Andrej Karpathy, einer der profiliertesten KI-Forscher unserer Zeit, hat kürzlich eine Beobachtung formuliert, die weit über die Softwareentwicklung hinausweist((https://x.com/karpathy/status/2026731645169185220)). Programmierung, so Karpathy, habe sich grundlegend verändert – nicht graduell, sondern in einem abrupten Phasenübergang, den er auf Dezember 2024 datiert. Man tippt nicht mehr Computercode in einen Editor. Man beauftragt KI-Agenten in natürlicher Sprache, verwaltet ihre Arbeit parallel und überprüft die Ergebnisse. Das Tippen selbst – seit den Anfängen der Computertechnik das zentrale Interface zwischen Mensch und Maschine – ist zur Nebentätigkeit geworden.
Was Karpathy beschreibt, ist ein Abstraktionssprung: von der Syntax zur Intention. Die Frage lautet nicht mehr „Wie schreibe ich diesen Code?”, sondern „Was soll erreicht werden?” Sein konkretes Beispiel illustriert die Tragweite: Ein komplexes Wochenendprojekt – Servereinrichtung, Modell-Deployment, Web-Dashboard, Systemdienste, Tests und Dokumentation – wurde einem Agenten in einem einzigen englischsprachigen Prompt übergeben. Dreißig Minuten später lag ein fertiges System vor. Kein manueller Eingriff, kein iteratives Debugging, kein Nachfragen.
Der Dezember-Phasenübergang
Bemerkenswert an Karpathys Einschätzung ist die zeitliche Präzision. Er spricht nicht von einem langsamen Fortschritt, sondern von einem Schwellenwert: Coding Agents „basically didn’t work before December and basically work since.” Was sich verändert hat, sind nicht primär neue Fähigkeiten im engeren Sinne, sondern Kohärenz, Ausdauer und Tenazität – die Fähigkeit der Modelle, über lange Aufgabenhorizonte konsistent und zielgerichtet zu arbeiten, Hindernisse eigenständig zu überwinden und komplexe Zustandsräume im Gedächtnis zu halten.
Das entspricht einem Muster, das die Technologiegeschichte kennt: Nicht lineare Verbesserung, sondern Phasenübergänge. Die Dampfmaschine war jahrzehntelang eine ineffiziente Kuriosität, bevor Watts Kondensator die Effizienz auf ein industriell nutzbares Niveau hob. Das World Wide Web existierte Jahre, bevor der Mosaic-Browser die kritische Nutzungsschwelle überschritt. In beiden Fällen war der entscheidende Schritt nicht die Erfindung, sondern die Zuverlässigkeit.
Was Agentic Engineering verlangt
Karpathy ist präzise genug, die Grenzen zu benennen. Die neue Arbeitsform funktioniert besser bei klar spezifizierten Aufgaben, bei denen Ergebnisse verifizierbar sind. Sie erfordert Urteilsvermögen beim Zuschnitt der Aufgaben – das Gespür, welche Teilprobleme sich delegieren lassen und wo menschliche Orientierung unerlässlich bleibt. Sie braucht Überblick, Geschmack und die Fähigkeit, parallel laufende Agentenprozesse zu koordinieren.
Das klingt nach einer Verschiebung in der Qualifikationsstruktur, und das ist es auch. Die relevante Kompetenz verlagert sich von syntaktischer Präzision zu strategischer Formulierung. Wer Aufgaben klar und vollständig spezifizieren, Ergebnisse beurteilen und Korrekturinformationen effektiv einbringen kann, multipliziert seinen Wirkungsradius. Wer das nicht kann, profitiert kaum – unabhängig davon, wie leistungsfähig die verfügbaren Werkzeuge sind.
Die Managementdimension
Hier liegt die eigentliche Sprengkraft des Karpathy-Schwellenwerts – und sie betrifft nicht nur Softwareentwickler. Was er für das Programmieren beschreibt, ist ein Prototyp für eine viel allgemeinere Transformation. Die Fähigkeit, komplexe Aufgaben in delegierbare Teilprobleme zu zerlegen, Prozesse zu steuern ohne sie direkt auszuführen, und Qualität ohne operative Tiefenkenntnis zu beurteilen: Das sind klassische Managementkompetenzen. Sie werden nun zur Voraussetzung für den effektiven Einsatz von KI-Agenten in jedem Bereich.
Peter Drucker hat den Manager einmal als jemanden definiert, der durch andere wirkt. Agentic Engineering ist die technologische Realisierung dieses Prinzips – nicht mehr für Menschen, sondern für KI-Systeme als Ausführende. Die Frage, die sich für Unternehmen und Institutionen stellt, ist nicht primär eine der Technik, sondern eine der Organisationskultur: Wer kann Aufgaben so formulieren, dass Agenten damit arbeiten können? Wer hat die Urteilsfähigkeit, Ergebnisse zu prüfen? Und wer baut die Orchestrierungsebene auf, die Karpathy als eigentlichen Hebelpunkt identifiziert – die langläufigen Orchestrator-Prozesse, die ihrerseits parallele Agenten-Instanzen steuern?
Ralf Keuper