Wie verändert Agentic Engineering die Softwareentwicklung und was bedeutet das für Entwickler, Product Owner, Designer und Engineering-Organisationen?In dieser Episode sprechen wir mit Daniel Hauck, Director Technology bei thomann.io, darüber, wie sein Team den Schritt von klassischen AI Coding Assistants hin zu agentischen Entwicklungsprozessen geht.Daniel gibt einen konkreten Einblick in den aktuellen Ansatz bei thomann.io: von Spec-Driven Development über Skills und automatisierte Tests bis hin zum AI Enablement ganzer Teams. Wir sprechen darüber, wie viel Code heute tatsächlich schon von der KI übernommen werden kann, warum kleine Features und schnelle Feedbackzyklen entscheidend bleiben und weshalb Agentic Engineering keineswegs automatisch eine Rückkehr zum Wasserfall bedeutet.Außerdem diskutieren wir, wie sich Rollen in der Softwareentwicklung verändern, welche Gefahr entsteht, wenn Entwickler das Verständnis für den eigenen Code verlieren, und wie Unternehmen verhindern können, dass KI lediglich mehr Output erzeugt, den am Ende niemand lesen möchte.Und natürlich geht es auch ums Geld: Wie lassen sich steigende AI-Kosten kontrollieren? Was passiert, wenn Subscription-Modelle an ihre Grenzen kommen? Und könnten die AI-Kosten eines Entwicklers irgendwann in die Größenordnung eines zusätzlichen Mitarbeiters kommen?Daniels zentraler Punkt zum Schluss: Agentic Engineering ist mindestens genauso sehr eine Organisations- und People-Herausforderung wie eine technologische Herausforderung.🔗 Daniel Hauck auf LinkedIn:https://www.linkedin.com/in/dhck/🔗 thomann.io:https://thomann.io/🔗 Token-Therapie – Podcast für Engineering Leader im KI-Zeitalter:https://tokentherapie.deKapitel00:00 Intro und Vorstellung von Daniel Hauck01:46 Vom GitHub Copilot zum Agentic Engineering04:05 Wie Spec-Driven Development bei thomann.io funktioniert06:52 Wie zuverlässig schreibt die KI heute Code?08:27 Ist Spec-Driven Development der neue Wasserfall?11:40 Unterschiede zwischen Modellen und der richtige Scope für Agents13:01 Modellvielfalt und Agentic Enablement14:23 Wie verändern sich Entwickler, Product Owner und Designer?16:53 Verlieren Teams durch KI ihr technisches Wissen?20:29 AI Guidelines: KI als Verstärkung statt als Ersatz fürs Denken22:23 KI jenseits des Codings: Product Design und Research24:19 AI-Kosten kontrollieren und sinnvoll budgetieren27:44 Subscription vs. Usage-Based Pricing28:24 Was kostet Agentic Engineering wirklich?32:33 Token Fatigue und die Freude am Entwickeln34:30 Was KI für Kreativität und Produktentwicklung ermöglichen kann37:45 Daniels Rat für Engineering Leader39:22 „Agentic Engineering ist der neue Standard“39:48 Outro#AgenticEngineering #SoftwareEngineering #AIEngineering #DeveloperProductivity #TokenTherapie

