← Blog

KI-Coding-Agenten

KI-Coding-Agenten: Die Peripherie für die KI, der Kern für Menschen

KI-Coding-Agenten glänzen bei mancher Arbeit und sind bei anderer gefährlich. Überlassen Sie ihnen die Peripherie und halten Sie Menschen am Kern. Hier steht, wo sie ihren Platz verdienen und wo nicht.

Ein KI-Coding-Agent findet die Ursache eines Bugs in Code, den seit einem Jahr niemand angefasst hat, und liefert am selben Nachmittag selbstbewusst einen aus, der den Checkout lahmlegt, wenn Sie ihn an den Kern lassen. Der Abstand zwischen diesen beiden Momenten ist auf jeder Ebene derselbe. Ein Gründer allein kann sich diesen Abstand leisten; in einem Unternehmen entscheidet er alles.

Für Gründer ist das meiste davon schon geklärt. Im letzten Jahr habe ich Leute ohne ernsthaften Entwicklungshintergrund echte Produkte selbst bauen und wachsen sehen: ein CRM für eine Präsenzschule, ein Tool für Business-Analysten, Marketing-Automatisierung für den eigenen Bedarf. Die Einstiegskosten für das Bauen sind eingebrochen; das Sammeln von Kennzahlen aus Jira und GitLab richten Sie an einem Abend ein.

Die Fallstricke sind nicht verschwunden: Agenten verlieren den Kontext, erzeugen seltsamen Code, und manche Projekte rutschen ins Chaos. Das lässt sich lösen, und genau damit verbringe ich viel Zeit; über den Weg aus dieser Lage habe ich separat geschrieben. Das ist die Version für Gründer. Das schwierigere, weniger erforschte Problem liegt eine Ebene höher, in einem Unternehmen, und darum geht es in diesem Text.

Im Unternehmen liegt die eigentliche Hürde bei den Freigaben

Im Konzernmaßstab kann der Agent genauso viel; schwierig ist, ihn überhaupt einsetzen zu dürfen. In Startups ist KI längst ein Standardwerkzeug; in Unternehmen hängt die Einführung wochenlang an Freigaben: Sicherheitsprüfungen, welche Daten das Modell erreichen dürfen, wem die Plattform gehört, wie Agenten gesteuert werden.

Die Erkenntnis, die das löst: Nichts muss das Haus verlassen. Sie können eine OpenAI-kompatible API vollständig innerhalb Ihres eigenen Sicherheitsbereichs betreiben: ein Open-Source-Modell wie Qwen, bereitgestellt über LiteLLM und vLLM, nur über das Firmen-VPN erreichbar, dazu ein Agent wie Opencode oder Hermes in der IDE und MCP-Server, die ihn mit Jira, GitLab, Confluence und Ihren übrigen internen Tools verbinden. Er läuft mit den eigenen Zugangsdaten eines Entwicklers, fasst nur an, was dieser Entwickler ohnehin darf, und protokolliert jede Aktion für die Revision. Damit ist die Sicherheit kein Hindernis mehr. Den kompletten Stack aufzubauen ist ein Thema für sich, aber die Hürde von vor einem Jahr ist es nicht mehr.

KI im Unternehmen innerhalb des Sicherheitsbereichs: Die IDE eines Entwicklers speist einen KI-Agenten, der eine OpenAI-kompatible API und ein selbst gehostetes Open-Source-Modell erreicht, alles verbunden mit internen Systemen wie GitLab, Jira, Confluence und Grafana, ohne externe APIs, ohne zusätzliche Rechte und mit vollständigem Audit-Trail.
Innerhalb des Sicherheitsbereichs: Der Agent läuft auf interner Infrastruktur, mit den eigenen Zugängen eines Entwicklers und vollständigem Audit-Trail. Nichts verlässt das Unternehmen.

Sobald er läuft, ob auf dem Laptop des Gründers oder im Firmen-VPN, stellt sich dieselbe Frage: Was geben Sie ihm eigentlich?

Worin KI-Coding-Agenten gut sind

Verbunden mit Ihrem Code, Ihrer Dokumentation, Ihren Aufgaben, Tests, Logs und Kennzahlen beginnt der Agent, Ihr Projekt zu verstehen, ob es nun Cursor ist, Claude Code oder ein selbst gehosteter interner Agent. Hier verdient er seinen Platz.

