Agentic Coding im Überblick Einsatzmöglichkeiten Werkzeuge und Grenzen

Vom Terminal bis zu Visual Studio Code

Ein Zugang zu Agentic Coding führt über Kommandozeilenwerkzeuge. In dieser Umgebung kann ein Agent Dateien lesen und bearbeiten, Programme ausführen sowie Ausgaben analysieren. Für Entwickler bietet das eine hohe Flexibilität, setzt jedoch voraus, dass Projektstruktur, Befehle und Berechtigungen klar definiert sind.

In integrierten Entwicklungsumgebungen ist der Ablauf für viele Nutzer leichter zugänglich. Der Agent arbeitet direkt im Projektkontext, kann relevante Dateien berücksichtigen und Änderungen innerhalb des Editors sichtbar machen. Der in der Make beschriebene Agent-Modus von Visual Studio Code steht beispielhaft für diese Entwicklung. Nutzer können eine Aufgabe formulieren, während das System die notwendigen Schritte vorschlägt oder innerhalb eines bestimmten Rahmens ausführt.

Für den professionellen Einsatz ist die Nachvollziehbarkeit solcher Änderungen von großer Bedeutung. Ein Agent sollte nicht nur den fertigen Code anzeigen, sondern möglichst auch offenlegen, welche Dateien verändert, welche Befehle ausgeführt und welche Tests durchgeführt wurden. Versionskontrollsysteme wie Git können dabei als technische Sicherheits- und Dokumentationsschicht dienen. Änderungen lassen sich prüfen, vergleichen und bei Bedarf zurücksetzen.

Für Unternehmen empfiehlt sich eine abgestufte Freigabelogik. Unkritische Aktionen wie das Lesen von Projektdateien können automatisch erlaubt werden. Das Löschen von Dateien, das Verändern produktiver Systeme oder das Veröffentlichen von Code sollte dagegen eine ausdrückliche Bestätigung erfordern. Diese Unterscheidung ermöglicht produktives Arbeiten, ohne die Kontrolle über die Entwicklungsumgebung vollständig abzugeben.

Das Model Context Protocol als Verbindungsschicht

Ein Coding-Agent ist besonders leistungsfähig, wenn er auf externe Werkzeuge und Datenquellen zugreifen kann. Das Model Context Protocol, kurz MCP, wird in den vorliegenden Beiträgen als eine Möglichkeit beschrieben, solche Verbindungen standardisiert herzustellen. Über entsprechende Schnittstellen können Agenten beispielsweise mit GitHub, Datenbanken, Web-APIs oder Entwicklungsumgebungen kommunizieren.

Technisch betrachtet erweitert MCP den Handlungsspielraum eines Sprachmodells. Statt ausschließlich auf den Inhalt einer Eingabe und sein trainiertes Wissen zurückzugreifen, kann der Agent Informationen aus einer angeschlossenen Quelle abrufen oder dort eine Aktion anstoßen. Bei einem Softwareprojekt kann dies bedeuten, dass er Issues aus einem Repository liest, Dokumentationen abfragt oder den Status eines Dienstes prüft.

Für B2B-Anwender ist diese Integrationsfähigkeit ein wesentlicher Punkt. In Unternehmen liegen relevante Informationen selten an einem einzigen Ort. Anforderungen befinden sich möglicherweise in einem Ticketsystem, Quellcode in einem Repository, technische Dokumentation in einem Wiki und Testdaten in einer Datenbank. Ein Agent, der diese Systeme kontrolliert miteinander verbinden kann, reduziert Medienbrüche und manuelle Sucharbeit.

Gleichzeitig erhöht jede zusätzliche Verbindung das Sicherheitsrisiko. Schnittstellen müssen auf die tatsächlich benötigten Funktionen beschränkt werden. Ein Agent, der lediglich Dokumentation lesen soll, benötigt keine Berechtigung zum Löschen von Repository-Inhalten. Ebenso sollte der Zugriff auf personenbezogene oder vertrauliche Daten technisch eingeschränkt und protokolliert werden.

