Agentic Coding vs. Vibe Coding in Versicherungsprojekten

Der erste Ansatz, das Vibe Coding, fokussiert sich in diesem Spektrum eher auf Geschwindigkeit und sichtbare Ergebnisse. Gemeint ist damit eine Form der KI-gestützten Entwicklung, bei der Tempo und das Ergebnis im Vordergrund stehen. Der Fokus liegt zunächst auf der schnellen Umsetzung von Ideen und Anforderungen. Aspekte wie Architektur, Wartbarkeit oder Sicherheit werden dabei häufig nachgelagert betrachtet und hängen stark vom konkreten Anwendungsfall ab. Code entsteht iterativ und oft im „Flow“, unterstützt durch KI-gestützte Entwicklungswerkzeuge. Ziel ist es, schnell zu einem nutzbaren Ergebnis zu gelangen und Ideen zügig greifbar zu machen.

Typische Einsatzszenarien sind Prototypen, kleine Tools oder klar abgegrenzte, lokale Einzelanwendungen. Vibe Coding eignet sich besonders gut zum Experimentieren: Ideen lassen sich schnell testen, Hypothesen überprüfen und Konzepte greifbar machen. In vielen Fällen entstehen dabei bewusst Wegwerfprodukte – vergleichbar mit einer Skizze auf dem Whiteboard oder einem Mock up, das nicht für den Dauerbetrieb mit Hunderten von Nutzern gedacht ist.

In klar abgegrenzten Settings funktioniert dieses Vorgehen dennoch gut – und ist dort auch sinnvoll. Unschöner Code, fehlende Absicherung oder technische Schulden können in bestimmten Situationen bewusst in Kauf genommen werden, etwa wenn es darum geht, schnell zu lernen oder ein Thema zu verstehen. Vibe Coding eignet sich deshalb unter anderem auch zur Projekteinarbeitung, um sich einen Überblick zu verschaffen, Zusammenhänge zu erkennen oder erste Lösungsansätze zu entwickeln. Wichtig ist folglich, klar zu entscheiden, wann solche schnellen, experimentellen Lösungen ausreichen – und wann stattdessen stabile, wartbare Software notwendig ist.

Damit ist Vibe Coding keineswegs per se problematisch – es ist nur stark davon abhängig, wie groß, wie langlebig und wie kritisch die entstehende Lösung werden soll.

Sobald solche Lösungen intensiver genutzt oder erweitert werden, zeigen sich erste Herausforderungen, insbesondere bei Sicherheit, Wartbarkeit und technischer Stabilität. Auch wenn man diese Schwachstellen mit weiteren Vibe-Coding-Sessions beheben kann, steigt die investierte Zeit mit der Komplexität exponentiell an, und ohne ein professionelles Testing und Security-Review können die Funktionsfähigkeit und Sicherheit der Software nie garantiert werden. Im Projektumfeld werden diese Herausforderungen oft schnell sichtbar. Mit wachsender Codebasis nimmt die Beherrschbarkeit ab: Funktionalitäten entstehen parallel, überschneiden sich oder greifen ungewollt ineinander. Es kommt zu doppelten Implementierungen oder dazu, dass bestehende Features bei der Entwicklung neuer Funktionen unbeabsichtigt beeinträchtigt werden. In manchen Fällen wird der Code selbst für die KI zunehmend schwer verständlich, weil Kontext, Struktur und ursprüngliche Annahmen nicht mehr eindeutig ableitbar sind. Spätestens ab einer bestimmten Projektgröße braucht auch Vibe Coding einen klaren Rahmen – ohne diesen lässt sich die Komplexität nicht mehr beherrschen.

Besonders relevant wird das in regulierten Umfeldern wie der Versicherungsbranche. Nachvollziehbarkeit, Code Qualität und definierte Review Kriterien sind dort keine Kür, sondern Voraussetzung. Diese Anforderungen lassen sich mit einem rein flow getriebenen Entwicklungsansatz kaum einhalten. Zwar können erfahrene Entwickler*innen den Anwendungsbereich von Vibe Coding erweitern, indem sie KI gestützte Entwicklung bewusst strukturieren und einbetten. Ohne klare Leitplanken bleibt der Ansatz jedoch schwer skalierbar und nur begrenzt revisionsfähig. Spätestens ab dieser Reifestufe verschwimmen die Grenzen zwischen Vibe-Coding und KI-gestützter Softwareentwicklung vollständig.

