktiker und Forscher beschreiben inzwischen einen agentischen Software-Development-Lifecycle, in dem ein Orchestrator spezialisierte Sub-Agents koordiniert (Planen, Implementieren, Testen, Reviewen), während der Mensch auf der Ebene von Absicht und Review statt Autorschaft überwacht (4). Anthropics Economic Index, der reale Claude-Nutzung gegen die O*NET-Aufgabentaxonomie des US-Arbeitsministeriums misst, fand in seiner Berichterstattung von Anfang 2026, dass bei rund 49 Prozent der Berufe mindestens ein Viertel der zugehörigen Aufgaben mit dem Modell ausgeführt worden war (5). Die Fabrik ist, in diesem engen mechanischen Sinn, angekommen: Die Produktion von Code kann nun delegiert, parallelisiert und kontinuierlich betrieben werden, auf eine Weise, die McIlroy als Erfüllung seines Vorschlags erkennen würde.

Die alte Spannung, jetzt messbar

Ist die Mechanik neu, so ist die Gefahr alt, und zum ersten Mal ist sie quantifiziert statt bloß befürchtet. Die rigoroseste Warnung kommt von GitClear, dessen Langzeitstudie über 211 Millionen geänderte Codezeilen (2020-2024, über Repositories im Besitz von Google, Microsoft, Meta und anderen) ergab, dass sich mit der Verbreitung von KI-Unterstützung die Zusammensetzung des Codes verschob, nicht bloß sein Volumen (6). Die Häufigkeit duplizierter Codeblöcke stieg etwa um das Achtfache; Refactoring (die bewusste Konsolidierung, die eine Codebasis kohärent hält) fiel von rund einem Viertel der Änderungen in den frühen Daten auf unter ein Zehntel; und Churn, der Anteil der Zeilen, die innerhalb von zwei Wochen nach ihrer Entstehung überarbeitet oder zurückgenommen werden, stieg deutlich. Zum ersten Mal in der Geschichte des Datensatzes überstiegen kopierte Zeilen die verschobenen (refactorten). In Ward Cunninghams ursprünglicher Metapher ist das Technical Debt, die schneller aufläuft, als sie zurückgezahlt wird, genau der Mechanismus, durch den, so warnte er 1992, eine Organisation zum Stillstand gebracht werden kann (7).

Das Produktivitätsbild ist ebenso zweischneidig. Mitte 2025 führte die Non-Profit-Organisation METR die erste randomisierte kontrollierte Studie des Feldes zu KI-Coding-Unterstützung durch: Sechzehn erfahrene Open-Source-Developer, die an reifen, ihnen gut vertrauten Repositories arbeiteten, erledigten 246 reale Aufgaben, wobei die KI-Nutzung zufällig erlaubt oder untersagt wurde (8). Die Developer prognostizierten eine Beschleunigung um 24 Prozent; Fachökonomen und Machine-Learning-Forscher prognostizierten noch größere Gewinne. Das gemessene Ergebnis war das Gegenteil: Aufgaben dauerten mit KI im Schnitt 19 Prozent länger. Auffälliger als die Verlangsamung war die Wahrnehmungslücke: Selbst nachdem sie sie erlebt hatten, schätzten die Developer, KI habe sie um 20 Prozent beschleunigt. Das ist Goodharts Schatten in neuem Umfeld: Jede sichtbare Metrik (Commit-Volumen, Pull-Request-Zahl, ausgelieferte Zeilen) kann steigen, während das, was zählt, die Zeit bis zu einem korrekten und wartbaren Ergebnis, sich in die Gegenrichtung bewegt. Eine komplementäre Sorge, die Praktiker inzwischen Comprehension Debt nennen, benennt das tiefere Risiko: Wenn die Generierung das Verständnis überholt, werden die einzigen Menschen, die KI-Output verlässlich reviewen können (die Senior Engineers), zum Engpass, und die Probleme, die sie übersehen, erreichen die Produktion.

