Der nachfolgende Text wurden mit KI erstellt und kann Fehler enthalten. Fehler gefunden? Bei GitHub editieren
Die Entwicklung von KI-gestützten Coding-Agenten hat in den letzten Monaten einen bemerkenswerten Wandel durchlaufen. Was mit ChatGPT als produktive Recherche-Alternative begann, hat sich durch spezialisierte Tools wie Claude Code zu einem Game-Changer in der Softwareentwicklung entwickelt. Tobias Wagner und Yadullah Duman, beide Experten bei der MaibornWolff GmbH, teilen ihre Erfahrungen aus realen Projekten und offenbaren dabei ein klares Muster: Die Modelle sind besser geworden, aber der entscheidende Unterschied liegt im Harness Engineering.
Die drei Wellen der KI-Adoption
Yadu war lange Zeit skeptisch gegenüber KI-Tools für die Softwareentwicklung. Die erste Welle mit ChatGPT nutzte er lediglich als intelligenten Google-Ersatz für schnelle Antworten. Die zweite Welle mit Chat-basierten Programmier-Tools wie Copilot-Chat enttäuschte noch – die generierten Codes benötigten zu viel Nachbearbeitung. Erst mit Claude Code erlebte er seinen “Wow-Effekt”: Das Tool war anders, weil es direkt im Projekt lebte und Projektnuancen via Instruction-Dateien verstehen konnte.
Der Schlüssel zum Erfolg liegt im Einsatz von Tools durch die Agenten selbst. Sie können nicht nur auf internes Wissen vertrauen, sondern mit ihrer Umgebung interagieren, was die Feedback-Schleifen drastisch reduziert.
Messbare Produktivitätsgewinne
In einem Modernisierungsprojekt beobachteten die Experten signifikante Verbesserungen: Debugging-Analysen, die normalerweise mehrere Tage dauerten, wurden auf wenige Stunden reduziert. Feature-Entwicklung beschleunigte sich merklich, und Refactoring-Arbeiten wurden plötzlich realisierbar. Eine Person konnte schließlich ganze Epics übernehmen – früher waren es mindestens zwei oder drei Entwickler nötig.
Context Engineering und Harness Engineering
Die beiden zentralen Best Practices sind Context Engineering und Harness Engineering. Context Engineering bedeutet, den Kontext des Modells klein und fokussiert zu halten – durch mehrere spezialisierte Sessions statt einer langen Konversation. Markdown-Dokumente dienen als persistente Wissensträger zwischen Sessions.
Harness Engineering ist radikaler: Statt schlechte AI-Ergebnisse selbst zu fixen, optimiert man die Umgebung, damit der Agent beim nächsten Mal richtig arbeitet. Tests, Linting-Regeln, Architekturtests und Custom-Tools lenken den Agent in die richtige Richtung.
Die menschliche Komponente bleibt zentral
Entgegen mancher Hype-Narrative ersetzen Agenten keine Entwickler – sie multiplizieren deren Expertise. Technisches Wissen bleibt essentiell, um Feedback-Schleifen aufzubauen und Qualitätsstandards zu enforcen. Der wichtigste Rat: “Don’t outsource thinking.” Die Entwickler bleiben die Experten und Treiber des Prozesses.
Code Review bleibt kritisch, sollte aber risikobasiert erfolgen. Bei systemkritischem Code braucht es intensive Reviews, bei weniger kritischen Komponenten reichen High-Level-Checks.
Fazit
Agentic Coding ist kein Silver Bullet, sondern ein hocheffektives Werkzeug für Entwickler, die es richtig einsetzen. Die Technologie funktioniert besonders gut in Brownfield-Projekten mit komplexer Legacy-Codebasis – genau dort, wo sie skeptische Entwickler überrascht hat. Der Schlüssel liegt nicht nur in besseren Modellen, sondern in durchdachtem Engineering der Umgebung, in der diese Modelle arbeiten. Wer bereit ist, sich intensiv mit diesen Tools auseinanderzusetzen, kann ihre transformative Kraft erleben – ohne dabei sein kritisches Denken abzugeben.