Agentic Coding erklärt: Wenn die KI selbst programmiert

TL;DR: Agentic Coding ist die dritte Generation von AI-gestützter Programmierung. Stufe 1 war Autocomplete (Copilot). Stufe 2 war Chat (ChatGPT). Stufe 3 ist agentic: Die KI plant, implementiert und verifiziert eigenständig. Claude Code ist das bekannteste Beispiel. Seit Februar 2026 arbeiten mehrere Agents parallel (Agent Teams). Andrej Karpathy schätzt, dass er 80 % seines Codes agentic schreibt. 41 % des Codes auf GitHub ist bereits AI-generiert.

Was "agentic" bedeutet

Ein Agent handelt eigenständig. Er bekommt ein Ziel, plant die Schritte, führt sie aus und prüft das Ergebnis. Der Mensch definiert das Was. Der Agent erledigt das Wie.

In der Softwareentwicklung heißt das: Du sagst "Implementiere eine Benutzer-Authentifizierung mit JWT und Refresh Tokens." Der Agent analysiert die Codebasis, plant die Architektur, schreibt den Code, erstellt Tests und verifiziert, dass alles funktioniert. Du überprüfst das Ergebnis und gibst Feedback.

Der entscheidende Unterschied zu früheren AI-Tools: Der Agent hat eine Feedback-Schleife. Er schreibt Code, führt Tests aus, sieht Fehler, korrigiert sie. Dieser Zyklus läuft ohne menschliches Eingreifen. Im Gegensatz dazu steht Vibe Coding, bei dem der Mensch den Code kaum noch liest und sich auf die "Vibes" verlässt.

Die drei Generationen im Vergleich

Generation 1: Autocomplete (2021-2023)

Beispiel: GitHub Copilot

Du tippst Code. Die KI ergänzt die nächsten Zeilen. Wie eine intelligente Textvorhersage. Du drückst Tab, um den Vorschlag anzunehmen, oder tippst weiter.

Stärke: Schneller bei repetitivem Code. Boilerplate, Tests, bekannte Patterns. Schwäche: Kein Kontext über die aktuelle Datei hinaus. Kein Verständnis der Gesamtarchitektur. Keine Eigeninitiative.

Produktivitätsgewinn: Ca. 26 % (GitHub-eigene Studie).

Generation 2: Chat (2023-2024)

Beispiel: ChatGPT, Claude.ai

Du beschreibst ein Problem in natürlicher Sprache. Die KI generiert eine Antwort mit Code. Du kopierst den Code in dein Projekt und passt ihn an.

Stärke: Versteht komplexe Fragen. Kann Architektur erklären. Generiert ganze Funktionen. Schwäche: Copy-Paste-Workflow. Die KI sieht dein Projekt nicht. Generierter Code muss manuell integriert werden. Kein Zugriff auf Dateien, Terminal oder Git.

Produktivitätsgewinn: Variabel, schwer zu messen, weil der manuelle Transfer-Aufwand den Gewinn teilweise auffrisst.

Generation 3: Agentic (2025-heute)

Beispiel: Claude Code

Du beschreibst eine Aufgabe. Der Agent liest deine Codebasis, erstellt einen Plan, implementiert die Lösung, führt Tests aus und erstellt einen Commit. Du reviewst.

Stärke: Sieht das gesamte Projekt. Führt Befehle aus. Hat eine Feedback-Schleife (Code schreiben → testen → korrigieren). Arbeitet über mehrere Dateien hinweg. Schwäche: Braucht Kontext (CLAUDE.md). Bei sehr komplexen Architekturentscheidungen fehlt das Domänenwissen. Ergebnisse müssen reviewed werden.

Produktivitätsgewinn: 26-55 % (akademische Studien), 50 % (Anthropic intern), 80 % bei 90-Minuten-Tasks.

Wie Agentic Coding in der Praxis aussieht

Der Workflow mit Claude Code

Schritt 1: Plan Mode Du gibst eine Aufgabe ein. Claude Code wechselt in den Plan Mode (Shift+Tab, Shift+Tab). Er analysiert die Codebasis, identifiziert die relevanten Dateien und erstellt einen Plan.

Beispiel-Plan:

1. src/auth/jwt.service.ts erstellen (Token-Generierung)
2. src/auth/auth.controller.ts erweitern (Login/Refresh Endpoints)
3. src/middleware/auth.guard.ts erstellen (Token-Validierung)
4. src/auth/__tests__/jwt.service.test.ts erstellen
5. src/auth/__tests__/auth.controller.test.ts erstellen

Du siehst den Plan, bevor eine Zeile Code geschrieben wird. Du kannst korrigieren: "Nutze lieber jose statt jsonwebtoken."

Schritt 2: Ausführung Claude Code arbeitet den Plan ab. Er erstellt Dateien, schreibt Code, importiert Abhängigkeiten. Du siehst jede Änderung in Echtzeit.

