Andi Gutmans, einer der Mitwirkenden an der Entwicklung von PHP 3 und Leiter der Agentic Data Cloud bei Google, stellt die agentenbasierte Softwareentwicklung nicht als vollständigen Bruch mit der Vergangenheit dar. In einem Gespräch mit Eira May und Peter O'Connor im Rahmen der Stack-Overflow-Sendung Leaders of Code verglich er den aktuellen Wandel mit der Wirkung, die PHP entfaltete, als es mehr Menschen – darunter auch Personen ohne Ausbildung in Informatik – ermöglichte, Websites zu erstellen.
Die neue Zugänglichkeit bedeutet jedoch nicht, dass technisches Fachwissen verschwindet. Nach Gutmans' Darstellung wandelt sich der einzelne Entwickler allmählich zu einer Art „Teamleiter eines Agententeams“: Er legt fest, was benötigt wird, verteilt die Arbeit, überprüft die Ergebnisse und trifft Entscheidungen, die sich nicht uneingeschränkt delegieren lassen.
Der Wert verlagert sich vom Schreiben von Code hin zu technischem Urteilsvermögen
Gutmans zufolge haben sich einige grundlegende Fragen mit dem Aufkommen von Agenten nicht verändert. Das Team muss weiterhin sicherstellen, dass die Lösung das richtige Problem adressiert, dass die Architektur skalierbar ist und dass das System sicher, gut kontrolliert, benutzerfreundlich und kosteneffizient ist. Neu ist, dass der Agent einen größeren Teil der Arbeit selbstständig ausführen kann. Daher muss die Art und Weise der Überwachung gestaltet werden, statt sich auf die bloße Prüfung des erzeugten Codes zu beschränken.
Gutmans nannte dafür ein Beispiel: Er setzte einen Agenten ein, um etwa tausend Tests zu erstellen, und beauftragte anschließend einen anderen Agenten damit, diese Tests zu kritisieren. Die Überprüfung zeigte, dass das Ergebnis nicht gut genug war, sodass er es selbst verbessern musste. In diesem Fall verschwand der Bedarf an menschlichem Urteilsvermögen nicht; vielmehr verlagerte sich dessen Einsatz von der detaillierten Ausführung auf Gestaltung, Koordination und Bewertung.
Diese Veränderung erstreckt sich auch auf das Verständnis einer unbekannten Codebasis. Agenten können sich durch einen größeren Bereich des Projekts bewegen und dabei Fehlerklassen finden, die ein menschlicher Prüfer bei der Untersuchung eines begrenzten Teils des Systems nur schwer entdecken würde. Dennoch sagte Gutmans, dass Google menschliche Prüfungen und Agentenprüfungen gemeinsam einsetzt, insbesondere wenn Entscheidungen oder Änderungen sensibel sind.
Überprüfung ist keine Frage absoluten Vertrauens, sondern des Risikomanagements
Das Gespräch schlägt vor, die Überwachung anhand von drei Modi zu betrachten: der Mensch in der Schleife, der Agent in der Schleife und der Agent über der Schleife. Dabei geht es nicht um eine für alle Fälle gültige einzelne Wahl, sondern darum, das angemessene Maß an Überprüfung entsprechend der Wahrscheinlichkeit eines Fehlers und dessen Auswirkungen festzulegen.
Bei Änderungen an sicherheitsrelevanten Komponenten, etwa Sicherheitstoken, ist die Beteiligung eines menschlichen Experten besonders wichtig. Bei Anpassungen an CSS und HTML oder an bestimmten Python-Skripten kann es dagegen praktikabel sein, ein anderes Maß an Automatisierung einzusetzen und den Agenten zusätzlich eine Sicherheitsprüfung durchführen zu lassen. Die zentrale Idee besteht weder darin, dass Agenten keine Fehler machen, noch darin, dass Menschen alles mit gleicher Effizienz überprüfen. Vielmehr sollte die Entscheidung über die Überprüfung dem Ausmaß des Risikos und den Folgen entsprechen.
