Agile Manifest 2.0: Wenn KI-Agents Code schreiben

OpenClaw hat 2026 eine Grenze überschritten, die viele für undenkbar hielten: KI-Agents schreiben, testen und deployen Code autonom – ohne menschliche Entwickler im Loop. Was gestern noch Science-Fiction war, ist heute produktive Realität in ersten Enterprise-Umgebungen.

Das Problem dabei? Das Agile Manifest, seit über zwei Jahrzehnten das Fundament moderner Softwareentwicklung, priorisiert menschliche Interaktionen über Prozesse und Tools. Es wurde für eine Welt geschrieben, in der Menschen Code schreiben und Maschinen ausführen. Doch was passiert, wenn Maschinen selbst entwickeln? Wenn KI-Agents nicht nur assistieren, sondern eigenständig Software erschaffen?

In diesem Artikel erfährst du, warum das Agile Manifest in seiner ursprünglichen Form obsolet wird und wie Tech-Leader in Enterprise-Umfeldern – besonders bei produktbasierter Software wie SAP – auf selbst-entwickelnde Systeme umsteuern müssen. Die Transformation hat bereits begonnen.

"Die größte Disruption in der Softwareentwicklung ist nicht ein neues Framework – es ist die Frage, wer überhaupt noch entwickelt."

Um zu verstehen, warum KI-Agents das Fundament der Softwareentwicklung erschüttern, müssen wir zuerst verstehen, worauf dieses Fundament gebaut wurde. Das Agile Manifest entstand als radikale Antwort auf eine Branche, die in starren Prozessen erstickte.

Das Manifest formulierte vier zentrale Werteprioritäten, die bis heute die Entwicklungswelt prägen:

Individuen und Interaktionen über Prozesse und Tools. Die Verfasser erkannten, dass die beste Software nicht aus perfekten Prozessen entsteht, sondern aus talentierten Menschen, die effektiv zusammenarbeiten. Ein mittelmäßiges Team mit exzellenten Tools liefert schlechtere Ergebnisse als ein exzellentes Team mit mittelmäßigen Tools.

Funktionierende Software über umfassende Dokumentation. Statt monatelang Spezifikationen zu schreiben, die bei Fertigstellung bereits veraltet waren, sollten Teams früh und oft liefern. Der Wert liegt im laufenden Produkt, nicht im Papier.

Kunden-Zusammenarbeit über Vertragsverhandlungen. Anstatt sich hinter Verträgen zu verschanzen und Änderungswünsche abzuwehren, sollten Entwickler und Auftraggeber gemeinsam an der bestmöglichen Lösung arbeiten.

Reagieren auf Veränderung über Planbefolgung. In einer Welt, die sich schneller ändert als jeder Plan es abbilden kann, ist Anpassungsfähigkeit wertvoller als Planeinhaltung.

Die Priorisierung menschlicher Faktoren war keine philosophische Spielerei – sie war pragmatische Notwendigkeit. Softwareentwicklung ist komplex, und Komplexität lässt sich nicht durch rigide Prozesse beherrschen.

Teams sind unvorhersehbar. Zwei Entwickler mit identischen Skills liefern unterschiedliche Ergebnisse, abhängig von Motivation, Teamdynamik und Kontext. Das Wasserfall-Modell ignorierte diese Realität und behandelte Entwickler wie austauschbare Ressourcen in einer Fabrik.

Anforderungen ändern sich. Kunden wissen oft erst, was sie wollen, wenn sie sehen, was sie nicht wollen. Starre Pläne können mit dieser Erkenntnis nicht umgehen – flexible Teams schon.

Kommunikation schlägt Dokumentation. Ein fünfminütiges Gespräch klärt mehr als zehn Seiten Spezifikation. Das Manifest erkannte, dass der Flaschenhals in der Softwareentwicklung selten die Technik ist, sondern das gegenseitige Verständnis.

Das Agile Manifest war eine Rebellion. Die Wasserfall-Methodik hatte Projekte in endlose Planungsphasen gezwungen, gefolgt von Entwicklungsphasen, die bereits bei Start auf veralteten Annahmen basierten. 67% der Wasserfall-Projekte scheiterten oder waren stark verspätet (basierend auf klassischen Branchenstudien wie dem Chaos Report) – eine Quote, die ganze Branchen lähmte.