Ein erster Einwand: Die Signale drehen bereits

Das ehrliche Gegenargument lautet, dass jede der obigen Zahlen eine Momentaufnahme eines sich schnell bewegenden Ziels ist und dass die Trendlinien bereits begonnen haben, sich in die andere Richtung zu biegen. Es verdient es, in seiner stärksten Form dargestellt zu werden, denn es ist weitgehend korrekt. METR selbst fand, als es die Frage mit agentischen Tools von Ende 2025 erneut untersuchte, die Verlangsamung im Umkehren: Für die Teilmenge der ursprünglichen Developer, die weitermachten, bewegte sich die Schätzung von einer Verlangsamung um 19 Prozent hin zu einer Beschleunigung um 18 Prozent, allerdings mit weiten Konfidenzintervallen und dem offenen Vorbehalt, dass selbstberichtete Gewinne unzuverlässig sind (9). Googles DORA-Programm, das in seinen Daten von 2024 KI-Adoption mit einem Rückgang der Delivery-Stabilität um 7,2 Prozent verband, berichtete 2025, KI-Adoption sei inzwischen mit höherem Durchsatz assoziiert, eine teilweise Umkehr, auch wenn die Stabilitätsfragen fortbestanden (10). Die Fähigkeitskurve ist steil, und eine Kritik, die an Tooling von Anfang 2025 verankert ist, riskiert, eine Welt zu beschreiben, die nicht mehr existiert, wenn sie gelesen wird.

Der Einwand hat in der Sache recht, und er schärft das Argument, statt es aufzulösen. Die Umkehr geschah nicht, weil die Modelle aufhörten, bei sorglosem Einsatz duplikationsanfälligen, kontextblinden Code zu produzieren; sie geschah, weil die umgebende Disziplin reifte: besseres Context Engineering, Agent-Harnesses, Review-Workflows und die unten untersuchten Spec-first-Praktiken. Das METR-Follow-up ist, genau gelesen, ein Befund über Governance: Dieselben Developer wurden schneller, als ihre Methoden besser wurden, nicht bloß, als ihre Modelle es wurden. Die Daten sagen also nicht „das Problem hat sich von selbst gelöst“; sie sagen „das Problem wird durch die Disziplin gelöst, und die Disziplin kann gelernt werden“. Das ist die gesamte These dieses Artikels, bestätigt von der optimistischen Seite der Bilanz. Der Output der Fabrik verbessert sich exakt in dem Maß, in dem Engineering-Kultur um sie gelegt wird.

Wohin das Handwerk wandert: nach oben im Stack

Die Auflösung des Paradoxons lautet, dass KI die Engineering-Disziplin nicht abschafft; sie verlagert sie. Die Praktiken, die die Agile-Unterzeichner verteidigten (testgetriebene Entwicklung, Continuous Integration, Refactoring, die Pflege der Codegesundheit), werden nicht obsolet, wenn eine Maschine die Zeilen schreibt. Sie wandern vom Tastenanschlag zur Spezifikation, vom Akt, Code zu tippen, zum Akt, ihn zu definieren, einzugrenzen und zu verifizieren. Der klarste Ausdruck dieser Wanderung ist der rasche Aufstieg von Spec-Driven Development im Lauf von 2025-26. Das ist die Praxis, eine strukturierte, versionierte Spezifikation (Ziele, Constraints, Akzeptanzkriterien) zu schreiben, bevor ein Coding Agent aufgerufen wird. Der Agent hat dann eine explizite Absicht zu implementieren statt einen vagen Prompt zu interpretieren.

