// KI-Agenten 31.05.2026 · 14:33 Uhr 4 Min. Lesezeit

Transformation der Softwareentwicklung durch KI-Agenten bei Salesforce

Mindverse News

KI-gestützt erstellt 10 Quellen Arbeitsweise

Transformation der Softwareentwicklung durch KI-Agenten bei Salesforce — Symbolbild

Das Wichtigste in Kürze

Salesforce hat nach eigenen Angaben seinen Softwareentwicklungsprozess auf KI-Agenten umgestellt, die auf Anthropic's Claude Code basieren.
Ein API-Migrationsprojekt, das traditionell 231 Personentage in Anspruch genommen hätte, wurde demnach in 13 Tagen abgeschlossen.
Die Entwickler bei Salesforce konnten eine Steigerung der Pull Requests um 79 Prozent verzeichnen, während gleichzeitig die Fehlerquote um fünf Prozent sank.
Die Rolle der Entwickler wandelt sich von reinen Code-Autoren zu Orchestratoren von spezialisierten KI-Agententeams.
Es werden Herausforderungen in Bezug auf Kontextmanagement, Sicherheit und die Entwicklung von Junior-Talenten in dieser neuen Arbeitsweise diskutiert.

Revolution in der Softwareentwicklung: KI-Agenten transformieren Migrationsprozesse bei Salesforce

Die Integration von Künstlicher Intelligenz (KI) in Unternehmensprozesse nimmt stetig zu. Ein aktuelles Beispiel liefert Salesforce, das nach eigenen Angaben durch den Einsatz von KI-Agenten eine signifikante Beschleunigung und Effizienzsteigerung in seiner Softwareentwicklung erzielt hat. Insbesondere bei einer komplexen API-Migration konnte eine drastische Verkürzung der Projektlaufzeit berichtet werden.

Die Umstellung auf agentenbasierte Workflows

Salesforce hat seinen gesamten Entwicklungsprozess auf sogenannte "agentic workflows" umgestellt. Dies bedeutet, dass die Softwareerstellung nicht mehr primär durch manuelle Codierung erfolgt, sondern durch die Orchestrierung von KI-Agenten. Als zentrale Technologie kommt dabei Anthropic's Claude Code zum Einsatz, der den Entwicklern ohne Token-Limits zur Verfügung gestellt wird.

Die Ergebnisse dieser Umstellung, die sich auf den April 2026 beziehen und mit dem Vorjahresmonat verglichen wurden, zeigen nach Angaben von Salesforce eine deutliche Effizienzsteigerung:

Die Anzahl der abgeschlossenen Arbeitselemente pro Entwickler stieg um 50,8 Prozent.
Die Anzahl der zusammengeführten Pull Requests pro Entwickler erhöhte sich um 79 Prozent.
Ein auf maschinellem Lernen basierender "Effective Output Score", der den tatsächlichen Wert des ausgelieferten Codes misst, verbesserte sich um 151,3 Prozent.

Es ist wichtig zu beachten, dass diese Zahlen auf internen Berichten von Salesforce basieren und nicht unabhängig verifiziert wurden.

Qualität und Sicherheit im Fokus

Die Frage, ob eine solche Geschwindigkeitssteigerung zu Lasten der Qualität geht, wird von Salesforce mit Verweis auf die eigene Monitoring-Plattform, Engineering 360, beantwortet. Trotz der Zunahme an Pull Requests sei die Anzahl der Vorfälle um fünf Prozent gesunken. Dies wird auf integrierte Sicherheitsvorkehrungen und Qualitätsstandards innerhalb der agentenbasierten Workflows zurückgeführt. Srinivas Tallapragada, Leiter der Entwicklung bei Salesforce, äußerte sich dazu, dass bei korrektem Einsatz von agentenbasierten Tools die Qualität nicht unter der Geschwindigkeit leide, sondern davon profitiere.

Ein weiterer Aspekt ist die Entwicklung von "Claude Code Skills". Dies sind wiederverwendbare Fähigkeiten, die teaminterne Kontexte, Namenskonventionen und Workflow-Muster kodieren. Salesforce hat zudem eine Bibliothek namens "AI Expert Suite" und "Salesforce Foundation Plugins" aufgebaut, die als gemeinsame Basis für alle Entwickler dient. Dies ermöglicht es, Sub-Agenten und Agenten-Teams zu spezialisieren, die parallele Arbeitsströme innerhalb einer größeren Aufgabe bearbeiten können. Entwickler beschreiben das gewünschte Ergebnis, und die koordinierten Agenten übernehmen die einzelnen Schritte.

