Agentic Product & Software Development
Ich setze Agenten an zwei Stellen ein: im Produkt selbst und in der Arbeit am Produkt. Von Signal und Triage über Entscheidungen, Architektur und Umsetzung bis Betrieb und Lernen entsteht so ein schnelleres System, ohne Verantwortung an ein Modell abzugeben.
Mein Blick darauf
Software wird nicht allein dadurch schneller, dass Agenten mehr Code schreiben. Der eigentliche Sprung entsteht, wenn Signal, Entscheidung, Umsetzung, Betrieb und Lernen als ein agentischer Fluss zusammenspielen.
Zwei Veränderungen, ein System
Mein Zugang zu AI baut auf dem Studium der Kognitiven Informatik auf: Machine Learning, Robotik, AI, Agenten- und Multi-Agent-Systeme, neuronale Netze und die Frage, wie Systeme wahrnehmen, entscheiden und scheitern. Daraus entsteht belastbares Urteil für Architekturgrenzen, Modellgrenzen und realistische Einsatzfelder.
Seit Februar 2023 nutze ich LLMs täglich produktiv. Seit Ende 2025 entsteht der Großteil meiner Implementierung in Agenten-Workflows: Ich kläre Ziel, Kontext und Grenzen, orchestriere Agenten, prüfe Code und Evidenz und behalte Produkt- und Technikverantwortung. Dieselbe Arbeitsweise nutze ich für Produktklärung, Research, Architektur, Tests, Review, Dokumentation und Betrieb sowie für Produkte, in denen agentische Fähigkeiten selbst Teil des Nutzwerts sind.
PCA, k-Means, Random Forest, NLP, Location Absorption Score, Scoring-Logik, Feature Ablation und Target Residualization behandle ich als Prüfwerkzeuge im Produktkontext: erst Datenqualität, Zielvariable, Baseline, Stabilität und Erklärbarkeit klären, dann stärkere Modellclaims machen.
Agentische Arbeit wird reproduzierbar, wenn Kontexte sauber geschnitten, Regeln explizit, Rechte geklärt und wiederverwendbare Skills und Tools definiert sind. Korrekturen aus Tests, Reviews und Betrieb fließen als prüfbare Änderungen in Regeln, Tests, Dokumentation oder Runbooks zurück.
Ich setze AI dort ein, wo Verstehbarkeit, Nachvollziehbarkeit und Verantwortbarkeit erhalten bleiben. Quellen, Entscheidungswege und Modellgrenzen bleiben deshalb Teil des Systems.
Verantwortung bleibt menschlich
Der agentische Wertstrom
AI hilft beim Sortieren von Kunden-, Support-, Markt- und Betriebssignalen, aber die Entscheidung bleibt nachvollziehbar und quellengebunden.
Aus Unschärfe werden prüfbare Problem Frames, Risiken, Investment Boundaries und nächste Slices statt automatisch generierter Ticketmengen.
Reviews, Tests, DevSecOps, Observability und Rollout-Entscheidungen laufen mit der Arbeit mit, nicht als nachgelagerte Kontrollstrecke.
Wenn Fehler, neue Erkenntnisse oder Betriebssignale sichtbar werden, entstehen daraus reviewbare Artefakte, Regeln und Skills für den nächsten Durchlauf.
Autonomie wächst mit Evidenz
Ich erhöhe Autonomie dort, wo der Arbeitsfluss verstanden ist, Grenzen prüfbar sind und Feedback aus Tests, Reviews und Betrieb zuverlässig zurückkommt. Menschen bleiben für Richtung, Policies und Ausnahmen verantwortlich.
01 · Human-in-the-loop
Bets, kritische Architekturpfade, risikoreiche Änderungen und Releases bleiben explizite Entscheidungspunkte.
02 · Human-on-the-loop
Review-Stichproben, Qualitätsgrenzen und klare Eskalationen ersetzen die Freigabe jedes einzelnen Schritts.
03 · Exception-led
Unsicherheit, neue Risikoklassen und widersprüchliche Signale holen menschliches Urteil gezielt zurück.
04 · Policy-governed
Zugriffe, Budgets, Qualitätsgrenzen, Rollbacks und Audit-Trails machen den Systemzustand lesbar und steuerbar.
Praxis und Richtung
Bei Livable Places verbinde ich Multi-Agent-Research, lokale Agent Skills und pluginartige Workflows mit Produktklärung, Daten- und ML-Evidenz, Code, Tests, Delivery und Plattformbetrieb. Korrekturen bleiben nicht im Chat, sondern werden zu überprüfbaren Artefakten und besserem Projektkontext.
Mein öffentliches Agentic Engineering Harness macht diesen Ansatz als Open-Source-Projekt überprüfbar: portable Skills, Repo- und Multi-Repo-Regeln, unabhängige Reviews, versionierte Lernartefakte und klare Eskalationsgrenzen. Das Ziel ist maximale belegbare Autonomie - nicht eine menschliche Freigabe für jeden Commit.
Wo das Wert schafft
Wir können bei einem konkreten Produktproblem, einem Engpass im Delivery-Flow oder dem nächsten sinnvollen Autonomieschritt beginnen. Wichtig ist, dass wir Nutzwert, Verantwortung, Qualität und Betrieb gemeinsam gestalten.