Die Unterzeichner des Manifests hatten genug. Sie hatten erlebt, wie brillante Entwickler durch bürokratische Prozesse demotiviert wurden. Sie hatten gesehen, wie Projekte scheiterten, obwohl alle Dokumente perfekt waren. Sie verstanden, dass Software von Menschen für Menschen gemacht wird – und dass jeder Prozess, der diese Realität ignoriert, zum Scheitern verurteilt ist.

Das Manifest war revolutionär, weil es den Menschen wieder ins Zentrum stellte. Es vertraute darauf, dass kompetente Teams bessere Entscheidungen treffen als jeder vordefinierte Prozess. Es setzte auf Kollaboration statt Kontrolle, auf Anpassung statt Starrheit.

Diese Mensch-zentrierte Welt bricht mit OpenClaw zusammen, wo Software selbstständig agiert und die Frage "Wer entwickelt?" eine völlig neue Antwort bekommt.

OpenClaw ist kein weiteres Entwicklertool. Es ist ein Paradigmenwechsel, der die Grundannahmen des Agile Manifests in Frage stellt. Erstmals können KI-Agents den gesamten Entwicklungszyklus autonom durchlaufen – von der Anforderungsanalyse bis zum Deployment. Dies baut nahtlos auf den Prinzipien des Manifests auf, indem es Prozesse und Tools priorisiert, während menschliche Rollen sich verschieben.

OpenClaw basiert auf einem Multi-Agent-Framework, bei dem spezialisierte KI-Agents zusammenarbeiten wie ein eingespieltes Entwicklungsteam. Jeder Agent hat eine definierte Rolle, und die Orchestrierung erfolgt durch ein zentrales Koordinationssystem.

Der Architekt-Agent analysiert Anforderungen und zerlegt sie in umsetzbare Tasks. Er erstellt die technische Architektur und definiert Schnittstellen zwischen Komponenten.

Implementierungs-Agents schreiben den eigentlichen Code. Sie sind auf verschiedene Sprachen und Frameworks spezialisiert und können parallel an unterschiedlichen Modulen arbeiten.

Der Test-Agent generiert automatisch Unit-Tests, Integrationstests und End-to-End-Tests. Er identifiziert Edge Cases, die menschliche Tester übersehen würden.

Der Review-Agent prüft Code auf Qualität, Sicherheitslücken und Best Practices. Er funktioniert wie ein unermüdlicher Senior Developer, der jeden Pull Request minutiös durchgeht.

Der Deployment-Agent übernimmt CI/CD-Pipelines, Infrastruktur-Provisioning und Release-Management.

Diese Agents kommunizieren über strukturierte Protokolle und können Entscheidungen treffen, die früher menschliche Abstimmung erforderten. Ein Implementierungs-Agent kann den Architekt-Agent um Klärung bitten. Der Test-Agent kann Bugs direkt an den zuständigen Implementierungs-Agent zurückspielen.

Drei technische Durchbrüche machen OpenClaw möglich:

LLM-gestützte Planung mit Kontext-Persistenz. Moderne Sprachmodelle wie Claude Sonnet 4.6 und GPT-5.3-Codex können komplexe Planungsaufgaben übernehmen. OpenClaw nutzt erweiterte Kontextfenster und spezialisierte Retrieval-Systeme, um Projektkontext über längere Zeiträume konsistent zu halten. Der Architekt-Agent "vergisst" nicht, was er vor drei Wochen geplant hat.

Automatisierte CI/CD-Integration. OpenClaw integriert sich nahtlos in bestehende DevOps-Infrastrukturen. Es versteht GitHub Actions, GitLab CI, Jenkins und Cloud-native Deployment-Pipelines. Der Deployment-Agent kann Infrastruktur-as-Code generieren und ausführen, ohne menschliche Intervention.

