🤖 AI

The End of Software Engineering: How AI Agents Are Fundamentally Restructuring the Software Paradigm

Dieses Paper argumentiert, dass das Aufkommen von KI-Agenten eine fundamentale Umstrukturierung des Software-Paradigmas darstellt, die von statischem, menschengeschriebenem Code hin zu dynamischen, LLM-gesteuerten Reasoning-Loops wechselt und eine neue Disziplin des „Agentic Engineering“ erforderlich macht, um den Übergang zu selbstentwickelnden Agenten-Ökosystemen zu navigieren.

Ursprüngliche Autoren: Zhenfeng Cao

Veröffentlicht 2026-06-05

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Zhenfeng Cao

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die große Idee: Vom Steinbau zum Regisseur eines magischen Kochs

In den letzten über 50 Jahren war das Bauen von Software wie das Errichten einer massiven, statischen Ziegelwand.

Der alte Weg: Menschliche Ingenieure (die Maurer) mussten genau entscheiden, wo jeder einzelne Ziegel hinkommt. Sie schrieben jede Regel in einem Handbuch auf (der Code). Wenn das Gebäude ein neues Fenster brauchte, musste ein Mensch anhalten, überlegen, welche Ziegel er bewegen muss, und diesen Abschnitt physisch neu bauen. Wenn die Wand zu groß wurde, war es für eine Person unmöglich, sich zu merken, wo welcher Ziegel war.
Der neue Weg (KI-Agenten): Stellen Sie sich einen magischen Koch vor, der nicht nur einem Rezept folgt, sondern das Rezept während des Kochens selbst erstellt. Sie sagen dem Koch: „Ich möchte einen scharfen Eintopf.“ Der Koch greift nicht einfach nach einem vorgefertigten Buch; er denkt nach, schnappt sich die richtigen Töpfe, schneidet das Gemüse, schreibt eine temporäre Anweisung auf eine Serviette, um das Wasser aufzukochen, kocht den Eintopf und wirft die Serviette dann weg. Der „Code“ (die Serviette) ist nur ein temporäres Werkzeug, um die Aufgabe zu erledigen, nicht das Endprodukt selbst.

Die Arbeit argumentiert, dass wir uns von Software 1.0 (statischer Code, geschrieben von Menschen) hin zum Agentic Engineering (KI-Agenten, die denken, temporären Code schreiben, um ein Problem zu lösen, und dann weitermachen) bewegen.

Zentrale Konzepte erklärt

1. Das „Ziegelwand“-Problem (Komplexität)

In der Vergangenheit versuchten Software-Ingenieure, Komplexität zu bewältigen, indem sie große Probleme in kleine, organisierte Boxen (Module) aufteilten. Aber die Arbeit sagt, dass dies eine Grenze hat.

Die Analogie: Stellen Sie sich eine Party vor, bei der jeder mit jedem sprechen kann. Bei 5 Personen gibt es 10 Gespräche. Bei 100 Personen sind es fast 5.000 Gespräche.
Das Problem: Wenn Software größer wird, explodiert die Anzahl der Möglichkeiten, wie verschiedene Teile interagieren können. Menschliche Gehirne können diese Verbindungen nicht mehr alle im Blick behalten. Deshalb scheitern große Softwareprojekte oft oder bleiben stecken.

2. Der Wandel: Von „Wie“ zu „Was“

Die Arbeit beschreibt drei Generationen der Art und Weise, wie wir Software erhalten:

Generation 1 (Lokale Software): Sie kaufen eine Software-Box. Sie müssen sie installieren, reparieren und die Server am Laufen halten. Sie sind der Mechaniker.
Generation 2 (SaaS – Software as a Service): Sie loggen sich auf einer Website ein (wie Gmail). Das Unternehmen kümmert sich um die Server und Updates. Sie nutzen es einfach. Der Anbieter ist der Mechaniker.
Generation 3 (AaaS – Agent as a Service): Sie sagen einem KI-Agenten: „Ich brauche einen Bericht über die Verkäufe.“ Der Agent findet heraus, wie er die Daten bekommt, schreibt den Code dafür, führt ihn aus und gibt Ihnen den Bericht. Sie sehen weder den Code noch die Server. Der Agent ist der Mechaniker.

Die Behauptung der Arbeit: Wir bewegen uns von „KI hilft Menschen beim Schreiben von Code“ hin zu „KI-Agenten erledigen die Arbeit und liefern uns das Ergebnis“. Der Code selbst wird unsichtbar und temporär.

