Peter Pedross, CEO & Gründer, PEDCO AG – SAFe Fellow

Mit der zunehmenden Integration autonomer Agenten in Engineering-Organisationen hängt die Qualität ihrer Entscheidungen immer weniger von der Qualität der Prompts und immer stärker von der Qualität des Kontexts ab, in dem sie arbeiten. Context Engineering entwickelt sich zur Disziplin, die Architektur, Governance, Wissen und Engineering-Artefakte zu einer gemeinsamen Entscheidungsumgebung für Menschen und autonome Systeme verbindet. Organisationen werden nicht deshalb AI-native, weil sie autonome Agenten einsetzen, sondern weil organisatorisches Wissen kontinuierlich als operationaler Kontext verfügbar wird.

 

Warum organisatorisches Wissen zur Grundlage des Agentic Engineering wird

Eine Zeit lang schien es, als könnte das sorgfältige Formulieren von Prompts zu einer der entscheidenden Engineering-Fähigkeiten des KI-Zeitalters werden. Organisationen investierten erhebliche Ressourcen in Prompt-Bibliotheken, wiederverwendbare Vorlagen und zunehmend ausgefeilte Prompting-Techniken, um die Qualität und Konsistenz KI-generierter Ergebnisse zu verbessern. Diese Bemühungen waren wertvoll und führten in vielen Fällen zu messbaren Verbesserungen. Unsere Erfahrungen zeigen jedoch, dass sie nur einen relativ kleinen Teil der eigentlichen Herausforderung adressieren.

  • In reifen Engineering-Organisationen liegt die entscheidende Einschränkung nur selten in der Qualität eines Prompts.
  • Sie liegt in der Qualität des Kontexts, der ihn umgibt.

Selbst der sorgfältigst formulierte Prompt kann fehlendes Architekturwissen, nicht dokumentierte Geschäftsentscheidungen oder Engineering-Intentionen, die nie explizit gemacht wurden, nicht kompensieren. Er kann organisatorische Standards nicht zuverlässig von historischen Ausnahmen unterscheiden und auch die Beweggründe hinter Entscheidungen nicht ableiten, die ausschließlich in Gesprächen, Erfahrungen oder dem institutionellen Gedächtnis einer Organisation existieren.

Je stärker autonome Agenten in Engineering-Organisationen integriert werden, desto stärker hängt die Qualität ihrer Entscheidungen von der Qualität der Umgebung ab, in der diese Entscheidungen getroffen werden.

Diese Beobachtung führt zu einer aus unserer Sicht neuen Engineering-Disziplin:

Context Engineering

Während sich Prompt Engineering auf die Verbesserung einzelner Interaktionen mit KI-Systemen konzentriert, richtet Context Engineering den Fokus auf die Verbesserung des gesamten Engineering-Systems. Anstatt zu fragen, wie sich ein besserer Prompt formulieren lässt, stellt Context Engineering eine grundlegend andere Frage:

Wie bauen wir eine Organisation auf, die kontinuierlich besseren Kontext bereitstellt?

Der Unterschied mag auf den ersten Blick subtil erscheinen, seine Konsequenzen sind jedoch tiefgreifend. Engineering-Kontext geht weit über Dokumentation hinaus. Er umfasst Architektur, Solution Intent, Architecture Decision Records, Geschäftsziele, Qualitätsstandards, DevOps-Pipelines, Sicherheitsrichtlinien, Prozessmodelle, Engineering-Workflows, operative Evidenz, klar definierte Verantwortlichkeiten sowie regulatorische Anforderungen. Gemeinsam beschreiben diese Artefakte, wie eine Engineering-Organisation denkt, Entscheidungen trifft und Wert schafft.

Aus dieser Perspektive sollten autonome Agenten nicht lediglich Zugriff auf organisatorisches Wissen erhalten. Sie sollten innerhalb dieses Wissens arbeiten.

