Share
Agentic AI: Evolution oder Revolution
Agentic AI gilt aktuell als der nächste große Evolutionsschritt im Bereich der generativen KI: autonome Agenten, die Ziele verfolgen, Tools nutzen, miteinander kommunizieren und so im Zusammenspiel als Multi-Agenten Systeme komplexe Aufgaben selbstständig lösen. Doch was davon ist bereits heute realistisch nutzbar – und wo endet der Hype?
In seiner Session gibt Lars Röwekamp einen praxisnahen Einblick in den Status Quo von Agentic AI und diskutiert mögliche Einsatzszenarien in Software-Entwicklung und Architekturarbeit inklusive der damit verbundenen Chancen und Risiken – denn das eine kommt in der Regel nicht ohne das andere daher!
Für die Beantwortung der Fragestellung, ob wir es bei Agentic AI eher mit einer Evolution oder eine Revolution zu tun haben, wagt Lars einen Blick „zurück in die Zukunft“ und skizziert, wohin uns die rasante Entwicklung im Umfeld der künstlichen Intelligenz in der Software-Entwicklung und der Architekturarbeit in den kommenden Jahren führen kann und was dies für uns Menschen bedeutet. Spoiler: Es gibt nicht nur Positives zu berichten und einige essentielle Hausaufgaben für ein glückliches Miteinander von Mensch und Maschine.
Referent:
Lars Röwekamp, Gründer und Geschäftsführer bei der open knowledge GmbH, beschäftigt sich als „CIO New Technologies“ mit der Analyse und Bewertung neuer Software-und Technologietrends. Ein besonderer Schwerpunkt seiner Arbeit liegt derzeit auf Enterprise und Cloud Computing, Big Data und KI, wobei neben Design-und Architekturfragen insbesondere die Real-Life-Aspekte im Fokus seiner Betrachtung stehen. Er ist Autor vieler Fachartikel und -bücher und beschäftigt sich seit der Geburtsstunde von Java mit dieser Programmiersprache.
Lars Roewekamp PRO
Transcript
185 slides
-
„Hello, my name is Anna. I will be your AI
agent for today.“ -
Symbolic AI aka GOFAI Data Driven Learning and Generative AI
AI Winter I AI Winter II 1950/ 1956 Turing Test / Darthmouth Conference 1970‘s inflated Hype ELIZA (1st ChatBot) 1980‘s new Hopes Expert Systems 2007 Data explosion leads to improved feature learning aka Deep Learning 2020+ NLP / LLM leads to GenAI and Agentic AI Concerns about AI lead to regulatory trends Rules based but no Learning YOU Unfulfilled Expectations „Artifical intelligence has come a long way!“ -
Symbolic AI aka GOFAI Data Driven Learning and Generative AI
AI Winter I AI Winter II 1950/ 1956 Turing Test / Darthmouth Conference 1970‘s inflated Hype ELIZA (1st ChatBot) 1980‘s new Hopes Expert Systems 2007 Data explosion leads to improved feature learning aka Deep Learning 2020+ NLP / LLM leads to GenAI and Agentic AI Concerns about AI lead to regulatory trends Rules based but no Learning YOU Unfulfilled Expectations „Artifical intelligence has come a long way!“ -
Artificial Intelligence Technologies or systems that mimic or replace human
intelligence. Machine Learning Automatically learns rules by analysing data. Deep Learning Processes information based on artificial neural networks that mimic the human brain. Generative AI Automatically generates new content based on user demands. 2000 2010 2020 Praxis: -
Ist das eine Katze? In einer Zeit vor GenAI aka
Deep Learning mit neuronalen Netzen Ist das eine Katze? -
Das ist eine Katze Das ist keine Katze fit Neural
Network Katze Katze Katze Katze Hund Hund In einer Zeit vor GenAI aka Deep Learning mit neuronalen Netzen -
Ist das eine Katze? infer trained Neural Network mit Mustererkennug
für Bilder von Katzen In einer Zeit vor GenAI aka Deep Learning mit neuronalen Netzen -
Universelles Weltwissen* Generative AI aka generierende KI Generative AI Model
self learning *unbedingt anschauen: http://www.thecleaners-film.de -
Generative AI Model Prompting „Was ist eine Katze?“ „Eine Katze
ist* … und sieht so aus.“ Generative AI aka generierende KI *basierend auf meinem Weltwissen -