Dies entstand als direkte, benannte Antwort auf den Fehlermodus des „Vibe Coding“, Andrej Karpathys Begriff von Anfang 2025 dafür, einen Agenten in natürlicher Sprache zu prompten und zu akzeptieren, was zurückkommt (11). Teams, die vibe-gecodete Software in Produktion brachten, trafen auf die vorhersehbare Wand: plausibler Code, der von der Absicht abdriftete, halluzinierte Interfaces und Verfall, sobald Projekte skalierten. Bis 2026 hatte jedes große Coding-Tool eine Variante von Spec-Driven-Disziplin ausgeliefert, und Karpathy selbst hatte die Ära des Vibe Coding für ausklingend erklärt, zugunsten von Agentic Engineering: Agenten gegen detaillierte Spezifikationen unter menschlicher Aufsicht zu orchestrieren. Die Spec ist nun das primäre Artefakt; Tests, Code und Dokumentation werden aus ihr generiert. Man beachte, was das ist: Es ist die Kernidee testgetriebener Entwicklung (das gewünschte Verhalten spezifizieren, bevor man baut, dann dagegen verifizieren), um eine Abstraktionsebene angehoben. Die Disziplin ist nicht gestorben. Sie wurde befördert.

Die menschliche Rolle verschiebt sich entsprechend. Der Engineer der agentischen Fabrik verbringt weniger Zeit damit, grundlegenden Code zu schreiben, und mehr Zeit mit Architektur, Spezifikationspräzision und Quality Gatekeeping: Product Ownership im vollsten Sinn. Die Metapher, die in der Praktikerliteratur wiederkehrt, trifft es: Die KI trägt die Steine; der Architekt entwirft und inspiziert weiterhin die Pyramide. Das ist keine Schmälerung des Engineering-Urteils, sondern seine Konzentration, und genau deshalb finden Organisationen, die das Urteil herausnehmen und erwarten, das Modell werde es liefern, die Duplikation und den Churn, die GitClear gemessen hat. Das Modell liefert Code. Es liefert keine Sorgfalt.

Agilität bewahren: das Governance-Problem

Hier trifft das Argument wieder auf das ältere über Enterprise Agile, denn die Fehlermodi reimen sich. Die ursprüngliche Software Factory entfernte das handwerkliche Urteil und nannte das Ergebnis Industrialisierung; Enterprise Agile entfernte die technischen Praktiken und behielt die Zeremonien; die sorglose Einführung von KI entfernt das Verständnis und behält das Velocity-Dashboard. In jedem Fall bleibt die sichtbare, auditierbare Oberfläche erhalten, während die tragende Substanz ausgehöhlt wird. Die agentische Fabrik ist deshalb nicht automatisch eine Wiederherstellung der Agilität; sie ist eine Weggabelung. Auf dem einen Pfad wird KI zum ultimativen De-Engineering-Instrument: eine Maschine zur Erzeugung ungereviewten, duplikativen, kontextblinden Codes im industriellen Maßstab, bei der jede Produktivitätsmetrik grün leuchtet, während sich Technical Debt und Comprehension Debt darunter aufzinsen. Auf dem anderen wird sie zum ersten Werkzeug, das den Durchsatz der Fabrik und die Anpassungsfähigkeit des Handwerks zugleich liefert.

Was die Pfade trennt, ist Governance, und ihre Bestandteile sind inzwischen einigermaßen gut verstanden. Dazu gehören Spezifikationsdisziplin als organisatorische Fähigkeit statt individueller Gewohnheit (lebende, versionskontrollierte Specs, die über jede einzelne Agent-Session hinaus bestehen); automatisierte Quality Gates zwischen Agent-Output und menschlicher Abnahme, damit ein Agent, der tausend Pull Requests pro Woche produziert, selbst bei einer Schwachstellenquote von nur einem Prozent nicht stillschweigend zehn neue Schwachstellen ausliefert; Review-Workflows, umgerüstet auf die neuen Fehlermodi, die strukturell und sicherheitsförmig sind statt tippfehlerförmig; und persistenter, governter Kontext (geteiltes Gedächtnis, Konventionen und Constraints, die mit der Codebasis reisen, damit der Agent aufhört, die Duplikation wieder einzuschleppen, zu der das Modell standardmäßig neigt). Für regulierte Domänen (Finanzdienstleistungen, Gesundheitswesen und die On-Chain-Finanzinfrastruktur, in der Polity arbeitet) ist diese Governance-Schicht kein optionaler Feinschliff; sie ist die Voraussetzung, unter der agentischer Durchsatz überhaupt zulässig wird. Die Kontrolle, die die ursprüngliche Fabrik von oben auferlegte und die Enterprise Agile als Zeremonie verordnete, wird hier neu gedacht als Disziplin, die in das Entwicklungssubstrat selbst eingebettet ist, nah am Engineer, ausgedrückt als ausführbare Spezifikation und automatisierte Verifikation statt als Vorarbeiterbuch.

