Du arbeitest seit Jahren mit KI-Assistenten. Erst halfen sie beim Vervollständigen von Codezeilen, dann beim Generieren ganzer Funktionen. Heute, im Jahr 2026, gibst du ein grobes Ziel ein. Ein Agent durchforstet deine Codebasis, ändert mehrere Dateien, führt Tests aus und präsentiert das Ergebnis. Das war vor drei Jahren Science-Fiction, heute ist es Realität. Die Frage: Wie baut man zuverlässige Systeme um diese mächtigen, aber unberechenbaren Modelle? Auf der AI Engineer World’s Fair 2026 zeigte sich: Die Antwort liegt nicht in noch schlaueren Modellen, sondern in der Kunst des Systembaus. KI-Engineering ist erwachsen geworden. Hier sind fünf Trends.
Der Begriff „KI-Ingenieur“ ist drei Jahre alt. Im Juni 2023 prägte swyx den Ausdruck für Entwickler, die nach dem Urknall der großen Sprachmodelle entstanden waren. Anfangs sprach man von „Prompt Engineering“, doch die Disziplin entwickelte sich rasant. Die Weltausstellung 2026 zeigte: Statt über einzelne Modelle zu diskutieren, ging es um Systeme, die Modelle in Produktion bringen. Es geht nicht mehr darum, ob KI Ingenieure ersetzt, sondern wie sie sie verstärken. Das erfordert ein neues Verständnis von Architektur, Kontrolle und Zusammenarbeit.
1. Vom Agenten zum Geschirr: Der Aufstieg des Harness Engineerings
Eine Entwicklung lässt sich an zwei Aufsätzen von Lilian Weng ablesen. Ihr Artikel von 2023 über „LLM-betriebene autonome Agenten“ beschrieb Planung, Gedächtnis und Werkzeuggebrauch. Projekte wie AutoGPT und BabyAGI waren Machbarkeitsstudien. Ihr neuer Aufsatz von 2026, „Harness Engineering for Self-Improvement“, verfolgt einen anderen Ansatz. Das System um das Modell herum sei genauso wichtig: das „Geschirr“, das Arbeitsabläufe, Kontext, Berechtigungen, Evaluation, dauerhaften Zustand und kontinuierliche Verbesserung verwaltet. KI-Engineering hat sich vom Prompten zum Entwickeln zuverlässiger Systeme verlagert.
Diese Verschiebung war auf der Konferenz allgegenwärtig. 2023 drehte sich jede zweite Diskussion um AutoGPT, 2026 war das kaum mehr Thema. Stattdessen ging es um Claude Code, Codex, Gemini CLI, Cursor und Warp – und die Infrastruktur für zuverlässige Codierungsagenten in der Produktion. Der Hype um vollständige Autonomie ist einer nüchternen Erkenntnis gewichen: Komplette Autonomie ist nicht nur unzuverlässig, oft auch nicht wünschenswert. Die Botschaft: Agenten sollen den KI-Ingenieur ergänzen, nicht ersetzen.
2. Codierungsagenten werden zum Standard – aber mit menschlicher Aufsicht
Der größte praktische Wandel seit dem ersten Gipfel ist die tägliche Interaktion mit KI. 2023 bedeutete KI-gestützte Programmierung meist Codevervollständigung. Heute gibt es Werkzeuge wie Claude Code, Codex, Gemini CLI, Cursor und Warp. Diese Codierungsagenten verstehen ein übergeordnetes Ziel, erkunden eine Codebasis, ändern mehrere Dateien, führen Tests aus und iterieren selbstständig. Das ist Alltag vieler Teams.
Mit größerer Autonomie wächst die Notwendigkeit der Kontrolle. In seiner Keynote betonte Thariq Shihipar von Anthropic: Modelle werden gezüchtet, nicht entworfen. Claude werde auf ungleichmäßige Weise klüger. Das bringt das Dilemma auf den Punkt: Wie baut man Systeme, um die Ausgaben unberechenbarer Modelle zu evaluieren? Die Antwort liegt in der Architektur der Schleifen.
