heise+ | Harness Engineering: Wie KI-Agenten in Brownfield-Projekten produktiv werden

Was geschehen ist: Die Herausforderung für KI in gewachsenen Systemen

Künstliche Intelligenz, insbesondere in Form von autonomen KI-Agenten, verspricht in der modernen Softwareentwicklung eine Revolution der Effizienz. Doch in der Praxis zeigt sich ein deutliches Paradoxon: Gerade dort, wo die Unterstützung durch KI am dringendsten benötigt würde, nämlich in komplexen und über Jahre gewachsenen Brownfield-Projekten, scheitern diese Systeme am häufigsten. Während KI-Modelle in Greenfield-Umgebungen – also bei Projekten auf der grünen Wiese mit sauberer Dokumentation und aktueller Architektur – durchaus überzeugen können, stoßen sie in gewachsenen IT-Landschaften an ihre Grenzen. Die Kernmeldung der Autoren Christopher Flocke und Daniel Engelhardt ist dabei eindeutig: Das Problem liegt keineswegs an der Leistungsfähigkeit der zugrunde liegenden Sprachmodelle, sondern an der fehlenden Umgebung, in der diese Agenten agieren. Um KI-Agenten produktiv in bestehende Softwareprojekte zu integrieren, bedarf es einer strukturierten Umgebung, die als 'Agent Harness' bezeichnet wird. Ohne diesen Rahmen aus Tests, Architekturregeln und deterministischen Pipelines bleiben die KI-Agenten orientierungslos und liefern Ergebnisse, die nicht den tatsächlichen Anforderungen entsprechen.

Die Einzelheiten: Zahlen, Fakten und die Memento-Analogie

Die Autoren ziehen einen treffenden Vergleich zum Film 'Memento' von Christopher Nolan. Der Protagonist Leonard Shelby leidet unter einer Störung seines Kurzzeitgedächtnisses und muss sich mühsam mittels Fotos und Tattoos an seine Identität und Situation erinnern. Genau so agieren KI-Agenten: Jede Session beginnt für sie bei null. Sie besitzen keine natürliche Historie und müssen sich ihr Weltbild aus Quelltexten, Tickets und Dokumentationen mühsam zusammensetzen. Wenn diese Informationen jedoch veraltet oder widersprüchlich sind, wie es in Brownfield-Projekten häufig der Fall ist, scheitert der Agent. Die Datenlage ist hier oft prekär: Die ursprünglichen Entwickler sind längst nicht mehr im Team, Tickets beschreiben veraltete Zustände, und Testreihen bilden das aktuelle Verhalten der Software kaum noch präzise ab. Die McKinsey State-of-AI-Erhebung 2025 unterstreicht diesen Missstand: Über 60 Prozent der Unternehmen berichten von keiner oder nur marginaler EBIT-Wirkung durch KI. Zudem zeigen Untersuchungen des Fraunhofer IESE sowie die DORA-Studie 2025, dass 30 Prozent der Entwickler dem generierten Code misstrauen und 61 Prozent den Einsatz autonomer Agenten gänzlich ablehnen.

Hintergrund: Warum Brownfield-Projekte KI-Agenten überfordern

Die Geschichte der Softwareentwicklung ist geprägt von stetigem Wandel. In Brownfield-Projekten treffen KI-Agenten auf eine Komplexität, die über Jahrzehnte gewachsen ist. Im Gegensatz zu Greenfield-Projekten, bei denen eine explizite Architektur und eine aktuelle Dokumentation den Rahmen bilden, ist das Brownfield von impliziten Annahmen durchzogen. Diese Annahmen sind nirgends explizit dokumentiert, sondern existieren nur im kollektiven Gedächtnis der Entwicklerteams. Wenn ein KI-Agent auf ein solches System losgelassen wird, liest er zwar den vorhandenen Code, doch dieser Code spiegelt oft nicht mehr das wider, was eigentlich sein sollte. Die Diskrepanz zwischen dem, was der Agent vorfindet, und dem, was für eine korrekte Weiterentwicklung notwendig wäre, führt zu Fehlern. Die KI ist nicht in der Lage, den Kontext der gewachsenen Software-Schulden zu verstehen, da sie keine Verbindung zur Historie der Entscheidungen hat, die zu diesem Zustand geführt haben. Der Mangel an einer verlässlichen Wissensbasis macht den Agenten anfällig für Fehlinterpretationen, was den Einsatz in professionellen Umgebungen bisher so riskant macht.

