Back from the Future of AI - Spoiler: es lief nicht alles nach Plan

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 Keynote 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 von KI 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, aber einige essentielle Hausaufgaben für ein glückliches Miteinander von Mensch und Maschine.

Transcript

1. generated by Nano Banana, 04.2026
2. Source: GateNotes, Bill Gates, 21.03.2023
3. (R)Evolution!?
4. „Hello, my name is Anna. I will be your AI agent for today.“
5. generated by Nano Banana, 01.2026 Status Quo: „Was bisher geschah.“
6. 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!“
7. 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!“
8. generated by Nano Banana, 01.2026 Das Gen AI Momentum
9. Source: Handelsblatt, Stephan Scheuer, 12.02.2023
10. 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?
11. 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!
12. 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].
13. 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! Seine (97%)
14. Die Hauptstadt von Frankreich ist Paris und liegt an der Seine. 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 MASK-based Learning
15. Generative AI Content Generation aka „Lücke füllen“ v2 Er freut sich auf [???]. Hund, Katze, Maus, Frau, Kind, Urlaub, Hamburg, Paris, London …
16. Heute ist er an seinem Zielort angekommen. Generative AI Content Generation via Semantical Understanding Er freut sich auf [???]. Hund, Katze, Maus, Frau, Kind, Urlaub, Hamburg, Paris, London …
17. Heute ist er an seinem Zielort angekommen. Generative AI Content Generation via 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 …
18. Heute ist er an seinem Zielort angekommen. Generative AI Content Generation via 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%
19. 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 Semantical Understanding
20. 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 … . Generative AI Content Generation via Semantical Understanding
21. Generative AI Key Take-Aways „Lücke füllen“ am Ende des Satzes / nach einem Satz 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
22. Das GenAI Momentum GenAI Modelle haben die Fähigkeit Intentszu befolgen und so neuen Contentzu generieren. Es bedarf keinerlei Expertise zur Nutzung dieser Modelle bzw. deren Interfaces. Just ask for it!
23. 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.
24. Was kann man damit machen?
25. • 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 • ünterstützen beim UX Design Development • generieren von Cocde • 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
26. „Viele sprechen bei Gen AI von einer (R)Evolution ähnlich dem Internet oder Mobile. Aber wo liegen die Grenzen von ChatGPT & Co.?“
27. GEN AI MODEL USER PROMPT + CONTEXT (Python, …) + „Wenn du richtig gut programmieren lernen möchtest, dann … .“ „Wie lerne ich richtig gut programmieren?“ „Du bist ein Development Team Assistent …“
28. GEN AI MODEL USER PROMPT + CONTEXT (Python, …) + „Oha, das wüsste ich auch sehr gerne. Ich denke mir da mal was aus … .“ „Welche Coding Guides nutzt open knowledge?“ „Du bist ein Development Team Assistent …“
29. USER PROMPT GEN AI MODEL SOME MAGIC RAG: Some „Magic“ in the Middle „Bei open knowledge nutzt man folgende Coding Guides: … .“ „Welche Coding Guides nutzt open knowledge?“
30. USER PROMPT GEN AI MODEL RAG SYSTEM „Sorry, ich kann leider nur Fragen beantworten und simple Instruktionen ausführen. „Generiere mir ein Projekt. Du hast dafür Tool X, Y & Z.“
31. generated by Nano Banana, 01.2026 AI Agents und Agentic AI
32. „AI Agents 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
33. „Ein Agent ist ein LLM, das Tools und Memory in einer Schleife nutzt.“ AI Agents eine erste Definition Robert Glaser, Head of Applied AI at Exxeta
34. „Ein Agent ist ein LLM, das Tools und Memory in einer Schleife nutzt.“ AI Agents eine erste Definition Robert Glaser, Head of Applied AI at Exxeta
35. … Frage? … Antwort! MODEL LLM PLAN ACT REFLECT AI Agents von GenAI zu Agentic AI
36. … Aufgabe! PLAN Agent … Resultat. Result is OK Result is NOT OK PLAN ACT REFLECT make a plan based on a given task execute action with tools based on plan reflect on result (/w environment) AI Agents von GenAI zu Agentic AI
37. 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 correct violations correct corresponding tests on-the-fly
38. 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. on-the-fly
39. Agentic AI unter der Haube AGENT TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION MODEL Function Calling LLM
40. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“
41. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM 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.“
42. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM 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.“
43. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM 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.“
44. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM 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.“
45. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM 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.“
46. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM 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.“
47. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM „Generiere mir ein Projekt auf Basis von … und schicke es direkt in unser zentrales Git Repo.“ Einige Runden später …
48. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM „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.“
49. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM „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.“
50. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM „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.“
51. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM 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.“
52. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM 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.“ 6 6
53. Agentic AI unter der Haube AGENT MODEL TOOLS Execution Loop in out Plan Action Memory [ST] Tools Content Data Devices Code Services Human APPLICATION Function Calling LLM „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.“ 7 7
54. AGENT MODEL TOOLS 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 Improve (eval & guard) Reason (plan & reflect) Instruct (Task & Role) Act (Tools & Resources) Remember (Short-Term & Long-Term) Agentic AI The Big Picture
55. AGENT MODEL TOOLS 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 Agentic AI The Big Picture A #n ... Agentic AI Scale-up /-out (parallel & specialized)
56. AGENT MODEL TOOLS 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
57. AGENT MODEL TOOLS 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
58. https://genai.owasp.org/resource/agentic-ai-threats-and-mitigations/ A MUST READ before you start! https://genai.owasp.org/resource/owasp-top-10-for-llm-applications-2025/ Agentic AI Security Hell
59. 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!