Predictive ML Model Generative Model lernt / erkennt Beziehungen zwischen
Daten und Label lernt / versteht Zusammenhänge in unstrukturierten Daten und ist dadurch in der Lage neuen Content zu generieren Label neuer Content Label Daten Unstrukturierte Daten Generative AI vs. „traditional AI“ Wie funktioniert das? -
Hauptstadt, Frankreich, Paris, Seine self generated LABEL Die Hauptstadt von
Frankreich ist Paris und liegt an der Seine. Generative AI MASK-based Learning aka Lücke füllen – Step 1: Fitting Die [MASK] von [MASK] ist [MASK] und liegt an der [MASK]. Die [???] von Frankreich ist Paris und liegt an der Seine. Die Hauptstadt von [???] ist Paris und liegt an der Seine. Die Hauptstadt von Frankreich ist [???] und liegt an der Seine. Die Hauptstadt von Frankreich ist Paris und liegt an der [???]. Farbe? NO! Länge? NO! Hauptstadt? YES! Berlin? NO! Togo? NO! Frankreich? YES! Berlin? NO! London? NO! Paris? YES! Leine? NO! Küste? NO! Seine? YES! -
Die Hauptstadt von Frankreich ist Paris und liegt an der
Seine. Generative AI MASK-based Learning aka Lücke füllen - Step 2: Inference Die [???] von Frankreich ist Paris und liegt an der Seine. Die Hauptstadt von [???] ist Paris und liegt an der Seine. Die Hauptstadt von Frankreich ist [???] und liegt an der Seine. Die Hauptstadt von Frankreich ist Paris und liegt an der [???]. Hauptstadt (98%) Frankreich (99%) Paris (98%) Seine (97%) Die [MASK] von [MASK] ist [MASK] und liegt an der [MASK]. -
Die Hauptstadt von Frankreich ist Paris und liegt an der
Seine. Generative AI MASK-based Learning aka Lücke füllen Die Hauptstadt von Frankreich ist Paris und liegt an der [???]. Btw. Lücke füllen am Ende des Satzes? Content Generation! Cool, Modellaufruf führt zu Content Generation. Seine (97%) -
Die Hauptstadt von Frankreich ist Paris und liegt an der
Seine. Generative AI MASK-based Learning aka Deep Semantical Understanding Was steckt (noch) dahinter? => Frankreich ist ein Land. => Paris liegt in Frankreich. => Die Seine ist ein Fluss. (Korrelation 75%) => Paris liegt an einem Fluss. (Korrelation 75%) Semantical Unterstanding Semantical Correlation „Ein Land hat eine Hauptstadt.“ „Paris ist eine Hauptstadt und eine Hauptstadt liegt in einem Land.“ „Städte liegen oftmals an Flüssen.“ „Die Seine ist ein Fluss und Paris liegt an der Seine.“ -
Generative AI Content Generation via Deep Semantical Understanding Er freut
sich auf [???]. Hund, Katze, Maus, Frau, Kind, Urlaub, Hamburg, Paris, London … -
Heute ist er an seinem Zielort angekommen. Generative AI Content
Generation via Deep Semantical Understanding Er freut sich auf [???]. Hund, Katze, Maus, Frau, Kind, Urlaub, Hamburg, Paris, London … -
Heute ist er an seinem Zielort angekommen. Generative AI Content
Generation via Deep Semantical Understanding Er freut sich auf [???]. Starten möchte er seine Reise mit dem Besuch der Hauptstadt und bucht dorthin eine Reise mit einem Nachtzug. Hund, Katze, Maus, Frau, Kind, Urlaub, Hamburg, Paris, London … -
Heute ist er an seinem Zielort angekommen. Generative AI Content
Generation via Deep Semantical Understanding Er freut sich auf [???]. Starten möchte er seine Reise mit dem Besuch der Hauptstadt und bucht dorthin eine Reise mit einem Nachtzug. Lars plant einen Urlaub. Er würde gerne mal wieder nach Frankreich fahren und sich ein paar Städte anschauen. Urlaub 3% Paris 80% Context Awareness Lars 98% -
Generative AI Key Take-Aways „Lücke füllen“ am Ende des Satzes
ist Content Generation. Kontext is King! Je besser der Kontext desto besser ist das Modell beim „Lücke füllen“. 1 2 GenAI Modell sind dank MASK-based Learning sehr gut im „Lücke füllen“. 3 -
Generative AI Content Generation via Context Awareness v2 A: [Lücke,
bitte füllen!] Q: Was ist besser: Sync oder Async Communication? Question & Answer R: [Lücke, bitte füllen!] I: Generiere mir bitte eine Anwendung auf Basis von … . Instruction & Result -
Generative AI Content Generation via Context Awareness v2 Q: Was