Was passiert mit Softwareentwicklung, wenn KI immer mehr vom eigentlichen Coding übernimmt?In dieser Folge von Token-Therapie – dem Podcast für AI Engineering Leader sprechen wir mit Susanne Pfeifer, Senior Consultant bei INNOQ, darüber, wie sich durch KI nicht nur unsere Werkzeuge verändern – sondern auch Rollen, Verantwortlichkeiten und die Art von Komplexität, mit der Entwicklerinnen und Entwickler umgehen müssen.Ausgehend von Susannes Blog-Post „Die verschobene Komplexität – von Wasserfall über Agile zu KI“ diskutieren wir unter anderem:• Warum KI Komplexität nicht unbedingt reduziert, sondern teilweise verschiebt• Warum Entwickler plötzlich Aufgaben übernehmen, die früher beim Product Owner lagen• Welche zusätzliche kognitive Belastung durch AI-assisted Development entstehen kann• Ob Developer Burnout durch immer mehr Review-Arbeit wahrscheinlicher wird• Was passiert, wenn Juniors klassische Entwicklungsaufgaben nicht mehr selbst durchführen• Warum Spec-driven Development nicht zwangsläufig eine Rückkehr zum Wasserfall bedeutet• Wie sich Product Owner, Entwickler und Fachbereiche in Zukunft neu sortieren könnten• Warum kleinere Teams nicht automatisch bessere Teams sind• Welche Fähigkeiten Junior-Entwickler heute zusätzlich brauchenSusannes Blog-Post:https://www.innoq.com/de/blog/2026/07/die-verschobene-komplexitaet/Mehr zu Susanne:https://www.linkedin.com/in/susanne-pfeiffer/Mehr über Token-Therapie:https://tokentherapie.deWenn euch die Folge gefällt, abonniert den Kanal für weitere Gespräche über AI Engineering, Softwareentwicklung und die Frage, wie KI unsere Arbeit in der IT tatsächlich verändert.Kapitel00:00 Intro und Vorstellung von Susanne Pfeifer01:24 Die verschobene Komplexität: von Wasserfall über Agile zu KI05:46 Werden Entwickler zu Product Ownern und Engineering Managern?08:40 Was die neue Rolle für Entwickler bedeutet12:16 Eine Transformation ohne bekannten Zielzustand15:04 AI Coding, Code Reviews und Developer Burnout19:05 KI-freie Zeiten und der Preis maximaler Produktivität22:11 Führt Spec-driven Development zurück zum Wasserfall?26:31 Brauchen wir in Zukunft noch Product Owner?28:40 Wie verändern sich Rollen in Softwareteams?33:21 Werden Teams durch KI kleiner?34:58 Was sollten Junior-Entwickler heute lernen?37:28 Fazit und Verabschiedung#Softwareentwicklung #AIEngineering #KI #ArtificialIntelligence #Agile #DevOps #SoftwareEngineering

