Agentic Coding im Data-Science-Kontext

KI-Agenten, die eigenständig programmieren, testen und Code ausführen sind für viele EntwicklerInnen mittlerweile fester Bestandteil des Arbeitsalltags – auch im Data-Science-Kontext. Doch was sind die Hintergründe, wo liegen die Chancen – und wo die Risiken, wenn KI-Agenten nicht nur einzelne Codezeilen vorschlagen, sondern ganze Programmieraufgaben selbstständig übernehmen? Ein Überblick.

Was ist Agentic Coding überhaupt?

Agentic Coding bezeichnet einen Ansatz, bei dem KI-Agenten eigenständig komplexere Programmieraufgaben übernehmen: Sie planen, schreiben und testen Code über mehrere Schritte hinweg, statt lediglich einzelne Zeilen auf Zuruf zu generieren. Dabei greifen sie selbstständig auf Werkzeuge wie Terminals oder Dateisysteme zurück.

Damit unterscheidet sich Agentic Coding deutlich von den bislang bekannten Formen KI-gestützten Programmierens. Grob lassen sich drei Varianten unterscheiden, die sich vor allem durch den Grad der Handlungsautonomie der KI unterscheiden:

• Chat-Support – die KI als "Gesprächspartner", der bei Fragen oder Unsicherheiten zur Seite steht.
• IDE-Integration – die KI als "Assistent bzw. Sekretär", von der Code-Vervollständigung bis zur vollständigen Skriptentwicklung, etwa über Tools wie den Posit Assistant, den JetBrains AI Assistant oder Copilot.
• Agenten – die KI als "Junior-Dev", der umfassend codet, reviewt, pusht und ausführt. Zu den bekanntesten Vertretern zählen Claude Code, Codex und OpenCode.

Wie dynamisch sich dieser Markt entwickelt, zeigt ein Blick auf aktuelle Nutzungszahlen unter EntwicklerInnen: Laut der JetBrains Developer Ecosystem Survey(opens in new tab) ist die Nutzung von Claude Code binnen weniger Monate sprunghaft angestiegen, während klassische IDE-Integrationen wie GitHub Copilot relativ an Bedeutung verlieren.

Quelle: https://blog.jetbrains.com/research/2026/08/ai-coding-agent-adoption-2026/

Effizienzgewinne – aber nicht ohne Wermutstropfen

Die Versprechen rund um Agentic Coding sind groß. Laut einer aktuellen Black-Duck-Studie(opens in new tab) berichten 92 Prozent der befragten EntwicklerInnen von Produktivitätssteigerungen durch KI-Coding-Assistenten, im Schnitt gewinnen sie rund acht Stunden pro Woche zurück.

Doch dieselbe Studie zeigt auch: 90 Prozent der Entwicklerteams haben Probleme mit KI-generiertem Code. Konkret entstehen Engpässe bei der manuellen Überprüfung des Codes (52 %), bei Sicherheitstests (51 %) und bei der Überarbeitung des generierten Codes (48 %). Der eigene Produktivitätssprung darf also nicht dazu führen, dass er zulasten der KollegInnen geht, die im Nachgang Ergebnisse kontrollieren und zurechtrücken müssen.

Agentic Coding: Wer profitiert von den Effizienzgewinnen

Auch wer von den Effizienzgewinnen tatsächlich profitiert, ist differenziert zu betrachten: Eine im Fachjournal Science veröffentlichte Studie(opens in new tab) zur globalen Verbreitung und Wirkung generativer KI beim Programmieren kommt zu dem Ergebnis, dass vor allem erfahrene EntwicklerInnen profitieren, während Nachwuchskräfte kaum messbare Produktivitätsgewinne erzielen. Effizienz lässt sich also am ehesten fördern, wenn die KI-Unterstützung aktiv und aufmerksam gelenkt wird, statt sie frei und ungesteuert laufen zu lassen – nur so bleibt der entstehende Code auch wartbar.

Bemerkenswert ist zudem ein psychologischer Aspekt: Laut einer aktuellen Coddy-Studie(opens in new tab) stimmen 41 Prozent der befragten EntwicklerInnen mindestens drei von vier Aussagen zu, die auf eine Art "Sog-Wirkung" von KI-Coding-Tools hindeuten – etwa, dass sie die Zeit vergessen, Schwierigkeiten beim Aufhören haben oder nach Feierabend weiterprogrammieren, obwohl sie eigentlich aufhören wollten.

