Am 4. Februar 2026 veröffentlichte Andrej Karpathy einen Thread auf X, der das Vokabular einer ganzen Branche neu sortierte. Ein Jahr zuvor hatte er nebenbei einen Tweet abgesetzt, nach eigenen Worten einen spontanen „Shower Thought“ ohne großen Anspruch, und damit den Begriff „Vibe Coding“ geprägt. Der Ausdruck tauchte bald in jedem Slack-Channel, jeder Konferenz-Keynote und jedem VC-Pitch-Deck der Welt auf. Karpathy gab selbst zu, dass er nach 17 Jahren auf der Plattform immer noch „so gut wie gar nicht“ vorhersagen kann, wie viel Resonanz seine Tweets bekommen.
Der Thread zum Jahrestag hatte Gewicht. Karpathy schrieb: „Viele haben versucht, einen besseren Namen dafür zu finden, um es von Vibe Coding abzugrenzen. Mein persönlicher Favorit ist derzeit Agentic Engineering.“ Den Begriff zerlegte er in zwei Hälften: „‚Agentic‘, weil du inzwischen in 99 % der Fälle den Code nicht mehr selbst schreibst, sondern Agenten orchestrierst, die das für dich tun, und selbst die Aufsicht übernimmst. ‚Engineering‘, um zu betonen, dass dahinter Kunst, Wissenschaft und echtes Fachwissen stecken.“
Diese wenigen Worte erreichten, was ein Jahr Diskussion in der Community nicht geschafft hatte: Sie zogen eine klare Linie zwischen Wochenend-Hackern und Leuten, die Software für den echten Einsatz bauen. Aber wie sieht diese Linie in der Praxis aus? Und warum brauchten wir sie überhaupt?
Was ist Agentic Engineering?
Agentic Engineering ist eine Disziplin der Softwareentwicklung, bei der KI-Agenten Code weitgehend selbstständig planen, schreiben, testen und überarbeiten. Der Mensch greift nur minimal ein: Er legt Ziele, Rahmenbedingungen und Qualitätsstandards fest und tritt dann einen Schritt zurück. Die Umsetzung übernehmen die Agenten. Durch das systematische Vorgehen sinkt die Zahl kritischer Fehler auf ein Minimum, selbst wenn der Mensch keine einzige Zeile Code angefasst hat.
„Agentic“ bedeutet so viel wie von Agenten gesteuert. Du kopierst also keinen Code aus einem Chatbot in deinen Editor. Du startest Coding-Agenten wie Claude Code, Cursor oder Windsurf, die deine Codebasis lesen, Shell-Befehle ausführen, deine Test-Suite laufen lassen und so lange nachbessern, bis alle Tests grün sind. Du legst die Aufgabe fest. Die Agenten bauen. Du prüfst das Ergebnis, nicht jeden einzelnen Tastendruck.
Addy Osmani, Software Engineer bei Google, hat den Kernkonflikt in einem Blogpost vom Februar 2026 treffend beschrieben. „Vibe Coding“ war für ihn zu einem Sammelbegriff geworden, mit dem man alles beschrieb, vom schnellen Wochenend-Hack bis zum disziplinierten Workflow mit Agenten. Dabei handelt es sich um grundverschiedene Tätigkeiten. Simon Willison schlug „Vibe Engineering“ als Mittelweg vor, doch das Wort „Vibe“ war zu sehr vorbelastet. „Wenn du einem CTO erzählst, dass du sein Zahlungssystem per ‚Vibe Engineering‘ baust“, schrieb Osmani, „siehst du ihm die Sorge sofort an.“
Diese Sorge führt direkt zur nächsten Frage: Was ist beim Vibe Coding schiefgelaufen?
Warum ist Vibe Coding an seine Grenzen gestoßen?
Vibe Coding scheitert, sobald Code vom Prototyp in die Produktion wandert. Die Methode überspringt Design, Review und Tests. Für Demos reicht das, aber wenn echte Nutzer, echte Sicherheitsanforderungen und echte Lastspitzen dazukommen, bricht alles zusammen. Das Muster wiederholt sich: Die Demo begeistert, dann holt einen die Realität ein.