Schritt 3: Verifikation Claude Code führt die Tests aus. Schlagen Tests fehl, analysiert er die Fehler und korrigiert den Code. Dieser Zyklus wiederholt sich, bis alle Tests grün sind.

Schritt 4: Commit Claude Code erstellt einen Git-Commit mit einer beschreibenden Message.

Der gesamte Prozess dauert 5-20 Minuten für eine mittlere Feature-Implementierung. Manuell dauert dasselbe 1-3 Stunden.

Agent Teams: Paralleles Arbeiten (Februar 2026)

Seit Februar 2026 bietet Claude Code Agent Teams an. Mehrere Agents arbeiten gleichzeitig an verschiedenen Teilen eines Projekts.

Wie Agent Teams funktionieren

Du startest einen Haupt-Agent. Der Haupt-Agent kann Sub-Agents spawnen, die parallel arbeiten. Jeder Sub-Agent hat seinen eigenen Kontext und seine eigene Aufgabe.

Beispiel:

Du: "Implementiere das gesamte User-Management-Modul."

Haupt-Agent plant:
├── Sub-Agent 1: User CRUD API (Controller + Service + Tests)
├── Sub-Agent 2: User-Authentifizierung (JWT + Refresh Tokens)
├── Sub-Agent 3: User-Rollen und Berechtigungen (RBAC)
└── Sub-Agent 4: E-Mail-Verifizierung (Templates + Service)

Vier Agents arbeiten gleichzeitig. Der Haupt-Agent koordiniert und löst Konflikte (z.B. wenn zwei Sub-Agents dieselbe Datei ändern wollen).

Sub-Agents für spezialisierte Tasks

Sub-Agents sind nicht nur für Parallelisierung. Sie ermöglichen Spezialisierung.

Ein Haupt-Agent arbeitet an einem Feature. Er stößt auf eine komplexe Regex. Statt selbst zu optimieren, spawnt er einen Sub-Agent mit dem Prompt: "Optimiere diese Regex für Performance und Edge Cases." Der Sub-Agent liefert das Ergebnis zurück, und der Haupt-Agent integriert es.

Andere Einsätze:

Sub-Agent für Datenbankmigrationen
Sub-Agent für API-Dokumentation
Sub-Agent für Performance-Profiling
Sub-Agent für Dependency-Updates

Karpathys Phase Shift

Andrej Karpathy, einer der einflussreichsten AI-Forscher und ehemaliger Director of AI bei Tesla, beschreibt den Wandel so:

"Biggest change in ~2 decades of programming."

Karpathy schätzt, dass er 80 % seines Codes agentic schreibt. Der restliche Anteil: Architekturentscheidungen, die menschliches Urteil erfordern, und Edge Cases, bei denen der Kontext zu spezifisch ist.

Was Karpathy beschreibt, ist ein Phasenübergang. Nicht eine graduelle Verbesserung ("10 % schneller"), sondern eine fundamentale Veränderung der Arbeitsweise. Der Entwickler wird vom Code-Schreiber zum Code-Reviewer und Architekten.

OpenClaw: Agents jenseits von Code

Agentic Coding ist nur ein Anwendungsfall von Agents. OpenClaw (ehemals OpenManus) zeigt, wohin die Reise geht: ein Open-Source-Agent-Framework mit über 157.000 GitHub Stars.

OpenClaw ermöglicht Agents, die nicht nur Code schreiben, sondern auch:

Webseiten navigieren und Daten extrahieren
Dateien analysieren und Berichte erstellen
Multi-Step-Workflows ausführen
Mit APIs interagieren

Der Zusammenhang zu Agentic Coding: Die gleichen Prinzipien (Ziel → Plan → Ausführung → Verifikation) gelten für jede Art von Agent. Claude Code ist ein Agent, der auf Softwareentwicklung spezialisiert ist. Das Claude Agent SDK (1,85 Millionen wöchentliche NPM-Downloads) ermöglicht es, eigene spezialisierte Agents zu bauen.

Was sich für Entwickler ändert

Weniger wichtig: Syntax

Wenn die KI 41 % des Codes schreibt (Tendenz: 65 % bis 2027), wird das Auswendiglernen von Syntax weniger relevant. Ob Array.prototype.filter() oder _.filter() -- der Agent kennt beides.

Weniger wichtig: Boilerplate

CRUD-Endpoints, Formularvalidierung, Datenbankabfragen -- Standardaufgaben, die Claude Code in Minuten erledigt. Die Zeit, die Entwickler damit verbringen, sinkt drastisch.

Wichtiger: Architektur

Welche Datenbank? Welches Messaging-Pattern? Wie skaliert das System von 100 auf 100.000 Nutzer? Diese Entscheidungen trifft kein Agent. Sie erfordern Erfahrung, Domänenwissen und die Fähigkeit, Trade-offs abzuwägen.