Für solche Domänen ist das nicht mehr nur eine Frage der Klugheit; es wird zu einer Frage des Rechts. Der EU Artificial Intelligence Act, dessen wesentliche Pflichten ursprünglich ab dem 2. August 2026 anwendbar waren (ein Datum, das inzwischen unter einem Verschiebungsvorschlag steht), verlangt von Hochrisikosystemen genau die Disziplinen, die die agentische Fabrik ohnehin braucht: technische Dokumentation, die existiert, bevor ein System auf den Markt kommt (Artikel 11), automatische Ereignisprotokollierung, die in das Kerndesign eingebaut statt nachträglich angeschraubt ist (Artikel 12), und menschliche Aufsicht, die so konstruiert ist, dass eine kompetente Person das System interpretieren, übersteuern und anhalten kann (12) (Artikel 14). Die Zuordnung zu den oben beschriebenen Praktiken ist nahezu exakt: Eine lebende, versionierte Spezifikation ist einer der direktesten Wege, die Dokumentationspflicht zu erfüllen; die deterministischen Gates und Audit-Trails einer disziplinierten Agent-Pipeline sind die Protokollierungspflicht; und Review nach dem Prinzip Submission statt Merge ist die Aufsichtspflicht. Der regulatorische Punkt und der Engineering-Punkt konvergieren. Dieselbe Governance, die Technical Debt niedrig hält, ist die Governance, die einen regulierten Betreiber rechtskonform hält. Für Institutionen der Art, der Polity dient, ist die Entscheidung, das Handwerk einzubetten, damit keine kulturelle Präferenz, sondern eine Zulässigkeitsbedingung, durchgesetzt auf einer gesetzlichen Uhr.

Die Fabrik wird real: ein Fallbeispiel

Das ist kein Gedankenexperiment mehr. Anfang 2026 legte Stripe den bislang detailliertesten öffentlichen Bericht über eine agentische Fabrik im Produktivbetrieb vor: eine interne Flotte unbeaufsichtigter Coding Agents namens „Minions“, die über tausend Pull Requests pro Woche merged (binnen zwei Wochen auf rund 1.300 steigend), die keinen menschengeschriebenen Code enthalten, in einer Codebasis von Hunderten Millionen Zeilen, die mehr als eine Billion US-Dollar jährliches Zahlungsvolumen trägt. Ein Engineer erwähnt den Bot in einer Chat-Nachricht und geht; Agenten starten isolierte Maschinen, sammeln Kontext, schreiben die Änderung, lassen die Tests laufen und liefern einen fertigen Pull Request zum Review zurück. Es ist, in den Worten einer Analyse, die Behandlung von „AI not as a magic black box but as a component within a rigid industrial pipeline“, also McIlroys Fabrik, endlich gebaut.