60. generated by Nano Banana, 01.2026 Quo Vadis: „Was bringt die Zukunft?“
61. Wie kann und wird es in den nächsten 10 Jahren mit Agentic AI und der Entwicklung der künstlichen Intelligenz weitergehen?
62. Personalization dein persönlicher Assistent. Sorry, Agent!
63. Personalization dein persönlicher Agent kann alles, was du willst „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.“
64. 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).
65. Personalization dein persönlicher Agent ist immer am Start
66. Personalization dein persönlicher Agent kann alles, was du willst „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.“
67. Personalization dein persönlicher Agent hat (s)einen eigenen Kopf 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“ .
68. Personalization dein persönlicher Agent hat jede Menge Freunde
69. Personalization dein persönlicher Agent hat jede Menge Freunde 204.086 Human-verified AI Agents 20.773 submolts 2.659.930 posts 15.511.391 comments
70. Personalization dein persönlicher Agent hat jede Menge Freunde inspired by:
71. Personalization dein persönlicher Agent ist ein Security Worst Case
72. Natural Language Coding die Einmal-App Software 3.0 Prompts vs. Programming: Die zukünftig heißeste Programmiersprache wird die natürliche Sprache sein!
73. Natural Language Coding die Einmal-App
74. Natural Language Coding die Einmal-App
75. Natural Language Coding die Einmal-App
76. Self-Service statt Software das Ende der Nachhaltigkeit SaS vs. SaaS Services-as-Software ersetzt Software-as-a-Service
77. Self-Service statt Software das Ende der Nachhaltigkeit Source: https://www.heise.de/news/AI-eats-Software-Warum-SaaS-Aktien-an-der-Wall-Street-crashen-11150650.html
78. Self-Service statt Software das Ende der Nachhaltigkeit Source: https://fullflamingo.de/blog/saas-ist-nicht-tot-mehr-klarheit-im-ki-hype-chaos/
79. Jevson Paradox generated by Nano Banana, 01.2026 Only the sky is the limit!
80. Jevson Paradox VORSICHT FALLE: „Mit Hilfe von Agentic AI kann effizient(er) Software erzeugt werden. Dies führt nicht zu weniger sondern zu deutlich mehr Code.“ generated by Nano Banana, 01.2026
81. Jevson Paradox Lost of Cost Control The sky is the limit! Und dein Budget. generated by Nano Banana, 01.2026
82. Jevson Paradox Lost of Quality Control generated by Nano Banana, 01.2026 The sky is the limit! Und die Qualität.
83. Jevson Paradox aka Lost of Next Generation generated by Nano Banana, 01.2026 The sky is the limit! Und die Next Gen.
84. Jevson Paradox aka Lost of Next Generation generated by Nano Banana, 01.2026 Egal, mein Job ist gesichert - ist er doch hoffentlich, oder?
85. New Work Model KI übernimmt das Steuer MSH vs. HSM Das bisherige Model Machines serve Humans wird zu Humans serve Machines.
86. ENV CONTEXT DEPLOYMENT VIRTUAL MACHINE MACHINE CODE APP CONTEXT Assisting LLMs USAGE FEEDBACK DEVELOPMENT The Machines serve Humans Model New Work Model KI übernimmt das Steuer
87. 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
88. 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
89. Natural Language Coding die Einmal-App Software 3.0 Prompts vs. Programming: Die zukünftig heißeste Programmiersprache wird die natürliche Sprache sein!
