Wie KI die Softwareentwicklung für immer veränderte — Die agentische Zukunft gestalten mit Andre Baltieri [MVP]

Künstliche Intelligenz verändert die Softwareentwicklung in einem Tempo, wie wir es selten zuvor erlebt haben.Entwickler sind bereits von dem Schreiben jeder einzelnen Codezeile selbst zur Arbeit mit KI-Assistenten übergegangen, die Code generieren, unbekannte Systeme erklären, Tests erstellen, Anwendungen debuggen und sich wiederholende Aufgaben automatisieren können.Laut Microsoft MVP Andre Baltieri ist das aber erst der Anfang.In dieser Folge von M365.FM spricht Mirko Peters mit Andre in einem ausführlichen Deep Dive über den Übergang von der traditionellen Softwareentwicklung zur KI-gestützten Entwicklung, über Coding-Agenten, agentische Architekturen, das Microsoft Agent Framework, .NET, RAG, Context Engineering, Sicherheit und die Ökonomie generativer KI.

VON .NET IM JAHR 2003 ZUM KI-ZEITALTER
Andre blickt zurück auf die frühen Tage von .NET und C#, als das Erlernen einer neuen Microsoft-Technologie oft bedeutete, offizielle Schulungen zu kaufen und in eine andere Stadt zu reisen.Seitdem hat sich die Softwareentwicklung über Desktop, Web, Mobile, Cloud, Container, Microservices und Serverless Computing weiterentwickelt.Andre argumentiert, dass sich der Übergang zur KI grundlegend anders anfühlt.Statt nur eine weitere Plattform oder ein weiteres Framework einzuführen, schafft KI eine neue Art, wie Menschen mit Software interagieren.

KI-ASSISTENTEN VS. KI-CODING-AGENTEN
Zwischen einem KI-Assistenten in der IDE und der Delegation von Arbeit an einen Agenten besteht ein wichtiger Unterschied.Ein Assistent kann Code erklären, Refactoring vorschlagen, Fragen beantworten und Entwicklern helfen, ihre Anwendungen zu verstehen.Ein Agent kann ein Ziel entgegennehmen, einen Plan erstellen, die Arbeit in kleinere Aufgaben aufteilen, Werkzeuge verwenden, zusätzliche Agenten koordinieren und wesentliche Teile der Lösung umsetzen.Andre erklärt, wie dies bereits seinen eigenen Entwicklungsworkflow verändert, da KI nun einen Großteil des Codes generiert, den er früher manuell geschrieben hätte.

SPEZIFIKATIONSGETRIEBENE SOFTWAREENTWICKLUNG
Je leistungsfähiger Agenten werden, desto wichtiger werden Spezifikationen.Anstatt jedes Implementierungsdetail zu beschreiben, können Entwickler Anforderungen, Architektur, Randbedingungen und erwartetes Verhalten definieren und Agenten entscheiden lassen, wie Teile der Implementierung umgesetzt werden.Dadurch verlagert sich der Fokus der Entwickler weg von der reinen Codeerstellung hin zur Definition dessen, was gebaut werden soll und warum.

MICROSOFT AGENT FRAMEWORK
Das Gespräch wendet sich dem Microsoft Agent Framework und seiner Rolle zu, KI-Funktionen in bestehende Anwendungen zu bringen.Andre erläutert, wie das Framework Funktionen von Semantic Kernel und AutoGen zusammenführt und Entwicklern Werkzeuge bereitstellt, um Modelle anzubinden, Workflows zu orchestrieren, MCP zu nutzen, RAG umzusetzen, Datenaufnahme zu handhaben und Anwendungsfunktionen für die KI verfügbar zu machen.Gerade für .NET-Entwickler kann dies den Umfang des notwendigen Integrationscodes deutlich reduzieren.

WARUM .NET IM KI-ZEITALTER WEITERHIN WICHTIG IST
Python bleibt eine der dominierenden Sprachen in der KI-Entwicklung, doch Andre argumentiert nachdrücklich, dass .NET und C# für unternehmensweite KI-Anwendungen außerordentlich gut positioniert sind.Ritht .NET entwickelt sich weiterhin schnell, und Microsofts KI-Tooling bietet C#-Entwicklern zunehmend nativen Zugang zu modernen KI-Funktionen.Organisationen, die über Jahre hinweg Geschäftslogik in .NET implementiert haben, können daher einen großen Vorteil haben: Sie müssen nicht unbedingt alles neu bauen, bevor sie KI einführen.Bestehende Funktionalität kann stattdessen gezielt Agenten und KI-gestützten Anwendungen zugänglich gemacht werden.

VON DETERMINISTISCHER SOFTWARE ZU AGENTISCHEN SYSTEMEN
Traditionelle Anwendungen sind weitgehend deterministisch:Wenn X passiert, führe Y aus.Agentische Systeme führen ein anderes Modell ein:Hier ist das Ziel. Ermittle, welche Aktionen erforderlich sind, um es zu erreichen.Das stellt einen bedeutenden architektonischen Wandel dar.Anstatt jeden möglichen Pfad explizit zu definieren, legen Entwickler zunehmend Ziele, Werkzeuge, Kontext, Berechtigungen, Randbedingungen und Grenzen fest, innerhalb derer die KI agieren kann.