  • Sich in fremden Code einarbeiten: in Code eintauchen, den Sie nie angefasst haben, die Ursache eines Bugs in einer Funktion finden, von der Sie nichts wissen, die Frage eines Analysten zu einem Feature beantworten, von dem Sie noch nie gehört haben.
  • Unterstützung der Entwicklung: die Tools und Automatisierungen, für die nie jemand Zeit hatte. Kennzahlen sammeln, Daten aus Jira und GitLab exportieren, Agent-Skills für wiederkehrende Arbeit wie Standardintegrationen. Das Kernprodukt, bei dem Codequalität entscheidend ist, gehört nicht dazu.
  • Artefakte rund um den Code: Dokumentation, UML-Diagramme, automatisierte Tests, Testfälle in TestRail, Präsentationen.
  • Reviews von Code, Anforderungen und Spezifikationen. Bisher halb und halb: manchmal reines Rauschen, manchmal ein wirklich nützlicher Fund.

Was KI-Coding-Agenten nicht verantworten sollten

Die komplette Entwicklung von allem, was wirklich zählt. Geld, Blockchains, Hochlastsysteme, Kernarchitektur: überall dort, wo ein Fehler leicht passiert und teuer rückgängig zu machen ist. In einem Startup funktioniert es teilweise schon, dem Agenten ein ganzes Feature zu übergeben; in Produktion, mit echtem Traffic und echtem Geld im Spiel, ist das noch keine gute Idee. Beschleunigt er die Arbeit? Ja. Ersetzt er einen Senior-Entwickler? Nein.

Die Regel: Peripherie für den Agenten, Kern für den Menschen

Das Muster ist einfach. Der Agent übernimmt die Peripherie rund um die Entwicklung: Routinearbeit, unterstützende Aufgaben, die Orientierung in fremdem Code, Artefakte, also alles mit großem Volumen und vergleichsweise geringen Fehlerkosten. Der Kern, wo Fehler in Geld und Nutzern gemessen werden, bleibt bei Menschen.

Kreisdiagramm: In der Mitte ein Kern in menschlicher Verantwortung mit der Beschriftung „engineering decisions“ (technische Entscheidungen), ringsum die Peripherie, die ein KI-Agent abdeckt: Debugging, Dokumentation, Tests, Reviews, Anforderungen, Standardintegrationen, Automatisierung und Präsentationen.
Der Agent bearbeitet die Peripherie; der menschliche Kern ist die technische Entscheidung.

Früher haben Entwickler Stunden damit verbracht, Informationen zu suchen und sich durch Routine zu kämpfen. Heute besteht ihre Hauptaufgabe darin, die richtige technische Entscheidung zu treffen.

Häufige Fragen

Müssen KI-Coding-Agenten auf unserer Codebasis trainiert oder feinabgestimmt werden?

Nein. Sie arbeiten, indem sie zur Laufzeit Ihren vorhandenen Code, Ihre Dokumentation, Aufgaben und Logs lesen; ein erneutes Training brauchen sie dafür nicht. Deshalb ist es viel wichtiger, die Zugänge einzurichten, als das Modell abzustimmen.

Sollten wir einen KI-Dienst in der Cloud nutzen oder ein selbst gehostetes Modell?

Startups beginnen meist mit einem Cloud-Dienst; regulierte oder sicherheitssensible Unternehmen hosten zunehmend selbst ein Open-Source-Modell, damit die Daten ihren Sicherheitsbereich nie verlassen. Sie wägen Kontrolle und Datenschutz gegen den Aufwand ab, den ganzen Stack selbst zu betreiben.

Was unterscheidet einen KI-Coding-Agenten von einem Chatbot?

Der Zugang. Ein Chatbot antwortet aus Allgemeinwissen; ein Agent, der mit Ihrem Code, Ihrer Dokumentation, Ihren Aufgaben und Logs verbunden ist, handelt mitten in Ihrem echten Projekt. Genau deshalb kommt es so sehr darauf an, wo die Grenze verläuft zwischen dem, was er anfassen darf, und dem, was nicht.

Können Gründer ohne technischen Hintergrund mit KI-Coding-Agenten wirklich Produkte ausliefern?

Ja. Die Grenze liegt heute darin, zu wissen, was gebaut werden soll, und die Codebasis beim Wachsen wartbar zu halten. Gründer liefern auf diese Weise regelmäßig echte Produkte aus; wenn sie scheitern, dann an vernachlässigter Struktur.