Was den Fall für das hiesige Argument entscheidend macht, ist Stripes eigener Bericht darüber, warum es funktioniert. Nach Darstellung der Engineers selbst ist das Modell beinahe eine Commodity (der Agent ist ein Fork eines Open-Source-Tools), und der Hebel liegt vollständig in der Governance, die darum gelegt ist. Die Architektur verschränkt kreative agentische Schritte mit fest codierten deterministischen Gates, die der Agent nicht überspringen kann: Ein Linter läuft, eine Testsuite läuft, ein Commit folgt, jeder Schritt als fixer Checkpoint statt als etwas, woran das Modell vielleicht denkt. Regeln werden bedingt nach Ort in der Codebasis angewandt, sodass der Agent, der im Payments-Verzeichnis arbeitet, die Payments-Constraints erbt. Der Kontext wird von rund fünfhundert internen Tools auf eine chirurgische Handvoll pro Aufgabe kuratiert, damit das Modell nicht in seinen eigenen Optionen ertrinkt. Jeder Lauf ist in einer Wegwerfumgebung ohne Produktionszugriff gesandboxt; das System hält Submission-Autorität, niemals Merge-Autorität, sodass ein Mensch jede Änderung reviewt, bevor sie ausgeliefert wird. Bezeichnenderweise schreibt Stripe das Fundament, das die Fabrik möglich machte, jenen Developer-Experience-Investitionen zu, die es Jahre vor der Existenz der Agenten für menschliche Engineers getätigt hatte (die Wegwerf-Dev-Boxes, die CI-Infrastruktur, die Linting-Daemons). Die agentische Fabrik ersetzte die Engineering-Disziplin nicht; sie lief auf einem Substrat aus ihr. Das ist die Auflösung dieses Artikels, in Produktion beobachtet: Durchsatz in genuin industriellem Maßstab, erreicht gerade dadurch, dass das Handwerk in die Pipeline eingebettet wurde, statt auf es zu verzichten.

Fazit: die Fabrik mit Gewissen

McIlroys Vorschlag von 1968 hatte beim Ziel recht und beim Weg unrecht. Er glaubte, Industrialisierung erfordere standardisierte, von Menschen katalogisierte Teile und den tayloristischen Apparat, sie zu verwalten; dieser Weg tötete die Agilität, die Software braucht, und das Urteil, das Engineers beisteuern. Agentische KI erreicht das Ziel über eine andere Straße (passgenaue Komponenten auf Abruf generieren statt generische bestellen) und beseitigt damit das spezifische Hindernis, an dem die Fabrik ein halbes Jahrhundert lang scheiterte. Aber sie erbt die Ursünde in neuer Form. Die Versuchung, das Modell als Ersatz für Engineering-Kultur zu behandeln statt als ein von ihr geführtes Instrument, ist dieselbe Versuchung, die erst die buchstäbliche Fabrik und dann Enterprise Agile aushöhlte, nun verfügbar mit weit größerer Geschwindigkeit und in weit größerem Maßstab.

Es ist nur fair, den stärksten Einwand gegen all das festzuhalten, denn ernsthafte Leute vertreten ihn, und er schneidet tiefer als die Frage, ob frühes Tooling irgendjemanden verlangsamte. Nach dieser Sicht ist die Berufung auf das „Handwerk“ Nostalgie im Laborkittel: eine Verteidigung der menschlichen Rolle, die die Technologie bald antiquiert erscheinen lassen wird. Die Belege sind nicht trivial: 2025 erklärten die Chefs von Microsoft und Google, rund ein Viertel bis ein Drittel ihres Codes werde bereits maschinell geschrieben, während Metas Chef prognostizierte, die Hälfte der Entwicklung des Unternehmens werde binnen eines Jahres von KI erledigt; mindestens eine Firma hat Berichten zufolge menschliches Code-Review vollständig abgeschafft; und glaubwürdige Praktiker prognostizieren inzwischen, menschliches Review werde überall dort optional, wo die Validierungsinfrastruktur reif genug ist. Wenn die Maschine spezifizieren, schreiben, testen und reviewen kann, so das Argument, dann beschreibt „das Handwerk bewahren“ eine Übergangsphase, keine dauerhafte Wahrheit. Der Einwand verdient es, ernst genommen zu werden, und ein Teil davon wird sich als richtig erweisen: Vieles von dem, was heute Handwerk genannt wird, ist mechanisch und wird ohne Verlust automatisiert werden. Aber er verwechselt den Ort des Urteils mit dem Urteil selbst. Selbst im autonomsten dokumentierten Fall, dem von Stripe, halten die Agenten die Submission-Autorität und die Menschen den Merge; die deterministischen Gates, die das System sicher machen, wurden von Engineers entworfen, die exakt jenes Urteil ausübten, das der Maximalist für obsolet erklärt; und jemand muss weiterhin entscheiden, was zu bauen sich lohnt, was „korrekt“ bedeutet und welche Fehler tolerierbar sind. Das Handwerk verschwindet nicht mit dem Tippen. Es wandert in die Spezifikation, das Gate, das Threat Model und das Review; und die Firmen, die am weitesten automatisiert haben, sind genau jene, die am stärksten in diese verbleibende menschliche Disziplin investiert haben.

