Im ersten Teil dieser Serie ging es darum, was Agentic Coding inzwischen leisten kann und an welchen Stellen menschliche Aufsicht gefragt bleibt. Dieses Mal schauen wir auf unseren eigenen Weg.
Bei uns begann dieser Weg ziemlich unspektakulär. GitHub Copilot vervollständigte eine Zeile Code. Das war nützlich und ehrlich gesagt auch ein wenig verblüffend. Das Werkzeug schien zu verstehen, worauf der Entwickler hinauswollte. Von einem Agenten, der eine größere Aufgabe selbstständig in einem Projekt bearbeitet, waren wir damals noch weit entfernt.
Heute nutzen wir Claude Code und OpenAI Codex täglich. GitHub Copilot hilft weiterhin bei kleinen Ergänzungen. Zusätzlich steht bei uns ein Rechner mit leistungsstarker Grafikkarte, auf dem wir Qwen lokal betreiben. Dazwischen liegen viele Versuche, einige Sackgassen und ein deutlicher Wandel in der Art, wie wir Software entwickeln.
Die ersten Schritte mit GitHub Copilot
Begonnen hat alles mit automatischen Vervollständigungen. Copilot ergänzte einzelne Zeilen, später auch einmal einen ganzen Absatz. Verglichen mit heutigen Coding Agents klingt das überschaubar. Im Arbeitsalltag war der Effekt trotzdem sofort spürbar. Wiederkehrender Code ging schneller von der Hand, kleine Unterbrechungen wurden seltener und man blieb leichter im eigenen Gedankengang.
Mit dem Chat wurde die Zusammenarbeit vielseitiger. Wir konnten uns bestehenden Code erklären lassen, kurze Funktionen erzeugen oder eine Klasse entwerfen lassen. Aus der reinen Vervollständigung entstand langsam ein Dialog.
Dann kamen die ersten agentischen Funktionen. Die Idee überzeugte uns. Die Wartezeiten taten es nicht. Gerade in größeren Projekten dauerte es oft so lange, bis eine Antwort oder Änderung vorlag, dass der Nutzen im täglichen Arbeiten gering blieb.
Mit OpenAI Codex wurde es plötzlich ernst
Mit OpenAI Codex änderte sich unser Eindruck deutlich. Der Funktionsumfang kam dem heutigen agentischen Arbeiten bereits erstaunlich nahe. Für uns fühlte sich das damals revolutionär an.
Plötzlich ging es um mehr als einzelne Vorschläge. Ein Werkzeug konnte eine zusammenhängende Aufgabe erfassen, sich im Projekt orientieren und Änderungen vorbereiten. Die Frage lautete immer seltener: „Wie schreibe ich diese Zeile?“ Viel häufiger lautete sie: „Wie beschreibe ich die Aufgabe so, dass der Agent sie sinnvoll bearbeiten kann?“
Damit wuchs auch die Verantwortung. Ein Agent kann viele Dateien in kurzer Zeit verändern. Ebenso schnell kann er eine Anforderung missverstehen oder eine Lösung wählen, die technisch funktioniert, aber schlecht zum restlichen Projekt passt. Gute Aufgabenbeschreibungen, klarer Kontext und gründliche Reviews wurden deshalb noch wichtiger.
Viel ausprobieren, ehrlich aussortieren
Auf unserer Reise haben wir mehrere Werkzeuge getestet. OpenCode nutzten wir anfangs intensiv. Die Arbeitsumgebung rund um das Modell war leistungsfähig und konnte aus unserer Sicht mit bekannten Coding Assistenten mithalten. Interessant war außerdem die Möglichkeit, selbst gehostete Modelle einzubinden.
Mit der Zeit ergab sich für uns jedoch kein klarer Vorteil gegenüber den anderen Werkzeugen. Gleichzeitig blieb uns bei der Datenweitergabe zu viel unklar. Damit verlor OpenCode im täglichen Einsatz an Bedeutung.
Zu Pi fehlt uns bislang praktische Erfahrung. Deshalb sparen wir uns an dieser Stelle ein Urteil.