2025 lief dieser Zyklus in Dauerschleife ab. Ein Entwickler promptete ein LLM, übernahm das Ergebnis, ohne es zu lesen, kopierte bei jedem Fehler die Meldung zurück in den Chat und machte einfach weiter. Die Demo sah großartig aus. Das Deployment in die Produktion nicht.
In einem Hacker-News-Thread vom März 2026 zu Simon Willisons Leitfaden über Agentic Engineering brachte es ein Kommentator ohne Umschweife auf den Punkt: „Nachdem ich drei Monate lang aus nächster Nähe gesehen habe, was Agentic Engineering hervorbringt, glaube ich, dass es eine ziemlich große Korrektur geben wird. Ich sage nicht, dass KI keinen Platz hat … aber in dieser Branche herrscht gerade ein ernsthafter Realitätsverlust.“
Ein anderer verwies auf einen prominenten Fall. Amazon verordnete nach einer Reihe von Vorfällen im dritten Quartal 2025 einen 90-tägigen Reset seiner Kontrollen für Code-Deployments. Mindestens einer dieser Vorfälle hing mit Amazons KI-Coding-Assistenten Q zusammen. Dave Treadwell, SVP für E-Commerce-Services bei Amazon, beschrieb in einem internen Dokument sogenannte High Blast Radius Changes: Software-Updates, die sich weit ausbreiteten, weil den Control Planes die nötigen Schutzmechanismen fehlten.
Das Problem war nicht Vibe Coding an sich. Das Problem war, dass niemand das Design zu Ende gedacht hatte.
Osmani hat aufgelistet, wo Vibe Coding weiterhin funktioniert. Die Liste ist kürzer, als der Hype vermuten lässt:
Greenfield-Prototypen und Hackathon-Demos. Bis Sonntag muss etwas laufen. Qualität spielt keine Rolle.
Persönliche Skripte. Wenn etwas kaputtgeht, generierst du es einfach neu.
Lernen und Ausprobieren. Einsteiger bauen Dinge, die sie sonst nicht bauen könnten.
Kreatives Brainstorming. Absichtlich zu viel generieren, alles wegwerfen und dann sauber neu bauen.
Außerhalb dieser vier Szenarien bricht die Methode zusammen. Du versuchst, den Code zu ändern, zu skalieren oder abzusichern, und niemand versteht, was der Code eigentlich macht. Nicht einmal die Person, die ihn per Prompt erzeugt hat. Genau in dieser Lücke zwischen „funktioniert in der Demo“ und „funktioniert für echte Nutzer“ setzt Agentic Engineering an: als eigene Kategorie, nicht als aufpoliertes Vibe Coding.
Vibe Coding vs. Agentic Engineering vs. AI Engineering: Was ist der Unterschied?
Beim Vibe Coding schreibt die KI Code, ohne dass ein Mensch ihn prüft. Agentic Engineering gibt Agenten mehr Autonomie: Sie planen, setzen um und verbessern iterativ, während der Mensch nur minimal eingreift. Beim AI Engineering bleibt der Mensch jederzeit nah am Code. Er entwirft Multi-Agenten-Systeme, prüft die Entscheidungen der Agenten und greift auf Implementierungsebene ein, wenn die Agenten vom Kurs abkommen.
Entscheidend ist die mittlere Spalte. Agentic Engineering übernimmt das Tempo von Vibe Coding und fügt gerade so viel Struktur hinzu, dass Projekte nicht entgleisen. Die tiefe Arbeit auf Code-Ebene, die AI Engineering verlangt, braucht es dafür nicht.
Ein Kommentator in der Hacker-News-Diskussion fasste zusammen, was Agenten wirklich stark macht: „Der eigentliche Hebel bei Agenten ist nicht, was ein einzelner Agent kann. Er liegt darin, mehrere Agenten parallel an voneinander unabhängigen Aufgaben arbeiten zu lassen. Ein Agent refaktoriert Modul A, während ein anderer Tests für Modul B schreibt. Die Einschränkung: Du musst sicherstellen, dass die Aufgaben wirklich unabhängig sind. Das zwingt dich, vorab gründlicher über die Architektur nachzudenken.“
Um genau diesen letzten Satz dreht sich alles. Und er erklärt, warum der Nutzen unterschiedlich verteilt ist, je nachdem, wo du auf dem Spektrum stehst.