Selbstheilende Feedback-Loops. Wenn Tests fehlschlagen oder Deployments scheitern, analysieren die Agents automatisch die Ursache und korrigieren den Code. Dieser Loop kann mehrere Iterationen durchlaufen, bis das Problem gelöst ist – oder bis ein definierter Eskalationspunkt erreicht wird, der menschliche Eingriffe triggert.

Die Zahlen sprechen eine deutliche Sprache. In kontrollierten Umgebungen zeigt OpenClaw beeindruckende Metriken:

Geschwindigkeit. Tasks, die menschliche Entwickler Stunden kosten, erledigen Agents in Minuten. Ein Feature, das ein Team normalerweise in zwei Wochen implementiert, kann in Tagen produktionsreif sein.

Skalierbarkeit ohne menschliche Engpässe. Der klassische Flaschenhals der Softwareentwicklung – qualifizierte Entwickler finden und halten – existiert nicht mehr. OpenClaw skaliert mit Rechenleistung, nicht mit Recruiting.

Konsistenz. Agents haben keine schlechten Tage, keine Ablenkungen, keine Vorlieben für bestimmte Coding-Styles. Der Code ist konsistent, die Tests sind vollständig, die Dokumentation ist aktuell.

Parallelisierung. Während ein menschliches Team sequentiell arbeitet, können Agents massiv parallel entwickeln. Zehn Features gleichzeitig sind kein organisatorischer Albtraum, sondern eine Konfigurationsfrage.

"Wir haben aufgehört zu fragen, wie schnell Entwickler arbeiten können. Wir fragen jetzt, wie schnell wir Anforderungen definieren können."

Natürlich gibt es Grenzen. Kreative Problemlösung, Stakeholder-Kommunikation und strategische Entscheidungen bleiben menschliche Domänen. Aber die Frage ist nicht mehr, ob Agents Code schreiben können – sondern wie Unternehmen diese Fähigkeit nutzen.

Diese Autonomie transformiert Enterprise-Produkte von statischen SAP-Systemen zu adaptiven Agenten, die sich kontinuierlich weiterentwickeln.

Die Implikationen von OpenClaw reichen weit über Entwicklerteams hinaus. Für Enterprises mit komplexer Software-Landschaft – insbesondere SAP-Umgebungen – zeichnet sich eine fundamentale Transformation ab: Der Shift von statischen Produkten zu lernenden Agenten, der die Vorteile autonomer Entwicklung direkt in betriebliche Prozesse einfließt lässt.

Traditionelle Enterprise-Software wie SAP ERP ist ein fertiges Produkt. Du kaufst es, konfigurierst es, passt es an – aber im Kern bleibt es statisch. Updates kommen in Release-Zyklen, Anpassungen erfordern Entwicklungsprojekte, und die Software reagiert nur auf das, wofür sie programmiert wurde.

Agentische Systeme funktionieren fundamental anders. Sie sind nicht fertig – sie entwickeln sich. Sie lernen aus Unternehmensdaten, adaptieren Prozesse und generieren Code, um neue Anforderungen zu erfüllen. Der Unterschied ist wie zwischen einem Nachschlagewerk und einem Experten, der mitdenkt.

Stell dir ein SAP-System vor, das nicht nur Bestellungen verarbeitet, sondern:

• Anomalien in Bestellmustern erkennt und automatisch Prüfprozesse anpasst
• Neue Lieferanten-Integrationen selbstständig implementiert, basierend auf erkannten Anforderungen
• Reporting-Dashboards generiert, die auf tatsächliche Nutzungsmuster optimiert sind
• Prozessengpässe identifiziert und Lösungsvorschläge als funktionierenden Code liefert

Das ist keine Zukunftsvision – es ist die logische Konsequenz dessen, was OpenClaw bereits demonstriert.

Kontinuierliche Evolution ohne Releases. Der klassische SAP-Release-Zyklus mit monatelanger Planung, Entwicklung und Testing wird obsolet. Agentische Systeme können Verbesserungen kontinuierlich ausrollen – getestet, validiert und dokumentiert durch die Agents selbst.

