Die Rolle künstlicher Intelligenz in der Softwareentwicklung wandelt sich: Statt lediglich Code zu generieren, übernehmen KI-Systeme zunehmend komplexes Prozessmanagement und eigenständiges Aufgabenverständnis. Mehrere aktuelle Praxisbeispiele großer Technologieunternehmen zeigen, wie tief diese Verschiebung inzwischen in reale Entwicklungsabläufe eingreift.
LinkedIn setzt auf agentenbasierte Workflows
LinkedIn baut sogenannte Contextual Agent Playbooks and Tools auf Basis des Model Context Protocol für Coding Agents auf. Das System umfasst nach Unternehmensangaben über 600 Workflows und tausende Tools und ermöglicht eine Code-Suche über mehr als 1.000 Repositories hinweg. LinkedIn beziffert die daraus resultierende Produktivitätssteigerung auf 20 Prozent – bei nach eigenen Angaben unverändert hoher Zuverlässigkeit.
Harness orchestriert Agenten für den gesamten Entwicklungszyklus
Auf der Konferenz unscripted NYC 2026 stellte Harness seine Software Factory zur Orchestrierung von AI Agents in einer Vorschau vor. Kernstück ist ein Knowledge Graph mit 567 Entitätstypen, der monatlich 29 Milliarden Kontext-Updates verarbeitet.
Vier Kern-Agenten decken die Bereiche Software Delivery, Security Testing, Runtime Security und Cost Management ab. Ergänzt wird das System durch einen sogenannten Vibe Mode sowie ein flexibles Preismodell namens Flex Pricing.
DoorDash automatisiert Feature-Flag-Bereinigung
Bei DoorDash kommt ein Multi-Agent-LLM-System zum Einsatz, das veraltete Feature-Flags identifiziert und bereinigt. Das Unternehmen verwaltet über 60.000 Flags in rund 623 Repositories, monatlich kommen etwa 2.300 neue hinzu, während mehr als 1.000 als veraltet gelten.
Während KI-Agenten die Softwareentwicklung beschleunigen, schafft der EU AI Act den rechtlichen Rahmen für ihren Einsatz in Unternehmen. Dieser kostenlose Umsetzungsleitfaden bietet Ihnen einen kompakten Überblick über alle Anforderungen, Pflichten und Fristen der neuen Verordnung. EU AI Act in 5 Schritten verstehen: Fristen, Pflichten und Risikoklassen kompakt erklärt
Eine Evaluation von 50 Flags ergab 45 nutzbare Pull Requests, davon 31 direkt übernommene First-Pass-Merges, 14 Revisionen und 5 manuelle Eingriffe. Im Schnitt benötigte ein Cleanup-Vorgang 13,8 Minuten und kostete 4,79 US-Dollar, ohne dass Bugs oder Regressionen auftraten.
IBM verlagert Testing auf semi-autonome Assistenten
IBM Enterprise Payment Services setzt den KI-Entwicklungsassistenten Bob im Testing ein. Laut IBM sank der Aufwand für Testautomatisierung um 70 Prozent, der Backlog bei Regressionstests um 90 Prozent und die Ausführungszeit für Regressionstests um 80 Prozent.
Bei Anforderungsanalysen verzeichnet das Unternehmen ein Produktivitätsplus von 30 bis 40 Prozent, im Engineering-Bereich werden 30 bis 50 Prozent prognostiziert. Der Assistent arbeitet semi-autonom und bleibt unter menschlicher Prüfung.
Anthropic und Unity erweitern Werkzeuge für Entwickler
Anthropic gestaltet mit Claude Code Projects den Kontext über mehrere Coding-Aufgaben hinweg neu; die Funktion befindet sich derzeit in einer Beta-Phase für Pro- und Max-Nutzer, eine Erweiterung auf Team- und Enterprise-Kunden ist geplant.
Eine Umfrage unter mehr als 1.100 Entwicklern aus diesem Jahr ergab, dass KI bereits 42 Prozent des Codes schrieb, jedoch 96 Prozent der Befragten den Ergebnissen nicht vollständig vertrauten und 38 Prozent mehr Zeit für Code-Reviews aufwenden mussten.
Die Integration von KI-Systemen in Unternehmensprozesse erfordert nicht nur technisches Know-how, sondern auch die Einhaltung strenger Dokumentationspflichten. Erfahren Sie in diesem kostenlosen Report, welche KI-Systeme als Hochrisiko eingestuft werden und was Verantwortliche jetzt konkret tun müssen. Kostenlosen Umsetzungsleitfaden zum EU AI Act jetzt herunterladen
Unity veröffentlichte zudem offizielle Plugins für Claude Code und OpenAI Codex. Die Codex-Version umfasst 31 Skills, darunter den Projektstart von Grund auf sowie die Migration auf die Universal Render Pipeline. Die Plugins sind mit Unity 6 und höheren Versionen kompatibel. Ziel ist es laut Unity, AI-Agenten mit dem aktuellen offiziellen Entwicklungsprozess statt mit veralteten Tutorials arbeiten zu lassen.
Forschung an Robotik-Benchmarks
Auch außerhalb klassischer Softwareentwicklung entstehen neue Bewertungsmaßstäbe für KI-Agenten: Harvard und Georgia Tech entwickeln mit RLE-Bench einen Open-Source-Benchmark mit 48 Aufgaben aus vier Bereichen – Steuerung, Wahrnehmung, Hardware und Interfaces –, um zu prüfen, ob KI-Agenten Roboter-Engineering in simulierten Umgebungen mit realen Randbedingungen bewältigen können. Eine Weiterentwicklung, RLE-Bench 2.0, ist bereits geplant.
Die verschiedenen Projekte verdeutlichen einen gemeinsamen Trend: KI-Systeme werden nicht mehr nur als reine Code-Generatoren eingesetzt, sondern zunehmend in die Steuerung ganzer Entwicklungs-, Test- und Wartungsprozesse integriert – wobei menschliche Kontrolle laut den berichteten Praxisbeispielen weiterhin ein zentraler Bestandteil bleibt.