ist besser: Sync oder Async Communication? Question & Answer R: Gerne. Hier ist das Projekt inkl. readme.md und … I: Generiere mir bitte eine Anwendung auf Basis von … . Instruction & Result A: Das kommt darauf an … . -
Das GenAI Momentum GenAI Modelle haben die Fähigkeit Instructionszu befolgen
und so neuen Contentzu generieren. Es bedarf keinerlei Expertise zur Nutzung dieser Modelle bzw. deren Interfaces. Just ask for it! -
Das GenAI Momentum Wir bewegen uns weg von einer Welt,
in der Menschen lernen mussten mit Maschinen zu kommunizieren, hin zu einer Welt, in der Maschinenlernen, wie Menschen zu kommunizieren. -
• schreiben / verifizieren von Requirements • strukturieren / präzisieren
von User Stories etc. • auswerten von Stakeholder Interviews Design • assistieren bei der Architekturarbeit • generieren von Sequence-Diagrams • erstellen von Daten-Modellen • unterstützen beim UX Design Development • generieren von Code • Debugging / Code Fixing • erklären von (Legacy) Code • übersetzen von Code • verbessern der Konsistenz im Code Testing • schreiben von Test Cases • generieren von Test Code Deployment • generieren von IaC Konfigurationen • erstellen von CI/CD Pipeline Skripten • analysieren / vereinfachen von Deployments • erstellen von Release Nodes / Doku • prüfen von Compliance / Security Maintenance • erkennen von Anomalien • vorschlagen von Gegenmaßnahmen • optimieren von Kosten (Cloud) Analysis Design Development Testing Deployment Maintenance Software Development Lifecycle -
„Viele sprechen bei Gen AI von einer Revolution ähnlich dem
Internet oder Mobile. Aber wo liegen die Grenzen von ChatGPT & Co.?“ -
„Wie lerne ich richtig gut programmieren?“ GEN AI MODEL USER
PROMPT „Es gibt viele Möglichkeiten programmieren zu lernen, … .“ -
GEN AI MODEL USER PROMPT + CONTEXT (Java, …) +
„Wenn du richtig gut Java programmieren lernen möchtest, dann … .“ „Wie lerne ich richtig gut programmieren?“ „Du bist ein Development Team Assistent …“ -
GEN AI MODEL USER PROMPT „Was sind die Coding Conventions
von open knowledge?“ „Das wüsste ich auch gerne… !“ „Du bist ein Development Team Assistent …“ + -
GEN AI MODEL USER PROMPT „open knowledge nutzt die MS
C# Coding Conventions.“ + „Was sind die Coding Conventions von open knowledge?“ „Du bist ein Development Team Assistent …“ -
GEN AI MODEL USER PROMPT + Coding Conventions von open
knowledge + „Was sind die Coding Conventions von open knowledge?“ „Du bist ein Development Team Assistent …“ „ok Dev-Portal via https://... aufrufen und …“ -
GEN AI MODEL USER PROMPT + „Welche Architektur- Pattern nutzt
open knowledge?“ „Du bist ein Development Team Assistent …“ + Coding Conventions & Architecture Patten von open knowledge -
GEN AI MODEL USER PROMPT „Wie mache ich was auch
immer bei open knowledge?“ Alles „Dev Wissen“ von open knowledge + + „Du bist ein Development Team Assistent …“ -
GEN AI MODEL USER PROMPT „Wie mache ich was auch
immer bei open knowledge?“ + + Zu viel, zu teuer, zu ungenau! Alles „Dev Wissen“ von open knowledge „Du bist ein Development Team Assistent …“ -
GEN AI MODEL USER PROMPT „Wie mache ich was auch
immer bei open knowledge?“ Hmm, was jetzt? Alles „Dev Wissen“ von open knowledge -
USER PROMPT GEN AI MODEL „Wie mache ich was auch
immer bei open knowledge?“ SOME MAGIC Some „Magic“ in the Middle -
USER PROMPT GEN AI MODEL „Wie mache ich was auch
immer bei open knowledge?“ SOME MAGIC Generation R etrieval A ugmented -
Retrieval … … suche die Textfragmente aus der Wissensbasis heraus,
die für die Beantwortung der Ausgangsfrage hilfreich sein könnten. Augmented … … ergänze ein vorgegebenes Prompt-Template um den originären User Prompt und die gefundenen Textfragmente. Generation … … generiere mit Hilfe eines LLMs aus dem angereicherten Prompt-Template die passende Antwort auf die originäre Anfrage. -
„Mit GenAI und RAG kannst du alle deine Fragen beantworten.