Hinzu kommen klassische Projektrisiken rund um Sicherheit, Wartbarkeit und Dokumentation:

• Sicherheit ist ein komplexes Thema, bei dem bewährte Programmierpraktiken viele grundlegende Risiken abfedern – genau diese können beim Vibe Coding bewusst oder unbewusst umgangen werden.
• Auch Wartbarkeit leidet, wenn Code schwer lesbar, nicht konsistent oder unnötig komplex ist.
• Dokumentation lässt sich zwar durch Sprachmodelle generieren, doch bleibt die Frage, wer für deren fachliche und technische Richtigkeit einsteht. Gerade in langfristigen Projekten ist diese Verantwortung nicht delegierbar.

Deshalb reicht im Projektkontext das Kriterium „funktioniert“ nicht aus. Zwar ließe sich Software theoretisch als Blackbox betrachten, doch entstehen dadurch neue Fallstricke: Tests müssten deutlich umfangreicher ausfallen, implizite Annahmen in den Anforderungen explizit gemacht und Sicherheitsaspekte regelmäßig und vollständig auditiert werden. Gerade die vollständige Security-Untersuchung einer Blackbox gestaltet sich schwierig. In der Praxis bedeutet das häufig, dass der Einsatz von KI ohne ausreichende Transparenz am Ende mehr Zeit und Kosten verursacht – insbesondere dann, wenn die Software erst im Nachhinein verstanden, abgesichert und dokumentiert wird.

Wenn Projekte skalieren, länger laufen oder regulatorische Anforderungen erfüllen müssen, reicht ein „Flow Ansatz“ mit Vibe Coding allein selten aus. An dieser Stelle entsteht der Bedarf nach einem strukturierteren Umgang mit KI – genau hier setzt Agentic Coding an.

Agentic Coding greift genau diesen Bedarf nach mehr Struktur und Steuerbarkeit auf. Wie beim Vibe Coding kommen dabei moderne KI-Werkzeuge zum Einsatz. Der Unterschied liegt jedoch darin, wie die KI in den Entwicklungsprozess eingebunden wird:

Statt ihren Einsatz überwiegend situationsbezogen und explorativ zu gestalten, wird er beim Agentic Coding gezielt geplant und gesteuert. KI Agenten übernehmen klar umrissene Aufgaben, und Menschen definieren Ziele, bewerten Ergebnisse und treffen Entscheidungen. Die Verantwortung für den Code bleibt weiterhin beim Menschen.

Damit diese Zusammenarbeit im Projekt steuerbar bleibt, wird der KI Einsatz bewusst geplant. Aufgaben werden nicht „nebenbei“ an ein Sprachmodell delegiert, sondern strukturiert vorbereitet und kontextualisiert. Die KI arbeitet innerhalb eines Rahmens, der durch Rollen, Prozesse und Werkzeuge vorgegeben ist. Das macht nachvollziehbar, was die KI tut, warum sie es tut – und wie ihre Ergebnisse fachlich einzuordnen sind. Agentic Coding behandelt KI damit nicht als magischer Helfer, sondern als transparenten Bestandteil des Gesamtsystems.

Aus dieser Transparenz folgt das zentrale Prinzip „Human in the Loop“: Menschen behalten den Überblick über den Gesamtzusammenhang und entscheiden an den relevanten Stellen. Das ist besonders dort wichtig, wo fachliche Tiefe, regulatorische Anforderungen oder implizite Annahmen eine Rolle spielen. Gerade in Versicherungsprojekten sind Geschäftslogik, Compliance Vorgaben und fachliche Feinheiten oft so kontextabhängig, dass sie nicht vollständig automatisierbar sind. Häufig braucht es erfahrene Expertinnen und Experten, die Widersprüche erkennen, unklare Anforderungen hinterfragen und Entscheidungen abwägen, die über rein technische Kriterien hinausgehen. Besonders relevant ist dabei ein grundlegendes Prinzip: KI-Systeme tendieren dazu, wahrscheinliche Lösungen zu liefern. Je spezieller also eine Anforderung wird, desto stärker ist die KI auf zusätzlichen Kontext angewiesen, um sinnvoll unterstützen zu können. Ein Beispiel: Während sich eine Website häufig noch eigenständig von KI entwickeln lässt, wird es deutlich anspruchsvoller, einen Versicherungstarifrechner zu erstellen. Noch schwieriger wird es, wenn darin ein Tarif mit einer spezifischen Sonderfunktion aus dem Jahr 1980 korrekt abgebildet werden soll.