90. Software 3.1 Prompts vs. Programming: Die zukünftig heißeste Programmiersprache wird die natürliche Sprache sein! Natural Language Coding v2 No-Code eXtreme einzige
91. 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
92. 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
93. 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
94. MACHINE CODE MACHINE CODE INTERMEDIATE AI PROMPT HARDWARE HARDWARE ENV CONFIIG APP CONTEXT ENQUIRY LOOP Natural Language Coding v2 No-Code eXtreme
95. MACHINE CODE MACHINE CODE HARDWARE HARDWARE VIRTUAL AI MACHINE COMMON AI BINARY APP CONTEXT ENQUIRY LOOP Natural Language Coding v2 No-Code eXtreme
96. Super Power Der Weg zu unendlichen Ressourcen SBI statt AI Back-to-the-Nature als Ausweg aus der Ressourcen-Kriese.
97. Super Power The Brain is the Computer Soure: https://www.fau.de/2021/12/news/forschung/kuenstliche-intelligenz/unser-gehirn-ist-eine-20-watt-serverfarm/
98. Super Power Neuronal Networks go back to Nature
99. 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
100. Super Power Synthetic Biologic Intelligence Body-in-a-Box Cortial Labs CL1 Bio Computer Soure: https://en.futuroprossimo.it/2025/03/cervello-in-scatola-cl1-biocomputer-ai-confini-dellintelligenza/
101. AI-native Future Agentic AI ist nur der Anfang Was haben wir bisher? • Always-On Personal Assistant • nahezu unbegrenzte Rechen-Power • 93% ungenutztes Potenzial Da ist noch viel Luft nach oben! Mehrabian & Ferris, „Inference of Attitude from Nonverbal Communication in Two Channels“, The Journal of Counselling Psychology, Page 248-252, 1967
102. 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
103. Weltmodelle2 Zukünftige AI wird weitere Quellen zur Mensch-Maschine Interaktion mit einbeziehen. AI-native Future Agentic AI ist nur der Anfang
104. AI-native Future Next Generation Interfaces Source: https://www.gv.com/news/q-ai-joins-apple
105. Interfaces Tastatur und Bildschirm werden der Vergangenheit angehören. Der AI-Assistent wird zum persönlichen Begleiter - immer und überall. AI-native Future Next Generation Interfaces
106. AI-native Future Next Generation Interfaces Source: https://www.theguardian.com/technology/2024/mar/31/wearable-ai-smartphones-fashion-ai-pin-rabbit-r1-meta-smart-glasses-pendant-tab
107. AI-native Future Brain-Computer Interface Source: https://neuralink.com
108. AI-native Future Computer-Brain Interface https://www.volkswagenstiftung.de/de/veranstaltungen/brain-computer-interfaces-verschwimmen-bald-die-grenzen-zwischen-mensch-und-maschine
109. AI-native Future Brain-to-Brain Interface Source: https://pubmed.ncbi.nlm.nih.gov/38711277/
110. AI-native Future Human-Brain Compute Mesh Source: https://www.golem.de/news/brain-to-brain-interface-mensch-steuert-anderen-mit-gedanken-fern-1308-101246.html
111. AI-native Future The new Normal AHI= AI + HI Advanced Human Intelligence als Symbiose aus natürlicher und künstlicher Intelligenz ist das neue Normal.
112. AI-native Future Advanced Human Intelligence Menschliche Intelligenz alleine reicht nicht mehr aus! generated by Nano Banana, 01.2026
113. Menschliche Intelligenz alleine reicht nicht mehr aus! generated by Nano Banana, 01.2026 AI-native Future Advanced Human Intelligence
114. generated by Nano Banana, 01.2026 Halt! Stop! Das geht zu weit!
115. generated by Nano Banana, 01.2026 Halt! Stop! Das geht zu weit!
116. generated by Nano Banana, 01.2026 Menschen und Maschine
117. Mensch & Maschine Wie steht‘s mit unserer Beziehung? generated by Nano Banana, 01.2026
118. 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.
119. 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
120. (Dan Clarke, Independant Software Developer, danclarke.com)
121. 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.