Wie viel KI muss eigentlich wirklich in der Cloud laufen?In dieser Folge von Token-Therapie sprechen wir mit Branko Trebsche über lokale KI – und darüber, wann Unternehmen sich unabhängig von Anbietern wie OpenAI, Anthropic & Co. machen sollten.Mehr zu Branko Trebsche:https://www.linkedin.com/in/branko-trebsche/Wir diskutieren, warum Datenschutz und der Schutz von Geschäftsgeheimnissen starke Argumente für lokale Modelle sein können, welche Anwendungen heute bereits auf einem MacBook oder Mac Studio möglich sind und wann leistungsfähigere Hardware wie NVIDIA-GPUs ins Spiel kommt.Außerdem geht es um die Frage, wie Unternehmen lokale KI sinnvoll in ihre Softwareentwicklung integrieren können. Denn ein Modell lokal laufen zu lassen, ist nur der Anfang: Infrastruktur, Security, Entwicklungsprozesse, Architektur, Teamkoordination und die Fähigkeiten der Entwickler werden mit agentischer Softwareentwicklung wichtiger denn je.Wir sprechen unter anderem über:• Wann lokale KI gegenüber Cloud-KI sinnvoll ist• Datenschutz, IP und Geschäftsgeheimnisse• MacBook, Mac Studio, RTX 6000, B200 & Co.• Lokale und hybride KI-Infrastruktur• Coding mit lokalen Open-Source-Modellen• Warum gute Softwarearchitektur durch KI noch wichtiger wird• Wie Unternehmen KI in Entwicklungsteams einführen sollten• EU AI Act und KI-Kompetenz der Mitarbeiter• Die Zukunft leistungsfähiger Open-Source-Modelle• Abhängigkeit von großen KI- und Softwareanbietern• Tokenkosten, Hardwarekosten und die Ökonomie von KI• Warum KI-Produktivität ohne Koordination schnell wieder verloren gehen kannEine zentrale These der Folge: Für typische Business-Software muss lokale KI bei guter Vorbereitung nicht zwangsläufig schlechter sein als die neuesten Cloud-Modelle. Entscheidend sind nicht nur Modellgröße und Benchmarks, sondern der gesamte Entwicklungsprozess rund um das Modell.Zum Abschluss sprechen wir darüber, was IT- und Engineering-Führungskräfte in den kommenden zwölf Monaten tun sollten: Zielinfrastruktur definieren, Mitarbeiter qualifizieren und KI nicht als isoliertes Tool, sondern als Bestandteil des gesamten Software-Engineering-Systems betrachten.KAPITEL00:00 Intro & Vorstellung von Branko Trebsche01:34 Warum überhaupt lokale KI?03:40 Vertrauen, Datenschutz und Geschäftsgeheimnisse06:17 Was bedeutet „lokale KI“ eigentlich?09:37 Was läuft heute auf MacBook und Mac Studio?12:23 Welche Hardware braucht lokale KI – und was kostet sie?15:01 Warum lokale KI nicht primär eine Kostenfrage ist17:15 Wie führt man lokale KI in Entwicklungsteams ein?20:02 EU AI Act, Infrastruktur und KI-Kompetenz24:23 Warum gute Softwareentwicklung durch KI wichtiger wird25:04 Wie groß ist der Abstand zu den besten Cloud-Modellen?27:17 Wie schützt man sein Geschäftsmodell vor der KI-Entwicklung?29:09 Hat Open Source bei KI eine Zukunft?32:09 Wie entwickeln sich die Preise für Cloud-KI?34:39 Wem gehört eigentlich der Output einer KI?36:58 Vendor Lock-in und die langfristigen Kosten von KI38:31 Welche neuen Geschäftsmodelle ermöglicht eigene KI-Infrastruktur?39:12 Was IT-Führungskräfte in den nächsten 12 Monaten tun solltenToken-Therapie – der Podcast für AI Engineering Leader.Mehr Folgen, Infos und Hintergründe:https://tokentherapie.de#KI #KünstlicheIntelligenz #LocalAI #Softwareentwicklung #AIEngineering #LLM #OpenSource #DevOps

Rust, Agentic AI & Code Reviews skalieren: Matthias Endler über KI-Code, Tooling und mentale ModelleJan und Michael sprechen im Podcast „Token Therapie“ mit Rust-Consultant und „Rust in Production“-Host Matthias Endler über Rust und Agentic AI in der Softwareentwicklung. Endler beschreibt sich als eher konservativ im Umgang mit LLMs und warnt vor „comprehension debt“, wenn Teams KI-generierten Rust-Code zu viel Kompetenz zuschreiben und Reviews sowie gemeinsames Architekturverständnis vernachlässigen. Er empfiehlt Kommunikation, Whiteboarding, Dokumentation sowie Domain-Driven Design, um mentale Modelle im Team zu synchronisieren. Beim Review-Problem sieht er klassische Git-Diffs als Bottleneck und wünscht sich IDE-Tooling mit Wechsel zwischen Text-, Diagramm- und semantischen Ebenen sowie Assistenz für Hotspots (Sicherheit, Performance, Edge Cases). Am Beispiel des AI-getriebenen Bun-Rewrites betont er, dass mehr Code nicht weniger Maintenance bedeutet und Sprachwechsel Business-Logik nicht löst. Zum Abschluss rät er, KI pragmatisch zu nutzen, Systemverständnis zu behalten und vorhandenes Tooling wie Formatter/Linter einzusetzen.00:00 Begrüßung und Gast01:05 KI Code Risiken04:05 Teamprozesse gegen Debt07:36 Review Tooling Zukunft10:38 Spec und Model Driven13:50 Rust Komplexität erklärt14:19 Bun Rewrite Einordnung20:01 Lernen im Agenten Zeitalter27:00 Polyglot Teams und Ecosystem31:37 Zukunft der Sprachen35:34 LLMs und neue Sprachen40:31 Abschluss und Tipps