3. Der neue Job: „Intent Architect“ (Absicht-Architekt)

Wenn die KI den Code schreibt, was machen dann die Menschen?

Alter Job: Das Schreiben der Anweisungen (Codieren).
Neuer Job: Intent Architect.
Die Analogie: Denken Sie an einen Filmregisseur. Der Regisseur hält nicht die Kamera oder näht die Kostüme. Er sagt den Schauspielern (den KI-Agenten), wie die Szene wirken soll, was das Ziel ist, und prüft, ob der fertige Film Sinn ergibt.
Die Arbeit sagt: Menschen werden zu „Intent Architects“, die das Ziel definieren, zu „Koordinatoren“, die ein Team von KI-Agenten managen, und zu „Auditoren“, die das Endergebnis prüfen.

4. Der Realitätscheck (Die „Klippe“)

Die Arbeit ist optimistisch, aber realistisch. Sie nutzt einen Benchmark namens EvoClaw, um eine „Leistungsklippe“ aufzuzeigen.

Die Analogie: Stellen Sie sich einen Schüler vor, der sehr gut darin ist, einzelne Matheaufgaben in einer Prüfung zu lösen (über 80 % Erfolgsquote). Aber wenn man ihn bittet, einen ganzen Roman zu schreiben, in dem jedes Kapitel von dem vorherigen abhängt, und er in Kapitel 1 einen kleinen Fehler macht, der Kapitel 10 ruiniert, scheitert er (sinkende Erfolgsquote auf 38 %).
Das Ergebnis: KI-Agenten sind großartig darin, einen spezifischen Bug zu beheben oder ein kleines Skript zu schreiben. Aber sie haben Schwierigkeiten, wenn sie über einen langen Zeitraum an einem Projekt arbeiten, sich an vergangene Änderungen erinnern müssen und nicht Fehler machen dürfen, die sich aufstauen.

Die Roadmap: Wohin geht die Reise?

Die Arbeit skizziert vier Stufen dieser Evolution:

Stufe 1 (Jetzt): Der intelligente Assistent. Wie ein GPS, das den nächsten Abbieger vorschlägt. Es hilft Ihnen beim Schreiben von Code, aber Sie fahren immer noch selbst.
Stufe 2 (Bald): Das selbstfahrende Auto. Der Agent kann eine bestimmte Route (ein Feature bauen) von Anfang bis Ende fahren, ohne dass Sie das Steuer berühren, aber Sie wählen das Ziel.
Stufe 3 (Zukunft): Die Flotte. Ein Team von Agenten, die zusammenarbeiten. Ein Agent ist der „Projektmanager“, einer ist der „Designer“, einer ist der „Tester“. Sie kommunizieren miteinander, um komplexe Systeme zu bauen.
Stufe 4 (Ferne Zukunft): Das selbstentwickelnde Ökosystem. Die Agenten können sich selbst verbessern, neue Fähigkeiten lernen und ihre eigenen Fehler ohne menschliche Hilfe korrigieren.

Zusammenfassung des Schlussworts der Arbeit

Die Arbeit kommt zu dem Schluss, dass das Software Engineering, wie wir es kennen, endet.

Wir bewegen uns weg von einer Welt, in der Menschen jede Entscheidung manuell kodieren.
Wir bewegen uns hin zu einer Welt, in der Menschen das Ziel definieren und KI-Agenten das Wie herausfinden.
Der Haken: Wir sind noch nicht so weit. Während Agenten großartig bei kleinen Aufgaben sind, haben sie bei langfristigen, komplexen Projekten, bei denen Fehler eine Lawine auslösen können, noch Schwierigkeiten.

Das wichtigste Fazlelement: Machen Sie sich keine Sorgen darüber, durch einen Roboter ersetzt zu werden, der schneller tippt als Sie. Bereiten Sie sich stattdessen darauf vor, der Regisseur zu werden, der weiß, wie man die richtigen Fragen stellt und das Team der KI-Agenten managt, um das Ziel zu erreichen. Der „Code“ ist nicht länger das Produkt; das „Ergebnis“ ist das Produkt.

Technisches Resümee: Das Ende des Software Engineering

Problemstellung

Das Paper identifiziert eine fundamentale strukturelle Limitation im traditionellen Software Engineering, die seit über einem halben Jahrhundert fortbesteht. Während Methoden wie die modulare Dekomposition und automatisiertes Testen die „akzidentelle Komplexität“ (accidental complexity) reduziert haben, ist es ihnen nicht gelungen, die „essenzielle Komplexität“ (essential complexity) zu adressieren – die inhärente kombinatorische Explosion von Interaktionen bei wachsenden Systemen.

