Agentic Engineering im E-Commerce: Erst die Grundlagen, dann die Agenten

Agentic Engineering ist im E-Commerce in diesem Jahr so etwas wie der Pritt-Stift in der ersten Klasse meines Sohns: Jeder hat einen, jeder klebt damit alles voll: Tische, Wände, Hefte – einfach alles. Niemand fragt aber, ob er das richtige Werkzeug für die Aufgabe ist und ob es überhaupt sinnvoll ist, alles vollzukleben. So ähnlich fühlt sich aktuell die Diskussion um das Thema Agentic Engineering und KI im E-Commerce an.

Was die bunten Bilder meines Sohnes in unserem Haus sind, das sind die LinkedIn Posts zu diesen Themen im E-Commerce und die damit verbundenen Anfragen, dass man mich und mein Unternehmen auf dem Weg in die neue KI Welt begleiten möchte. So wie mir geht es vielen Entscheidungsträgern und es ist sinnvoll zu hinterfragen, wo wir mit dem Thema Agentic Engineering im E-Commerce im März 2026 eigentlich stehen.

Agentic Engineering: Eine kurze Einordnung
Eine kurze Einordnung: Agentic Engineering ist vor diesem Hintergrund kein neues Buzzword für „mehr KI im System“, sondern beschreibt einen anderen Ansatz, wie Software gebaut wird. Während klassische Software deterministisch arbeitet – also klar definierte Regeln Schritt für Schritt abarbeitet – arbeiten agentische Systeme zielorientiert. Man definiert ein Ziel, einen Kontext und verfügbare Werkzeuge, und ein KI-Agent entscheidet selbstständig, welche Schritte notwendig sind, um dieses Ziel zu erreichen.

Das klingt nicht nur in der Softwareentwicklung verlockend, sondern natürlich auch im E-Commerce, denn diese Domäne ist reich an repetitiven, regelbasierten Abläufen mit hohem Transaktionsvolumen: Preisanpassung, Lagerdisposition, Kampagnensteuerung, Kundenrückgewinnung, Sortimentsoptimierung. Alles Bereiche, in denen agentische Systeme theoretisch mehr können als Dashboards und Workflows es je konnten - weil sie nicht nur berichten, sondern handeln. Theoretisch.

Agentic Engineering als architektonischer Reifegrad verstehen
Natürlich möchte ich auch bei Thomann alle Potenziale heben, die LinkedIn Posts mir täglich versprechen. An dieser Stelle muss man allerdings akzeptieren, dass man als gewachsenes E-Commerce Unternehmen in vielen Fällen gar nicht die Voraussetzungen mitbringt, um mit dem oben angesprochenen Pritt Stift loskleben zu können. Die bestehenden Strukturen und Systeme sind hier der größte Bremsklotz. Theoretisch sollten wir alle API-basierten Systeme, sauber strukturierten Daten im PIM, ERP und Analytics haben sowie klar definierte Entscheidungsräume, wer wo was entscheidet.

Dies ist jedoch lediglich der Wunschfall und nicht der Normalfall. Die Realität sieht in vielen Unternehmen so aus: Es existieren gewachsene Systemlandschaften, individuelle Sonderlogiken, Dateninseln und Prozesse, die sich über Jahre hinweg um bestehende Limitierungen herum entwickelt haben. Das ist der Normalfall und nicht eine Summe von Fehlentscheidungen, sondern ein Resultat aus zwei Dekaden organischen Wachstums im E-Commerce.

Genau deshalb liegt der eigentliche Hebel für Agentic Engineering im E-Commerce derzeit weniger im Einsatz neuer KI-Modelle, sondern in der Modernisierung der technischen Grundlagen. Wer heute beginnt, APIs konsequent aufzubauen, Daten sauber zu strukturieren und Verantwortlichkeiten in Prozessen klar zu definieren, baut damit indirekt die Infrastruktur für zukünftige agentische Systeme.

Oder anders formuliert: Bevor KI-Agenten autonom handeln können, müssen Unternehmen erst einmal sicherstellen, dass Systeme überhaupt zuverlässig miteinander sprechen können. Agentic Engineering ist damit weniger ein kurzfristiges KI-Projekt, sondern vielmehr ein architektonischer Reifegrad, den sich Unternehmen erarbeiten und an dem sie sich messen lassen müssen.

Code Generierung ≠ Produktentwicklung
Der eigentliche Fortschritt von Agentic Engineering liegt vor diesem Hintergrund konsequenterweise nicht in der Geschwindigkeit, mit der Code erzeugt wird, sondern in der Fähigkeit, robuste Systeme zu bauen, in denen KI überhaupt sinnvoll eingebettet und nutzbar ist. Aber selbst dann wird man früher oder später feststellen, dass ein einziger Prompt nicht ausreicht, um damit ein produktives System erstellen oder betreiben zu können.

