# Wenn die Agenten den Code schreiben, prüft der Mensch sich selbst [1/2]

Erst eine Begriffstrennung: Vibe Coding heißt, „Du beschreibst auf Zuruf, die KI baut, du übernimmst was klingt“. Schnell, kreativ, riskant, und in seriösen Code-Basen meistens nicht produktionstauglich. Agentisches Entwickeln meint etwas anderes: ein orchestriertes Setup aus mehreren Subagents, jeder mit klarem Auftrag, gegen eine Repository-Basis mit guter E2E-Testabdeckung, und ein Mensch, der die strategische Schicht hält. Beide werden gerade in einen Topf geworfen. Skeptiker sehen Vibe-Output und schließen auf die Methode. Beifallspender feiern Vibe-Output und nennen es Engineering. Beides geht am Punkt vorbei.

In meinem Setup laufen aktiv drei Modelle nebeneinander, jedes mit klarem Auftrag. Ein großes Reasoning-Modell für das, was wirklich Tiefe braucht: Architekturvorschläge, größere Refactorings, schwer eingrenzbare Bugs. Ein mittleres Modell für die alltägliche Implementierung. Ein kleines, schnelles Modell für alles, was eigentlich Routine ist: Formatierung, Code-Kommentare, Recherche-Zusammenfassungen, Doku-Updates.

Warum drei und nicht eins? Weil sich mehrere Effekte gleichzeitig einstellen. Qualität, weil das passende Modell für die jeweilige Aufgabe das Ergebnis spürbar verbessert. Das große Modell liefert die Tiefe, die ein Architektur-Vorschlag oder ein schwieriger Bug braucht. Das kleine bleibt bei Routine und versucht nicht, eine zweizeilige Doku-Korrektur in eine Architekturdebatte zu verwandeln. Geschwindigkeit, weil das kleine Modell in Sekunden antwortet, wo das große Minuten braucht; wenn der Großteil deiner Anfragen klein bleibt, ist dein Tag spürbar schneller. Kosten, weil der Preisunterschied pro Token bei einer Größenordnung oder mehr liegt; jeden Code-Kommentar zum Preis einer Architektur-Anfrage zu generieren ist ökonomisch unsinnig. Und Klimabilanz, weil größere Modelle real mehr Rechenleistung, mehr Energie und mehr Wasser für die Kühlung brauchen. Eine fachbegutachtete Studie von Luccioni und Kollegen aus dem Jahr 2024 vergleicht den Energieverbrauch bei der Modellausführung über 88 Modelle und 30 Datensätze und findet dabei Unterschiede von mehreren Größenordnungen zwischen kleinen und großen Modellen für dieselbe Aufgabe [2]. Wer hier nicht differenziert, treibt den Energieverbrauch seines Setups ohne Not nach oben.

Welches Modell konkret welche Aufgabe übernimmt, ist Geschmackssache und ändert sich mit jeder neuen Release. Was bleibt, ist die Trennung. Refactorings kosten in dieser Welt fast nichts mehr, weil ein Agent sie in zwanzig Minuten macht, gegen die E2E-Suite verifiziert und einen Diff abliefert, den ich lese. Die alte Faustregel „v“ [1] wird ökonomisch tragfähig. Und ich behalte zwei Achsen explizit beim Menschen: das Planen vorher und den Gefühls-Check nachher. Was gebaut wird, entscheide ich. Ob es sich richtig anfühlt, entscheide ich. Den Rest mache ich nicht.

Wer diesen Aufbau ernst nimmt, merkt schnell: Die Arbeit verschwindet nicht, sie verlagert sich. Weg vom Tippen, hin zum Beurteilen. Die Agenten produzieren in derselben Zeit ein Vielfaches des Materials, das früher entstanden ist. Jede Zeile davon will bewertet werden. Das ist genau die Kompetenz, die gute Tester und erfahrene Reviewer schon immer hatten: Kontext halten, Qualität einschätzen, Risiko abwägen. Sie verschwindet in einer agentischen Welt nicht. Sie wird zentraler.

Genau hier fängt der spannende Teil an. Denn dieser Aufbau funktioniert erst dann dauerhaft, wenn man den Preis kennt, den er dem Menschen abverlangt. Wo früher in zwei Stunden vielleicht acht bewusste Entscheidungen fielen, sind es jetzt gefühlt vierzig. Das Tippen war nicht das Anstrengende. Das Beurteilen ist es.

Über diesen Preis, die drei kognitiven Bottlenecks dahinter und die konkreten Schutzwälle dagegen geht es in Teil 2.