Agentische Unterstützung in Arduino-Projekten

Ein besonderer Schwerpunkt der Make-Berichterstattung liegt auf der Arduino IDE und der quelloffenen Erweiterung AI.duino. Nach den vorliegenden Informationen kann die Erweiterung ein angeschlossenes Board erkennen, Sketches verändern und auf Compiler-Fehler reagieren. Die Verbindung zu KI-Diensten kann dabei über die Cloud oder über lokal ausgeführte Modelle erfolgen.

Für Maker entstehen daraus mehrere praktische Einsatzmöglichkeiten. Ein Agent kann beispielsweise einen vorhandenen Sketch erläutern, eine zusätzliche Sensorabfrage integrieren oder die Ausgabe eines Displays anpassen. Bei der Fehlersuche kann er Compiler-Meldungen in verständliche Hinweise übersetzen und mögliche Änderungen am Code vorschlagen.

Der Vorteil liegt vor allem in der Verkürzung wiederkehrender Arbeitsschritte. Gerade bei Hardwareprojekten entstehen Fehler häufig an den Übergängen zwischen Bibliotheken, Pins, Treibern, Datentypen und konkreten Board-Versionen. Ein Agent kann bei der Analyse unterstützen, indem er Fehlermeldung, Code und Projektkonfiguration gemeinsam betrachtet.

Die Grenzen sind jedoch ebenso relevant. Ein Sprachmodell kennt nicht automatisch den tatsächlichen Zustand einer Schaltung. Es kann nicht zuverlässig erkennen, ob ein Kabel falsch gesteckt, ein Sensor defekt oder eine Spannungsversorgung unzureichend ist. Auch Angaben zu Bibliotheken und Board-Kompatibilität müssen überprüft werden. Ein erfolgreich kompilierter Sketch ist zudem kein Beleg dafür, dass ein Aufbau sicher und fehlerfrei funktioniert.

Bei Projekten mit Motoren, Netzspannung, Akkus oder sicherheitskritischen Funktionen ist deshalb besondere Vorsicht erforderlich. Der Agent kann die Entwicklung unterstützen, ersetzt aber weder Messungen noch technische Prüfung und verantwortungsbewusste Inbetriebnahme.

Cloudmodelle oder lokale Systeme?

Die Möglichkeit, sowohl Cloudanbieter als auch lokal laufende Modelle einzusetzen, erweitert die Auswahl für Maker und Unternehmen. Cloudbasierte Modelle bieten häufig hohe Rechenleistung und leistungsfähige Werkzeuge. Dafür müssen Projektdaten, Quellcode oder Fehlermeldungen an einen externen Dienst übertragen werden. Abhängig vom Anbieter können Kosten, Speicherfristen und vertragliche Regelungen eine Rolle spielen.

Lokale Modelle erlauben es, Daten innerhalb der eigenen Infrastruktur zu verarbeiten. Dies kann für vertrauliche Projekte, Forschungsdaten oder Prototypen mit geistigem Eigentum relevant sein. Dem stehen höhere Anforderungen an Hardware, Installation, Wartung und Modellqualität gegenüber. Nicht jedes lokale Modell verarbeitet komplexe Programmieraufgaben mit derselben Zuverlässigkeit.

Für die Auswahl sollten Unternehmen und Bildungseinrichtungen mehrere Kriterien vergleichen:

• Welche Daten dürfen die Umgebung verlassen?
• Welche Werkzeuge und Dateisysteme muss der Agent erreichen können?
• Wie werden Zugriffe, Änderungen und Fehlversuche protokolliert?
• Welche Kosten entstehen durch Modellnutzung, Infrastruktur und Wartung?
• Wie lässt sich die Qualität der erzeugten Änderungen messen?
• Kann der Agent bei Bedarf vollständig deaktiviert oder auf einen sicheren Zustand zurückgesetzt werden?

Eine allgemeingültige Entscheidung für Cloud oder lokale Verarbeitung lässt sich daraus nicht ableiten. In der Praxis können hybride Modelle sinnvoll sein: sensible Daten bleiben lokal, während für bestimmte Aufgaben ein externer Dienst genutzt wird. Voraussetzung sind klare technische und organisatorische Regeln.