Agentic Coding setzt genau hier an: Es geht nicht darum, menschliche Expertise zu ersetzen, sondern Experten zu enablen. Software entsteht weiterhin aus Anforderungen, die verstanden, interpretiert und priorisiert werden müssen – ein Prozess, der nach wie vor stark menschlich geprägt ist. Ein Produkt, das für einen Menschen gedacht ist, sollte auch von einem Menschen erdacht werden. Lassen wir eine KI frei entwickeln, ist das Ergebnis eine Abbildung des internalisierten Verständnisses der KI, keine Lösung für ein spezifisches Problem. Der eigentliche Mehrwert entsteht im Zusammenspiel von Menschen und KI: Während KI strukturierte, wiederholbare Aufgaben übernimmt, bringen Menschen Verantwortung, Kontextverständnis und Entscheidungsfähigkeit ein. Daraus leiten sich die entscheidenden Projektfragen ab – insbesondere rund um Kontrolle, Freigaben und Qualitätssicherung.

Der eigentliche Unterschied zwischen Vibe Coding und Agentic Coding liegt nicht im Tooling, sondern in der Kontrolle über den Entwicklungsprozess und das Ergebnis. Daraus ergibt sich die zentrale Steuerungsfrage: Wer behält wann die Kontrolle?

Diese Kontrollfrage wird relevant, sobald KI nicht nur punktuell unterstützt, sondern systematisch in den Entwicklungsprozess eingebunden wird. Dann entstehen neue Möglichkeiten – aber auch neue Entscheidungspunkte und Herausforderungen. Ergebnisse müssen geprüft, fachlich eingeordnet und bewusst freigegeben werden. Entscheidend ist dabei weniger, dass kontrolliert wird, sondern wann und wie diese Kontrolle stattfindet.

In der Praxis kann Qualitätssicherung mit KI sehr unterschiedlich organisiert sein. Häufig bleibt es beim Prinzip „Human in the Loop“: KI erzeugt Vorschläge, Menschen prüfen und treffen die Entscheidung. Diese Rückkopplungsschleife wird jedoch nicht automatisch kürzer. Erfolgt die Prüfung erst am Ende – etwa in Form eines Pull Requests – können längere Feedbackzyklen entstehen als bei klassischer Entwicklung. Wird die Prüfung hingegen begleitend in den KI‑gestützten Arbeitsprozess integriert, zum Beispiel durch einen Planungsmodus mit anschließender Ergebnisprüfung, bleibt der Mensch kontinuierlich eingebunden. Je nach Ausgestaltung kann dies zu zusätzlichen Abstimmungen führen, unterstützt jedoch Transparenz, Nachvollziehbarkeit und das Human‑in‑the‑Loop‑Prinzip. Unabhängig vom konkreten Setup gilt: Verantwortung und Freigabe müssen beim Menschen liegen. KI kann vorbereiten, strukturieren und beschleunigen – Verantwortung lässt sich nicht delegieren.

Darum passt Agentic Coding besser zu regulierten Umfeldern. Vibe Coding ist bewusst auf Geschwindigkeit und unmittelbare Ergebnisse ausgelegt, nicht auf Langfristigkeit, Nachvollziehbarkeit oder Revisionssicherheit. In Branchen mit klaren Vorgaben zu Qualität, Sicherheit und Dokumentation müssen Teams jedoch jederzeit erklären können, wie Software entstanden ist und warum sie in dieser Form freigegeben wurde. Diese Anforderungen lassen sich nur erfüllen, wenn Kontrolle, Rollen und Entscheidungswege explizit Teil des Entwicklungsprozesses sind.

Was in Prototypen kaum ins Gewicht fällt, wird in produktiver Software schnell kritisch: ungeprüfter oder doppelter Code, fehlende Qualitätssicherung oder implizite Annahmen. Versicherungen gehören zur kritischen Infrastruktur und sind entsprechend exponiert gegenüber Angriffen. Gerade deshalb nimmt die Zahl der Angriffe in diesem Umfeld zu, nicht zuletzt durch den Einsatz von KI, der Angriffe vereinfacht und skaliert. Sicherheitslücken selbst entstehen dabei nicht zwangsläufig häufiger, werden jedoch zunehmend schneller und systematischer entdeckt. Vor diesem Hintergrund geht es nicht darum, KI zu vermeiden, sondern ihren Einsatz bewusst zu begrenzen. KI kann Türen öffnen – entscheidend ist, welche davon im Projektkontext tatsächlich offenbleiben sollten.

KI per se liefert keine Wunder auf Knopfdruck. Echter Mehrwert entsteht, wenn definiert ist, wo der Mensch die Entscheidungshoheit behalten soll, und welche Qualitätsmaßstäbe gelten müssen. Erst auf diesem Fundament wird KI von einer inkonsistenten Unterstützung zum präzisen Werkzeug im Software-Lebenszyklus.

