KI-Gründer warnt: Projektmanager müssen agentenbasierte Software annehmen
Henrik Kniberg erläutert, wie KI-Agenten die Softwareentwicklung verändern – von automatisierten Releases bis hin zum autonomen Backlog-Management. Er argumentiert, dass Projektmanager, die nicht lernen, mit KI zu arbeiten, rasch zum Engpass werden.
KI-Auswirkungen: KI revolutioniert die Softwareentwicklung und ermöglicht es Teams, effizienter Arbeit in höherer Qualität zu liefern.
Wandel im Projektmanagement: Projektmanager müssen sich anpassen, um KI zu integrieren, sonst riskieren sie, zum Engpass im Entwicklungsprozess zu werden.
Agile Praktiken: Die Beibehaltung eines agilen Ansatzes ist entscheidend: Weniger Bürokratie ermöglicht durch KI eine schnellere Projektauslieferung.
Nutzung von Agenten: KI-Agenten übernehmen Aufgaben wie Release-Management und Backlog-Organisation, sodass sich die Teams auf komplexe Themen konzentrieren können.
Zukünftige Kompetenzen: Das effektive Management von KI-Kontexten zu erlernen ist für Projektmanager entscheidend, um im Wandel wettbewerbsfähig zu bleiben.
Henrik Kniberg verfügt über einen Hintergrund im Projektmanagement bei Spotify, LEGO und Mojang. Derzeit ist er Mitbegründer und Chief Scientist bei Abundly.ai. Außerdem ist er Autor von "Generative KI auf den Punkt gebracht".
Wir haben uns mit ihm zusammengesetzt, um darüber zu sprechen, wie KI die Softwareentwicklung – und damit auch das Projektmanagement – verändert. Er sagt, Projektmanager müssen sich auf den Wandel einlassen, sonst werden sie zum Engpass.
Vom Produkt zum KI-Startup
Ich bin Mitbegründer und Chief Scientist bei Abundly.ai, wo ich die Entwicklung unserer Plattform für autonome KI-Agenten leite.
Unlock for Free
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Zuvor arbeitete ich als Agile Coach bei Spotify und LEGO und war an der Entwicklung von Minecraft bei Mojang beteiligt. Tatsächlich habe ich ein Video namens "Spotify Engineering Culture" erstellt, das oft als das "Spotify-Modell" bezeichnet wird und den Produktentwicklungsansatz beschreibt.
Außerdem bin ich Autor von "Generative KI auf den Punkt gebracht".
Wie KI es Softwareteams ermöglicht, mehr mit weniger Aufwand zu liefern
Projektmanagement für Softwareentwicklung kann mittlerweile mit KI-Unterstützung viel schneller erfolgen. Das verändert die Projektauslieferung grundlegend.
Dadurch kann ich mich mit meinem Team viel mehr auf Architektur, Design und UX konzentrieren – also auf die Bereiche, in denen wir eigentlich unsere Zeit investieren sollten – und weniger Zeit mit dem Tippen und Debuggen von Code verbringen.
Das Ergebnis ist, dass wir mehr liefern und die Qualität steigern können. Und das schaffen wir in kürzerer Zeit mit einem kleineren Team.
Mit KI können wir mehr liefern und die Qualität steigern. Und das schaffen wir in kürzerer Zeit mit einem kleineren Team.
Warum Teams auf minimale Bürokratie setzen sollten
Wir entfernen uns nicht von traditionellen Projektmanagement-Methoden – wir haben sie einfach nie verwendet.
Wir haben von Anfang an agile Methoden angewandt und bemühen uns, diesen Ansatz beizubehalten, auch wenn wir wachsen. Wir haben einen Ein-Wochen-Rhythmus, bei dem wir uns freitags abstimmen, um Fortschritte und Prioritäten zu besprechen. Wir verwenden ein einfaches Kanban-Board mit WIP-Limits und einer Triage-Spalte – quasi ein Posteingang, der jede Woche geleert wird: Jedes Element kommt rein oder raus.
Jeder Commit wird automatisch in eine gemeinsame Testumgebung deployt. In die Produktion liefern wir etwa zweimal pro Woche oder öfter, wenn es nötig ist.
Außerdem machen wir fast jeden Tag ein informelles Meeting. Wir setzen uns einfach zusammen und besprechen, woran wir heute arbeiten.
Generell versuchen wir, die Bürokratie so gering wie möglich zu halten. Und KI hilft uns dabei.
Wir versuchen, die Bürokratie so gering wie möglich zu halten. Und KI hilft uns dabei.