Agentic Coding: Herausforderungen und Risiken – Besonderheiten im Data-Science-Kontext

Neben den allgemeinen Herausforderungen rund um Sicherheit und Datenschutz – etwa unbeabsichtigter Datenabfluss, Fragen zu Hosting und Souveränität, halluzinierte Software-Pakete ("Slopsquatting"), Re-Identifikationsrisiken trotz vermeintlicher Anonymisierung oder manipulierte Kontext-Artefakte wie Skills und Prompts als Angriffsvektor – bringt der Data-Science-Kontext noch einmal eigene Besonderheiten mit:

• Methodische Grundregeln müssen eingehalten werden, damit Analysen fachlich korrekt bleiben.
• Unsicherheiten durch variablen Dateninput und Phänomene wie Model-Drift erschweren die verlässliche Bewertung von KI-generiertem Code.
• Bias muss aktiv erkannt und vermieden werden.
• Testfälle sind in der Data Science oftmals komplexer als im klassischen Software-Engineering.

Hinzu kommen typische Fallstricke, für die es aber auch klare Lösungsansätze gibt: Zugriff auf veraltetes Wissen lässt sich durch gepflegte Metadaten adressieren, fehlerhaftem Code begegnet man durch definierte Code Review Prozesse in denen KI-Agenten und menschliche Experten den Code prüfen. Dabei sollte klar definiert sein, dass die finale Verantwortung für die Ergebnisse immer beim Menschen liegt.

Ein Ad-hoc- bzw. PoC-Niveau des KI-generierten Outputs lässt sich durch professionelle Standards vermeiden und unpassendem Stil wirkt eine gepflegte Konfiguration mit Vorlagen und Standards entgegen.

Data- & AI-Governance als belastbares Fundament für den KI-Einsatz

Wie John Chambers, einer der Kernentwickler von R, es in seinem Standardwerk "Software for Data Analysis" formuliert: Eine Analyse muss nicht nur korrekt, sondern auch nachweisbar vertrauenswürdig sein. Wer Ergebnisse erhält, kann sie in der Regel nicht selbst direkt verifizieren – er oder sie muss der Analyse und der dahinterstehenden Software vertrauen können. Einen wichtigen Teil der damit einhergehenden Fragen kann sich durch Data und AI Governance beantworten lassen.

Damit Agentic Coding sicher und erfolgreich eingesetzt werden kann, braucht es klare Rahmenbedingungen. Sechs Bausteine sind dabei zentral:

1. Datenklassifizierung – klare Freigabestufen statt Einzelfallentscheidung im Entwicklungsalltag, die regeln, welcher Code und welche Kunden- oder Personendaten in welches Modell dürfen.
2. Tool- & Modellfreigabe – eine Positivliste geprüfter Werkzeuge, auf die KIs selbständig zugreifen können, verhindert Schatten-KI in der IDE und berücksichtigt Hosting-Standort, Auftragsverarbeitung und die Einordnung nach dem AI Act.
3. Rechte & Sandboxing – nach dem Least-Privilege-Prinzip erhalten Agenten abgegrenzte Umgebungen ohne direkten Produktivzugriff. Das Least-Privilege-Prinzip besagt, dass BenutzerInnen, Programme und Systeme nur genau die Zugriffsrechte erhalten, die für ihre tägliche Arbeit zwingend nötig sind.
4. Human-in-the-Loop – Review-Pflicht für generierten Code, kein automatischer Merge oder Deployment ohne menschliche Bestätigung.
5. Nachvollziehbarkeit – Kennzeichnung KI-generierter Anteile, Protokollierung von Prompts und Agentenaktionen sowie eine prüffähige Commit- und Entscheidungshistorie.
6. IP, Lizenzen & Security – Bewertung von Urheber- und Lizenzrisiken, Prüfung von Abhängigkeiten gegen erfundene Pakete sowie fest verankerte Security- und Testgates.