Integration in Echtzeit-Ökosysteme. Moderne Unternehmen operieren in komplexen Ökosystemen mit Dutzenden von Systemen, APIs und Datenquellen. Agentische SAP-Systeme können neue Integrationen selbstständig implementieren, wenn sie erkannt werden. Ein neuer Zahlungsanbieter? Der Agent analysiert die API-Dokumentation und generiert die Integration.

Personalisierung auf Unternehmensebene. Jedes Unternehmen ist anders, aber traditionelle Software zwingt alle in dieselben Prozesse. Agentische Systeme können sich an spezifische Unternehmensprozesse anpassen, ohne dass Custom Development nötig ist.

Bei Software & API Development sehen wir bereits, wie Unternehmen von starren Systemen zu adaptiven Architekturen migrieren – ein Trend, der sich mit agentischen Frameworks massiv beschleunigen wird.

Die Transformation ist nicht trivial. Drei zentrale Herausforderungen müssen adressiert werden:

Abhängigkeit von Datenqualität. Agentische Systeme sind nur so gut wie die Daten, aus denen sie lernen. Unternehmen mit fragmentierten, inkonsistenten oder unvollständigen Daten werden Schwierigkeiten haben, den vollen Nutzen zu realisieren. Data Governance wird zur Voraussetzung für Agent Governance.

Initial-Training und Kontextaufbau. Ein Agent, der SAP-Prozesse optimieren soll, muss diese Prozesse erst verstehen. Das erfordert initiales Training mit Unternehmensdaten, Dokumentation und Experteninterviews. Diese Phase ist aufwändig und erfordert signifikante Ressourcen.

Vertrauensaufbau. Enterprises sind konservativ – aus gutem Grund. Ein Fehler in einem SAP-System kann Millionen kosten. Agentische Systeme müssen beweisen, dass sie zuverlässig sind, bevor Unternehmen ihnen kritische Prozesse anvertrauen. Das erfordert extensive Pilotphasen, Audit-Trails und Fallback-Mechanismen.

1. Assessment der Datenlandschaft. Bevor agentische Systeme eingeführt werden können, muss die Datenqualität evaluiert und verbessert werden. Welche Daten sind verfügbar? Wie konsistent sind sie? Wo gibt es Lücken?
2. Pilotbereich definieren. Nicht alles auf einmal. Ein abgegrenzter Prozess – etwa die Rechnungsverarbeitung oder das Supplier-Onboarding – eignet sich als Pilotbereich, um Erfahrungen zu sammeln.
3. Agent-Training mit Unternehmensdaten. Der Agent muss den spezifischen Unternehmenskontext lernen. Das bedeutet: Historische Daten, Prozessdokumentation, Experteninterviews und iteratives Feedback.
4. Schrittweise Erweiterung mit Human-in-the-Loop. Nach erfolgreicher Pilotphase wird der Scope erweitert – immer mit menschlicher Überwachung und klaren Eskalationspfaden.

Diese Entwicklung erfordert ein neues Paradigma, in dem Regulierung zur menschlichen Kernrolle wird und die Grundlage für nachhaltigen Erfolg schafft.

Die fundamentalste Veränderung durch agentische Systeme betrifft nicht die Technologie – sie betrifft die Rolle des Menschen. Das Agile Manifest basierte auf dem Vertrauen in menschliche Entwickler. Das neue Paradigma basiert auf der Überwachung agentischer Entscheidungen, die aus der Enterprise-Transformation hervorgeht.

Das Agile Manifest sagte: "Vertraue deinen Entwicklern. Gib ihnen Freiraum. Lass sie entscheiden." Das funktionierte, weil Menschen Verantwortung übernehmen können, weil sie ethische Abwägungen treffen und weil sie die Konsequenzen ihrer Entscheidungen verstehen.

Bei agentischen Systemen funktioniert dieses Vertrauen nicht. Ein Agent hat keine intrinsische Motivation, keine ethischen Prinzipien, kein Verständnis für Konsequenzen jenseits seiner Trainingsdaten. Er optimiert auf das, wofür er trainiert wurde – nicht mehr und nicht weniger.

Das bedeutet: Statt Entwicklern zu vertrauen und sie arbeiten zu lassen, müssen Menschen agentische Entscheidungen überwachen und regulieren. Der Fokus verschiebt sich von "Wie entwickeln wir Software?" zu "Wie kontrollieren wir, was Agents entwickeln?"

