SHIFT to AI
← Blog

Von Chatbot zu Agent: Was du abgeben kannst und was du dafür lernen musst

Vom Codevorschlag zum Arbeitsauftrag: Was Agenten im Projekt tun können und warum Kontext, Grenzen und Prüfung über den Nutzen entscheiden.

Wenn jemand sagt: „Ich habe KI-Tools ausprobiert, bringt nichts“, frage ich genauer: Was hast du damit versucht? Hast du Code erklären lassen, Vorschläge übernommen oder einem Agenten eine Aufgabe abgegeben? Und wie hast du geprüft, ob das Ergebnis stimmt?

In Workshops berichten mir Leute von Versuchen aus ihrem Alltag. Sie oder ihre Kollegen kopierten Code in ein Chat-Tool und schrieben ein paar Runden hin und her. Am Ende waren sie unzufrieden, weil die Antworten voller Halluzinationen waren.

Aus diesen Berichten allein lässt sich nicht sagen, woran die falschen Antworten lagen. Ein möglicher Stolperstein ist der fehlende Projektkontext: Das Modell sieht den eingefügten Ausschnitt, aber nicht automatisch die Aufrufer, Tests, Projektregeln und Entscheidungen, in die seine Antwort passen muss. Was fehlt, kann es durch plausible, aber falsche Annahmen ergänzen. Den Code ins Projekt einzubauen und die Annahmen zu prüfen, bleibt an dir hängen. Da kann der Aufwand größer sein als der Zeitgewinn.

Ein Agent kann sich mehr von diesem Kontext selbst erschließen und Arbeitsschritte im Projekt übernehmen. Ob das entlastet, hängt davon ab, welchen Auftrag du ihm gibst, worauf er zugreifen kann und wie du seine Arbeit prüfst.

Drei Arten, mit KI an Code zu arbeiten

  • Ergänzen

    Du schreibst, die KI ergänzt.

    Vorschläge für den nächsten kleinen Schritt.

    Gut für
    Routinecode und bekannte Aufgaben.
  • Dialog

    Ihr klärt die Aufgabe gemeinsam.

    Fragen, Kontext und Alternativen.

    Gut für
    Unklare Aufgaben und offene Entscheidungen.
  • Delegieren

    Die KI arbeitet, du prüfst.

    Ein begrenzter Auftrag, ein prüfbares Ergebnis.

    Gut für
    Klare Aufgaben mit einem Prüfweg.
Drei Arbeitsweisen. Welche passt, entscheidet die Aufgabe.

Ich unterscheide die Arbeitsweisen danach, was ich selbst tue und was ich abgebe. Sie können im selben Projekt nebeneinander bestehen; keine davon ist eine Pflichtstufe für die nächste.

Ergänzen Vorschläge beim Schreiben

Autocomplete schlägt im Editor Code vor, während du schreibst. Für Routinecode kann das nützlich sein. Du entscheidest über jeden Vorschlag und führst die Aufgabe selbst weiter.

Wer nur diese Arbeitsweise kennengelernt hat, hat damit noch nicht ausprobiert, wie ein Agent eine ganze Aufgabe bearbeitet. In einem Workshop mit einem Team, das seit einem Jahr Cursor-Lizenzen hatte, war genau diese andere Arbeitsweise noch unbekannt. Die Lizenz war vorhanden; der Begriff und die Praxis mussten erst verständlich werden. Dabei ändert sich nicht bloß die Benutzeroberfläche, sondern die Arbeitsweise.

Dialog Einen Ausschnitt gemeinsam durchdenken

In einem Chat kannst du dir Code erklären lassen, eine Fehlermeldung besprechen oder Alternativen für eine Funktion suchen. Das nutze ich selbst für Recherche und Architekturfragen. Auch mit einem Coding-Agenten führst du einen Dialog; der Unterschied liegt nicht am Chatfenster, sondern daran, ob er auf das Projekt und seine Werkzeuge zugreifen und auf Ergebnisse reagieren kann.

Wenn du einem Chat-Tool nur eine Funktion zeigst, kann seine Antwort für diesen Ausschnitt sinnvoll sein und trotzdem am restlichen Projekt vorbeigehen. Chat-Tools haben keinen eingebauten Mechanismus, der ausschließlich richtige Antworten garantiert. Für genauere Antworten kannst du mehr Kontext mitgeben und Rückfragen stellen. Den fehlenden Projektzugriff und die Prüfung im echten Code ersetzt das nicht automatisch.

Darum setze ich „Chat-Tool“ nicht mit „kompetentem Dialogpartner“ gleich. Für mich arbeitet der beste Dialogpartner direkt im Projekt und informiert sich selbst anhand der vorhandenen Daten, Texte und Dateien.

Delegieren Einen begrenzten Auftrag bearbeiten lassen

Claude Code und Codex CLI können Dateien lesen und ändern, Befehle ausführen und auf deren Ergebnisse reagieren. Die technische Grundlage beschreibe ich in Agent = Modell + Harness: Das Modell fordert einen Werkzeugaufruf an, der Harness führt ihn aus und gibt das Ergebnis zurück. So kann ein Agent nach einem fehlgeschlagenen Test weiterarbeiten.