Egal, ob du etwas allgemeines wissen möchtest oder etwas sehr, sehr spezielles.“* *10 von 10 Experten rufen jetzt laut „Einspruch!“ -
USER PROMPT GEN AI MODEL RAG SYSTEM „Sorry, ich kann
zwar Fragen beantworten, mehr aber leider nicht.“ „Generiere mir ein Projekt auf Basis von … .“ -
„An dieser Stelle kommen die AI Agents ins Spiel! Stelle
dir einen AI Agent wie ein LLM vor, dass zusätzlich Tools und Memory in einer Loop benutzten kann, um so komplexe Aufgaben nahezu eigenständig abzuarbeiten.“ -
„... are systems that combine LLMs for reasoning and decision-making
with tools for real-world interaction, enabling them to complete complex tasks with limited human involvement.“ AI Agents eine erste Definition -
Agentic AI von GenAI zu Agentic AI … Frage? …
Antwort! MODEL LLM PLAN ACT REFLECT -
Agentic AI von GenAI zu Agentic AI … Aufgabe! PLAN
Agent … Resultat. Result is OK Result is NOT OK PLAN ACT REFLECT -
Agentic AI von GenAI zu Agentic AI … Aufgabe! …
Resultat. „Prüfe meinen Code auf unsere Coding Conventions etc. und verbessere ihn ggf.“ Validierter und korrigierter Code. Make a plan for the given task. Execute action with tools. Reflect result /w environment AI Agent check for coding conventions validate existing code mark discovered violation corect violations correct corresponding tests -
Projektbasis in Git inkl. readme.md etc. Agentic AI von GenAI
zu Agentic AI … Aufgabe! … Resultat. „Generiere mir eine Projektbasis entsprechend der open knowledge Vorgaben und folgender fachlicher Anforderungen ...“ check for requirements check for restrictions generate initial project structure generate code for requirements generate corresponding tests push everything to git Agentic AI Make a plan for the given task. Execute action with tools. Reflect result /w environment -
AGENT SERVICES Execution Loop in out Plan Action Memory [ST]
Tools Content Data Devices Code Services Human APPLICATION Agentic AI unter der Haube MODEL Function Calling LLM -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube 1 1 Planing: „Du bist ein DEV-Assistent für die Entwicklungsabteilung von ok. Führe folgende Schritte durch, um die Aufgabe […] zu erfüllen: […].“ „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube Reasoning: „Ich sollte zunächst schauen, ob und wie ich mit meinen Tools weitere Informationen zum Thema Projekt-Setup &-Requirements abfragen kann.“ 2 2 „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube Reasoning: „Zum Abfragen von Informationen zum Thema Projekt-Setup &-Requirements kann ich das Tool Dev-Knowledge-Retriever mit folgendem Aufruf nutzen: …“ 3 3 „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube Act: 4 4 „Ich nutze das Tool Dev-Knowledge-Retriever um Informationen zum Thema Projekt-Setup &-Requirements aus dem Dev-RAG (Vector DB) abzufragen.“ „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube Result: „Das Dev-Knowledge-Retriever Tool, meldet zurück, dass ich den Project-Setup-Assistant nutzen soll. Dieser hat eine API, die ich wie folgt aufrufen kann … .“ 5 5 „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube Reflect: Mission Completed? „Ist die Aufgabe erledigt? Wenn nicht drehe ich einfach noch eine Runde. D.h. ich schaue, welches Tool mich weiter Richtung Ziel bringt.“ „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ Einige Runden später … -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube „Ich möchte den generierten Code aus dem lokalen Repo in das unternehmensinterne Git Repo schicken. Was genau muss ich dazu tun?“ 2 Reasoning: 2 „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube „Um etwas in das Git Repo von open knowledge zu schicken rufe die Git Push API mit den Parametern [remote], … und [branch] aufrufen.“ 3 Reasoning: 3 „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube „Ich nutze Function Calling und rufe die Git Push API mit den Parametern remote=… und branch= … , sowie … auf.“ Act: 4 4 „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube 5 5 Result: „Die Git Push API bestätigt den erfolgreichen Ablauf des Calls via: <flag> <summary> <from> -> <to> <reason>“ „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube Mission Completed? „Ist die Aufgabe erledigt? Wenn ja, dann generiere ich die finale Antwort an den User.“ „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube „Das Projekt ist generiert und findet sich im zentralen Git Repo von open knowledge unter … “ Mission Completed! „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ -
