|
19.08.2026
13:30 Uhr
|
KI-Agenten scheitern oft an komplexen Brownfield-Projekten. Die Lösung liegt nicht in besseren Modellen, sondern im Aufbau eines strukturierten Agent Harness.
KI-Agenten kennen keine Geschichte. Jede Session beginnt ohne Erinnerung. Ein Agent liest, was er vorfindet – Quelltexte, Konfigurationsdateien, Tickets, Dokumentation – und muss sich daraus ein Bild der Welt zusammensetzen. Wie Leonard Shelby in Christopher Nolans Film Memento. Shelbys Kurzzeitgedächtnis ist gestört, alle paar Minuten startet er bei null, wie die neue Session eines KI-Agenten. Shelby versucht, sich mit Fotos und Tattoos zu behelfen und sich Kontext für seine Situation zu geben. Der Film endet tragisch, weil dieser Kontext nicht für ein echtes Leben ausreicht und sich Shelby darüber nur zu leicht manipulieren lässt. Ähnlich verwirrt sind im Zweifel auch unsere Agenten, wenn wir sie naiv auf unsere Softwareprojekte loslassen.
In Greenfield-Projekten ist das oft noch handhabbar. Frische Codebasis, explizite Architektur, aktuelle Dokumentation, durchgängige Tests. Was der Agent liest, stimmt im Wesentlichen mit dem überein, was tatsächlich gilt. Im Brownfield trifft er auf zehn, zwanzig Jahre gewachsene Komplexität. Systeme, deren ursprüngliche Entwickler längst das Team gewechselt haben. Tickets, die den Stand von vor einem Jahr beschreiben. Tests, die vor Jahren aufgehört haben, das tatsächliche Verhalten abzubilden. Und Code, der voller impliziter Annahmen steckt, die nirgends stehen. Was der Agent unter diesen Bedingungen produziert, spiegelt das, was er vorfindet, nicht das, was sein sollte.
Genau dort, wo KI-Unterstützung am dringendsten gebraucht würde, scheitert sie am häufigsten. Der Artikel zeigt, warum das Problem nicht in den Modellen liegt, sondern in der fehlenden Umgebung: dem Agent Harness. Dieser Rahmen aus Tests, Architekturregeln, persistenter Dokumentation und deterministischen CI-Pipelines macht aus probabilistischen Modellen steuerbare Agenten.
Das Paradox ist offensichtlich. Brownfield-Projekte wären der wichtigste Anwendungsfall für KI-Unterstützung: endlich gewachsene Schulden abbauen, Wissensverlust abfedern und Modernisierungsaufwand reduzieren. Doch genau dort scheitern KI-Agenten am häufigsten. McKinsey zeigt in der State-of-AI-Erhebung 2025, dass über 60 Prozent der befragten Unternehmen keine oder nur marginale EBIT-Wirkung durch KI berichten – trotz massiver Investitionen. Fraunhofer IESE und die DORA-Studie 2025 stellen fest: 30 Prozent der Entwickler haben wenig oder kein Vertrauen in KI-generierten Code; 61 Prozent verzichten vollständig auf autonome KI-Agenten.