Gutmans verwies auf die Erfahrungen von Waymo als anschauliches Beispiel für die Kluft zwischen Gefühl und Daten. Er sagte, dass die Wahrscheinlichkeit, mit Waymo einen schädlichen Unfall zu erleiden, im Vergleich zu einer Fahrt mit einem Uber-Fahrer um 80 % geringer sei, obwohl sich viele Menschen weiterhin wohler fühlen, wenn ein Mensch hinter dem Steuer sitzt. Ebenso kann ein Team die Autonomie eines Agenten aufgrund seines Eindrucks ablehnen, selbst wenn die Kennzahlen darauf hindeuten, dass sein Einsatz bei einer bestimmten Aufgabe die Risiken gegenüber der menschlichen Alternative verringern könnte.
Einstellung und Lernen richten sich zunehmend auf die Fähigkeit zur Steuerung
Gutmans ist der Ansicht, dass Informatik weiterhin gelehrt wird, die Studierenden mit Unterstützung von Agenten jedoch komplexere und umfangreichere Projekte umsetzen können. Daher bleibt das Wissen darüber, wie Systeme entwickelt, betrieben und skaliert werden, unverzichtbar. Gleichzeitig wird es wichtig sein, Probleme formulieren, Lösungen bewerten und intelligente Werkzeuge steuern zu können.
Er sagte, dass Google einen Teil des technischen Vorstellungsgesprächs verändert. Statt sich darauf zu konzentrieren, den Bewerber aufzufordern, einen Algorithmus wie Quick Sort manuell zu schreiben, werde man ihm ermöglichen, Gemini und den Agenten zur Lösung eines Problems einzusetzen. Anschließend werde bewertet, wie er denkt, in welcher Reihenfolge er das Problem bearbeitet und wie er den Agenten steuert. Dadurch werden technische Fähigkeiten nicht abgeschafft, aber das Messziel des Gesprächs verändert sich: von der Geschwindigkeit bei der Erstellung einer abstrakten Lösung hin zur Qualität des Schlussfolgerns, des Entwurfs und der Koordination.
Das größte Hindernis könnte in den Daten liegen, nicht in den Modellen
Nach Gutmans' Einschätzung sind Modelle wie Gemini und Opus inzwischen in der Lage, einen großen Teil der Aufgaben von Unternehmen zu automatisieren. Daher stellt nicht mehr allein das Modell den wichtigsten Engpass dar. Die größere Herausforderung besteht darin, die Unternehmensdaten für Agenten verständlich und nutzbar zu machen und dabei semantische Beziehungen, Berechtigungen und Governance zu bewahren.
Dazu gehören strukturierte und operative Daten ebenso wie Bilder, PDF-Dateien, Verträge und andere unstrukturierte Daten, die in der Cloud oder an anderen Orten gespeichert sind. Google ist der Ansicht, dass Agenten dabei helfen können, Datenbestände zu lokalisieren, ihre Beziehungen untereinander zu verstehen und semantische Modelle aufzubauen, für die zuvor eine große Zahl von Datenverwaltern erforderlich war. Gutmans ordnet diese Entwicklung dem Konzept des „borderless lakehouse“ zu, das darauf abzielt, Daten unabhängig davon nutzbar zu machen, ob sie sich in GCP, AWS, Azure oder lokalen Umgebungen befinden.
Er wies außerdem auf die Bedeutung offener Datenformate wie Iceberg hin und darauf, dass Cloud-übergreifende Integrationen den Zugriff auf Daten erleichtern könnten, ohne vollständig von Gebühren für die Datenübertragung pro Gigabyte abhängig zu sein. Außerdem sprach er über einen „knowledge catalog“ und darüber, den Aufbau von Ontologien von einem vollständig von Menschen gesteuerten Prozess zu einem von Agenten gesteuerten Prozess zu verlagern, wobei der Mensch weiterhin die Koordination und redaktionelle Bearbeitung übernimmt, statt die aufwendigen manuellen Arbeiten auszuführen.
Was ändert sich in der Praxis? Für technische Teams reicht es nicht aus, einen Softwareagenten bereitzustellen und ihn anschließend sich selbst zu überlassen. Eine wirksame Nutzung erfordert die Festlegung, welche Aufgaben eine Automatisierung rechtfertigen, die Einrichtung von Überprüfungsstufen entsprechend ihrem Risiko sowie die Sicherstellung der Qualität der Daten und der Berechtigungen, auf die der Agent zugreifen kann. Die Rolle des Entwicklers verschwindet nicht; vielmehr ähnelt sie zunehmend der eines Ingenieurs, der eine Gruppe ausführungsfähiger Werkzeuge steuert und die Verantwortung für das abschließende Urteil über deren Ergebnisse trägt.