Das Kernproblem ist der Skalierungs-Mismatch:

Statische Entscheidungslogik: Traditionelle Software erfordert menschliche Ingenieure, die alle Entscheidungsregeln ( $D$ ) explizit in statischen Quellcode vor der Ausführung kodieren müssen.
Feste menschliche Kapazität: Die menschliche kognitive Kapazität ( $C_H$ ) ist im Wesentlichen konstant, während die Anzahl der möglichen Interaktionspfade in einem System mit $n$ Komponenten exponentiell wächst ( $P(n) \in \Theta(2^n)$ ).
Der Flaschenhals: Mit zunehmender Skalierung der Systeme steigt der Aufwand für Modifikationen (Verstehen, Lokalisieren, Modifizieren und Verifizieren von Logik) nicht-linear an, was zu einer sinkenden Grenzproduktivität führt. Das aktuelle Paradigma der „KI-gestützten Entwicklung“ (KI $\to$ Software $\to$ Ergebnis) löst dieses Problem nicht, da der menschliche Ingenieur der kritische Pfad für Design und Integration bleibt und das endgültige Deliverable ein statisches Artefakt bleibt, das menschliche Wartung erfordert.

Methodik und theoretischer Rahmen

Das Paper nutzt eine Analyse auf Basis von First Principles, um traditionelle Softwaresysteme mit aufkommenden KI-Agentensystemen zu kontrastieren, wobei die Unterscheidung durch mathematische Definitionen und Komplexitätsargumente formalisiert wird.

Formale Definitionen:
- Traditionelle Software ( $S$ ): Definiert als Tupel $(C, D, E)$ , wobei die Entscheidungsregeln ( $D$ ) statisch sind und von Menschen vorprogrammiert wurden.
- Agentische Systeme ( $A$ ): Definiert als Tupel $(M, T, M, \Pi)$ , wobei ein Large Language Model ( $M$ ) als Reasoning-Engine fungiert, das zur Laufzeit basierend auf einem Planungsmechanismus ( $\Pi$ ) dynamisch Code und Werkzeugnutzung ( $T$ ) generiert.
Komplexitätsargument: Die Autoren argumentieren, dass agentische Systeme die Lösungskapazität von den menschlichen kognitiven Grenzen entkoppeln. Im agentischen Paradigma skaliert die effektive Kapazität ( $C_M$ ) mit der Modellgröße und dem Trainings-Compute, was es dem System ermöglicht, komplexe Lösungsräume nicht-linear zu navigieren, ohne dass jede Eventualität explizit vorprogrammiert werden muss.
Historische Trajektorien-Analyse: Das Paper verfolgt die Evolution der Softwarebereitstellung von Lokal (Software 1.0) über SaaS (Software 2.0) hin zu Agent-as-a-Service (AaaS) und argumentiert, dass jeder Übergang die Komplexität vom Endnutzer zum Anbieter verlagert. AaaS stellt den dritten Paradigmenwechsel dar, der das Software-Artefakt als notwendiges Intermediat eliminiert.

Zentrale Beiträge

Das Paper führt Agentic Engineering als eine eigenständige Disziplin ein, die sich in ihrem Kernobjekt, ihrem Kontrollmodell und der menschlichen Rolle grundlegend vom traditionellen Software Engineering unterscheidet.