Wie Agenten Release- und Änderungsmanagement transformieren
Wir experimentieren täglich mit agentischen Workflows, denn das ist unser Kerngeschäft.
Zum Beispiel haben wir einen Release-Manager-Agenten entwickelt. Immer wenn wir auf die Produktion releasen möchten, was etwa zweimal pro Woche vorkommt, pingen wir diesen Agenten – entweder in Slack oder in unserer App.
Wenn er gepingt wird, prüft der Agent die letzten Änderungen in unserem Test-Branch, analysiert die Commits und generiert und veröffentlicht zwei Versionen der Release Notes – eine für den internen Gebrauch und eine für externe Nutzer, die nicht kundenrelevante Änderungen auslässt. Anschließend analysiert er unsere Dokumentationsseite, um zu überprüfen, ob Aktualisierungen nötig sind, und stellt bei Bedarf eine Pull-Request für Änderungen.
Wir passen die Anweisungen dieses Agenten ständig an. Die letzte Anpassung war das Prüfen auf Sicherheitsprobleme.
Ein weiteres Beispiel, an dem wir momentan arbeiten, ist ein Agent, der interne Produktänderungsanfragen bearbeitet. Wenn ein Stakeholder ein Problem meldet oder eine Funktion anfragt, bewertet der Agent automatisch die Priorität, prüft den Code, um die Komplexität der Änderung einzuschätzen, und veröffentlicht eine Analyse auf Slack. Dann entscheidet er, ob er das Problem eigenständig behebt und eine PR erstellt oder ob Unsicherheiten bestehen und er deshalb zunächst Rücksprache hält. Außerdem legt er ein Ticket in unserem Backlog an, um den Fortschritt nachzuverfolgen. Und wenn er eigenständig eine Änderung durchführt, testet er diese im Browser, um die Auswirkungen auf das UI zu überprüfen, fügt dem PR Screenshots hinzu und begutachtet die Codequalität.
Ziel dieses Agenten ist es, automatisch alle einfacheren Aufgaben zu übernehmen, damit mein Team sich auf die komplexeren Aufgaben konzentrieren kann. Allerdings erledigen wir auch diese komplexen Aufgaben mit Hilfe von KI!
Weitere Anwendungsfälle bei uns sind Recherche, Screening, Compliance-Prüfungen, Dokumentenaustausch und mehr.
Warum Menschen in KI-gesteuerter Entwicklung weiterhin eingebunden sein müssen
Wir versuchen also grundsätzlich, KI in jeden Prozess einzubinden. Zum Beispiel kann KI im Backlog-Management einige Tickets umsetzen und das Release-Management übernehmen.
Wir versuchen grundsätzlich, KI in jeden Prozess einzubinden. Aber wir behalten an passenden Stellen einen Mensch-in-der-Schleife bei.
Aber das Wichtigste ist: Wir behalten an passenden Stellen einen Mensch-in-der-Schleife bei.
Obwohl wir KI für die Entwicklung einsetzen, ist sie eher wie ein Pair-Programming-Partner als die Auslagerung an eine Offshore-Firma. Das heißt, wir sind weiterhin tief in den Code eingebunden – wir lassen die KI nur den Großteil schreiben.
Wie ein KI-orientierter Engineering-Stack funktioniert
Was die Entwicklung betrifft, nutzen wir Cursor mit Claude Opus. Außerdem experimentieren wir auch mit Claude Code.
Cursor + Claude ist eine unglaublich leistungsstarke Kombination – wie Pair-Programming mit einem extrem schnellen, genialen Kollegen. Und wir haben eine ziemlich umfassende Sammlung von Regeldokumenten erstellt, um dem KI-Modell Kontext zu liefern.
Unser Produkt wird mit kontinuierlicher Auslieferung in Google Cloud Run und Vercel bereitgestellt. So bringen wir durch das Erstellen eines PR und das Mergen in "Main" – oder indem wir einen Agenten damit beauftragen – neue Funktionen in die Produktion. Unser Code ist Typescript, sowohl im Frontend als auch im Backend.
Die Verwendung derselben Programmiersprache im gesamten Stack macht das Leben sowohl für unsere Agenten als auch für uns leichter.
Die Verwendung derselben Sprache im gesamten Stack macht das Leben sowohl für uns als auch unsere Agenten einfacher.
Unser gesamter Code befindet sich in einem Monorepo, das bedeutet, dass verschiedene Projekte, Apps und Bibliotheken im gleichen Repository liegen. Auch das vereinfacht die Arbeit, da ein einzelner Commit sowohl Frontend- als auch Backend-Änderungen enthalten kann. Das macht das Abhängigkeitsmanagement leichter.