Man muss Erfahrungswissen aufbauen, wie man mit KI entwickelt und KI als Teammitglied akzeptieren und behandeln. Denn ohne Spezifikation und klare Architekturvorgaben können auch Claude Code, Cursor & Co. (noch) keine Wunder vollbringen. Wie bei einem echten Softwareentwickler gilt auch hier: Je klarer das Briefing, desto besser das Ergebnis.

In der Praxis bedeutet das, dem Agenten strukturiertes Kontextwissen mitzugeben. Dazu gehören zum Beispiel Engineering-Guidelines, Runbooks oder Architekturprinzipien, die definieren:

• wie Services miteinander kommunizieren
• welche Coding-Standards gelten
• wie Tests aufgebaut sind
• wie Deployments funktionieren
• und welche Sicherheits- und Governance-Regeln eingehalten werden müssen

Ein Agent, der Code schreibt, muss also wissen, wie die Umgebung funktioniert, in der dieser Code später laufen soll. Ohne dieses Wissen produziert auch ein sehr leistungsfähiges Modell schnell Code, der zwar funktioniert, aber nicht wartbar, nicht integrierbar oder nicht sicher genug für eine produktive Umgebung ist.

Der Unterschied zwischen einem LinkedIn Post über die Wunder der KI und einem funktionierenden agentischen System liegt folglich weniger in einem Wunder-Prompt, sondern fast immer in der Qualität der Architektur, der Prozesse und des Kontextwissens, das man dem System mitgibt.

Agentic Engineering ist nicht nur eine technische Disziplin, sondern auch eine Governance-Aufgabe
Neben Architektur und Engineering-Reife gibt es noch eine dritte Voraussetzung, die in vielen Diskussionen über Agentic Engineering zu kurz kommt oder gänzlich vergessen wird: die Frage, welche Entscheidungen ein System - oder auch ein Mitarbeiter - überhaupt autonom treffen darf.

Ein Agent, der im E-Commerce aktiv wird, agiert selten in einem isolierten System. Er verändert Preise, beeinflusst Marketingbudgets, priorisiert Kundenanfragen oder greift auf Bestände und Lieferketten zu. Jede dieser Entscheidungen hat reale wirtschaftliche Auswirkungen.

Damit entsteht eine neue Art von Managementfrage: Nicht nur was ein System technisch kann, sondern wo seine Entscheidungsgrenzen liegen. Unglücklicher Weise ist das in vielen Unternehmen selbst bei den Mitarbeitern nicht eindeutig geregelt oder offensichtlich. Man muss sich halt einarbeiten und die Kultur verstehen, dann weiß man wie der Hase läuft - solche Aussagen sind typisch und gehören zum Alltag.

Dieser Alltag ist für einen Agenten jedoch nicht offensichtlich. Solche Leitplanken machen daher nicht nur bei Agenten, sondern auch bei Mitarbeitern Sinn. Wenn man hier ansetzt, hat man die ersten positiven Effekte bereits realisiert, bevor man sich überhaupt mit technischen Dingen beschäftigt hat - ein oft unterschätzer Faktor. Erst der Mensch, dann der Agent.

Fazit: Weniger kleben, mehr bauen
Agentic Engineering ist kein Trend, den man abwarten kann — aber auch keiner, dem man blind hinterherlaufen sollte. Wer heute in E-Commerce-Organisationen Verantwortung trägt, steht vor einer nüchternen Aufgabe: nicht der nächste zu sein, der den Pritt-Stift in die Hand nimmt, sondern einer der ersten, der versteht, was er damit überhaupt befestigen will.

Die drei Voraussetzungen dafür sind bekannt, aber selten gleichzeitig erfüllt: saubere technische Grundlagen, die echte Systemintegration ermöglichen; Engineering-Reife, die KI nicht als Wunderwerkzeug behandelt, sondern als Teammitglied mit klarem Briefing; und Governance-Strukturen, die Entscheidungsräume definieren — für Agenten genauso wie für Menschen.

Die meisten E-Commerce-Unternehmen befinden sich diesbezüglich nicht im Zeitalter der Agenten, sondern im Zeitalter der Systemmodernisierung. Wer jetzt jedoch die Infrastruktur, das Wissen und die Leitplanken richtig aufbaut, wird agentische Systeme nicht nur schneller deployen — er wird sie auch sinnvoll betreiben können.