AGENT MODEL SERVICES Execution Loop in out Plan Action Memory
[ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube -
AGENT MODEL SERVICES Long-Term Memory Vector Datastore Execution Loop in
out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM Agentic AI unter der Haube -
AGENT MODEL SERVICES Long-Term Memory Vector Datastore Execution Loop in
out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM FLYWHEEL Agentic AI unter der Haube -
AGENT MODEL SERVICES Long-Term Memory Vector Datastore Execution Loop in
out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM FLYWHEEL A #2 A #n . . . Agentic AI unter der Haube -
AGENT MODEL SERVICES Long-Term Memory Vector Datastore Execution Loop in
out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM FLYWHEEL A #2 „All the Power to the AI Agents! What could go wrong?“ (famous last words of an AI geek) Agentic AI und los geht‘s -
AGENT MODEL SERVICES Long-Term Memory Vector Datastore Execution Loop in
out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM FLYWHEEL A #2 OWASP 2025, Agentic AI Thread Model T1 T2 T3 T4 T5 T6 T7 T8 T9 T10 T11 T12 T13 T14 T15 Memory Poisoning Tool Misuse Privilege Compromise Resource Overload Cascading Hallucination Attacks Intent Breaking / Goal Manipulation Misaligned / Deceptive Behaviors Repudiation / Untraceability Identity Spoofing / Impersonation Overhelming Human-in-the-Loop Unexpected RCE / Code Attacks Agent Communication Poisoning Rouge Agents in MAS Human Attacks in MAS Human Attacks T10 T11 T8 T4 T2 T2 T1 T1 T6 T7 T8 T4 T4 T7 T10 T5 T4 T11 T3 T5 T8 T4 T13 T12 T15 T14 Agentic AI und los geht‘s mit der Security Hell -
Retrieval Agent LLM Dev V-DB Code Repos V-DB Dev Resources
Query Engine Code Repos Query Engine Web Search Retrieval Tools Agentic RAG Result Handling: Re-Ranking Augmenting … Frage? Antwort! -
Frage / Aufgabe Dev Agent LLM Web Search Antwort /
Resultat Agent Tools Agentic RAG Result Handling: Re-Ranking Augmenting … Internal Developer Platform Tools IDP Dev Resources Query Engine Code Repos Query Engine Dev V-DB Code Repos V-DB -
Frage / Aufgabe Manager Agent LLM Web Search Antwort /
Resultat Agent Tools Agentic RAG Result Handling: Re-Ranking Augmenting … Internal Developer Platform Tools IDP Dev Resources Query Engine Code Repos Query Engine Dev V-DB Code Repos V-DB Das ist mir etwas zu viel! -
LLM eMail Slack Dev Project Retrieval Agent Dev Platform Agent
Channel Agent Dev Manager Agent Code Repos Query Engine Dev Resources Query Engine IDP Engine Agentic RAG IDP Query Engine Frage / Aufgabe Antwort / Resultat -
Agentic AI in Action via Claude Code Quellcode analysieren, verifizieren
und Doku generieren -
Agentic AI in Action via Claude Code Quellcode analysieren, verifizieren
und Doku generieren -
Agentic AI in Action via Claude Code Quellcode analysieren, verifizieren
und Doku generieren und das auch übergreifend -
Agentic AI in Action via Claude Code Quellcode analysieren, verifizieren
und Doku generieren und das auch übergreifend -
Agentic AI in Action via Claude Code Quellcode generieren auf
Basis von Vorgaben -
Agentic AI in Action via Claude Code Quellcode generieren auf
Basis von Vorgaben -
Agentic AI in Action via Claude Code Quellcode generieren auf
Basis von Vorgaben Refactoring: • Value Objects • Builder Pattern -
Agentic AI in Action via Claude Code Quellcode generieren auf
Basis von Vorgaben Refactoring: • Domain Events • Event Publisher -
Agentic AI in Action via Claude Code Quellcode generieren auf
Basis von Vorgaben Bug Fixing: • Test reparieren -
Agentic AI in Action via Claude Code Quellcode generieren auf
Basis von Vorgaben Bug Fixing: • Test reparieren -
Agentic AI in Action via Claude Code Quellcode generieren auf
Basis von Vorgaben Refactoring: • aktuelle Java Features nutzen -
Agentic AI in Action via Claude Code Quellcode generieren auf
