Vordenker

Der Aufstieg des AI-Orchestrierungsingenieurwesens

Andrew Filev
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
A cinematic, wide-angle shot of a technical professional sitting at a futuristic curved workstation in a dark data center, orchestrating a complex digital workflow displayed on glowing holographic glass panels.
Wichtige PunkteEin dreiköpfiges OpenAI-Team hat eine Million Zeilen über Codex ausgeliefert, ohne…
Mehr anzeigen
  • Ein dreiköpfiges OpenAI-Team hat eine Million Zeilen über Codex ausgeliefert, ohne manuell Code zu schreiben.
  • AI-Orchestrierungs-Engineering vereint DevOps-Architektur und KI-Expertise in einer einzigen zentralisierten Rolle.
  • Organisationen, die Agenten-Workflows zentralisieren, werden einen doppelten Durchsatz erzielen, während andere bei der Autovervollständigung stagnieren.

Der 10x-Engineer ist ein Silicon-Valley-Mythos, der seit Jahrzehnten besteht. Das einsame Genie, mit Kopfhörern, produziert eleganten Code mit übermenschlicher Geschwindigkeit. Wir haben debattiert, ob sie existieren, argumentiert, wie man sie einstellt, und im Stillen jedem gegrollt, der behauptet, einer zu sein.

Aber etwas Interessantes passierte auf dem Weg in eine Zukunft, in der AI an erster Stelle steht: Der 10x-Engineer wurde real. Er sieht nur nicht so aus, wie wir uns ihn vorgestellt haben.

OpenAI teilte kürzlich mit, wie ein dreiköpfiges Team mit Codex 1.500 Pull-Requests und etwa eine Million Codezeilen ausgeliefert hat, ohne eine einzige Zeile manuell zu schreiben. Drei Ingenieure und null handgeschriebener Code. Ein Produkt im Produktivbetrieb, das von hunderten internen Benutzern verwendet wird.

Das ist nicht 10x; es ist eher 100x. Und die Fähigkeit, die es ermöglichte, war nicht, schneller zu tippen oder mehr Algorithmen zu kennen. Es war das Aufbauen des Systems, das die Produktivität von AI-Agenten ermöglicht: die Workflows, die Sicherheitsmechanismen, die Verifizierungsschleifen, die Schnittstellen, an die sich Agenten anbinden und über die Menschen die Arbeit überprüfen.

Ich glaube, dass dies die Entstehung einer neuen Schlüsselfunktion in Ingenieurorganisationen ist. Ich würde es AI-Orchestrierungsingenieurwesen nennen.

Drei Disziplinen gehen in einen Standup

Wenn man sich ansieht, was ein AI-Orchestrierungsingenieur eigentlich tut, erkennt man drei vertraute Disziplinen, die zu einer verschmolzen sind.

Das offensichtlichste Element ist DevOps. DevOps hat die Bereitstellungspipeline zentralisiert. Ein Team konfigurierte die CI/CD-Workflows, die jeder Ingenieur bei der Auslieferung von Code nutzte. AI-Orchestrierungsingenieurwesen tut das gleiche, aber für Agent-Workflows. Es definiert, wie Aufgaben Agenten zugewiesen werden, wie Ausgaben validiert werden, wie Wiederholungen und Fallbacks funktionieren. Es ist die gemeinsame Infrastruktur, auf der Agenten laufen.

Dann gibt es die Architektur, die sich mit DevOps mehr überschneidet, als man erwarten würde. Architekten entscheiden, welche Schnittstellen gesperrt sind, welche Muster durchgesetzt werden, welche Grenzen nicht überschritten werden können. In einer agentenbasierten Welt ist dies noch wichtiger. Agenten benötigen saubere, gut dokumentierte Codebasen mit klaren Verträgen. Der AI-Orchestrierungsingenieur definiert diese Einschränkungen, nicht nur für die Lesbarkeit durch Menschen, sondern auch für die Verständlichkeit durch Agenten. Ein chaotisches Repository bedeutet nicht mehr nur technische Schulden, sondern setzt auch der Produktivität jedes Agenten, der damit arbeitet, eine Obergrenze.

Das am wenigsten verstandene Stück ist die AI-spezifische Schicht. Prompt-Engineering, Kontextverwaltung, Modellauswahl, Agentenkonfiguration. Heute tun die meisten Ingenieure dies in einer zerstreuten, Aufgabe-für-Aufgabe-Weise. Jeder Mensch findet seinen eigenen Prompt-Stil, seine eigene Agenten-Einrichtung, seine eigenen Workarounds. Der AI-Orchestrierungsingenieur zentralisiert dies. Er baut die gemeinsamen Praxisleitfäden, die wiederverwendbaren Konfigurationen, das organisatorische Wissen darüber, was funktioniert und was nicht, über Modelle und Anwendungsfälle hinweg.

