Abstracts

Im April 2026 hat GitHub angekündigt, Copilot zum 1. Juni 2026 auf nutzungsbasierte Abrechnung umzustellen. Statt pauschaler Premium Requests zahlen Teams künftig nach tatsächlichem Token-Verbrauch. Was nach einer reinen Preisrunde aussieht, ist in Wahrheit ein Wendepunkt: Jeder Schritt, den ein Agent geht – Planen, Recherchieren, Tool-Aufrufe, Iterationen, Modellwahl –, wird zur expliziten ökonomischen Entscheidung. Agenten arbeiten nicht in einem Schritt, sondern in Loops. Jeder Loop verbrennt Tokens, jedes Modell zu einem anderen Preis. Was vorher unter pauschaler Lizenz unsichtbar war, steht plötzlich auf der Rechnung.

Diese Entwicklung trifft auf eine Architekturlandschaft, die sich gerade selbst neu sortiert. Agentic AI – also KI-Systeme, die eigenständig planen, Tools wählen und iterieren – ist 2025/26 in der Praxis angekommen. Mit ihr kam Orchestrierung: die Steuerung mehrerer spezialisierter Agenten, die gemeinsam komplexe Aufgaben lösen. Orchestrierung ist nicht aus Kostengründen entstanden, sondern als Antwort auf Komplexität. Sie liefert jedoch nebenbei einen Hebel, den Mono-Agent-Setups nicht haben: Modellwahl pro Arbeitsschritt. Das Frontier-Modell plant, ein günstigeres Modell programmiert, ein kleines lokales Modell übersetzt oder klassifiziert. Genau dieser Hebel wird durch den Kostendruck plötzlich relevant.

Damit stellt sich eine neue Frage – und genau hier setzt dieser Vortrag an: Wie hilft Qualitätssicherung dabei, dass Orchestrierung und Modellwahl belastbar funktionieren? Wann ist ein günstigeres Modell „gut genug"? Wer definiert das? Wie testet man ein System, dessen Komponenten sich jederzeit ändern können? Wie sichert man Regression bei einem Modellwechsel zwischen Versionen? Diese Fragen sind offen, und sie systematisch zu beantworten ist vielleicht genau die Stärke, die QS in dieses Thema einbringen kann.

Der Vortrag baut die Brücke vom Grundlagenverständnis bis zu dieser offenen QS-Diskussion. Er beginnt mit einer komprimierten Begriffsbasis (Agent, KI-Assistent, Orchestrierung, MCP) für ein gemischtes Publikum, in dem Vorwissen von „Chat-Nutzerin" bis „schon eigene MCP-Server gebaut" reicht. Anschließend zeigt er die typische Architektur eines Agenten – Reasoner, Tools, Ressourcen, Planning Loop – inklusive der unbequemen Wahrheit, dass jeder Iterations-Loop Tokens verbrennt. Im Hauptteil verschiebt sich der Fokus zu Orchestrierungs-Patterns und gezielter Modellwahl. Dabei wird klar getrennt, was Anbieter wie GitHub, Anthropic oder Cursor bereits intern optimieren und was Teams im eigenen Setup bewusst entscheiden müssen. Den Schluss bildet ein offener Ausblick auf die Rolle, die Qualitätssicherung in dieser Entwicklung einnehmen kann.