#91: Software ohne Entwickler*innen? Wie AI Agents unsere Arbeit neu definieren

Agentic AI verändert die Art, wie Software entsteht und stellt bestehende SaaS- und Subscription-Modelle zunehmend infrage. Im Fokus stehen AI-Agents, die in Think-Act-Observe-Loops eigenständig handeln und Entwicklungsprozesse automatisieren. Besonders im Data-Science-Umfeld zeigen sich Chancen im Prototyping, aber auch Herausforderungen durch langsame Tests, komplexe Datenpipelines und fehlende Qualitätsmetriken. Entscheidend für den erfolgreichen Einsatz sind klare Aufgabenabgrenzung, kleine Iterationen und robuste Guardrails wie Tests und Linter. Gleichzeitig verschieben sich Rollenprofile hin zu mehr konzeptioneller Arbeit, während Fragen zu Sicherheit, Souveränität und langfristiger Wartbarkeit offen bleiben.

 

**Zusammenfassung**

• SaaS- und Subscription-Modelle geraten durch AI-getriebene Eigenentwicklung unter Druck
• Evolution: Chat --> Copilot --> Agentic AI mit autonomen Fähigkeiten
• AI-Agents arbeiten in Think-Act-Observe-Loops und können aktiv handeln
• Aktuelle Tools vor allem in Terminal-Umgebungen (CLI-basiert)
• Kleine, klar definierte Aufgaben erhöhen Erfolgswahrscheinlichkeit
• Guardrails (Tests, Linter, Typisierung) sind essenziell für Qualität
• Prototyping funktioniert gut, produktiver Einsatz noch eingeschränkt
• Data Science leidet unter langsamen Tests und langen Iterationszyklen
• Custom Stacks aktuell im Vorteil gegenüber Plattformlösungen
• Offene Themen: Sicherheit, Datenzugriff, Abhängigkeit von LLM-Anbietern

 

**Links**

• #29: Die Qual der Wahl: Data Science Plattform vs. Customized Stack https://www.podbean.com/ew/pb-pep8h-147029f
• The Pragmatic Engineer: When AI writes almost all code, what happens to software engineering? by Gergely Orosz https://newsletter.pragmaticengineer.com/p/when-ai-writes-almost-all-code-what
• Conductor Extension for Gemini CLI https://github.com/gemini-cli-extensions/conductor

📬 Fragen, Feedback oder Themenwünsche?
Schreibt uns gern an: podcast@inwt-statistics.de