Getrennt existieren diese drei Funktionen in den meisten Ingenieurorganisationen heute. Das Argument ist, dass die Kombination von ihnen in einer einzigen, zentralen Rolle etwas qualitativ anderes schafft.

Die Showrunner-Metapher

Ein Filmregisseur bedient nicht die Kamera, spielt nicht in den Szenen und schneidet nicht den Film. Aber jeder Frame spiegelt seine Entscheidungen wider.

Er wählt die Kameraeinstellung, das Tempo, den Ton. Er entscheidet, wann man hereinzoomt und wann man zurückzoomt. Er richtet die Umgebung ein (Licht, Szenenbild, Positionen und Bewegungen der Schauspieler), damit jeder Mensch im Team innerhalb einer kohärenten Vision sein Bestes tun kann. Das Team ist individuell talentiert, aber ohne diese Koordination erhält man ein Chaos, das nie ausgeliefert wird.

AI-Orchestrierungsingenieurwesen funktioniert genauso. Die Agenten sind fähig. Die Modelle sind leistungsfähig. Aber ohne jemanden, der das System entwirft, das sie koordiniert, die Einschränkungen definiert, die Rückkopplungsschleifen aufbaut, die Workflows strukturiert, erhält man das, was wir alle erlebt haben: inkonsistente Ausgaben, verschwendete Rechenleistung, Agenten, die im Widerspruch zueinander arbeiten, und Ingenieure, die mehr Zeit damit verbringen, von AI generierten Code zu reparieren, als sie gebraucht hätten, um ihn selbst zu schreiben.

Der Regisseur macht einen Film, der größer ist als die Summe seiner Teile. Der AI-Orchestrierungsingenieur tut das gleiche für Agenten-Flotten.

Warum die meisten Organisationen unterinvestieren

Das beobachte ich in der gesamten Branche: Unternehmen investieren stark in AI-Tools und bei Weitem nicht genug in die Systeme um sie herum.

Ingenieure erhalten Zugang zu Copilot, Claude, Codex. Sie experimentieren individuell. Einige werden zu Power-Usern. Die meisten bleiben auf dem Level von “fancy Autocomplete” stecken. Die 20% Produktivitätssteigerungen, die Studien immer wieder melden? Das ist das Symptom der Tool-Ebene-Adoption ohne System-Ebene-Denken.

Die Organisationen, die durchbrechen, diejenigen, die 2x oder mehr Durchsatz melden, haben etwas gemeinsam. Sie haben die Orchestrierung zentralisiert. Jemand (oder ein Team) ist für die Agent-Workflows, die Repository-Vorbereitung, die Verifizierungsinfrastruktur und den gemeinsamen Kontext verantwortlich, auf den jeder Agent zugreifen kann.

Wie die Rolle tatsächlich aussieht

Der Tag eines AI-Orchestrierungsingenieurs könnte Folgendes umfassen:

  • Entwurf von Agent-Workflows: Definieren, wie eine Feature-Anfrage zu einer Spezifikation wird, zu einem Plan wird, zu parallelen Agentenaufgaben wird, zu überprüftem und zusammengeführtem Code wird.
  • Aufbau von Verifizierungsinfrastruktur: Automatisierte Tests, Linting-Regeln, Sicherheits-Scans und Bewertungsrahmen, die Agenten bestehen müssen, bevor ihre Arbeit zusammengeführt wird.
  • Wartung der Repository-Gesundheit für die Nutzung durch Agenten: Dokumentation, klare Schnittstellen, Abhängigkeitsverwaltung und Codebase-Vereinfachung, alles optimiert für Agenten-Verständnis, nicht nur für menschliche Lesbarkeit.
  • Zentralisierung von Prompt- und Kontext-Strategien: Gemeinsame System-Prompts, Abruf-Pipelines, Modell-Routing-Entscheidungen und Konfigurationsvorlagen, die das gesamte Team nutzt.
  • Überwachung und Verbesserung der Agentenleistung: Verfolgung von Erfolgsraten, Fehlermodi, Kosten pro Aufgabe und Zeit-bis-zur-Zusammenführung über die Agenten-Flotte hinweg, dann Anpassen des Systems basierend auf Daten.

Diese Person sitzt an der Schnittstelle von Plattform-Engineering, Software-Architektur und AI-Expertise. Sie schreibt keine Features. Sie baut das System, das die Feature-Lieferung schnell, zuverlässig und skalierbar macht.