Alle reden vom 10x-Entwickler durch KI. Die größte unabhängige Studie, eine Stanford-Analyse von über 100.000 Entwicklern, landet bei netto 15 bis 20 Prozent. In Folge 1 von Token-Therapie sprechen Jan Schulte (Betalyra) und Dr. Michael Köpf (Dr. Köpf IT Solutions) darüber, was die Produktivitäts-Zahlen wirklich sagen: brutto vs. netto, Rework, Code-Qualität, die versteckte Ökonomie subventionierter Tokens und der Preis, den Entwickler dafür zahlen.🎧 Themen der Folge- Warum sich Produktivität so schwer messen lässt (und warum Lines of Code zurückkommen)- Faros-Studie mit 22.000 Entwicklern: mehr Code, aber +54 % Bugs und +243 % Incidents pro Pull Request- KI als Verstärker: warum schlechte Prozesse jetzt richtig weh tun- Comprehension Debt: wenn keiner mehr versteht, was die KI gebaut hat- Greenfield vs. Brownfield: 30 bis 40 % Gewinn im Neubau, 0 bis 10 % im Altsystem- Die versteckte Ökonomie: warum ein 200-$-Abo bis zu 14.000 $ an Tokens liefert- Developer Fatigue: 88 % Burnout bei den produktivsten KI-Nutzern

Das Team der Zukunft: Cross-funktionale Rollen, kleinere Squads & Skills, die KI nicht ersetztJan und Michael diskutieren im Podcast „Token Therapie“ für AI Engineering Leader, wie sich Teams durch KI verändern: 90% der Developer nutzen KI, 50% der Designer haben laut Studie bereits Code in Production gepusht, und 38% der Product Manager Prototypen gebaut. Sie sprechen über zunehmende Rollenvermischung, „Vibe Coding“ und Mixed Roles wie Design Engineer und Product Engineer, wobei besonders der Design Engineer als Kombination aus Design-Urteilsvermögen und technischem Systemverständnis hervorgehoben wird. Kurzlebige Trendtitel wie Prompt Engineer werden kontrastiert mit stabileren Rollen sowie dem Revival des Forward Deployed Engineer. Sie erwarten kleinere, schlagkräftige Teams mit mehr Verantwortung pro Person, was delegierte Handlungsmacht („Bounded Agency“) voraussetzt. Als zentrale Zukunftsskills nennen sie Architekturverständnis, Entscheidungsfreude, Kommunikationsfähigkeit und „Taste“ zur Bewertung von KI-Output.

Wie KI Engineering-Organisationen verändert: LLMs, Product Engineers & Guard Rails – mit Lukas Gilz, Gründer und CPTO von Damedic (https://www.damedic.ai/).

Im Podcast „Token Therapie“ sprechen Jan und Michael mit CPTO und Co-Founder Lukas Gilz (Damedic) darüber, wie LLMs und agentisches Coding Produkte und Engineering-Organisationen verändern. Lukas erklärt Damedics Fokus auf KI-unterstützte Krankenhausabrechnung, den Wechsel von klassischem NLP hin zu LLM-basierten Ansätzen (z. B. Zusammenfassungen) und warum Chatbots als UX für Spezialprozesse oft ungeeignet sind. Er beschreibt den Übergang von individueller Tool-Adoption hin zur schwierigeren Prozessintegration, den Umgang mit Non-Determinismus durch Guard Rails, kombinierte ML-Ansätze und konsequentes Human-in-the-Loop wegen hoher Fehlkosten. Organisatorisch plädiert er für den „Product Engineer“, schnelle Feedbackzyklen, abgerissene Mauern zwischen Product/Dev/Ops und diskutiert Kulturarbeit über regelmäßige Pitch- und Hackathon-Formate samt RICE-Priorisierung. Abschließend warnt er vor Burnout und rät, Geschwindigkeit rauszunehmen und Fokus zu halten.