Gesteuerter Agentic Workflow. So nutzen wir KI-Agenten

Ein KI-Agent kann ein Repository lesen, einen Plan entwerfen, Code ändern und Tests ausführen. Daraus entsteht noch kein verlässlicher Entwicklungsprozess. Ein Produktionsteam muss weiterhin wissen, wer das Ziel freigegeben hat, welche Berechtigungen galten, was geprüft wurde und wer die Änderung annimmt.

Bei Rise nutzen wir deshalb ein Review-gated Shadow-Modell. Der Agent bereitet Änderungen in einem isolierten Worktree vor, doch V1 wird manuell gestartet. Menschen genehmigen Plan, Ausnahmen, Merge und Deployment. Automatisiert werden wiederholbare Schritte und die Sammlung von Nachweisen.

Dieses Modell passt zu Teams, die Implementierung beschleunigen möchten und trotzdem Umfang, Sicherheit und Release kontrollieren müssen. Für jede Aufgabe ist es nicht automatisch der schnellste Weg. Bei einer kleinen reversiblen Änderung kann ein einzelner Prompt günstiger sein.

1. Ad hoc Prompting

   Schnell für eine kleine reversible Aufgabe. Kontext, Berechtigungen und Nachweise hängen jedes Mal von der bedienenden Person ab.

2. Review-gated Shadow

   Passt zu Produktionsteams, die messbare Freigaben, begrenzte Korrekturen und einen menschlich kontrollierten Merge brauchen.

3. Autonome Agentenfabrik

   Erfordert starke Isolation, Beobachtbarkeit, Notabschaltung und Vertrauen in automatische Änderungen mit größerer Wirkung.

Was Review-gated Shadow bedeutet

Shadow bedeutet nicht, dass der Agent nur zusieht. Er arbeitet in einem echten Entwicklungsablauf. Die Berechtigung, die gemeinsame Basis oder Produktion zu verändern, erhält er jedoch nicht.

Am Anfang steht ein WorkOrder. Darin sind Ziel, erlaubter Dateiumfang, Risiko, notwendige Prüfungen und verbotene Aktionen festgehalten. Aus diesem Auftrag erstellt der Agent einen Plan. Erst nach menschlicher Freigabe beginnt die Umsetzung.

Danach arbeitet genau ein Writer in einem eigenen Worktree. Die Isolation verhindert viele Konflikte zwischen parallelen Sitzungen und schützt die Aussagekraft von Tests. Diese Arbeitsweise findet sich auch in den Empfehlungen für Codex und Claude Code Worktrees.

1. Genehmigter WorkOrder

   Umfang, Risiko, Berechtigungen und erforderliche Nachweise stehen vor Beginn fest.

2. Plan und menschliche Freigabe

   Der Agent erklärt zuerst Vorgehen, betroffene Grenzen und Verifikation.

3. Isolierte Umsetzung

   Ein Writer arbeitet in einem eigenen Worktree mit begrenzter Zahl an Korrekturversuchen.

4. Exakte Prüfungen

   Deterministische Befehle prüfen den vereinbarten Umfang und liefern wiederholbare Ergebnisse.

5. Unabhängiges Review und Übergabe

   Ein frischer Kontext prüft die Änderung. Das Evidence Manifest geht an die Person, die über Merge und Deployment entscheidet.

Fehlgeschlagene Prüfungen führen zurück zur Umsetzung. Review-Befunde führen zurück zur Planung.

Eine Prüfung ist ein genauer Projektbefehl und keine allgemeine Aufforderung zum Testen. Scheitert sie, darf der Writer nur eine festgelegte Zahl an Korrekturen versuchen. Danach hält der Ablauf an und fordert eine neue Entscheidung an.

Die fertige Änderung geht an einen Reviewer mit frischem Kontext. Der Reviewer repariert die Arbeit nicht unbemerkt. Befunde gehen zurück in die Planung oder führen zu einer begründeten Freigabe. Das Evidence Manifest hält Umfang, Befehle, Ergebnisse, bekannte Risiken und offene Punkte fest.

Die letzte Entscheidung trifft ein Mensch. Merge und Deployment bleiben außerhalb der Agentenrechte. GitHub Rulesets können Pull Request, Review und erfolgreiche Status Checks technisch erzwingen. Die Risikoannahme bleibt trotzdem beim Team.

Automatisierte Arbeit und menschliche Entscheidungen

Automatisierung ist sinnvoll, wenn derselbe Eingang zu derselben kontrollierbaren Entscheidung führen soll. Eine menschliche Freigabe gehört an die Stelle, an der geschäftlicher Kontext, eine Ausnahme oder eine Auswirkung auf den Betrieb bewertet werden muss.

1. Automatisierte Schritte

   Vertragsvalidierung, Dry Runs, Statusregeln, Hooks, CI-Prüfungen und Zusammenstellung der Nachweise.

