Blog

Agenten können in drei Ebenen lernen: Model, Harness und Context. Für jede Ebene zeigt dieser Guide, was sie kostet, wer sie baut und ob sie sich für reale Produkte eignet. Die wichtigste Erkenntnis: Das stärkste Signal kommt von den Nutzern, nicht vom Agenten selbst.

Die Tokenkosten für KI-gestütztes Coding werden laut Gartner bis 2028 den globalen Durchschnittslohn eines Entwicklers übersteigen. Die Produktivitätsrevolution wird zur Kostenfalle, wenn Unternehmen ihre Token-Budgets nicht aktiv steuern.

Ben Edgars von OpenAI zeigt anhand konkreter Experimente: KI-Agenten verschieben die Arbeit, aber sie lassen sie nicht verschwinden. Schemas, Tests und Architekturdenken bleiben menschliche Aufgaben.

Ein Softwarearchitekt hat vier Monate lang eine komplette Microservice-Anwendung mit KI entwickelt. 420.000 Zeilen Code, 0 Prozent strukturelle Schulden, 85 Prozent Testabdeckung. Die Ergebnisse sind ernüchternd und lehrreich zugleich.

Zen van Riel zeigt seinen produktionserprobten Workflow für agentisches Coding mit Cloud Code. Vier parallele Terminals, gestaffelte Effort-Level, Git Worktrees und eine klare Haltung gegen Hype-Methoden.

Anthropic behauptet, Coding sei gelöst und Entwickler würden künftig nur noch KI-Loops schreiben. The Primeagen zerlegt diese Illusion anhand ungelöster Software-Bugs und warnt vor den destruktiven Folgen.

Wenn kognitive Auslagerung zur kognitiven Kapitulation wird und KI dich ungebremst gegen die Wand fährt.

Massenentlassungen wegen KI sind überwiegend AI-Washing. Die Forschung zeigt: KI komprimiert nur die Ausführungsebene der Softwareentwicklung. Entscheidungen und Verantwortung bleiben menschlich.

CS-Professor Tom Yeh lehrt KI per Hand auf Papier. Seine These: Wer zeitlose Fundamente besitzt, übersteht jeden Technologiewechsel. Wer nur Tools lernt, muss jedes Mal von vorne anfangen.