Basis von Vorgaben Refactoring: • JPA nutzen -
Agentic AI in Action via Claude Code Quellcode generieren auf
Basis von Vorgaben Refactoring: • Test nachziehen -
Agentic AI in Action via Claude Code Quellcode generieren auf
Basis von Vorgaben Refactoring: • Test nachziehen -
Agentic AI in Action via Claude Code Quellcode generieren auf
Basis von Vorgaben Refactoring: • Docker -
Agentic AI in Action via Claude Code Quellcode generieren auf
Basis von Vorgaben Refactoring: • Docker -
Agentic AI in Action via Claude Code Quellcode generieren auf
Basis von Vorgaben Refactoring: • Docker -
Agentic AI Ein Zwischenfazit AI Agenten können … • Tools
verwenden • zwischen Optionen „entscheiden“ • Ergebnisse von Aktionen bewerten • aus Aktion und Ergebnis lernen • im Team zusammenarbeiten und das alles nahezu eigenständig! -
Wie kann und wird es in Zukunft mit der Entwicklung
der künstlichen Intelligenz weitergehen? -
Personalization dein persönlicher Agent „2 minute morning briefing .“ „Shared
shopping list for all familiy members.“ „Summarize unread eMails and reach inbox zero faster.“ „Transcribe meeting minutes and create action items.“ -
Personalization dein persönlicher Agent NEWS: OpenClaw handelt Preisnachlass von 4.200
Dollar aus. NEWS: OpenClaw triggert Rechtsstreit durch Gegendarstellung. NEWS: OpenClaw verursacht unerwartete Kosten. NEWS: OpenClaw verwechselt „clean up“ mit „delete“ . -
Personalization dein persönlicher Agent „Hier ist ein aktuelles Foto des
Inhalts meines Kühlschranks. Bestelle alles was fehlt. Du kennst ja meine Vorlieben.“* „Ich habe Bestellungen bei 5 verschiedenen Shops zu den jeweils besten Konditionen platziert. Ich halte dich auf dem Laufenden.“ 1 2 3 4 5 6 7 Slack Adapter liefert die Message. Session Manager löst Session auf. Queue Manager checkt auf aktiven Run. Agent Runtime sammelt den Context und ruft das Model auf. Model fordert einen Tool-Call an – Bestellung via Web Shop API. Runtime führt den Tool Call aus und liefert das Resultat zurück. Model fasst die Tool Call Results zu einer finalen Antwort zusammen. Antwort wird zurück an den Slack Adapter gestreamt. Schritt 4-5 werden wiederholt bis das Model fertig ist (Agent Loop). -
Natural Language Coding die Einmal-App Software 3.0 Prompts vs. Programming:
Die zukünftig heißeste Programmiersprache wird Englisch sein! -
Natural Language Coding die Einmal-App Software 3.0 Statt semi-passende Software
zu kaufen lässt man sich einfach on-the-fly einen individuellen Service durch Agentic AI generieren. -
Jevson Paradox The sky's the limit! - und dein Budget!
generated by Nano Banana, 01.2026 -
Jevson Paradox Lost of Cost Control The sky's the limit!
Und dein Budget. generated by Nano Banana, 01.2026 -
Jevson Paradox Lost of Quality Control generated by Nano Banana,
01.2026 Wer soll bei all dem Code da bitte noch die Qualität sichern? -
Und wie soll die Next Generation ihr „Handwerk“ lernen? Jevson
Paradox aka Lost of Next Generation generated by Nano Banana, 01.2026 -
Jevson Paradox aka Lost of Next Generation generated by Nano
Banana, 01.2026 Egal, mein Job ist gesichert - ist er doch hoffentlich, oder? -
Self-Service statt Software das Ende der Nachhaltigkeit SaaS vs. SaS
Services-as-Software ersetzt Software-as-a-Service. -
New Work Model KI übernimmt das Steuer MSH vs. HSM
Das bisherige Model Machines serve Humans wird zu Humans serve Machines. -
ENV CONTEXT DEPLOYMENT VIRTUAL MACHINE MACHINE CODE APP CONTEXT Coding
LLMs USAGE FEEDBACK DEVELOPMENT The Machines serves Humans Model New Work Model KI übernimmt das Steuer -
ENV CONTEXT DEVELOPMENT DEPLOYMENT USAGE VIRTUAL MACHINE MACHINE CODE APP
CONTEXT ENQUIRY LOOP Agent Fleet Human In the Loop FEEDBACK The Humans serve Machines Model New Work Model KI übernimmt das Steuer -
ENV CONTEXT DEVELOPMENT DEPLOYMENT VIRTUAL MACHINE MACHINE CODE APP CONTEXT
Agent Fleet Human In the Loop USAGE FEEDBACK ENQUIRY LOOP Human In the Loop The Humans serve Machines Model v2 New Work Model KI übernimmt das Steuer -
Natural Language Coding die Einmal-App Software 3.0 Prompts vs. Programming:
Die zukünftig heißeste Programmiersprache wird Englisch sein! -
Natural Language Coding v2 No-Code eXtreme Software 3.1 Prompts vs.