2. Menschliche Entscheidungen

   Planfreigabe, Ausnahmen vom Umfang, Risikoakzeptanz, Merge, Release und Deployment.

Unser Modell automatisiert folgende Teile.

• Die Vertragsvalidierung prüft Pflichtfelder und erlaubte Befehle in WorkOrder und Workflow.
• Eine Dry-run-Initialisierung zeigt geplante Dateien und Änderungen, ohne in das Zielprojekt zu schreiben.
• Status- und Berechtigungsregeln in YouTrack schützen erlaubte Übergänge und Rollen. YouTrack Workflows übernehmen solche Regeln. YouTrack MCP stellt Agenten kontrollierte Werkzeuge bereit.
• Hooks blockieren einen verbotenen Befehl oder starten zum definierten Zeitpunkt eine Prüfung. Claude Code Hooks zeigen diese deterministische Schicht um ein Modell.
• CI wiederholt vertrauenswürdige Prüfungen in einer sauberen Umgebung.
• Das Evidence Manifest bündelt Eingaben, Ergebnisse und Review für die Übergabe.

Menschen genehmigen weiterhin Ziel, Änderungen am Umfang, Sicherheitsausnahmen, Risikoannahme, Merge, Release und Deployment. Diese Trennung folgt auch den Sicherheitsempfehlungen von OWASP. Dazu gehören minimale Berechtigungen, menschliche Freigaben für sensible Aktionen, Validierung, Auditspur und Ressourcenlimits.

Sieben Workflow-Typen brauchen eigene Regeln

Eine gemeinsame Schablone wirkt einfach. Ein Hotfix verfolgt jedoch ein anderes Ziel als ein Forschungs-Spike. Am 24. Juli 2026 sind in unserem Vertrag sieben Workflow-Typen validiert. Live-Integrationen und Berechtigungen werden pro Projekt separat geprüft.

Das Limit begrenzt nicht das Nachdenken eines Entwicklers. Es verhindert, dass ein Agent dieselbe Strategie ohne neue Entscheidung wiederholt.

Warum Prompting oder CI allein nicht reichen

Ad hoc Prompting funktioniert für eine kleine reversible Aufgabe. Seine Schwäche ist das Prozessgedächtnis. Umfang, Rechte und Verifikation werden in jeder Sitzung neu vom Bediener zusammengesetzt.

CI prüft eine andere Ebene. Eine Pipeline kann eine Änderung mit fehlerhaftem Test ablehnen. Sie weiß gewöhnlich nicht, ob der Agent ein bestimmtes Modul bearbeiten durfte, ob der Plan genehmigt war oder ob ein weiterer Reparaturversuch wirtschaftlich bleibt.

Review-gated Shadow setzt einen Vertrag vor die Umsetzung und Nachweise hinter die Umsetzung. Das hilft Produktionsteams, die Entscheidungen später erklären müssen. Dafür investieren sie Zeit in WorkOrder und Freigaben.

Eine autonome Agentenfabrik kann mehr unabhängige Aufgaben ohne Wartezeit bearbeiten. Sie benötigt stärkere Isolation, Beobachtbarkeit, Notabschaltung, Identitätsverwaltung und Vertrauen in automatischen Merge oder Deployment. Für kleinere Teams ist das ein eigenes System und keine Prompt-Option.

Nutzen ohne erfundene Prozentwerte messen

Wir nennen keinen allgemeinen Prozentsatz für Zeitersparnis. Das Ergebnis hängt von Repository, Tests, Aufgabenqualität und Erfahrung des Reviewers ab. Aussagekräftig ist ein Vergleich angenommener Änderungen vor und nach der Einführung.

Messen Sie die Zeit vom genehmigten Auftrag bis zur angenommenen Änderung, reine Review-Zeit, Zahl der Korrekturen, Regressionen nach Release, blockierte unerlaubte Aktionen und Kosten je angenommener Änderung. Auch verworfene Vorschläge gehören in die Rechnung.

Die ersten Wochen liefern eine Ausgangslinie. Erst danach sollte das Team Limits verändern, einen weiteren Workflow aufnehmen oder eine zusätzliche Freigabe automatisieren.

Ein sinnvoller Einstieg

Beginnen Sie mit einem wiederkehrenden Änderungstyp, einem Repository und einem manuellen Start. Definieren Sie WorkOrder, erlaubte Befehle, Freigabeverantwortung und verlangte Nachweise. Führen Sie zuerst einen Dry run aus.

Unser älterer Beitrag über den Menschen im AI-Entwicklungsprozess erklärt, warum fachliches Urteil weiterhin notwendig ist. Die Governance-Checkliste für KI-Agenten ergänzt Datenzugriff, Werkzeuge und Notabschaltung.

Wenn Sie noch den passenden Prozess auswählen, hilft unsere Leistung KI und Automatisierung. Ein gesteuerter Agentic Workflow ist erst sinnvoll, wenn Verantwortliche, verbotene Aktionen und der Weg zur Annahme einer Änderung benannt sind.