Wie sich die gefragten Fähigkeiten entlang des Spektrums verschieben
Von AI Engineering profitieren vor allem erfahrene Entwickler, die Systemdesign, Sicherheitsmuster und Performance-Abwägungen bereits verstehen. Sie können auf Code-Ebene in die Entscheidungen der Agenten eingreifen, weil sie wissen, wie guter Code aussieht. Agentic Engineering öffnet dagegen eine breitere Tür: Fortgeschrittene Nicht-Entwickler und Entwickler können gleichermaßen Ergebnisse in Produktionsqualität liefern, wenn sie lernen, Aufgaben sauber zuzuschneiden, Agenten richtig zu konfigurieren und Ergebnisse systematisch zu prüfen.
Osmani hat in seinem Blogpost vom Februar auf eine wichtige Nuance hingewiesen. Er warnt davor, dass Fähigkeiten gefährlich verkümmern können: Wer sich auf KI stützt, bevor er die Grundlagen beherrscht, produziert womöglich Code, ohne ihn zu verstehen, und liefert Features aus, ohne zu lernen, warum es bestimmte Muster überhaupt gibt. Mehrere Engineering-Leads sprechen bereits von einer aufkommenden Krise: einer Generation von Entwicklern, die prompten, aber nicht debuggen können.
Im Hacker-News-Thread zeigte sich eine subtilere Spannung. Ein Kommentator schrieb: „Es gibt einen qualitativen Unterschied zwischen einem Entwickler, der den Code selbst schreibt, und einem Entwickler, der Code managt, den ein LLM generiert hat … Menschen müssen in vielerlei Hinsicht für diesen Code geradestehen, denn Verantwortung ist letztlich etwas, das KI-Agenten in der Regel fehlt.“
Ein anderer spitzte den Gedanken zu: „Der Hauptunterschied zwischen Abstraktionsschichten und agentischer Entwicklung ist die ‚Unschärfe‘. Agentische Entwicklung ist nicht deterministisch. Es ist viel eher so, als würdest du einen Menschen führen.“
Der Vergleich passt. Agentic Engineering verlangt Managementfähigkeiten: Aufgaben klar zuschneiden, Ergebnisse kritisch bewerten und erkennen, wann ein Agent vom Kurs abgekommen ist. AI Engineering verlangt dieselben Fähigkeiten und zusätzlich die Fähigkeit, den Code selbst zu lesen und umzuschreiben.
Auch Simon Willison meldete sich in dem Thread zu Wort: „Es ist faszinierend zu sehen, wie viele Techniken, die zu hochwertiger Softwareentwicklung gehören (automatisierte Tests, Linting, klare Dokumentation, CI und CD und sauber strukturierter Code), auch Coding-Agenten zu besseren Ergebnissen verhelfen.“
Das Fazit: Gute Engineering-Praktiken zahlen sich auf jeder Stufe mehrfach aus. Doch jede Stufe belohnt eine andere Mischung aus Fähigkeiten, und der Einstieg ins Agentic Engineering steht mehr Menschen offen, als die Branche bisher anerkennt.
Wann welcher Ansatz der richtige ist
Agentic Engineering verdient eine eigene Kategorie, getrennt von Vibe Coding und getrennt von AI Engineering. Die Ergebnisse sind gut genug für echte Nutzer. Die Codequalität ist nicht perfekt, erreicht aber ein Mindestniveau, das systematische Agenten-Workflows sicherstellen. Die Zahl kritischer Fehler sinkt auf ein Minimum, selbst wenn der Mensch keine einzige Zeile geschrieben hat. Produktionstauglich wurde dieser Ansatz Ende 2025, als Modelle wie Opus von Anthropic und Codex von OpenAI die Schwelle für zuverlässige, von Agenten getragene Entwicklung überschritten.