Die Beteiligten: Akteure und Institutionen in der Analyse

Die Autoren Christopher Flocke und Daniel Engelhardt fungieren als Experten, die den aktuellen Stand der KI-Integration in der Softwareentwicklung kritisch beleuchten. Sie stützen ihre Analyse auf renommierte Institutionen und Studien, die den Status quo der Branche definieren. Zu den zitierten Quellen gehört McKinsey mit der State-of-AI-Erhebung 2025, die den wirtschaftlichen Nutzen von KI-Investitionen in Unternehmen hinterfragt. Ebenso wird das Fraunhofer IESE angeführt, das gemeinsam mit der DORA-Studie 2025 die psychologische und technische Barriere bei Entwicklern untersucht hat. Diese Institutionen liefern das Datenmaterial, das belegt, dass die Skepsis gegenüber KI-generiertem Code ein weit verbreitetes Phänomen ist. Die Entscheidungsträger in den Unternehmen, die in KI investieren, stehen laut den Autoren vor der Herausforderung, dass ihre Investitionen bisher nicht die erhoffte Wirkung zeigen. Die Entwickler selbst, die täglich mit den Brownfield-Systemen arbeiten, sind dabei die primären Anwender, deren Vertrauen in die Technologie durch die fehlende Struktur im Agent Harness derzeit noch stark eingeschränkt ist.

Einordnung: Die Notwendigkeit des Harness Engineering

Einzuordnen ist die aktuelle Situation so, dass wir uns in einer Phase der Ernüchterung befinden. Die anfängliche Euphorie über die bloße Existenz von KI-Modellen weicht einer pragmatischen Erkenntnis: Die Qualität des Outputs ist untrennbar mit der Qualität des Inputs und der Umgebung verbunden. Den Berichten zufolge ist die Lösung nicht die Suche nach noch größeren Modellen, sondern die Disziplin des 'Harness Engineering'. Dies bedeutet, dass Unternehmen ihre Software-Landschaft aktiv für KI-Agenten aufbereiten müssen. Ein Agent Harness fungiert als eine Art Sicherheitsnetz und Kontext-Provider. Er umfasst deterministische CI-Pipelines, die sicherstellen, dass der Agent nur auf validen Daten arbeitet, sowie eine persistente Dokumentation, die als 'Gedächtnis' für den Agenten dient. Die Bewertung der Autoren legt nahe, dass der Erfolg von KI in der Softwareentwicklung davon abhängt, ob Unternehmen bereit sind, in die Infrastruktur rund um die KI zu investieren. Es reicht nicht aus, ein Tool zu installieren; man muss die Umgebung so gestalten, dass der Agent überhaupt erst in der Lage ist, die komplexen Zusammenhänge eines Brownfield-Projekts zu erfassen.

Offene Fragen: Was die Analyse offen lässt

Obwohl der Quelltext die Notwendigkeit eines Agent Harness präzise herausarbeitet, bleiben einige Fragen für die praktische Umsetzung unbeantwortet. Es wird nicht im Detail erläutert, wie genau die 'persistente Dokumentation' in der Praxis aussehen muss, damit sie für KI-Agenten maschinenlesbar und kontextuell verwertbar ist. Ebenso bleibt offen, welcher konkrete Aufwand mit der Implementierung eines solchen Harness verbunden ist und ob dieser Aufwand in einem gesunden Verhältnis zum Nutzen steht – insbesondere bei sehr alten, hochkomplexen Legacy-Systemen. Der Quelltext benennt zwar die Lücke zwischen dem, was der Agent liest, und dem, was er verstehen müsste, gibt jedoch keine konkrete Anleitung für die Transformation von implizitem Wissen in explizite, KI-taugliche Formate. Auch die Frage, wie man die Akzeptanz bei den Entwicklern, die laut Studie derzeit eher skeptisch sind, durch den Einsatz eines Harness konkret steigern kann, wird nicht weiter vertieft. Es bleibt die Herausforderung, ob ein Harness die KI-Agenten tatsächlich zu einer autonomen Arbeitsweise befähigen kann oder ob sie weiterhin nur als Assistenzsysteme fungieren werden.

Wie es weitergeht: Die Zukunft der KI-Integration

Der Weg in die Zukunft der Softwareentwicklung führt laut den Autoren über eine Professionalisierung der KI-Umgebungen. Unternehmen müssen ihre CI/CD-Pipelines und ihre Dokumentationsstrategien an die Anforderungen von KI-Agenten anpassen. Dies bedeutet, dass die Arbeit an der Software-Infrastruktur – also das 'Harness Engineering' – zu einem festen Bestandteil der modernen Softwareentwicklung wird. Die angekündigten oder implizierten Schritte für Unternehmen bestehen darin, den Fokus von der reinen Modell-Optimierung hin zur Strukturierung der Datenbasis zu verlagern. Es ist davon auszugehen, dass in den kommenden Jahren Tools und Frameworks an Bedeutung gewinnen werden, die genau diesen 'Harness'-Aspekt unterstützen, um die Lücke zwischen den Erwartungen an die KI und der Realität in komplexen Projekten zu schließen. Die Entwicklung hin zu deterministischen Systemen, in denen KI-Agenten verlässliche Partner bei der Modernisierung von Legacy-Code werden, scheint der nächste logische Schritt zu sein. Ob dies den erhofften Produktivitätsschub bringt, wird sich in künftigen Studien zeigen, die den Erfolg von KI-Agenten in strukturierten Umgebungen mit dem aktuellen, eher ernüchternden Status quo vergleichen werden.