Vier Monate
Software­entwicklung
mit KI-Agenten.Was wirklich trägt.

Die Agenten arbeiten nicht von allein. Um mit ihnen Schritt zu halten und ihre Rückfragen und Spezifikationen einzuordnen, braucht es volle Konzentration. An einem Arbeitstag kamen im Schnitt 79 Eingaben von mir und 57 Rückfragen der Agenten zusammen. Und das zählt knapp: Eine Rückfrage bündelt oft fünf und mehr einzelne Fragen, eine Eingabe entsprechend viele Antworten. Real sind es also eher drei- bis zehnmal so viele Entscheidungen. Dazu kommt das Warten: Während ein Agent arbeitet, startet man die nächste Aufgabe. So werden Kontextwechsel, die man früher möglichst vermieden hat, zur Regel. Fast jede zweite meiner Eingaben ging an eine andere Sitzung als die vorherige.

Mit den Agenten fühlt sich die Arbeit an wie in meiner Zeit als Führungskraft. Als Entwickler habe ich immer versucht, möglichst konzentriert im Flow an einem Thema zu arbeiten und Kontextwechsel zu vermeiden. Statt eines Themas im Flow laufen jetzt mehrere parallel, und meine Aufgabe ist, sie zu orchestrieren. Das klappt nur, wenn die Arbeit so organisiert ist, dass ich einzelne Blöcke konzentriert bearbeiten kann: eine Anforderung klären oder eine fertige Funktion abnehmen. Alles andere läuft währenddessen weiter. Der Aufwand dafür lohnt sich: Ist eine Aufgabe sauber geklärt, fragt der Agent kaum noch nach, aktuell 0,5 Rückfragen auf 1.000 Arbeitsschritte.

Wie man mit KI-Agenten arbeitet, ändert sich ständig. Angefangen hat es mit einzelnen Prompts, zum Start dieses Projekts setzte ich auf Spec-driven Development. Heute organisiere ich meine Arbeit und die der Agenten mit yoshi, einem Werkzeug, das Tickets in Läufen abarbeitet. Aus vielen kleinen Prompts wurde eine klare Arbeitsteilung: Die Agenten arbeiten parallel an mehreren Strängen der Software, im besten Fall rund um die Uhr, und ich muss mich nicht alle paar Minuten einer neuen Frage widmen.

Seit September hat yoshi in 171 Läufen 719 Tickets übernommen. Ein Lauf arbeitet seine Tickets ab, ohne dass ich eingreife, und wartet sogar das Nutzungslimit selbst ab. Starte ich ihn abends, ist die Arbeit am Morgen da. Der längste Lauf ging knapp 17 Stunden, vom frühen Nachmittag bis zum nächsten Morgen.

Bis Ende Juli brauchte eine übernommene Änderung im Schnitt 8,7 Eingaben von mir, seit September sind es drei bis fünf. In den viereinhalb Monaten waren acht unterschiedliche Claude- und OpenAI-Modelle im Einsatz, und der Ablauf hat jeden dieser Wechsel überstanden.

Die Agenten verschaffen sich sehr schnell einen Überblick und füllen dabei genauso schnell den Kontext mit unnötigem, teils irreführendem Ballast. Ab einem Punkt werden die Ergebnisse spürbar schlechter, und je größer Projekt und Aufgabe sind, desto früher ist er erreicht. Am stärksten wirkt, was in jeder Anfrage steckt: die zentrale Anleitung für die Agenten. Anfang Juni hatte sie 66 Zeilen. Weil jeder Lauf seinen Bericht anhängte, waren es Ende August 3.138, und die gingen bei jeder einzelnen Anfrage mit. Eine neue Sitzung brachte damit rund 100.000 Tokens Kontext mit, bevor der Agent überhaupt etwas getan hatte, fast doppelt so viel wie im Juli. Heute deckelt ein Test die Anleitung auf 20 KB, gut 250 Zeilen. Der Rest steht in gut 20 Fachdokumenten, die die Agenten nur bei Bedarf lesen.

Außerdem hilft es, große Vorhaben in kleine Aufgaben zu zerlegen, die jeweils mit frischem Kontext starten, und Recherche an Hilfsagenten abzugeben, die nur ihr Ergebnis zurückgeben. Je mehr Projektwissen die Agenten erreichen (Code, Notion, Doku, Storybook, Design-System), desto besser werden die Ergebnisse. Eine einzelne Aufgabe braucht davon aber nur einen kleinen Teil. Deshalb muss das Wissen so geordnet sein, dass die Agenten das Passende finden.

Die meiste Zeit verbringt der Agent mit Prüfen: Auf jede Änderung am Code kommen gut 14 Kommandos, die nachsehen, ob sie stimmt. Entscheidend ist aber, wogegen er prüft, und das muss jemand festlegen. Bei mir sind das feste Gestaltungsmuster und Komponenten, dokumentierte Architekturentscheidungen sowie Code- und Architektur-Reviews in festem Rhythmus. Solche Vorgaben machen den Unterschied zwischen irgendeiner Lösung und einer, die reproduzierbar gut ist und lange trägt. Ohne sie wird aus schnellem Code mit der Zeit Spaghetti-Code. Damit ich den Code nicht aus den Augen verliere, baue ich außerdem einmal pro Woche ein Ticket selbst und lasse die KI nur prüfen.

Die Dark Factory halte ich für unrealistisch. Dass eine Aufgabe hineingeht und fertige Software herauskommt, ohne dass dazwischen ein Mensch steht, sehe ich nicht. Viele Entscheidungen tauchen erst während der Umsetzung auf, in der Architektur genauso wie bei UX und Produkt-Fragen. Das reine Entwickeln läuft inzwischen fast ohne mich: Bei über 840 Tickets, die Agenten in Läufen umgesetzt haben, fiel genau eine Rückfrage. Drei von vier enden aber mit einem Bericht, der mir etwas zur Entscheidung vorlegt. Jedes dritte ist von der Spezifikation abgewichen, weil sich beim Entwickeln etwas anders herausgestellt hat.

Deshalb gilt, was schon in der agilen Entwicklung galt: Keep it simple, stupid (KISS) und „Release early, release often“, um früh Feedback zu bekommen. Nur dauert ein Zyklus heute Stunden statt eines ganzen Sprints. Mit einem Prompt allein entsteht immer noch keine Software. Unternehmen und Prozesse sind komplex, viele Details machen den Unterschied, und die 80/20-Regel greift wie so oft voll zu.

Ohne Erfahrung kann man nicht Schritt halten. Rückfragen und Vorschläge wollen eingeordnet, hinterfragt und ergänzt werden. Bei mir ging es um Migrationsreihenfolgen, Transaktionsgrenzen und Berechtigungsgrenzen. Beantworten kann man das auch ohne Erfahrung, nur nicht gut. Ein Entwickler wird mit KI bessere Software bauen als jemand, dem dieses Wissen fehlt, und dasselbe gilt für UX, Product Owner und andere Rollen. Trotzdem kommt die KI auch ohne dieses Wissen schon erstaunlich weit, und Entwickler ohne KI sind heute um ein Vielfaches langsamer.

Seit Ende Juni hätten die Agenten zum API-Listenpreis rund 45.400 € gekostet, etwa 13.000 € im Monat. Bezahlt habe ich Abos für ~250 € im Monat. Wie lange diese Subventionierung hält, weiß niemand. Gleichzeitig werden die Modelle besser und günstiger, und offene Modelle laufen inzwischen auch lokal. Teurer als die Rechenzeit war ohnehin meine Aufmerksamkeit: 3.304 Rückfragen und 1.659 Tickets, die jemand durchdenken musste.