Ein zentrales Einsatzfeld liegt in der Analyse und der Dokumentation. KI kann bei der Einarbeitung in bestehende Systeme helfen, Quellcode analysieren, Zusammenhänge erklären und vorhandene Dokumentation konsolidieren oder ergänzen. Die Verantwortung für Inhalt und Aktualität bleibt jedoch im Team. Entscheidend ist dabei nicht die Menge der erzeugten Dokumentation, sondern welche Informationen tatsächlich benötigt werden, um Systeme zu verstehen, zu betreiben und weiterzuentwickeln.

Auch in Entwicklung und Test ist KI inzwischen fest verankert. Unit-Tests lassen sich automatisiert erzeugen, wiederkehrende Abläufe können über Robotic Process Automation unterstützt werden, und agentische Ansätze helfen dabei, Entwicklungsaufgaben zu strukturieren und vorzubereiten. Agentic Coding wirkt hier vor allem als Beschleuniger: Es unterstützt Entwickler*innen bei der Umsetzung, ersetzt jedoch nicht deren fachliche und technische Verantwortung.

Ein weiterer klarer Mehrwert zeigt sich bei der Einarbeitung neuer Teammitglieder. KI kann als eine Art „Buddy“ dienen, der beim Verständnis von Code, Fachlichkeit und Zusammenhängen unterstützt. Das gilt für Vibe Coding ebenso wie für Agentic Coding. Der Unterschied liegt in der Steuerung des Einsatzes: Beim Agentic Coding wird dieser „Buddy“ nicht unbeaufsichtigt losgeschickt. Der Rahmen ist klar definiert, und die KI agiert innerhalb eines Kontextes, den sie allein nicht vollständig erfassen könnte. Gerade beim Verständnis neuer Konzepte, historisch gewachsener Entscheidungen oder komplexer Probleme bleibt menschliche Erfahrung unverzichtbar.

Wenn durch die Organisation eine datenschutzkonforme LLM-Lösung bereitgestellt wird und KI an interne Logging und Ticketsysteme angeschlossen ist, kann Agentic Coding auch einen Teil der Problemlösung in Produktivsystemen übernehmen. Vorschläge durch die KI müssen vor einer Umsetzung aber mit bestehenden Anforderungen und der Systemarchitektur abgeglichen werden. Auch hier bleibt der Mensch als zentrale Steuerungskomponente bestehen.

Die Praxis verdeutlicht, wo KI heute bereits verlässlich zuarbeitet und wo sie – aufgrund ihrer Limitierungen – zwingend durch menschliche Urteilskraft und Verantwortung vervollständigt werden muss. Für IT-Projektleitende bedeutet dies: Die Kernkompetenz liegt künftig darin, den KI-Einsatz nicht nur zu ermöglichen, sondern ihn sicher zu steuern und zu verantworten.

Governance und Toolsteuerung

Der Einsatz von KI in IT-Projekten lässt sich nicht sinnvoll „nebenbei“ organisieren. Entscheidend ist eine klare Governance, die festlegt, wo KI eingesetzt werden soll, wo sie eingesetzt werden darf – und wo bewusst nicht. Dazu gehört auch, KI-Werkzeuge zentral bereitzustellen, statt den Einsatz über inoffizielle Einzelaufrufe oder Schattenlösungen zuzulassen. Nur so bleibt nachvollziehbar, wie KI im Projekt genutzt wird und welche Auswirkungen sie auf Qualität, Sicherheit und Kosten hat. Noch haben sich für den Tool-Einsatz keine klaren Frameworks und Zusammenarbeitsmuster branchenweit behauptet. Deshalb ist es wichtig, den Teams einen kontrollierten Rahmen bereitzustellen, in dem eine geeignete Arbeitsweise erprobt werden kann.

Transparenz und Dokumentation

Ein weiterer Aspekt ist der bewusste Umgang mit KI-erzeugtem Code. Der Einsatz sollte kenntlich gemacht und dokumentiert werden – nicht nur aus praktischen Gründen wie dem Troubleshooting oder Code-Reviews, sondern auch, um regulatorische Anforderungen zu erfüllen. Insbesondere in Versicherungsprojekten sind solche Nachweise essenziell, da sie die nötige Transparenz und Revisionsfähigkeit für automatisierte Prozesse sicherstellen.