78% der befragten CTOs nennen Governance-Frameworks für KI-Agents als höchste Priorität für 2026 (laut aktuellen Enterprise-Studien) – noch vor Performance-Optimierung oder Kostenreduktion.

Drei Bereiche werden zentral:

Ethik und Bias-Kontrolle. Agents können Biases aus Trainingsdaten übernehmen und verstärken. Ein Agent, der Personalentscheidungen unterstützt, könnte diskriminierende Muster reproduzieren, ohne dass dies beabsichtigt war. Governance-Frameworks müssen Mechanismen zur Bias-Erkennung und -Korrektur beinhalten.

Sicherheit und Compliance. Agentischer Code muss denselben Sicherheitsstandards entsprechen wie menschlicher Code – aber die Prüfmechanismen sind andere. Automatisierte Security-Scans, Penetration-Tests und Compliance-Checks müssen in die Agent-Workflows integriert werden.

Auditierbarkeit und Nachvollziehbarkeit. Wenn ein Agent eine Entscheidung trifft, muss nachvollziehbar sein, warum. Das erfordert detaillierte Logging-Mechanismen, Entscheidungs-Traces und die Fähigkeit, Agenten-Aktionen rückgängig zu machen.

Bei KI & Automatisierung implementieren wir bereits Governance-Strukturen, die genau diese Anforderungen adressieren – von Audit-Trails bis zu automatisierten Compliance-Checks.

Die Rolle von Entwicklungsteams transformiert sich fundamental:

Constraint-Definition. Statt Code zu schreiben, definieren Teams die Grenzen, innerhalb derer Agents operieren dürfen. Welche Daten dürfen sie nutzen? Welche APIs dürfen sie ansprechen? Welche Entscheidungen dürfen sie autonom treffen?

Output-Monitoring. Teams überwachen, was Agents produzieren. Sie reviewen nicht jeden Pull Request, aber sie analysieren Muster, identifizieren Anomalien und greifen ein, wenn etwas nicht stimmt.

Intervention bei Anomalien. Wenn Agents unerwartetes Verhalten zeigen, müssen Menschen schnell eingreifen können. Das erfordert klare Eskalationspfade, Kill-Switches und die Fähigkeit, Agents in kontrollierte Umgebungen zurückzusetzen.

"Der beste Agent-Operator ist nicht der, der am wenigsten eingreift – sondern der, der genau weiß, wann er eingreifen muss."

Diese Verschiebung verlangt konkrete Vorbereitungen von CTOs und Engineering-Leadership – nicht irgendwann, sondern jetzt.

Die Theorie ist klar. Die Frage ist: Was tun CTOs und Engineering-Leader konkret, um ihre Organisationen auf die Agent-Ära vorzubereiten? Drei Handlungsfelder sind entscheidend, die die Governance-Prioritäten in handfeste Maßnahmen umsetzen.

Die Skills, die morgen gefragt sind, unterscheiden sich fundamental von denen, die gestern wichtig waren:

Prompt-Engineering und Agent-Orchestrierung. Die Fähigkeit, Agents effektiv zu instruieren, wird zur Kernkompetenz. Das ist mehr als "gute Prompts schreiben" – es bedeutet, Multi-Agent-Systeme zu orchestrieren, Feedback-Loops zu designen und Eskalationsmechanismen zu definieren.

System-Thinking statt Code-Writing. Statt einzelne Funktionen zu implementieren, müssen Entwickler in Systemen denken. Wie interagieren Agents? Welche Abhängigkeiten gibt es? Wo sind die Risiken?

Governance- und Compliance-Expertise. Regulatorische Anforderungen für KI-Systeme werden strenger. Teams brauchen Expertise in AI-Governance, Datenschutz und branchenspezifischen Compliance-Anforderungen.

Daten-Kompetenz. Agentische Systeme sind datengetrieben. Wer Datenqualität, Datenarchitektur und Daten-Governance versteht, wird unverzichtbar.