Definition des Paradigmenwechsels: Der Übergang von „KI $\to$ Software $\to$ Ergebnis“ zu „Agent $\to$ Ergebnis“. In diesem neuen Paradigma ist Code nicht das System, sondern ein ephemeres Instrument des Denkens. Das Ergebnis ist ein geliefertes Outcome, nicht ein statisches Software-Artefakt.
Neue menschliche Rollen: Das Paper definiert die Rolle des Menschen neu: vom „Code-Autor“ zum Intent Architect, Coordinator und Outcome Auditor. Die Wertschöpfung verschiebt sich vom Schreiben effizienten Codes hin zur Artikulation klarer Ziele, dem Management der Agenten-Orchestrierung und der Kalibrierung der Qualität.
Formales Modell agentischer Systeme: Das Paper beschreibt die Architektur von LLM-basierten Agenten, bestehend aus Wahrnehmung (multimodaler Input), Gedächtnis (semantisch, episodisch, prozedural), Aktion (Reasoning + Tool-Nutzung) und einem LLM-Reasoning-Core. Es hebt das Konzept der Selbstentwicklung hervor, bei dem Agenten „Skills“ autonom erstellen und basierend auf Performance-Feedback selbst patchen (z. B. das Hermes Agent Framework).
Vierstufiger Fahrplan: Die Autoren schlagen eine Trajektorie für die Evolution des Agentic Engineering vor:
1. Tool-Augmented: KI unterstützt Menschen beim Codieren (aktueller Stand).
2. Single-Task Autonomous: Agenten übernehmen End-to-End-Aufgaben (2025–2027).
3. Multi-Agent Teams: Koordinierte Schwärme, die menschliche Organisationsstrukturen spiegeln (2026–2029).
4. Self-Evolving Ecosystems: Agenten, die autonom entdecken, lernen und sich anpassen (2028+).

Empirische Ergebnisse und Limitationen

Das Paper synthetisiert Evidenzen aus aktuellen Benchmarks, um das Potenzial und die aktuellen Limitationen des agentischen Paradigmas zu validieren.

Durchbrüche:
- SWE-bench Verified: Modelle wie Lingma SWE-GPT 72B erreichten eine Lösungsrate von 30,20 % bei GitHub-Issues und übertrafen damit signifikant größere statische Modelle, was beweist, dass prozess-trainierte Agenten komplexe Engineering-Aufgaben bewältigen können.
- Multi-Agent-Koordination: Eine Pilotstudie zeigte eine Reduktion der Zeit zur Ursachenanalyse in Enterprise-Debugging-Workflows um 93 % durch koordinierte Agenten-Schwärme, was die Leistungsfähigkeit der Orchestrierung gegenüber der Kapazität einzelner Agenten unterstreicht.
- Selbstentwicklung: Frameworks wie der Hermes Agent demonstrierten die Fähigkeit, autonom „Skills“ zu erstellen, zu nutzen, Schwachstellen zu erkennen und zu patchen, ohne menschliches Eingreifen.
Beständige Herausforderungen (Die Lücke):
- EvoClaw Benchmark: Das Paper zitiert einen kritischen Performance-Abfall. Während Agenten bei isolierten Aufgaben $>80\,\%$ Erfolg erzielen, sinkt die Performance in kontinuierlichen Evolutionssettings (nachhaltige Entwicklung über Commit-Historien hinweg) auf $\le 38\,\%$ .
- Ursachen: Der Rückgang wird auf Context Drift (Verlust systemweiter Invarianten), Error Propagation (kaskadierende Fehler), mangelndes Bewusstsein für technische Schulden und unzureichende Verifikations-Fidelität in offenen Settings zurückgeführt.

Bedeutung und Ansprüche

Das Paper behauptet, dass die Entstehung von KI-Agenten eine fundamentale Umstrukturierung des Software-Paradigmas darstellt und nicht bloß eine inkrementelle Verbesserung eines Werkzeugs ist.

Unvermeidbarkeit: Der Übergang wird als unvermeidliche Folge der Skalierungsgesetze der Komplexität dargestellt. Traditionelle Software stöbt an eine Grenze, an der die menschliche kognitive Kapazität mit der essenziellen Komplexität nicht mehr Schritt halten kann; agentische Systeme umgehen dies, indem sie das Reasoning an Modelle mit skalierbarer Kapazität auslagern.
Entstehung einer Disziplin: Agentic Engineering wird als ein neues Feld positioniert, das über das bloße „bessere Programmieren“ hinausgeht und eigene Metriken, Werkzeuge und eine professionelle Identität besitzt. Es entwickelt sich zu einer neuen Form des „Intent Engineering“.
Kalibrierter Optimismus: Das Paper wahrt eine moderate Haltung hinsichtlich vollständiger Autonomie. Es räumt ein, dass agentisches Engineering zwar heute transformativ für die Augmentierung ist, vollautonomes Software Engineering jedoch eine mehrjährige Forschungsaufgabe bleibt, da die Lücke in den Fähigkeiten zur kontinuierlichen Evolution besteht. Die unmittelbare Implikation ist eine Verschiebung des Fokus der Praktiker hin zu Orchestrierung, Observability und Intent-Spezifikation, um sich auf eine Zukunft vorzubereiten, in der das „Software-Artefakt“ durch das „Agenten-Ökosystem“ ersetzt wird.