Die Lektion, die die Agile-Unterzeichner zwei Jahrzehnte lang zu vermitteln versuchten, gilt unverändert für die agentische Ära: Die Leichtigkeit des Prozesses muss durch die Stärke des Engineerings darunter verdient werden. KI macht die Leichtigkeit fast gratis und die Stärke fast optional, und genau deshalb muss die Stärke jetzt eine bewusste Entscheidung sein, codiert in Spezifikationen, durchgesetzt durch Quality Gates und verantwortet von Menschen, deren Rolle vom Schreiben des Codes zum Governen seiner Entstehung aufgestiegen ist. Die Fabrik ist zurückgekehrt. Ob sie Software industrialisiert oder de-engineert (ob sie Agilität bewahrt oder bloß deren Zerstörung automatisiert), wird nicht das Modell entscheiden. Es wird, wie immer schon, davon entschieden, ob die Organisation sich dafür entscheidet, das Handwerk zu behalten.

Die Geschichte von Enterprise Agile lehrte, dass eine Methode nicht dann gefährlich wird, wenn sie falsch ist, sondern wenn ihre Zeremonien das Handwerk überleben, das ihnen Bedeutung gab. Die agentische Fabrik stellt dieselbe Prüfung bei höherer Geschwindigkeit: Sie wird die Organisationen belohnen, die ihre Engineering-Disziplin nach oben im Stack verlagern, und schneller als je zuvor jene bestrafen, die das Verschwinden des Tippens mit dem Verschwinden der Notwendigkeit zu engineeren verwechseln.

Über Polity

Dieser Artikel ist Teil eines fortlaufenden Programms für Governance- und Thought-Leadership-Publikationen, das innerhalb des Polity-Governance-Modells entwickelt wird. Politys zentrale These lautet, dass dauerhafte Ergebnisse von der Governance-Architektur geformt werden: den Regeln, Anreizen und Institutionen, durch die Arbeit, Wert und Verpflichtung entstehen. Die agentische Software-Fabrik ist genau in diesem Sinn ein Governance-Problem: Dieselbe codegenerierende Fähigkeit industrialisiert oder de-engineert, je nach der Disziplin, die um sie gelegt wird. Polity baut Infrastruktur für regulierte digitale Finanzsysteme mit Governance-Frameworks, die dezentrale Systeme mit institutionellen Compliance-Anforderungen verbinden; die Frage, wie autonome Softwareproduktion mit hohem Durchsatz in eine regulierte Umgebung aufgenommen werden kann, ohne Assurance zu opfern, gehört zu denen, mit denen es sich direkt befasst.

Über Wavect

Die Wavect GmbH ist eine österreichische Software-Engineering-Agentur, die produktorientierte Software für Start-ups, Scale-ups und Enterprises entwickelt. Das Spektrum reicht von Full-Stack-Entwicklung über Fractional Engineering und Product Leadership bis zu Software Quality Assurance und angewandter Arbeit in künstlicher Intelligenz, Blockchain und Zero-Knowledge-Systemen. Wavect hat für das Polity-Programm Softwareentwicklungs- und Qualitätssicherungsleistungen erbracht. Co-Autor Kevin Riedl ist Managing Partner des Unternehmens. Weitere Informationen unter https://wavect.io.