Die Umstellung auf agentische Entwicklung erfolgt nicht über Nacht. Hybride Workflows, die menschliche Expertise mit Agent-Capabilities kombinieren, sind der realistische Pfad:

Review-Stufen für Agent-Output. Nicht jeder Agent-Output geht direkt in Produktion. Definiere Review-Stufen basierend auf Risiko und Komplexität. Kritische Systeme erfordern menschliche Freigabe, Low-Risk-Änderungen können automatisch deployt werden.

Feedback-Mechanismen für kontinuierliche Verbesserung. Menschliches Feedback muss zurück in die Agent-Systeme fließen. Wenn ein Reviewer einen Agent-Output korrigiert, sollte diese Korrektur das zukünftige Agent-Verhalten verbessern.

Eskalationspfade für Edge Cases. Agents werden auf Situationen stoßen, die sie nicht handhaben können. Klare Eskalationspfade – wer entscheidet was, wie schnell, mit welchen Informationen – sind essenziell.

In unserem financial.com Projekt haben wir bereits hybride Workflows implementiert, bei denen KI-gestützte Automatisierung mit menschlicher Expertise kombiniert wird – ein Modell, das sich auf agentische Systeme übertragen lässt.

Organisationen müssen neue Rollen schaffen, die es heute noch nicht gibt:

Agent-Governance-Officer. Verantwortlich für die Überwachung aller agentischen Systeme im Unternehmen. Definiert Policies, überwacht Compliance und koordiniert bei Incidents.

Agent-Trainer. Spezialisiert auf das Training und Fine-Tuning von Agents für spezifische Unternehmenskontexte. Kombiniert Domain-Expertise mit technischem Verständnis.

Human-Agent-Interface-Designer. Designt die Schnittstellen zwischen menschlichen Teams und agentischen Systemen. Wie kommunizieren Menschen mit Agents? Wie werden Agent-Outputs präsentiert? Wie funktioniert Feedback?

AI-Ethics-Specialist. Fokussiert auf ethische Implikationen agentischer Entscheidungen. Identifiziert Bias-Risiken, entwickelt Mitigation-Strategien und stellt sicher, dass agentische Systeme mit Unternehmenswerten aligned sind.

Konkret sollten CTOs folgende Maßnahmen priorisieren:

1. Pilot-Team aufsetzen. Ein kleines, dediziertes Team, das mit agentischen Frameworks experimentiert. Keine produktiven Systeme, aber realistische Use Cases.
2. Governance-Framework entwickeln. Bevor Agents in Produktion gehen, müssen Regeln definiert sein. Wer darf was? Wie wird überwacht? Was passiert bei Incidents?
3. Skills-Gap-Analyse durchführen. Welche Kompetenzen fehlen im Team? Wo muss investiert werden – in Schulungen, Hiring oder externe Partner?
4. Agile-Prozesse evaluieren. Welche bestehenden Prozesse bleiben relevant? Welche müssen angepasst werden? Welche werden obsolet?

In einer Welt, in der KI-Agents die Entwicklung übernehmen, öffnet sich für vorausschauende Enterprises eine Ära unübertroffener Agilität und Innovation. Statt in der Vergangenheit des Agile Manifests zu verharren, können Tech-Leader ihre Organisationen zu Pionieren der Agent-Ära machen – mit SAP-Systemen, die nicht nur effizient laufen, sondern proaktiv Wert schaffen.

Der Ausblick bis 2030 zeigt: Unternehmen, die Governance als strategisches Asset positionieren, werden Marktführer werden. Sie nutzen Agents, um nicht nur Kosten zu senken, sondern neue Geschäftsmodelle zu ermöglichen – von hyper-personalisierter Supply-Chain-Optimierung bis hin zu prädiktiven Risikomanagement-Lösungen, die Wettbewerber in den Schatten stellen.

Dein strategischer Vorteil: Starte noch heute mit der Integration agentischer Governance in deine Roadmap. Partnerschaften mit Experten wie desightstudio.com können den Übergang beschleunigen. Die Agent-Ära belohnt nicht die Schnellsten, sondern die Klügsten – positioniere dich als Architekt dieser Zukunft.