Fallbeispiel: API-Migration in Rekordzeit

Ein konkretes Beispiel für den Erfolg der KI-Agenten ist die Migration von 33 API-Endpunkten auf eine neue Cloud-native Architektur. Salesforce schätzte den traditionellen Aufwand hierfür auf etwa 231 Personentage. Durch den Einsatz eines regelbasierten Frameworks auf Basis von Claude mit Markdown-Dateien und Referenzimplementierungen konnte die Migration nach Unternehmensangaben in nur 13 Tagen abgeschlossen werden – eine 18-fache Beschleunigung.

Jede Runde von Feedback zu Pull Requests wurde in das Regelsystem eingespeist, wodurch sich die Genauigkeit kontinuierlich verbesserte. Autonome LLM-Schleifen für das Erstellen, Korrigieren und Validieren liefen ohne manuelle Eingriffe. Die Migrationen wurden in isolierten Umgebungen parallelisiert. Das Ergebnis waren fünf Pull Requests, wobei der größte einzelne Pull Request 21 Endpunkte mit vollständiger Testabdeckung lieferte.

Die zentrale Fähigkeit in diesem neuen Paradigma sei laut Tallapragada, Probleme für ein agentenbasiertes System zu strukturieren, zu wissen, wann delegiert oder eingegriffen werden muss, und wiederverwendbare Muster zu entwickeln, die das Team nutzen kann.

Offene Fragen und zukünftige Herausforderungen

Trotz der Erfolge benennt Salesforce auch eine Reihe ungelöster Probleme. Dazu gehören das Kontextmanagement in langen agentenbasierten Sitzungen und die variierende Qualität von CLAUDE.md-Dateien (persistente Kontextkonfigurationen, die Claude mit einer Codebasis abstimmen), die einen großen Einfluss auf die Ausgabequalität haben.

Ein weiterer wichtiger Punkt ist die Sicherheit. Wenn Agenten nicht nur Vorschläge machen, sondern direkt in Systemen agieren, vergrößert sich das potenzielle Ausmaß von Fehlkonfigurationen erheblich.

Auch die Talententwicklung wirft Fragen auf: Wie können Junior-Ingenieure zu Senior-Ingenieuren heranwachsen, wenn KI einen Großteil der Einstiegsaufgaben übernimmt? Welche Rolle spielen Designer oder Produktmanager in dieser neuen Welt? Salesforce experimentiert mit neuen Teamstrukturen, beispielsweise Ein- oder Drei-Personen-Einheiten anstelle traditioneller Scrum-Teams, hat aber noch keine endgültigen Antworten gefunden.

Kontroversen und Debatten in der Branche

Die Einführung von KI-Agenten in der Softwareentwicklung ist nicht unumstritten. Kritiker wie der bekannte Programmierer George Hotz warnen davor, dass der Einsatz von KI-Agenten eine der kostspieligsten Fehler der Branche werden könnte. Er argumentiert, dass Large Language Models (LLMs) zwar die Verteilung des Programmierens nachahmen, aber niemals wirklich programmieren können. Insbesondere große Organisationen seien gefährdet, da schwächere Entwickler fehlerhafte Ausgaben nicht erkennen könnten.

Auch Andrej Karpathy, der sich mittlerweile zu den Befürwortern des agentenbasierten Codierens zählt, hat Qualitätsprobleme angesprochen. Agentengenerierter Code sei nicht immer "super erstaunlicher Code", sondern oft "aufgebläht, voller Kopien und Einfügungen, mit unbequemen Abstraktionen, die brüchig sind". Dennoch sieht Karpathy, der kürzlich zu Anthropic wechselte, großes Potenzial in dem neuen Ansatz.

Diese Entwicklungen sind Teil einer breiteren Debatte über die steigenden Kosten von KI im Verhältnis zu ihren Vorteilen und die tatsächliche Produktivität, die Modelle im Arbeitsalltag liefern.

Fazit

Die Erfahrungen von Salesforce mit KI-Agenten in der Softwareentwicklung deuten auf ein erhebliches Potenzial zur Effizienzsteigerung und Beschleunigung von Entwicklungsprozessen hin. Die berichteten Zahlen sind beeindruckend, erfordern jedoch eine kritische Betrachtung, da sie auf internen Messungen basieren. Die Transformation der Entwicklerrolle hin zu Orchestratoren und die Notwendigkeit, neue Fähigkeiten im Umgang mit agentenbasierten Systemen zu erlernen, sind zentrale Aspekte dieser Entwicklung. Gleichzeitig bleiben wichtige Fragen hinsichtlich Sicherheit, Talententwicklung und der langfristigen Auswirkungen auf die Codequalität bestehen, die die Branche in den kommenden Jahren beschäftigen werden.