Wichtiger: Produktdenken

Was soll das Feature eigentlich lösen? Welches Problem hat der Nutzer? Wie misst man Erfolg? Entwickler, die diese Fragen beantworten können, werden wertvoller. Entwickler, die nur umsetzen, konkurrieren mit Agents.

Wichtiger: Prompt Engineering und Context Engineering

Die Fähigkeit, einem Agent die richtige Aufgabe zu geben, wird zur Kernkompetenz. Eine gute CLAUDE.md zu schreiben ist wertvoller als eine gute Funktion zu schreiben. Context Engineering -- dem Agent den richtigen Kontext zu geben -- entscheidet über die Qualität des Outputs. Welche Skills 2026 wirklich zählen, beschreibt unser Guide KI-Programmierung lernen 2026.

Die Zahlen

84 % der Entwickler nutzen AI-Coding-Tools (Stack Overflow Survey)
41 % des Codes ist AI-generiert
65 % prognostiziert bis 2027
4 % aller öffentlichen GitHub-Commits kommen von Claude Code
1,85 Millionen wöchentliche NPM-Downloads des Claude Agent SDK
50 % Produktivitätssteigerung (Anthropic)
80 % Beschleunigung bei 90-Minuten-Tasks

Die Richtung ist klar. Die Geschwindigkeit der Veränderung ist die eigentliche Überraschung. Vor zwei Jahren war Autocomplete der Stand der Technik. Heute arbeiten mehrere autonome Agents parallel an einem Feature.

Häufig gestellte Fragen

Ist Agentic Coding dasselbe wie "AI ersetzt Entwickler"?

Nein. Agentic Coding verschiebt die Rolle des Entwicklers. Von Code schreiben zu Architektur entwerfen, Aufgaben formulieren und Ergebnisse reviewen. Die Nachfrage nach Software wächst schneller als die Produktivitätsgewinne. Anthropic hat intern 67 % mehr PRs pro Ingenieur, aber dieselbe Teamgröße.

Kann ich Agentic Coding auch ohne Claude Code nutzen?

Ja. Cursor, Windsurf und andere Tools bieten ebenfalls agentic Features. Claude Code ist der Agent mit dem größten Funktionsumfang (Terminal-Zugriff, Multi-File-Editing, Git-Integration, Agent Teams). Die Prinzipien gelten unabhängig vom Tool. Einen Vergleich der Alternativen findest du unter Claude Code Best Practices.

Funktioniert Agentic Coding nur für Webentwicklung?

Nein. Claude Code arbeitet mit jeder Programmiersprache und jedem Framework. Python, Rust, Go, Java, C++ -- der Agent passt sich an die Codebasis an. Die Produktivitätsgewinne sind bei allen Sprachen vergleichbar.

Wie vertrauenswürdig ist Agent-generierter Code?

So vertrauenswürdig wie dein Review-Prozess. Agent-generierter Code muss genauso reviewed und getestet werden wie menschlicher Code. Der Unterschied: Agents machen andere Fehler als Menschen. Sie vergessen selten Null-Checks, aber übersehen manchmal Geschäftslogik-Edge-Cases.

Was sind Agent Teams genau?

Agent Teams (seit Februar 2026) ermöglichen mehrere Claude-Code-Instanzen, die parallel an verschiedenen Aufgaben arbeiten. Ein Haupt-Agent koordiniert. Sub-Agents spezialisieren sich auf Teilaufgaben. Die Agents teilen den Projekt-Kontext, arbeiten aber unabhängig.

Brauche ich starke Hardware für Agentic Coding?

Claude Code läuft lokal, aber die KI-Berechnung findet in der Cloud statt (Anthropic API). Dein Rechner braucht genug RAM für das Projekt und eine stabile Internetverbindung. Für Agent Teams mit mehreren parallelen Agents empfiehlt sich ein Rechner mit mindestens 16 GB RAM und einem schnellen Prozessor, weil die lokalen Tool-Aufrufe (Dateien lesen, Tests ausführen) parallel laufen.

Wie unterscheidet sich Claude Code von ChatGPT mit Code Interpreter?

ChatGPT Code Interpreter läuft in einer Sandbox ohne Zugriff auf dein Projekt. Claude Code läuft in deinem Terminal mit vollem Zugriff auf dein Repository, dein Dateisystem und deine Tools. Claude Code kann Git-Commits erstellen, Tests ausführen und Befehle ausführen. Code Interpreter kann nur isolierten Code in einer Sandbox ausführen.

Ist Agentic Coding ein Hype oder bleibt das?

Die Zahlen sprechen dagegen, dass es ein Hype ist. 41 % AI-generierter Code. 84 % Adoption bei Entwicklern. 1,85 Millionen wöchentliche SDK-Downloads. $100k+-Kunden bei Anthropic 7x gewachsen. Die Entwicklung beschleunigt sich. In 12 Monaten hat sich AI-Coding von Autocomplete zu autonomen Agent Teams entwickelt.