#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