Produktivitätspotenzial und neue Anforderungen

Agentic Coding kann den Entwicklungsprozess an mehreren Stellen beschleunigen. Dazu gehören die Erstellung von Prototypen, die Anpassung bestehender Komponenten, die Vorbereitung von Tests und die Analyse standardisierter Fehlermeldungen. Besonders bei kleinen Teams oder Einzelpersonen kann ein Agent Aufgaben übernehmen, für die sonst zusätzliche Recherche oder manuelle Routinearbeit erforderlich wäre.

Die Produktivitätsgewinne sind jedoch nicht automatisch. Je größer und komplexer ein Projekt ist, desto wichtiger werden eine klare Architektur, verständliche Dokumentation und automatisierte Tests. Fehlen diese Grundlagen, kann ein Agent zwar schnell Änderungen produzieren, aber ebenso schnell technische Schulden vergrößern. Unklare Anforderungen führen zu umfangreichen, möglicherweise widersprüchlichen Änderungen.

Auch die Rolle der Entwickler verändert sich. An die Stelle der reinen Codeerzeugung treten stärker Aufgaben wie Anforderungsdefinition, Systemverständnis, Qualitätssicherung und Risikoanalyse. Wer mit Agenten arbeitet, muss deren Vorschläge bewerten und die Grenzen der eingesetzten Werkzeuge kennen. Für Unternehmen bedeutet dies, dass Weiterbildung nicht nur die Bedienung eines bestimmten Assistenten umfassen sollte, sondern auch Themen wie Sicherheitsarchitektur, Testautomatisierung und Datenklassifizierung.

Sicherheit, Kontrolle und Verantwortung

Ein Agent, der Code schreiben und Befehle ausführen darf, besitzt mehr Handlungsspielraum als ein reines Chatfenster. Daraus entstehen neue Angriffs- und Fehlerflächen. Ein manipuliertes Dokument, eine unsichere Abhängigkeit oder eine unpräzise Aufgabenbeschreibung kann dazu führen, dass der Agent falsche Aktionen ausführt.

Zu den grundlegenden Schutzmaßnahmen gehören begrenzte Berechtigungen, isolierte Testumgebungen und die Trennung von Entwicklungs- und Produktivsystemen. Zusätzlich sollten Änderungen über Versionskontrolle nachvollziehbar bleiben. Automatisch ausgeführte Tests können Fehler reduzieren, ersetzen aber keine fachliche Prüfung.

Besonders aufmerksam sollten Unternehmen bei sogenannten Prompt-Injection-Angriffen sein. Dabei können Inhalte aus Dateien, Webseiten oder Tickets Anweisungen enthalten, die den Agenten zu unerwünschten Aktionen bewegen sollen. Ein Agent muss daher zwischen vertrauenswürdigen Steueranweisungen und zu analysierenden Daten unterscheiden können. Technische Zugriffsbeschränkungen bleiben auch dann erforderlich, wenn das Modell selbst als zuverlässig eingeschätzt wird.

Die Verantwortung für veröffentlichte Software, Firmware oder daraus entstehende physische Produkte lässt sich nicht an ein KI-System übertragen. Unternehmen müssen Zuständigkeiten, Freigabeprozesse und Prüfpflichten festlegen. Für B2B-Projekte ist außerdem zu klären, wie Urheberrechte, Lizenzbedingungen und der Umgang mit vertraulichem Quellcode geregelt werden.

Was Maker und Unternehmen aus der Entwicklung ableiten können

Die in Make 5/26 beschriebenen Beispiele zeigen Agentic Coding in einer für Maker greifbaren Form. Der Ansatz beginnt nicht zwingend mit vollständig autonomen Systemen. Bereits ein Agent, der Codeänderungen vorbereitet, Compiler-Ausgaben analysiert oder Tests anstößt, kann den Arbeitsablauf unterstützen.

Ein schrittweiser Einstieg reduziert Risiken:

• Starten Sie mit einem nicht kritischen Projekt und einer klar abgegrenzten Aufgabe.
• Gewähren Sie zunächst nur Leserechte auf Dateien und Dokumentation.
• Aktivieren Sie Änderungen erst nach einer Prüfung der vorgeschlagenen Schritte.
• Nutzen Sie Versionskontrolle und speichern Sie funktionierende Zwischenstände.
• Definieren Sie automatisierte Tests oder manuelle Prüfkriterien, bevor der Agent größere Änderungen vornehmen darf.
• Dokumentieren Sie verwendete Modelle, Schnittstellen und Berechtigungen.

