Loop Engineering: KI-Agenten schreiben jetzt eigenständig Code
22.06.2026 - 17:43:09 | boerse-global.de
Die KI-Branche erlebt einen grundlegenden Wandel: Statt einzelne Befehle zu formulieren, bauen Entwickler zunehmend autonome Systeme, die sich selbst steuern. Dieser Paradigmenwechsel betrifft auch deutsche Unternehmen, die auf KI setzen.
Die rasante Entwicklung autonomer KI-Systeme stellt Unternehmen vor neue rechtliche Herausforderungen. Dieser kostenlose Umsetzungsleitfaden bietet Ihnen einen kompakten Überblick über alle Anforderungen, Pflichten und Fristen der EU-KI-Verordnung. EU AI Act in 5 Schritten verstehen: Fristen, Pflichten und Risikoklassen kompakt erklärt
Der Abschied vom manuellen Prompt
Boris Cherny von Anthropic und Peter Steinberger von OpenAI beobachten eine Entwicklung, die die Arbeit mit großen Sprachmodellen grundlegend verändert. Statt mühsam einzelne Anweisungen zu optimieren, konstruieren Ingenieure sogenannte „Loops“ – rekursive Systeme, bei denen der KI-Agent mit minimalem menschlichem Eingriff auf ein Ziel hinarbeitet.
Die Entwicklung folgt einer klaren Linie: Zwischen 2022 und 2024 dominierte das Prompt Engineering. Es folgte das Context Engineering, ein Begriff, den Tobi Lütke zwischen 2024 und 2025 prägte. Anfang 2026 kam das Harness Engineering hinzu. Loop Engineering ist nun der aktuelle Schritt – das System baut und betreibt seine eigene Steuerung.
Addy Osmani, Direktor bei Google Cloud, definiert Loop Engineering als Systemdesign, das manuelles Prompting ersetzt. Der Entwickler gibt das Endziel vor, die KI übernimmt eigenständig die Phasen Erkundung, Planung, Ausführung und Verifikation.
Die sechs Säulen der Loop-Architektur
Die Architektur basiert auf dem ReAct-Framework von 2022, wurde aber zu komplexen, mehrschichtigen Systemen erweitert. Ein moderner Loop besteht aus sechs Kernkomponenten:
- Automationen: Zeitgesteuerte oder ereignisbasierte Auslöser
- Worktrees: Isolierte Umgebungen für parallele Verarbeitung
- Skills: Projektspezifisches Wissen für den Agenten
- Plugins und Connectors: Schnittstellen zu externer Software über Protokolle wie MCP
- Sub-Agents: Arbeitsteilung – ein Agent für Ideen, einer für Prüfung
- Memory: Externer Speicher, oft als Markdown, für Zustände zwischen Iterationen
Seit Mai 2026 ermöglichen dynamische Workflows eine massive Skalierung – bis zu 1.000 parallele Agenten sind möglich. Boris Cherny demonstrierte die Effizienz: Er portierte rund eine Million Codezeilen für das Bun-Projekt und erreichte eine Test-Bestehensquote von 99,8 Prozent – innerhalb weniger Tage. Berichten zufolge löschte Cherny Ende 2025 sogar seine Entwicklungsumgebung und verwaltete anschließend 259 Pull-Requests, ohne eine einzige Codezeile manuell zu schreiben.
Während die KI-Entwicklung immer komplexer wird, müssen Unternehmen auch die damit verbundenen Sicherheitsaspekte im Blick behalten. Erfahren Sie in diesem Gratis-Report, wie Sie neue gesetzliche Anforderungen erfüllen und Ihre IT-Infrastruktur proaktiv vor modernen Bedrohungen schützen. Neue KI-Gesetze, neue Cyberrisiken: Was kommt wirklich auf Ihr Unternehmen zu?
Hohe Produktivität, hohe Risiken
Trotz der beeindruckenden Produktivität warnen Experten vor erheblichen Risiken. Das größte Problem: „Loopmaxxing“ – ein KI-Agent gerät in eine Endlosschleife ohne gültige Abbruchbedingung. Die Kosten explodieren.
Die Token-Ökonomie dieser Systeme kann teuer werden. Technische Analysten beziffern die Kosten für 200 Iterationen auf über 80 Euro – verursacht durch den hohen Datenaustausch zwischen mehreren Agenten. Zur Risikominimierung empfehlen Experten einen gestuften Ansatz: „Human-in-the-Loop“-Kontrollen, deterministische Abbruchbedingungen wie automatisierte Tests und „Stagnationsschalter“, die den Prozess stoppen, wenn die KI keine Fortschritte mehr macht.
Kritiker warnen zudem vor einer „Verständnisschuld“ – Code, der schneller produziert wird, als Menschen ihn nachvollziehen können. Oder vor „kognitiver Kapitulation“, wenn Ergebnisse ohne ausreichende Prüfung akzeptiert werden. Moderne Tools wie Claude Code setzen deshalb separate Verifikationsmodelle ein, die sicherstellen, dass die autonomen Ergebnisse die definierten Ziele erreichen.
