01
Problem
Warum GenAI in euren Codebasen versagt
GenAI funktioniert in Tutorials. In einer 500.000-Zeilen-Enterprise-Codebase mit impliziter Architektur, verschachtelten Dependencies und Legacy-Logik aus 15 Jahren fällt sie oft auseinander — weil der Kontext fehlt.
Die METR-Studie 2025 zeigt: Erfahrene Entwickler waren 19 % langsamer, wenn sie KI-Tools nutzten — sich selbst schätzten sie 20 % schneller ein. Eine Fehleinschätzung von 40 Prozentpunkten.
Das ist kein Tool-Problem. Das ist ein Context-Engineering-Problem.
Kein Kontext ist besser als falscher Kontext.
Drei typische Bruchstellen
Kontextrott. Jede Interaktion bläht den Kontext: veraltete Pfade, tote Hypothesen, redundante Wiederholungen. Nach 15–20 Nachrichten fällt die Antwortqualität messbar ab — nicht wegen des Modells, sondern wegen des verschmutzten Kontexts.
Hoffnungs-Debugging. Der Agent liefert eine fehlerhafte Lösung, ihr reicht die Fehlermeldung zurück, er „repariert“ und bricht etwas anderes. Nach zehn Runden weiß niemand mehr, wo das eigentliche Problem lag — der Modus, in dem die METR-Zahlen entstehen.
Blinder Griff. Ohne explizite Steuerung sucht sich der Agent seine Dateien selbst. In großen Codebases greift er oft daneben: ähnlich benannte Dateien aus dem falschen Modul, ein veraltetes Interface, die alte Logging-Bibliothek.
Gegen jede Bruchstelle ein Pattern — aus der Arbeit mit realen Codebases, nicht aus Tutorials.
Drei Gegenmaßnahmen — sofort einsetzbar
Handover-Kette statt Mega-Session. Jeder Task läuft in eigener Session und endet mit einem kurzen Log: Entscheidungen, Test-Evidenz, offene Punkte, Handover-Notiz an den Nächsten. Der Folgetask startet frisch und liest nur diesen Log, nicht die zweistündige Historie. Kontext bleibt klein, Review-Gate nach jedem Schritt, Fehler bleiben lokalisierbar.
Artefakt-First statt Prompt-Stuffing. Research und Exploration laufen in eigenen Sessions — QR-Code-Library, Card-Persistence, API-Interfaces, jedes Thema ein Markdown-Doc. Der Implementierungs-Agent bekommt keine langen Prompts, er liest die Artefakte. Reproduzierbar, tool-übergreifend, rückverfolgbar.
Runtime Instrumentation. Wenn ein Bug nach drei Runden noch steht, fehlt dem Agent keine Intelligenz, sondern Evidenz. Logs einbauen, Code ausführen, relevante Zeilen zurückspielen — Agenten mit Laufzeitdaten müssen nicht raten.
Das sind drei Patterns — drei von etwa einem Dutzend, mit denen ich Senior-Dev-Teams, Engineering-Leads und CTOs arbeite, damit KI in eurer realen Codebasis produktiv wird, nicht nur in der Demo.