3. Loop-Engineering: Die Kunst der Kontrollschleifen
Das Schlagwort der Konferenz war „Loops“. Innere Schleifen, äußere Schleifen, Feedback-Schleifen. Die Frage: Wie viel Kontrolle sollen Agenten haben? Viele Ingenieure setzen Agenten in eine innere Schleife, während der Mensch in der äußeren Schleife bleibt. Roland Gavrilescu von Introspection erklärte „Autoresearch“: Eine innere Schleife interagiert mit Nutzern, eine äußere Schleife studiert und wartet das System. Der Mensch bleibt verantwortlich für Richtung und Entscheidungen.
„Loop Engineering“ fiel mehrfach – die Aufgabe des KI-Ingenieurs, diese Schleifensysteme zu bauen. Peter Steinberger von OpenClaw betonte: Der Agent läuft die innere Ausführungsschleife, er selbst gibt die Richtung vor. In einer Debatte wurde diskutiert, ob vollständig autonome Agenten Schleifen in der Realität managen können. Geoffrey Huntley sagte: „Wir sind heute wie Lokomotivführer. Es ist unsere Aufgabe, die Lokomotive auf den Schienen zu halten.“ Der Ingenieur bleibt der Treiber.
4. Forward Deployed Engineers und die Software-Factory
Eine neue Rolle zeigt, wie diese Zusammenarbeit in Unternehmen Einzug hält: der „Forward Deployed Engineer“ (FDE). Diese Ingenieure arbeiten direkt mit Organisationen zusammen. Natalie Meurer von Sierra erklärte: Die Implementierung von KI erfordert viel Orchestrierung. Unternehmen wollen wissen, wie sie ihr agentisches Ökosystem warten können. Pauline Brunet von Cursor sprach über die Arbeit ihrer FDEs. Ziel: nach Ende des Engagements einen klaren ROI hinterlassen.
Ein weiterer Begriff war „Software Factory“. Bei Cursor bedeutet das langlebige Agenten, die Menschen durch den Entwicklungsprozess begleiten. Organisationen entscheiden, welche Teile automatisiert werden und wo Menschen eingreifen. Zach Lloyd von Warp erklärte: Mit „Oz“ kann man Repositories auswählen, Lebenszyklen automatisieren und menschliche Prüfpunkte festlegen. Nicht jede Änderung muss geprüft werden, aber risikoreiche schon.
5. Context Engineering: Das unsichtbare Rückgrat der KI
Ein oft übersehener Trend ist das „Context Engineering“. Prukalpa Sankar von Atlan zeigte, wie Kontext aus Geschäftssystemen in ein gemeinsames Unternehmenshirn fließt und an Agenten weitergegeben wird. Es geht darum, die richtigen Daten zur richtigen Zeit an das Modell zu liefern. Unternehmen kämpfen mit der Integration ihrer Daten. Ohne gutes Kontext-Management bleiben selbst die besten Modelle stumpf.
Pauline Brunet warnte: Die Unternehmensadoption von KI ist noch auf frühe Anwender konzentriert. Die Herausforderung für FDEs ist, die richtigen Verfechter zu finden. Der kulturelle Wandel braucht Zeit. Eine Erkenntnis aus der World’s Fair 2026: KI-Engineering ist keine Disziplin für isolierte Tüftler mehr. Es ist eine Systemfrage, die verschiedene Experten an einen Tisch bringt.
Wer in der Softwareentwicklung arbeitet, kommt an diesen Trends nicht vorbei. Der Weg vom Prompt Engineering zum Loop Engineering zeigt: KI muss in robuste Systeme eingebettet werden. Entwickler entwerfen Schleifen, bauen Harnesses und geben die Richtung vor. Die Werkzeuge sind da. KI-Engineering wird zur Kernkompetenz der Softwareentwicklung.
Quelle: latent.space