Aus den Tests ist ein recht pragmatischer Werkzeugkasten entstanden. GitHub Copilot verwenden wir heute vor allem für Vervollständigungen direkt im Editor. Bei größeren Aufgaben greifen wir meist zu Claude Code oder OpenAI Codex. Beide sind bei uns intensiv im Einsatz. Welches Werkzeug eine Aufgabe übernimmt, hängt von der konkreten Arbeit, den Vorlieben des Entwicklers und dem gerade verfügbaren Nutzungskontingent ab.
Die Suche nach einem einzigen Sieger haben wir inzwischen aufgegeben. Entscheidend ist, welches Werkzeug in der jeweiligen Situation verlässlich hilft.
Warum bei uns ein eigener Rechner für Sprachmodelle steht
Mit der stärkeren Nutzung von Diensten aus der Cloud wurde für uns auch die Frage wichtiger, wie viel Kontrolle wir über Modelle und Datenwege selbst behalten können. Deshalb haben wir einen Rechner mit leistungsstarker Grafikkarte angeschafft. Darauf läuft aktuell Qwen als lokales Sprachmodell.
Wir nutzen diesen Rechner, um Agentic Coding im eigenen Haus anzuwenden und auszuprobieren. Bei vollständig lokaler Ausführung bleiben Anfragen und Code auf unserer eigenen Infrastruktur. Gleichzeitig sammeln wir praktische Erfahrung mit Modellen, Hardware, Speicherbedarf und der Einbindung in bestehende Entwicklungsabläufe.
Bei Kundenprojekten klären wir zusätzlich vorab, welche Werkzeuge eingesetzt werden dürfen und welche Daten verarbeitet werden können. Der Einsatz eines Coding Agents muss zum Projekt und zu den vereinbarten Rahmenbedingungen passen.
Unsere lokalen Modelle arbeiten derzeit langsamer und erreichen bei anspruchsvollen Aufgaben noch nicht durchgehend die Qualität der führenden Modelle aus der Cloud. Gerade deshalb ist der praktische Betrieb wertvoll. Wir sehen selbst, was bereits funktioniert, wo es noch hakt und wie sich neue Modellversionen im echten Entwicklungsalltag schlagen.
Der Rechner ist für uns ein Arbeitsgerät und ein Lernraum. Er gibt uns eine zusätzliche Möglichkeit, Agentic Coding einzusetzen und Erfahrungen auf der eigenen Infrastruktur aufzubauen.
Was wir dabei gelernt haben
Vom ersten Vorschlag in Copilot bis zum lokal betriebenen Modell hat sich viel verändert. Heute beeindrucken uns spektakuläre Demos weniger als früher. Wichtiger sind Fragen, die sich erst im echten Projekt beantworten lassen: Versteht der Agent die Codebasis? Bleiben seine Änderungen nachvollziehbar? Passt die Lösung zur bestehenden Architektur? Und wissen wir, wo unsere Daten verarbeitet werden?
Agentic Coding hat bei Sensetence inzwischen einen festen Platz. Es beschleunigt viele Schritte, übernimmt Routinearbeit und hilft dabei, Ideen schneller in funktionierende Software zu übersetzen. Architektur, Programmlogik und der Gesamtüberblick bleiben Aufgaben unserer Entwickler. Die Verantwortung für das Ergebnis liegt weiterhin bei uns.
Im dritten Teil dieser Serie wechseln wir die Perspektive. Dann geht es darum, was Agentic Coding für Unternehmen konkret bedeutet und wie sich Entwicklungszeit, Kosten und die Umsetzung neuer Ideen verändern können.
Sie beschäftigen sich selbst mit Agentic Coding, einem bestehenden Softwareprojekt oder einer Idee, die bisher zu aufwendig wirkte? Schreiben Sie uns. Am konkreten Vorhaben lässt sich am besten klären, welches Werkzeug einen echten Beitrag leisten kann.
Es bleibt die Frage, was diese Arbeitsweise für Unternehmen und ihre Softwareprojekte bedeutet: Werden Entwicklungen tatsächlich schneller? Wo lassen sich Kosten senken, und an welchen Stellen bleibt besondere Sorgfalt gefragt? Darum soll es im dritten Teil unserer Serie gehen.