Das historische Muster

In den frühen Tagen des Cloud-Computings war die Bereitstellung jedes Ingenieurs Nebenaufgabe. Jedes Team hatte seine eigenen Skripte, seine eigenen Server-Konfigurationen, seine eigene Art, Code in die Produktion zu bringen. DevOps entstand, um diese Arbeit zu zentralisieren, und Plattform-Engineering entwickelte sich weiter, um daraus eine gemeinsame Selfservice-Infrastruktur zu machen.

AI folgt demselben Entwicklungspfad. Derzeit ist die Agenten-Nutzung jedes Ingenieurs Nebenaufgabe. Jeder Mensch hat seinen eigenen Prompt-Stil, seine eigene Tool-Präferenz, sein eigenes mentales Modell davon, wann AI hilft und wann nicht. Die Organisationen, die dies zentralisieren, die es als Infrastruktur und nicht als individuelles Experimentieren behandeln, werden sich genauso absetzen, wie Organisationen mit ausgereiften DevOps-Praktiken diejenigen ohne solche Praktiken überholt haben.

Der Unterschied liegt in der Geschwindigkeit. Der DevOps-Übergang dauerte ein Jahrzehnt. Dieser Übergang könnte nur einige Quartale dauern. Ich gebe jedoch zu, dass diese Vorhersage davon ausgeht, dass Organisationen das Muster schneller erkennen, als sie es normalerweise tun.

Der Weg nach vorne

Wenn Sie ein Engineering-Team leiten, würde ich Folgendes vorschlagen, wobei Ihre Ergebnisse unterschiedlich ausfallen können, je nachdem, wie weit Ihr Team bereits ist.

  1. Identifizieren Sie, wer diese Arbeit bereits informell leistet. Jedes Unternehmen hat jemanden, der die Agent-Workflows herausgefunden hat, den andere Ingenieure bei Fragen zu Prompting oder Tool-Einrichtung um Rat bitten. Diese Person ist Ihr Proto-AI-Orchestrierungsingenieur.
  2. Machen Sie es explizit. Geben Sie der Funktion einen Namen, ein Mandat und Ressourcen. Lassen Sie es nicht als Nebenprojekt an jemandes “echtem” Job hängen.
  3. Beginnen Sie mit der Repository-Bereitschaft. Bevor Sie in komplexe Agent-Workflows investieren, stellen Sie sicher, dass Ihre Codebase etwas ist, das Agenten tatsächlich navigieren können. Saubere Schnittstellen, gute Dokumentation, umfassende Tests, vereinfachte Architektur.
  4. Zentralisieren Sie, was funktioniert. Wenn jemand eine Prompt-Strategie oder Workflow-Struktur entdeckt, die die Agenten-Ausgabe dramatisch verbessert, erfassen Sie sie. Machen Sie es zum Standard für das gesamte Team, nicht zu Stammeswissen, das in einem Menschenkopf gesperrt ist.
  5. Messen Sie auf System-Ebene. Verfolgen Sie nicht nur die individuelle Tool-Nutzung. Verfolgen Sie, wie viele Aufgaben Agenten von Ende zu Ende erledigen, wie die Überprüfungs- und Nachbearbeitungs-Raten aussehen, wo die Engpässe sind.

Der neue 10x

Der Mythos des 10x-Engineers handelte schon immer von individuellen Heldentaten. Eine Person, die durch reine Begabung und Koffein jeden übertrifft.

Die Realität des 10x-Engineers in der AI-Ära beruht auf Systemdenken. Die Person, die jeden anderen Ingenieur (und jeden Agenten) produktiver macht, indem sie die richtige Infrastruktur, die richtigen Workflows, die richtigen Einschränkungen aufbaut.

Er schreibt nicht 10x so viel Code. Er baut das System, das ihn schreibt.

Ich bin nicht sicher, ob diese Rolle genau so kristallisiert, wie ich sie hier beschrieben habe. Aber ich bin ziemlich sicher, dass die Organisationen, die die Orchestrierungsschicht (wie auch immer sie sie nennen) herausfinden, diejenigen sein werden, die tatsächlich die Produktivitätssteigerungen realisieren, über die jeder andere nur spricht.

Andrew Filev ist der Gründer und CEO von Zencoder. Er veränderte das kollaborative Arbeitsmanagement durch die Gründung von Wrike (über 20.000 Kunden, verkauft für 2,25 Milliarden Dollar). Über ihn wurde in Forbes und der New York Times berichtet, und seine Leidenschaft für KI und Innovation prägt weiterhin die Zukunft der Arbeit.