DESIGNPATTERNS SIND NICHT TOT
KI-generierter Code macht jahrzehntelanges Wissen aus dem Software-Engineering nicht überflüssig.Sauberer Code, Wartbarkeit, Testing, Architektur und Entwurfsmuster bleiben wichtig, weil KI neue Funktionalität häufig durch die Analyse der bestehenden Codebasis lernt.Unordentlicher Code kann daher zu noch mehr unordentlichem Code führen.Entwickler müssen Architektur und Engineering-Prinzipien auch dann verstehen, wenn ein KI-Agent den Großteil der Implementierung übernimmt.

DAS PROBLEM DER STOCHASTISCHEN SOFTWARE
Traditionelle Entwickler erwarten, dass identische Eingaben identische Ausgaben erzeugen.Generative KI ist probabilistisch.Dieselbe Anfrage kann bei mehreren Ausführungen unterschiedliche Implementierungen, Antworten oder ein unterschiedliches Verhalten erzeugen.Andre erörtert, warum Entwickler dadurch Testing und Validierung neu denken müssen und warum starke Leitplanken immer wichtiger werden, wenn KI-Funktionen großen Nutzerzahlen zur Verfügung gestellt werden.

CONTEXT ENGINEERING IST WICHTIGER ALS PROMPTING
Das neueste Modell zu wählen ist nicht unbedingt die wichtigste Entscheidung.Andre argumentiert, dass Kontext alles ist.Entwickler müssen sowohl das geschäftliche Problem als auch die technische Umgebung gut genug verstehen, um der KI die richtigen Informationen zu liefern.Zu wenig Kontext führt zu schwachen Ergebnissen.Zu viel Kontext kann das Modell überfordern.Die Herausforderung besteht darin, die Informationen zu finden, die tatsächlich relevant sind.

RAG, DATEN UND DAS KONTEXTFENSTER
Retrieval-Augmented Generation wird besonders wichtig, wenn Organisationen möchten, dass KI-Systeme mit ihrem eigenen Wissen arbeiten.Der Aufbau eines RAG-Systems bedeutet jedoch nicht einfach, Dokumente in eine Vektordatenbank zu legen.Daten müssen bereinigt, strukturiert, in Abschnitte zerlegt, abgerufen und intelligent in das Kontextfenster des Modells eingefügt werden.Andre teilt ein Beispiel aus seiner eigenen Bildungsplattform, auf der Videolektionen transkribiert und indexiert wurden, sodass Nutzer nach Konzepten suchen und direkt zur relevanten Stelle im Video springen können.

SPEICHER UND VERWALTUNG DES KI-KONTEXTS
Lang laufende KI-Unterhaltungen bringen eine weitere Herausforderung mit sich: den Speicher.Wenn sich Kontextfenster füllen, müssen Unterhaltungen zusammengefasst oder verdichtet werden.Andre erklärt, warum Entwickler diesen Prozess aktiv steuern sollten, anstatt davon auszugehen, dass ein KI-System die wichtigsten Informationen immer bewahrt.Manchmal ist die beste Lösung überraschend einfach: Aufgabe abschließen, Unterhaltung beenden und mit einem sauberen Kontext neu beginnen.Spezifikationen und Markdown-Dateien können Coding-Agenten außerdem dauerhaften Projektkontext liefern.

SICHERHEIT, BERECHTIGUNGEN UND LEAST PRIVILEGE
Einem KI-Agenten Zugriff auf Werkzeuge und Unternehmensdaten zu gewähren, hat erhebliche Sicherheitsimplikationen.Andre empfiehlt, Agenten nach ähnlichen Prinzipien wie menschliche Identitäten zu behandeln: standardmäßig alles verschließen und nur das freigeben, was der Agent tatsächlich benötigt.Anstatt einem KI-System uneingeschränkten Datenbankzugriff zu geben, sollten Entwickler sorgfältig kontrollierte Funktionen bereitstellen, die nur die für eine bestimmte Aufgabe notwendigen Informationen zurückgeben.Dies wird besonders wichtig, wenn Agenten Unternehmensdaten lesen oder verändern können.

PROMPT INJECTION UND KI-LEITPLANKEN
Prompt Injection schafft eine neue Angriffsfläche für KI-gestützte Anwendungen.Nutzer können Prompts gezielt manipulieren, versuchen, Informationen außerhalb des vorgesehenen Kontexts abzurufen, Unternehmensressourcen verbrauchen oder ein KI-System dazu bringen, Aktionen auszuführen, die seine Entwickler nie vorgesehen haben.Die Diskussion beleuchtet die Bedeutung von Systemanweisungen, anwendungsseitigen Einschränkungen, kontrollierten Funktionen, Identität und Berechtigungen sowie Plattformen wie Azure AI Foundry, die zusätzliche Sicherheitsgrenzen schaffen.

KI-FINOPS — NICHT FÜR ALLES GENERATIVE KI EINSETZEN
Eine der praktischsten Lehren aus dem Gespräch lautet: Nur weil KI eine Aufgabe ausführen kann, heißt das nicht, dass sie es auch tun sollte.Andre unterscheidet zwischen generativen und deterministischen Workloads.Wenn etwas immer auf dieselbe Weise geschehen muss, sind traditionelle Programmierung schneller, günstiger und zuverlässiger.Er nennt das Beispiel