Teamlernen und Wissensaustausch

Dabei geht es jedoch um mehr als klassische Dokumentationspflichten: Nachhaltiger KI-Einsatz entsteht dort, wo Teams reflektieren, was funktioniert, und ihr Vorgehen iterativ anpassen. Da alle Mitarbeitenden individuelle Erfahrungen machen, ist der teaminterne Austausch über persönliche ‚Dos und Don’ts‘ entscheidend. Erst durch diesen Transfer wird aus dem Wissen Einzelner ein kollektiver Fortschritt, von dem das gesamte Projekt profitiert.

Kosten und Wirtschaftlichkeit

Auch Kostenfragen brauchen eine realistische Einordnung. Zwar lassen sich Ausgaben für KI‑Dienste heute weitgehend in Echtzeit überwachen und begrenzen, ihre tatsächliche Einsparwirkung bleibt jedoch schwer zu beziffern. Während in klassischen Projektmodellen eine Vorab-Kalkulation noch denkbar ist, verändern sich in agilen Kontexten Schätzungen, Umfang und Storypoints laufend. Der wirtschaftliche Einfluss von KI ist damit weniger eine Frage exakter Vorausberechnung als vielmehr das Ergebnis kontinuierlicher Beobachtung und Anpassung.

Sicherheit und Qualitätsverantwortung

Sicherheitsrisiken entstehen nicht automatisch durch den Einsatz von KI, solange erfahrene Softwareentwickler*innen die Ergebnisse prüfen und verantworten. In dieser Hinsicht unterscheidet sich KI‑gestützte Entwicklung im Kern nicht von der klassischen Arbeitsweise. Eine neue Qualität des Risikos ergibt sich jedoch an anderer Stelle: Da viele Sprachmodelle auf vergleichbaren Trainingsgrundlagen beruhen, schlagen sie ähnliche Lösungsmuster vor. Damit steigt die Wahrscheinlichkeit, dass verschiedene Organisationen zeitgleich dieselben strukturellen Fehler begehen.

Kompetenzaufbau und Lernerfolg

Ein bewusster Umgang mit KI ist für alle Erfahrungsstufen essenziell: Dass Coding Agents Aufgaben übernehmen können, entbindet Entwickler*innen nicht von der Notwendigkeit, den Code zu durchdringen. Eigenes Verständnis und Problemlösungskompetenz bleiben das Fundament professioneller Softwareentwicklung – insbesondere für Junioren und Auszubildende, die diese Basis erst noch aufbauen müssen, aber ebenso für erfahrene Kräfte im Umgang mit neuen Technologien.

Da sich Werkzeuge und Best Practices derzeit rasant verändern, stoßen rein theoretische Schulungen oft an ihre Grenzen. In der Praxis zeigt sich: Erfahrung schlägt Theorie. Ein nachhaltiger Lernerfolg entsteht durch die aktive Auseinandersetzung mit den KI-Ergebnissen, den regelmäßigen Austausch im Team und die laufende Anpassung des Vorgehens. Nur wer die Funktionsweise der KI-Vorschläge nachvollzieht, kann ihre Möglichkeiten sicher und produktiv steuern.

Vibe Coding und Agentic Coding stehen nicht im Widerspruch zueinander. Beide Ansätze haben unterschiedliche Stärken und können je nach Kontext sinnvoll eingesetzt werden. Entscheidend ist nicht, welcher Ansatz grundsätzlich besser ist, sondern für welchen Kontext er eingesetzt wird. Die Grenzen zwischen beiden Ansätzen sind dabei nicht immer trennscharf – und müssen es auch nicht sein.

Für IT Projekte gilt: Nicht jeder Anwendungsfall braucht maximale Kontrolle, aber auch nicht jedes Projekt verträgt maximale Freiheit. Geschwindigkeit, Experimentierfreude und Lernen haben ihren Platz – genauso wie Struktur, Nachvollziehbarkeit und Verantwortung. Erfolgreiche Projekte unterscheiden bewusst zwischen diesen Kontexten und wählen den passenden Ansatz, statt einem Hype zu folgen.

KI beschleunigt die Softwareentwicklung spürbar, doch echter Mehrwert entsteht erst dort, wo Potenziale mit Erfahrung, klaren Rollen und tragfähigen Prozessen verbunden werden. Führung bedeutet hierbei nicht, den Einsatz zu bremsen, sondern ihn gemeinsam mit dem Team bewusst zu gestalten. Da die Entwickler die Ergebnisse am besten bewerten können, sichert ihre aktive Mitbestimmung die Qualität der Prozesse ab. Trotz aller Automatisierung gilt daher weiterhin: Verantwortung lässt sich nicht an Maschinen übertragen und bleibt eine gemeinsame menschliche Aufgabe.