Disclaimer: Dieser Artikel dient ausschließlich Informations- und Bildungszwecken. Er stellt weder professionelle, rechtliche, finanzielle noch Engineering-Management-Beratung dar und ist keine Empfehlung für eine Methode, ein Produkt, einen Service oder eine Organisation. Verweise auf genannte Forscher, Studien, Tools, Frameworks und Unternehmen dienen ausschließlich Analyse und Kommentar. Forschungszahlen stammen aus den zitierten Quellen und spiegeln den Stand eines sich schnell entwickelnden Feldes per Mitte 2026 wider; mehrere sind Preprints, kontrollierte Studien mit begrenzter Stichprobe oder Anbieterangaben und werden im Text als solche gekennzeichnet. Alle Drittquellen sind als Referenz zitiert; die Aufnahme einer Quelle bedeutet weder Empfehlung durch noch Zugehörigkeit zu Polity. Co-Autor Kevin Riedl ist Managing Partner der Wavect GmbH, die Softwareentwicklungs- und Qualitätssicherungsleistungen für das Polity-Programm erbringt, siehe „Über Wavect“. Diese Geschäftsbeziehung wird im Interesse der Transparenz offengelegt und beeinträchtigt die Unabhängigkeit der Analyse nicht. Die geäußerten Ansichten sind jene der Autoren.

Literatur

1. Ensmenger, N. (2010) The Computer Boys Take Over: Computers, Programmers, and the Politics of Technical Expertise. Cambridge, MA: MIT Press. Available at: https://doi.org/10.7551/mitpress/9780262050937.001.0001 (Accessed: 23 June 2026).
2. McIlroy, M.D. (1968) ‘Mass-produced software components’, in Naur, P. and Randell, B. (eds.) Software Engineering: Report on a Conference Sponsored by the NATO Science Committee. Brussels: NATO Scientific Affairs Division, pp. 138-155. Available at: https://www.cs.dartmouth.edu/~doug/components.txt (Accessed: 23 June 2026).
3. Taylor, F.W. (1911) The Principles of Scientific Management. New York: Harper & Brothers. Available at: https://www.gutenberg.org/ebooks/6435 (Accessed: 23 June 2026).
4. Synthesis of agentic SDLC research (2026) ‘Agentic AI in the Software Development Lifecycle’, arXiv pre-print (SWE-bench progression; productivity ranges; open problems including technical debt). Available at: https://arxiv.org/abs/2604.26275 (Accessed: 23 June 2026).
5. Anthropic (2026) The Anthropic Economic Index (reports of January and March 2026). (‘~49% of occupations have seen at least a quarter of their tasks performed using Claude’; SWE-bench and autonomy trends.) Available at: https://www.anthropic.com/research/economic-index-march-2026-report (Accessed: 23 June 2026).
6. GitClear (2025) AI Copilot Code Quality 2025: 211 Million Changed Lines of Code Analysed. Available at: https://www.gitclear.com/ai_assistant_code_quality_2025_research (Accessed: 23 June 2026).
7. Cunningham, W. (1992) ‘The WyCash portfolio management system’, OOPSLA ’92 Experience Report. (Origin of the ‘technical debt’ metaphor.) Available at: https://c2.com/doc/oopsla92.html (Accessed: 23 June 2026).
8. Becker, J., Rush, N., Barnes, E. and Rein, D. (2025) Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR. arXiv:2507.09089. Available at: https://arxiv.org/abs/2507.09089 (Accessed: 23 June 2026).
9. METR (2026) We Are Changing Our Developer Productivity Experiment Design. (Update on late-2025 AI uplift.) Available at: https://metr.org/blog/2026-02-24-uplift-update/ (Accessed: 23 June 2026).
10. DevOps Research and Assessment (DORA) (2024; 2025) Accelerate State of DevOps Reports. Google Cloud. Available at: https://dora.dev/research/ (Accessed: 23 June 2026).
11. Karpathy, A. (2025) Remarks on ‘vibe coding’ (February 2025) and subsequent discussion of agentic engineering. Summarised in Towards Data Science, ‘From vibe coding to spec-driven development’ (2026). Available at: https://towardsdatascience.com/from-vibe-coding-to-spec-driven-development/ (Accessed: 23 June 2026).
12. European Union (2024) Regulation (EU) 2024/1689 (Artificial Intelligence Act). Articles 11 (technical documentation), 12 (logging) and 14 (human oversight); main high-risk obligations originally applicable from 2 August 2026, subject to proposed deferral. Official text and summary at: https://artificialintelligenceact.eu/high-level-summary/ (Accessed: 23 June 2026).

