Agentic Product & Software Development

Softwareentwicklung verändert sich im gesamten Wertfluss.

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

Agenten werden Teil des Produkts und Teil der Arbeit am Produkt.

Fachliche Grundlage für belastbares AI- und ML-Urteil

Mein Zugang zu AI baut auf dem Studium der Kognitiven Informatik auf: Machine Learning, Multi-Agent-Systeme, neuronale Netze und die Frage, wie Systeme wahrnehmen, entscheiden und scheitern. Daraus entsteht belastbares Urteil für Architekturgrenzen, Modellgrenzen und realistische Einsatzfelder.

Agenten arbeiten am Produkt und im Produkt

Ich nutze Agenten für Produktklärung, Research, Architektur, Code, Tests, Review, Dokumentation und Betrieb. Gleichzeitig entwickle ich Produkte, in denen agentische Fähigkeiten Teil des Nutzwerts werden. Beides braucht dieselbe Sorgfalt bei Kontext, Grenzen und Feedback.

AI- und ML-Urteil mit Evidence Gates

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.

Regeln, Skills, Tools und Artefaktlernen

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.

Nachvollziehbare Entscheidungen und klare Grenzen

Ich setze AI dort ein, wo Verstehbarkeit, Nachvollziehbarkeit und Verantwortbarkeit erhalten bleiben. Quellen, Entscheidungswege und Modellgrenzen bleiben deshalb Teil des Systems.

Verantwortung bleibt menschlich

Mehr Autonomie braucht bessere Grenzen, nicht weniger Urteil.

Wertfluss und Zielbild vor der Tool-Auswahl

Nachvollziehbarer Nutzwert für jeden Agenteneinsatz

Quellen und Entscheidungswege für kritische Entscheidungen

Review, Versionierung und klare Grenzen für Artefaktlernen

Nachvollziehbare Evidenz für Modell- und Scoring-Claims

Der agentische Wertfluss

Von echten Signalen bis zum Outcome und wieder zurück.

Signal & Triage

AI hilft beim Sortieren von Kunden-, Support-, Markt- und Betriebssignalen, aber die Entscheidung bleibt nachvollziehbar und quellengebunden.

Problem Brief & Bet

Aus Unschärfe werden prüfbare Problem Frames, Risiken, Investment Boundaries und nächste Slices statt automatisch generierter Ticketmengen.

Build, Validate, Operate

Reviews, Tests, DevSecOps, Observability und Rollout-Entscheidungen laufen mit der Arbeit mit, nicht als nachgelagerte Kontrollstrecke.

Outcome Review & Learning Memory

Wenn Fehler, neue Erkenntnisse oder Betriebssignale sichtbar werden, entstehen daraus reviewbare Artefakte, Regeln und Skills für den nächsten Durchlauf.

Autonomie wächst mit Evidenz

Human-in-the-loop ist ein Startpunkt, kein Glaubenssatz.

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
Agenten bereiten vor, Menschen entscheiden.
Bets, kritische Architekturpfade, risikoreiche Änderungen und Releases bleiben explizite Entscheidungspunkte.
02 · Human-on-the-loop
Agenten führen bekannte Schleifen, Menschen beaufsichtigen.
Review-Stichproben, Qualitätsgrenzen und klare Eskalationen ersetzen die Freigabe jedes einzelnen Schritts.
03 · Exception-led
Menschen arbeiten an Abweichungen statt an Routinen.
Unsicherheit, neue Risikoklassen und widersprüchliche Signale holen menschliches Urteil gezielt zurück.
04 · Policy-governed
Autonomie läuft innerhalb versionierter Regeln.
Zugriffe, Budgets, Qualitätsgrenzen, Rollbacks und Audit-Trails machen den Systemzustand lesbar und steuerbar.

Praxis und Richtung

Ich baue das aus realer Produktarbeit heraus.

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.

Daraus entwickle ich mein Arbeitsmodell für einen durchgängigen agentischen Wertfluss weiter. Es wächst aus aktueller Praxis und führt eine Arbeitsweise weiter, in der ich Produkt, Development, Delivery und Betrieb schon lange zusammenhalte.

Aktuellen Praxisbeleg ansehen

Wo das Wert schafft

Für Produkte und Teams, die Agenten vom Nutzwert bis zum Betrieb ernst nehmen.

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.

Agentic-Kontext besprechen Agentic Product & Delivery ansehen