Programming: Die zukünftig heißeste Programmiersprache wird Englisch sein! einzige -
PROMPT COMPILER BYTE CODE VIRTUAL MACHINE MACHINE CODE VIRTUAL MACHINE
MACHINE CODE INTERMEDIATE CODE HARDWARE HARDWARE CODE e.g. TEST CODE Natural Language Coding v2 No-Code eXtreme -
COMPILER BYTE CODE VIRTUAL MACHINE MACHINE CODE VIRTUAL MACHINE MACHINE
CODE HARDWARE HARDWARE PROMPT INTERMEDIATE CODE CODE ENQUIRY LOOP Natural Language Coding v2 No-Code eXtreme -
COMPILER BYTE CODE VIRTUAL MACHINE MACHINE CODE VIRTUAL MACHINE MACHINE
CODE HARDWARE HARDWARE ENQUIRY LOOP APP CONTEXT INTERMEDIATE CODE Natural Language Coding v2 No-Code eXtreme -
MACHINE CODE MACHINE CODE INTERMEDIATE AI PROMPT HARDWARE HARDWARE ENV
CONFIIG APP CONTEXT ENQUIRY LOOP Natural Language Coding v2 No-Code eXtreme -
MACHINE CODE MACHINE CODE HARDWARE HARDWARE VIRTUAL AI MACHINE COMMON
AI BINARY APP CONTEXT ENQUIRY LOOP Natural Language Coding v2 No-Code eXtreme -
Super Power Synthetic Biologic Intelligence SBI statt AI Back-to-the-Nature als
Ausweg aus der Ressourcen-Kriese. -
Super Power Minimal Viable Brain Im Labor gezüchtete Neuronen auf
einem Elektrodenarray Source https://www.sciencealert.com/you-can-now-rent-a-flesh-computer-grown-in-a-british-lab -
Super Power Synthetic Biologic Intelligence Body-in-a-Box Cortial Labs CL1 Bio
Computer Sourc ehttps://en.futuroprossimo.it/2025/03/cervello-in-scatola-cl1-biocomputer-ai-confini-dellintelligenza/ -
Menschengeister stochastische Simulationen von Menschen mit einer Art emergenter „Psychologie“
Andre Karpaathy, former Director of AI at Tesla, OpenAI) AI-native Future Agentic AI ist nur der Anfang -
Weltmodelle Zukünftige AI wird weitere Quellen zur Mensch-Maschine Interaktion mit
einbeziehen. AI-native Future Agentic AI ist nur der Anfang -
Interfaces Tastatur und Bildschirm werden der Vergangenheit angehören. Der AI-Assistent
wird zum persönlichen Begleiter - immer und überall. AI-native Future Brain-Computer Interfaces -
AI-native Future Advanced Human Intelligence Menschliche Intelligenz alleine reicht nicht
mehr aus! generated by Nano Banana, 01.2026 -
Menschliche Intelligenz alleine reicht nicht mehr aus! generated by Nano
Banana, 01.2026 AI-native Future Advanced Human Intelligence -
Mensch & Maschine Wie steht‘s mit unserer Beziehung? generated by
Nano Banana, 01.2026 -
Der Mensch steckt in der Sinnkriese, da die KI uns
im Bereich Intelligenz den Rang abzulaufen scheint. Thesen Menschen und Maschinen Ein Großteil unserer Aufgaben sind nicht wirklich intellektuell anspruchsvoll sondern eher regelbasiert und repetitiv. Wir können das, was uns die KI liefert bzw. abnimmt nicht mehr wirklich nachvollziehen. -
Explainable AI aka Vertrauen schaffen. Warum? Die meisten Modelle haben
ein Black-Box Ansatz. Ihr Verhalten ist weder deterministisch, noch ist es vorhersagbar.* *Explanable AI vs. Interpretable AI -
Explainable AI aka Vertrauen schaffen. Aber natürlich auch darum! „WARUM
wurde auf dem Ultraschallbild ein Tumor klassifiziert?“ „WARUM wurde meine Kreditanfrage über 5.000 € wiederholt abgelehnt?“ „WARUM habe ich ein höheres Risiko an einer Krankheit zu erkranken?“ -
Accuracy Interpretability low high low high Rule-based Models Decision Trees
kNN Bayesian Models Deep Learning GenAI Explainable AI Wo liegt das Problem? SVM -