Der häufigste Fehler: Agentic Engineering als aufgehübschte Version von Vibe Coding zu sehen. Vibe Coding produziert Wegwerfprodukte, also Skripte, Demos und Proofs of Concept, die im echten Einsatz auseinanderfallen. Agentic Engineering produziert Anwendungen, auf die sich dein Team und deine Nutzer verlassen können.
Der Grund für diesen Wandel: Seit November 2025 hat die Modellebene mit dem Workflow gleichgezogen. Claude Opus 4.6 von Anthropic erschien mit Adaptive Thinking, einem Kontextfenster von einer Million Tokens und der Koordination ganzer Agenten-Teams. Die Codex-Modelle von OpenAI erreichten bei der Codegenerierung ein Niveau, mit dem sie Zyklen aus Test, Fehler und Fix zuverlässig durchlaufen konnten. Die Agenten lieferten keinen Code mehr, der „fast richtig“ war, sondern Code, der „gut genug zum Ausliefern“ war. Und mit Funktionen wie dem integrierten Code-Review von Anthropic ist die Lücke zwischen „von Agenten generiert“ und „produktionsreif“ bei vielen Anwendungen auf die Größe eines Rundungsfehlers geschrumpft.
Genau das macht den Unterschied. Eine Produktmanagerin, die ihr Fachgebiet kennt, kann heute eine Claude-Code-Session starten, eine Aufgabe mit klaren Vorgaben zuschneiden, den Agenten bauen lassen, das Ergebnis durchs Code-Review schicken und ihrem Team ein internes Tool bereitstellen. Ein Gründer ohne technischen Mitgründer kann eine kleine App für seine Kunden bauen und live schalten. Ein Entwickler kann drei Agenten parallel an unabhängigen Modulen arbeiten lassen und an einem Tag ausliefern, wofür er früher eine Woche gebraucht hat.
Sind diese Ergebnisse fehlerfrei? Nein. Findet ein Senior AI Engineer im selben Code Optimierungen, Edge Cases und Verbesserungen an der Architektur? Jedes Mal. Aber „fehlerfrei“ war nie der Maßstab. Der Maßstab lautet: Funktioniert es zuverlässig für die Menschen, die es nutzen? Fängt es die häufigsten Fehlerfälle ab? Bleibt die Fehleranfälligkeit überschaubar?
Für immer mehr Anwendungen lautet die Antwort Ja: interne Dashboards, Workflow-Automatisierungen, Pipelines zur Datenverarbeitung und Tools mit überschaubarer Komplexität für Kunden. Mit Agentic Engineering kommst du dorthin.
Nutze Vibe Coding, wenn der Code ein Wegwerfprodukt ist. Ein Wochenend-Hack. Ein einmaliges Skript. Ein Brainstorming, das du am Montag wieder löschst.
Nutze Agentic Engineering, wenn das Ergebnis für echte Menschen funktionieren muss (dein Team, deine Nutzer, deine Kunden) und du es schnell brauchst, mit einem systematischen Prozess, der die Qualität über der Schwelle für den Produktiveinsatz hält. Du musst kein Senior Engineer sein. Du musst klar denken, Aufgaben zuschneiden und Ergebnisse bewerten können.
Nutze AI Engineering, wenn das System eine tiefe menschliche Kontrolle auf Code-Ebene erfordert: bei geschäftskritischer Infrastruktur, bei komplexen Multi-Agenten-Architekturen und bei Anwendungen, in denen ein unbemerkter Fehler mehr kostet als die Zeit, jeden Diff zu lesen.
Je besser die Modelle werden, desto mehr verschwimmen die Grenzen zwischen diesen drei Ansätzen. Im Moment ist Agentic Engineering aber die Kategorie mit dem meisten ungenutzten Potenzial. Und die, in der die Lücke zwischen dem, was möglich ist, und dem, was die meisten Teams tatsächlich tun, am größten ist.
Möchtest du eigene Tools mit KI entwickeln?
Entwickle eigene Produkte mit KI-Agenten im Kurs Building with AI Agents.