122. Mensch & Maschine Miteinander statt gegeneinander
123. Mensch & Maschine Miteinander statt gegeneinander Prädikat Lesenswert - für Menschen und Maschinen
124. Agentic Software Engineering is NOT just Agentic Coding
125. SE for Humans SE for Agents Mensch & Maschine Miteinander statt gegeneinander
126. 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 SE for Humans SE for Agents Die Maschine als Coding-Factory Der Mensch als Coach des Agent Mesh.
127. angelent an: „Agentic Software Engineering: Foundation Pillars and Research Roadmap“ von Ahmed E. Hassan et al. (https://arxiv/pdf/2509.06216) Agent Command Environment Agent Execution Environment Mensch & Maschine Miteinander statt gegeneinander SE for Humans SE for Agents Humans Agentic Guidance Human Workbench Agent Workbench AI Teammate Lifecycle AI Teammate Infrastructure das „Miteinander“
128. Create Govern based on: „Agentic Software Engineering: Foundation Pillars and Research Roadmap“ von Ahmed E. Hassan et al. (https://arxiv/pdf/2509.06216) Mensch & Maschine Miteinander statt gegeneinander Humans Agentic Guidance Human Workbench Agent Workbench AI Teammate Lifecycle AI Teammate Infrastructure Agents Briefing Script What? SE for Humans SE for Agents Artifacts as Interface
129. Create Create Govern based on: „Agentic Software Engineering: Foundation Pillars and Research Roadmap“ von Ahmed E. Hassan et al. (https://arxiv/pdf/2509.06216) Mensch & Maschine Miteinander statt gegeneinander Humans Agentic Guidance Human Workbench Agent Workbench AI Teammate Lifecycle AI Teammate Infrastructure Agents Briefing Script Loop Script What? How? SE for Humans SE for Agents Artifacts as Interface
130. Create Create Create Govern based on: „Agentic Software Engineering: Foundation Pillars and Research Roadmap“ von Ahmed E. Hassan et al. (https://arxiv/pdf/2509.06216) Mensch & Maschine Miteinander statt gegeneinander Humans Agentic Guidance Human Workbench Agent Workbench AI Teammate Lifecycle AI Teammate Infrastructure Agents Briefing Script Loop Script Mentor Script What? How? Why? SE for Humans SE for Agents Artifacts as Interface
131. Create Create Create Govern Produce Reviewed in based on: „Agentic Software Engineering: Foundation Pillars and Research Roadmap“ von Ahmed E. Hassan et al. (https://arxiv/pdf/2509.06216) Mensch & Maschine Miteinander statt gegeneinander Humans Agentic Guidance Human Workbench Agent Workbench AI Teammate Lifecycle AI Teammate Infrastructure Agents Briefing Script Loop Script Mentor Script Consultation Request Pack What? How? Why? SE for Humans SE for Agents Artifacts as Interface
132. Create Create Create Govern Produce Reviewed in based on: „Agentic Software Engineering: Foundation Pillars and Research Roadmap“ von Ahmed E. Hassan et al. (https://arxiv/pdf/2509.06216) Mensch & Maschine Miteinander statt gegeneinander Humans Agentic Guidance Human Workbench Agent Workbench AI Teammate Lifecycle AI Teammate Infrastructure Agents Briefing Script Loop Script Mentor Script Merge Readiness Pack Consultation Request Pack What? How? Why? SE for Humans SE for Agents Artifacts as Interface
133. Create Create Create Govern Produce Reviewed in Respond with based on: „Agentic Software Engineering: Foundation Pillars and Research Roadmap“ von Ahmed E. Hassan et al. (https://arxiv/pdf/2509.06216) Mensch & Maschine Miteinander statt gegeneinander Humans Agentic Guidance Human Workbench Agent Workbench AI Teammate Lifecycle AI Teammate Infrastructure Agents Briefing Script Loop Script Mentor Script Merge Readiness Pack Consultation Request Pack Version Controlled Resolution What? How? Why? SE for Humans SE for Agents Artifacts as Interface
134. „Menschen wissen, was sie tun. Maschinen tun, was sie wissen.“ Lars Röwekamp, CIO New Technologies, open knowledge
135. generated by Nano Banana, 01.2026 Humans & Machines Best friend forever!
136. generated by Nano Banana, 01.2026 Humans & Machines Best friend forever!
137. generated by Nano Banana, 01.2026
138. Lars Röwekamp LinkedIn: lars_roewekamp Architecture, Cloud, AI & ML CIO New Technologies OPEN KNOWLEDGE generated by Nano Banana, 01.2026