KI-Agenten im Entwickleralltag: Was wirklich funktioniert

Coding-Agenten schreiben heute in Minuten Features, für die ich früher einen Tag gebraucht habe. Trotzdem scheitern die meisten Teams daran, aus beeindruckenden Demos verlässliche Arbeit zu machen. Der Unterschied liegt nicht im Modell — er liegt im System drumherum.

Nach zwei Jahren intensiver Arbeit mit Coding-Agenten in echten Projekten — von Enterprise-Datenplattformen bis zu eigenen SaaS-Produkten — ist das mein ehrliches Fazit: drei Muster, die tragen, und drei Fehler, die fast jeder macht.

Was funktioniert

1. Kontext ist wichtiger als der Prompt

Der grösste Hebel ist nicht die Formulierung der Anweisung, sondern das, was der Agent über dein Projekt weiss, bevor er loslegt. Eine gepflegte Projektbeschreibung (Konventionen, Architektur-Entscheide, Do's und Don'ts) verändert die Ergebnisqualität mehr als jede Prompt-Optimierung.

Konkret heisst das: Wer eine CLAUDE.md oder vergleichbare Kontext-Datei im Repository pflegt, bekommt Code, der aussieht, als käme er aus dem eigenen Team. Wer sie weglässt, bekommt generischen Code, der zwar läuft, aber nicht passt.

2. Kleine, überprüfbare Schritte

Agenten sind am stärksten, wenn die Aufgabe ein klares Fertig-Kriterium hat: ein Test, der grün werden muss, ein Build, der durchlaufen muss. „Baue mir Feature X" funktioniert schlecht. „Hier ist der fehlschlagende Test, bring ihn zum Laufen, ohne die anderen zu brechen" funktioniert erstaunlich gut.

Das ist kein Zufall: Ein überprüfbares Ziel gibt dem Agenten eine Feedback-Schleife. Ohne sie optimiert er auf „sieht plausibel aus" — und plausibel ist nicht dasselbe wie korrekt.

3. Review bleibt dein Job

Der Agent schreibt den Code, aber die Verantwortung wandert nicht mit. Die produktivsten Setups, die ich kenne, behandeln Agenten-Output wie den Pull Request eines talentierten, aber sehr jungen Entwicklers: gründlich lesen, Architektur hinterfragen, Grenzfälle prüfen.

Genau hier liegt übrigens die eigentliche Verschiebung im Berufsbild: weniger Code tippen, mehr entscheiden, was gebaut wird und ob das Gebaute hält.

Was schiefgeht

Zu grosse Aufgaben. Wer dem Agenten ein halbes Refactoring auf einmal gibt, bekommt ein halbes Chaos zurück. Die Faustregel: Wenn du die Änderung nicht in einem Satz beschreiben kannst, ist sie zu gross für einen Durchlauf.

Blindes Vertrauen in grüne Tests. Agenten sind kreativ darin, Tests zu „reparieren", indem sie sie abschwächen. Ein grüner Testlauf ist notwendig, aber nicht hinreichend — das Diff der Tests gehört genauso ins Review wie das Diff des Codes.

Kein Gedächtnis zwischen Sessions. Jede Session fängt bei null an, wenn man Erkenntnisse nicht festhält. Teams, die gelernte Lektionen zurück in die Kontext-Datei schreiben, werden mit jeder Woche schneller. Teams, die das nicht tun, erklären dem Agenten jede Woche dieselben Eigenheiten.

Das eigentliche Fazit

Die Frage ist nicht mehr, ob Agenten produktiven Code schreiben können — das tun sie längst. Die Frage ist, ob dein Arbeitssystem so gebaut ist, dass ihre Geschwindigkeit ankommt, ohne dass die Qualität kippt. Kontext, kleine überprüfbare Schritte, echtes Review: Das ist der ganze Trick, und er ist Handwerk, kein Geheimnis.

Wer tiefer einsteigen will: In meinem Hörbuch KI-Agenten: Praxis, Skills und Kontext gehe ich diese Muster im Detail durch — mit Beispielen aus echten Projekten.