Diese Beobachtung verändert die Rolle vieler vertrauter Engineering-Artefakte grundlegend. Sie dienen nicht länger primär dazu, Informationen zwischen Menschen zu übertragen. Zunehmend werden sie selbst Teil der Entscheidungsumgebung und liefern den Kontext, der es sowohl Menschen als auch agentischen Systemen ermöglicht, Probleme konsistent und nachvollziehbar zu bewerten.

This also helps explain an observation that many organizations encounter during their first serious attempts at Agentic Engineering. Organizations with mature engineering systems often experience significantly better outcomes when introducing autonomous agents. Their architectures are explicit, their governance models are understandable and their engineering knowledge already exists as shared organizational context rather than individual experience.

Organizations with fragmented knowledge often experience the opposite. Their agents produce technically correct implementations that nevertheless fail to align with architectural intent, organizational standards or long-term business objectives. Not because the models are incapable, but because the surrounding context is incomplete. The implications reach far beyond artificial intelligence.  Context gradually becomes part of the engineering infrastructure itself. It improves consistency across teams, accelerates onboarding, strengthens architectural integrity and supports continuous adherence to organizational principles and quality objectives. Most importantly, it allows engineering decisions to remain understandable long after the individuals who originally made them have moved on.

One observation has become increasingly clear throughout our own work. Organizations do not become AI-native simply because they adopt autonomous agents. They become AI-native when organizational knowledge itself becomes continuously available as operational context.

Diese Sichtweise erklärt auch eine Beobachtung, die viele Organisationen bei ihren ersten ernsthaften Schritten in Richtung Agentic Engineering machen. Organisationen mit reifen Engineering-Systemen erzielen bei der Einführung autonomer Agenten häufig deutlich bessere Ergebnisse. Ihre Architekturen sind explizit beschrieben, ihre Governance-Modelle sind verständlich und ihr Engineering-Wissen existiert bereits als gemeinsamer organisatorischer Kontext anstatt ausschließlich als individuelles Erfahrungswissen.

Organisationen mit fragmentiertem Wissen erleben häufig das Gegenteil. Ihre Agenten erzeugen technisch korrekte Implementierungen, die jedoch nicht mit der architektonischen Intention, den organisatorischen Standards oder den langfristigen Geschäftszielen übereinstimmen. Nicht weil die Modelle dazu nicht in der Lage wären. Sondern weil der sie umgebende Kontext unvollständig ist. Die Auswirkungen reichen weit über künstliche Intelligenz hinaus. Kontext entwickelt sich schrittweise zu einem Bestandteil der Engineering-Infrastruktur selbst. Er verbessert die Konsistenz zwischen Teams, beschleunigt das Onboarding, stärkt die architektonische Integrität und unterstützt die kontinuierliche Einhaltung organisatorischer Prinzipien und Qualitätsziele. Vor allem aber sorgt er dafür, dass Engineering-Entscheidungen auch lange nachvollziehbar bleiben, nachdem die Personen, die sie ursprünglich getroffen haben, die Organisation verlassen haben.

Eine Beobachtung hat sich in unserer eigenen Arbeit immer deutlicher bestätigt. Organisationen werden nicht deshalb AI-native, weil sie autonome Agenten einführen. Sie werden AI-native, wenn organisatorisches Wissen selbst kontinuierlich als operationaler Kontext verfügbar wird.

  • Prompt Engineering kann einzelne Interaktionen verbessern.
  • Context Engineering verbessert die Engineering-Organisation selbst.

Dieser Wandel könnte – mehr als jedes einzelne Sprachmodell oder jede neue KI-Fähigkeit – letztlich darüber entscheiden, welche Organisationen im Zeitalter des Agentic Engineering erfolgreich sein werden.

Das nächste Kapitel untersucht, warum Applied SAFe bereits heute viele der Engineering-Artefakte bereitstellt, die Context Engineering benötigt, und wie sich diese Artefakte zu einem gemeinsamen Operating Model für Menschen und autonome Systeme weiterentwickeln.

Vorheriges Kapitel Nächstes