Als hilfreicher Lösungsbaustein für den Kontext-Teil dieser Governance kann ein zentraler "Context Layer" dienen, wie ihn etwa das Open-Source-Projekt OpenMetaData verfolgt: Es vereint technischen Kontext (Schemas, Tabellen, Lineage), Semantik (Glossar, Ontologien) und Memory (Entscheidungen, Audit-Trail) in einem gemeinsamen Graphen. So entsteht ein geteiltes Verständnis für Menschen und KI-Agenten darüber, was Daten bedeuten, woher sie stammen und ob sie vertrauenswürdig sind – Governance und Security werden strukturell im Graphen verankert statt nachträglich aufgesetzt.

Auch etablierte Anbieter aus dem Data-Science-Ökosystem reagieren auf diesen Bedarf: Posit bietet über Posit Workbench zentrale Admin-Kontrollen, ein MCP-Registry-Gateway (Posit Connect) sowie einen kuratierten Package Manager. Anaconda wiederum setzt auf vertrauenswürdige, vorab geprüfte Modelle und Pakete, skalierbares und sicheres Compute sowie individuell definierbare Plattform-Richtlinien und Governance für agentische KI-Workflows.

Agentic Coding: Unterstützungspotenzial entlang des Data-Science-Workflows

Wie stark KI-Agenten im Data-Science-Prozess tatsächlich unterstützen können, unterscheidet sich deutlich je nach Phase:

• Problemverständnis & Use-Case-Definition (gering): Dieser Schritt bleibt strategisch und stakeholdergetrieben. Erst wenn Problem und Anforderungen geklärt sind, kann KI helfen, Domänenwissen zu vertiefen und Lösungswege zu finden.
• Datenbeschaffung & -aufbereitung (mittel bis hoch): KI unterstützt gut bei der Nutzung von Schnittstellen, beim Data Cleaning, bei der Aufbereitung unstrukturierter Daten und beim schnellen Verständnis neuer Datensätze. Bei sensiblen oder sehr spezifischen Fällen bleibt jedoch menschliches Spezialwissen unverzichtbar.
• Modellentwicklung & Evaluation (hoch): Hier zeigt sich das größte Potenzial – etwa bei der Vertiefung von Domänenwissen und der dynamischen Iteration von Modellvarianten. Zu beachten ist allerdings, dass Agenten tendenziell auf verbreitete statt zwingend passende Methoden zurückgreifen und es bei der Definition eines Evaluationsdatensatzes menschlichen Input braucht.
• Visualisierung & Dashboarding (mittel bis hoch): Abbildungen lassen sich gut erstellen, prüfen und anpassen, auch Tests sind gut möglich. Allerdings neigen KI-generierte Visualisierungen gelegentlich zu hoher Informationsdichte oder ausgefallenem Stil – manueller Feinschliff bleibt empfehlenswert.
• Deployment & Integration (mittel): Viel Boilerplate-Code lässt sich automatisieren, ebenso Pipelines und Funktionstests; bei Infrastrukturentscheidungen kann KI beratend zur Seite stehen.
• Monitoring & Maintenance (mittel bis hoch): KI kann bei der Einrichtung von Logging- und Monitoringsystemen sowie bei der Zusammenfassung von Logs zu Handlungsempfehlungen unterstützen. Besonderheiten und Hintergründe – etwa spezielle Events – müssen ihr aber mitgegeben werden, und Änderungsentscheidungen am Produktivsystem bleiben Aufgabe des Menschen.

Fazit

Agentic Coding hat das Potenzial, Data-Science-Prozesse deutlich effizienter zu gestalten – von der Datenaufbereitung über die Modellentwicklung bis hin zum Monitoring produktiver Systeme. Damit dieses Potenzial aber tatsächlich zu echten Effizienzgewinnen führt und sich die Aufwände nicht lediglich verschieben, braucht es die richtigen Rahmenbedingungen: eine durchdachte Data & AI Governance, klare Regeln für Freigaben, Nachvollziehbarkeit und Human-in-the-Loop-Prozesse sowie ein bewusster, aufmerksamer Umgang mit den neuen Werkzeugen. Zwei Prinzipien bringen es auf den Punkt: "Code first, always" – KI-Ergebnisse werden als überprüfbarer, revidierbarer und versionsverwalteter Code ausgegeben. Und: In "governed environments" sorgt das System für die Einhaltung der Vorschriften, nicht die oder der Einzelne.