Für Unternehmen kann sich darüber hinaus ein interner Katalog zulässiger Agenten und Werkzeuge anbieten. Darin lassen sich Einsatzbereiche, Datenklassen, Freigabestufen und Verantwortlichkeiten festhalten. Eine solche Governance schafft Transparenz, ohne die Nutzung grundsätzlich zu blockieren.

Einordnung der aktuellen Entwicklung

Agentic Coding steht für eine Verschiebung von der dialogorientierten KI-Hilfe hin zu ausführbaren, mehrstufigen Arbeitsabläufen. Die Berichte zu aktuellen Entwicklungsumgebungen wie Xcode sowie die Beiträge zu Coding-Agenten zeigen, dass dieser Ansatz nicht auf einzelne Werkzeuge beschränkt ist. Er wird zunehmend in Editoren, Kommandozeilenumgebungen und spezialisierten Maker-Plattformen erprobt.

Die Entwicklung verläuft dabei in mehreren Richtungen. Einzelne Agenten übernehmen komplexere Aufgaben, mehrere Agenten können sich künftig auf Planung, Implementierung und Prüfung spezialisieren, und Schnittstellen wie MCP erleichtern die Verbindung mit Unternehmenssystemen. Parallel steigt die Bedeutung von Sicherheitsmechanismen und menschlicher Aufsicht.

Für Maker eröffnet dies einen niedrigeren Zugang zu anspruchsvollen Prototypen. Für Unternehmen entsteht die Möglichkeit, Entwicklungsprozesse zu beschleunigen und Wissen über verschiedene Werkzeuge hinweg verfügbar zu machen. Der Nutzen hängt jedoch davon ab, ob Agenten in belastbare Prozesse eingebettet werden. Schneller erzeugter Code ist nicht automatisch besserer Code. Entscheidend bleiben überprüfbare Anforderungen, eine geeignete Architektur, reproduzierbare Tests und klare Verantwortlichkeiten.

Die Ausgabe Make 5/26 liefert damit vor allem einen praxisnahen Einblick in eine Entwicklung, die über klassische Programmierassistenz hinausgeht. Agentic Coding kann bei Hardware- und Softwareprojekten operative Aufgaben übernehmen, bleibt aber auf verlässlichen Kontext, passende Werkzeuge und kontrollierte Berechtigungen angewiesen. Für den produktiven Einsatz ist deshalb weniger die Frage entscheidend, ob ein Agent handeln kann, sondern unter welchen Bedingungen er dies sicher, nachvollziehbar und fachlich korrekt tun darf.

Bibliografie

1. Ákos Fodor: „Jetzt in der Make 5/26: Agentic Coding für Maker“, heise online, 25. September 2026. https://www.heise.de/news/Jetzt-in-der-Make-5-26-Agentic-Coding-fuer-Maker-11464813.html
2. Apple: „Xcode 26.3 unlocks the power of agentic coding“, 3. Februar 2026. https://www.apple.com/newsroom/2026/02/xcode-26-point-3-unlocks-the-power-of-agentic-coding/
3. Apple Developer: „Meet agentic coding in Xcode“, Tech Talk, 3. Februar 2026. https://developer.apple.com/videos/play/tech-talks/111428/
4. Apple Developer: „Xcode, agents, and you“, WWDC26. https://developer.apple.com/videos/play/wwdc2026/259/
5. Pascal Gugenberger: „Die 5 Stufen des Agentic Coding“, Colenet GmbH, 26. Mai 2026. https://www.colenet.de/blog/kuenstliche-intelligenz/die-5-stufen-des-agentic-coding/
6. Manuel Gick: „KI-Agenten in Make.com: Bauen, nutzen und was sie wirklich können“, Techflow.ai, 6. Juli 2026. https://techflow.ai/blog/ki-agenten-in-make-com
7. MetinC: „Eigene AI Coding Agents bauen“, 6. März 2026. https://www.metincelik.de/kuenstliche-intelligenz/eigene-ai-coding-agents-bauen/
8. Anthropic: „2026 Agentic Coding Trends Report“, 21. Januar 2026. https://resources.anthropic.com/hubfs/2026%20Agentic%20Coding%20Trends%20Report.pdf