Mitte 2025 hat sich damit meine eigene Arbeit verändert. Ich konnte erstmals einen Bugfix oder ein Refactoring als Auftrag abgeben, statt nur beim Tippen unterstützt zu werden. Autocomplete nutze ich seitdem nicht mehr; ich schreibe selbst oder lasse einen abgegrenzten Arbeitsschritt erledigen. Das ist meine Werkzeugwahl, keine Regel für jedes Team.

Der Agent versteht dabei nicht von selbst den richtigen Projektkontext. In einem Workshop sollte ein Agent eine große Funktion zerlegen. Beim ersten Versuch legte er Dateien im falschen Projekt an; die eigentliche Funktion blieb unverändert. Ein zweiter Versuch mit ausdrücklich genanntem Projekt, Quelldatei und Änderungsscope lagerte die gewünschten Funktionen aus, veränderte aber nebenbei die Umlaute in Kommentaren. Wir vermuteten eine Umstellung der Zeichenkodierung. Hinzu kam: Ob das Refactoring das Verhalten bewahrte, war damit noch nicht nachgewiesen; das Team hatte keine automatisierten Tests. Ohne die passende Infrastruktur lässt sich der Nutzen dieser Tools für solche Änderungen schwer beurteilen.

Darum beginnt Delegation für mich mit einem begrenzten Auftrag: Welche Datei oder welches Verhalten ist gemeint? Was darf geändert werden? Was soll unverändert bleiben? Welche Tests oder anderen Prüfungen zeigen, ob das Ergebnis passt? Ein Agent kann diese Prüfungen mit ausführen. Ob er die richtige Stelle gefunden und nichts Unerwünschtes geändert hat, muss trotzdem nachvollziehbar sein.

Mehrere Agenten sind eine mögliche Erweiterung

Ende 2025 habe ich angefangen, Aufgaben auf mehrere Agenten zu verteilen. Ein Requirements Analyst klärt beispielsweise Anforderungen und übergibt ein REQUIREMENTS.md an einen Solution Architect. Dafür muss noch nichts parallel laufen. Getrennte Rollen helfen mir, lange Vorhaben in prüfbare Übergaben zu zerlegen.

Mit aktuellen Modellgenerationen wie Opus 5.5 und GPT-6.x Sol erlebe ich diese Aufteilung als weniger notwendig: Sie wechseln in meiner Arbeit gut zwischen den Rollen. Für eine strengere Rollentrennung halte ich die Technik weiterhin für wertvoll, ebenso für lokale KI und kleinere Modelle, um ihre Aufgaben klar zu begrenzen. So kann ich auch größere Vorhaben strukturieren.

Für andere Aufgaben können Agenten parallel arbeiten (Fan-out-Pattern) oder einander Ergebnisse zur Prüfung geben (Advisor-/Review-Pattern). Das erfordert klare Grenzen und gute Übergaben: Der nächste Agent muss wissen, welche Entscheidung schon getroffen wurde und woran seine Arbeit gemessen wird. Mehr Agenten lösen einen unklaren Auftrag nicht. Für viele Teams ist es zunächst wichtiger, einen einzelnen Auftrag zuverlässig einzugrenzen und zu prüfen.

Was sich beim Wechsel zum Agenten ändert

Eine frühere Enttäuschung mit eingefügten Codeschnipseln oder Autocomplete sagt wenig darüber aus, ob ein Agent bei einer konkreten Aufgabe hilft.

Umgekehrt verschwindet der Frust nicht automatisch mit einem Agenten. In Workshops habe ich auch bei echter Agentennutzung schwer prüfbare Ausgaben, falschen Kontext, fehlende Zugriffsrechte und lange Wartezeiten gesehen.

Ein Agent braucht deshalb mehr als eine Installation oder eine Kontextdatei. Du musst lernen, Aufträge zu begrenzen, ihm den nötigen Zugriff zu geben, Rückfragen zuzulassen und das Ergebnis zu prüfen.

Im Team kommen gemeinsame Regeln hinzu: Wer schaut auf den Diff, welche Tests laufen, und welche Änderungen dürfen überhaupt automatisch erfolgen?

Arbeitet zuerst an der Infrastruktur: Ohne verlässliche Tests würde ich keine große Änderung am Stück abgeben. Der Agent kann trotzdem helfen, Code zu untersuchen oder zunächst Tests für das bisherige Verhalten vorzuschlagen. Solche Tests prüfe ich am unveränderten Code, bevor ich ein Refactoring darauf stütze. Dass vom Agenten erzeugter Code seine ebenfalls erzeugten Tests besteht, reicht mir (nach leidvollen Erfahrungen mit vielen, aber schlechten Tests) als Nachweis nicht. Ob Delegation euch Arbeit abnimmt, lässt sich an so einer begrenzten Aufgabe besser beurteilen als an einer Produktdemo.

Wenn du den nächsten Schritt praktisch ausprobieren willst, nimm ein echtes, kleines Ticket: Gib dem Agenten Ziel, Grenzen und einen Prüfweg mit. Lies danach den Diff und halte fest, was du selbst noch klären oder korrigieren musstest. Wie sich ein Ergebnis leichter prüfen lässt, zeige ich im Beitrag über reviewbare Diffs.