Accuracy Interpretability low high low high Rule-based Models Decision Trees
kNN Bayesian Models Deep Learning GenAI Explainable AI Wo liegt das Problem? SVM -
Accuracy Interpretability low high low high Rule-based Models Decision Trees
kNN Bayesian Models Deep Learning GenAI Ziel von XAI Explainable AI Wo liegt das Problem? SVM -
„Whom to explain?“ „Why to explain?“ „How to explain?“ „When
to explain?“ „What to explain?“ Verstehen, wer die wichtigsten Stakeholder sind. Liste von Gründen, die eine Erklärung notwendig machen. Zielgruppen- gerechte Methoden zur Erklärung finden. Den richtigen Zeitpunkt für die Erklärung wählen. Den richtigen Ansatz für das genutzte Modell wählen. 1 2 3 4 5 Explainable AI Das Vorgehen aka „Die fünf Schlüsselfragen“ -
Explainable AI Wie ich lernte, der KI zu vertrauen Source:
https://speakerdeck.com/mobilelarson/explainable-ai-wie-ich-lernte-der-ki-zu-vertrauen -
Der Mensch steckt in der Sinnkriese, da die KI uns
im Bereich Intelligenz den Rang abzulaufen scheint. Thesen Menschen und Maschinen Ein Großteil unserer Aufgaben sind nicht wirklich intellektuell anspruchsvoll sondern eher regelbasiert und repetitiv. Wir können das, was uns die KI liefert bzw. abnimmt nicht mehr wirklich nachvollziehen. Lösungsansatz: Explainable AI -
Mensch & Maschine Was zeichnet uns Menschen aus? generated by
Nano Banana, 01.2026 -
Menschen verstehen Kontexte und komplexe Zusammenhänge und können daher kontextspezifisch
intelligente Entscheidungen treffen. KI erkennt Fakten und Muster und daher statistisch relevante Antwortenliefern, die scheinbar intelligent sind. -
Ihr Menschen habt im Vergleich zur KI ganz besondere Fähigkeiten
(USPs), die ihr viel zu wenig nutzt: Kreativität, Urteilskraft, Verantwortung, ethisches Denken -
Mensch & Maschine Miteinander statt gegeneinander Prädikat Lesenswert - für
Menschen und Maschinen -
angelent an: „Agentic Software Engineering: Foundation Pillars and Research Roadmap“
von Ahmed E. Hassan et al. (https://arxiv/pdf/2509.06216) ACE Agent Command Environment AEE Agent Execution Environment Mensch & Maschine Miteinander statt gegeneinander -
angelent an: „Agentic Software Engineering: Foundation Pillars and Research Roadmap“
von Ahmed E. Hassan et al. (https://arxiv/pdf/2509.06216) Mensch & Maschine Miteinander statt gegeneinander -
Create Create Create Govern Produce Reviewed in Respond with angelent
an: „Agentic Software Engineering: Foundation Pillars and Research Roadmap“ von Ahmed E. Hassan et al. (https://arxiv/pdf/2509.06216) Mensch & Maschine Miteinander statt gegeneinander -
Menschen liefern Kontext und können die Qualität von Antworten im
Kontext bewerten. Kontext is King! Daten ohne einen qualitativ hochwertigen Kontext haben keinen Wert. 1 2 Daten sind der Treibstoff für Artificial Intelligence und treiben Innovationen. 3 Mensch & Maschine Miteinander statt gegeneinander -
Der Mensch bringt Kreativität, Urteilskraft, Verantwortung und ethisches Denken ein
und sorgt so für die gewünschte Qualität. Die Maschine liefert Weltwissen, Vernetzung, Rechenpower, Skalierbarkeit und sorgt so für eine nahezu unendliche Quantität. -
Lars Röwekamp LinkedIn: lars_roewekamp Architecture, Cloud, AI & ML CIO
New Technologies OPEN KNOWLEDGE generated by Nano Banana, 01.2026