Was das Projektmanagement betrifft, nutzen wir ein Kanban-Board in Notion, um unsere Arbeit und Prioritäten zu organisieren und zu visualisieren. Und wir haben einen Agenten eingerichtet, der damit interagiert. Ein typisches Szenario: Jemand spricht ein Problem in Slack an, nach ein paar Nachrichten schreibt jemand: „Hey @backlogger, bitte erstelle ein Ticket dafür“. Der Agent interpretiert den Slack-Thread, sucht im Kanban-Board nach ähnlichen Tickets und aktualisiert entweder ein bestehendes Ticket oder erstellt ein neues – inklusive Kontext und relevanter Screenshots aus Slack. Super praktisch!
Wir nutzen diesen Agenten jeden Tag. Unsere Planungsmeetings laufen jetzt deutlich schneller ab, da jedes Ticket eine superklare Beschreibung, einen Screenshot und einen Link zum Slack-Thread enthält. In Zukunft wollen wir das so erweitern, dass Prioritäten vorgeschlagen und einfache Probleme automatisch behoben werden.
Wie Claude Opus 4.5 das Spiel verändert hat
Insgesamt bin ich ständig überrascht, wie schnell sich die Tools und Modelle weiterentwickeln und verbessern. Das zwingt uns dazu, stets die neuesten Entwicklungen zu bewerten.
Kürzlich wurde Claude Opus 4.5 veröffentlicht, und es ist wirklich gut darin, komplexere Codeänderungen durchzuführen. Dadurch sind wir jetzt eher dazu geneigt, ein Problem mit einer einzigen, detaillierten Eingabeaufforderung zu lösen – also mit einem Durchgang – anstatt in kleinen Schritten mit menschlicher Beteiligung bei jedem Schritt zu arbeiten.
Wir bitten es im Grunde, ein kniffliges Problem zu lösen, während wir Mittagessen gehen.
Es funktioniert überraschend effektiv. Wir müssen den Code zwar noch überprüfen, aber meistens ist er in Ordnung.
Warum Projektmanager lernen müssen, mit KI-Agenten zu arbeiten
In Zukunft werden sich Projektmanager daran gewöhnen müssen, ein Team zu leiten, das aus menschlichen und KI-Kollegen besteht. Das bedeutet Sie.
Sie als Projektmanager müssen sich daran gewöhnen, mit KI-Agenten als Kollegen zu arbeiten. Tun Sie das nicht, werden Sie zum Engpass im Prozess. Alles wird sich mit einer Geschwindigkeit bewegen, zu der Sie nicht mehr aufschließen können.
Wenn Sie nicht wissen, wie man KI effektiv nutzt, ist das wie wenn Sie nicht wissen, wie man das Internet effektiv nutzt. Sicher, Sie können immer noch Projektmanagement ohne Internet betreiben. Aber Sie wären stark eingeschränkt und Ihre Berufsaussichten wären düster.
Wenn Sie nicht wissen, wie man KI effektiv nutzt, ist das wie wenn Sie nicht wissen, wie man das Internet effektiv nutzt.
Wie besseres Kontextmanagement zuverlässigere Ergebnisse aus KI ermöglicht
Das Feld verändert sich ständig, daher ist das Wichtigste: Experimentieren.
Experimentieren Sie mit verschiedenen KI-Tools und Anwendungsfällen. Schärfen Sie Ihre Fähigkeiten als Nutzer und Kontextingenieur. Und schauen Sie, womit Sie und Ihr Team Zeit verbringen – wo kann KI helfen, Zeit zu sparen oder Qualität zu verbessern?
Über das Experimentieren hinaus ist das Kontextmanagement – also zu verstehen, wie LLMs mit Kontext arbeiten – entscheidend. Wenn Sie sich damit beschäftigen, werden Sie KI-Tools gezielter auswählen und einsetzen können. Die meisten KI-Fehlschläge passieren wegen schlechtem Kontextmanagement. Anders gesagt: Sie scheitern, weil die nötigen Informationen fehlen.
Niemand weiß, was die Zukunft bringt, aber wer geschickt mit generativer KI umgeht, ist besser darauf vorbereitet, mit allem umzugehen, was die Zukunft bereithält.
Bleiben Sie dran
Sie können Henrik Kniberg dabei begleiten, wie er in PM die agentenbasierten Grenzen verschiebt – auf YouTube, LinkedIn und X. Und verpassen Sie nicht sein Produkt, Abundly.ai.
Weitere Experteninterviews folgen demnächst bei The Digital Project Manager!