Presse- und Webquellen (nummeriert zur Faktenprüfung)

Wenn der Haupttext einer namentlich genannten Studie einen konkreten Befund zuschreibt, steht die Primärquelle oben unter „Literatur“. Die folgenden Einträge dokumentieren die verwendete Sekundärberichterstattung sowie die jeweils gestützten Punkte.

• CIO (2026). ‘How agentic AI will reshape engineering workflows in 2026.’ Agent orchestration; engineer as orchestrator of agents and components; first-pass execution across the SDLC. cio.com
• Anthropic (2026). 2026 Agentic Coding Trends Report. Convergence of agent architectures; surge staffing; security-at-scale considerations. anthropic.com
• LeadDev (2025). ‘How AI-generated code compounds technical debt.’ GitClear figures; decline of the DRY principle; practitioner testimony on debt creation. leaddev.com
• Advisable (2026). ‘The hidden cost of moving fast: technical debt in AI-assisted development.’ Churn 3.1%→5.7%; DORA 7.2% stability decrease; METR 19% slowdown drawn together. advisable.com
• StepTo (2026). ‘Comprehension debt: the AI code crisis your metrics are missing.’ Senior engineers as review bottleneck; security-finding spike at a Fortune 50 firm. stepto.net
• METR (2025). ‘Measuring the impact of early-2025 AI on experienced open-source developer productivity.’ RCT design; 16 developers, 246 tasks; 19% slowdown vs 24% forecast / 20% perceived. metr.org
• CGI (2026). ‘Spec-driven development: from vibe coding to intent engineering.’ GitHub Spec Kit, AWS Kiro, planning modes; QA built into the SDD process; relevance to regulated industries. cgi.com
• BCMS (2026). ‘Spec-driven development: the definitive 2026 guide.’ SDD as response to vibe-coding failure; spec as primary artefact; relation to TDD. thebcms.com
• Towards Data Science (2026). ‘From vibe coding to spec-driven development.’ Karpathy on the close of the vibe-coding era and the move to agentic engineering under specification and oversight. towardsdatascience.com
• DEV Community (2025). ‘The AI productivity paradox.’ METR perception gap; DORA 2024→2025 reversal (stability down, then throughput up); junior-vs-senior adoption differences. dev.to
• InfoQ (2026). ‘Stripe engineers deploy Minions, autonomous agents producing thousands of pull requests weekly.’ 1,300+ PRs/week, zero human-written code; blueprints; submission-not-merge authority; human review of every change. infoq.com
• ByteByteGo (2026). ‘How Stripe’s Minions ship 1,300 PRs a week.’ Six-layer architecture; interleaved deterministic gates and agentic loops; sandboxing; conditional rule files; reliance on pre-existing developer-experience infrastructure. blog.bytebytego.com
• CNBC (2025). ‘Satya Nadella says as much as 30% of Microsoft code is written by AI.’ Nadella at LlamaCon (20-30%); Pichai (>25% of new Google code); Zuckerberg projecting ~half of Meta development within a year. cnbc.com
• Ry Walker Research (2026). ‘In-house coding agents: build vs buy.’ Survey of in-house agent programmes (Stripe, Ramp, Abnormal, Shopify); StrongDM’s no-human-review “software factory”; forecast that human review becomes optional with mature validation infrastructure. rywalker.com
• Augment Code (2026). ‘The 2026 EU AI Act and AI-generated code: what changes for dev teams.’ Maps Articles 11/12/14 to engineering practice; notes spec-driven workflows as a route to Article 11 documentation that exists before market placement; 2 August 2026 enforcement. augmentcode.com