Lange war Business-KI in einem Chatfenster gefangen. Man stellte eine Frage, das Modell antwortete, und die eigentliche Arbeit passierte weiterhin anderswo. Das ändert sich. Der klarste Beweis dafür kommt nicht aus einer Präsentation über autonome Unternehmen, sondern aus Coding Agents wie OpenAI Codex und Anthropic Claude Code.

Diese Werkzeuge sind wichtig, weil sie nicht einfach bessere Autocomplete-Systeme sind. Sie lesen ein Codebase, bearbeiten Dateien, führen Befehle aus, reagieren auf Testergebnisse, bereiten Pull Requests vor und arbeiten über Terminal, IDE, Browser und Cloud-Umgebungen hinweg. OpenAI beschreibt Codex als Coding Agent zum Bauen und Ausliefern mit KI, inklusive Multi-Agent-Workflows, Worktrees, Skills und Automations. Anthropic beschreibt Claude Code als agentisches Coding-Tool, das Codebases liest, Dateien editiert, Befehle ausführt und sich in Entwicklungswerkzeuge integriert.

Das ist auch ausserhalb von Softwareteams relevant. Coding Agents sind die erste breit sichtbare Version eines allgemeineren Musters: KI-Systeme werden nützlich, wenn sie den richtigen Kontext, die richtigen Tools, klare Grenzen und Feedback-Schleifen haben.

Warum Coding zuerst kommt

Software ist ungewöhnlich agentenfreundlich.

Ein Repository gibt dem Agenten ein strukturiertes Arbeitsgedächtnis. Source-Dateien, Tests, Package-Skripte, Issues, Commit-History und Dokumentation liegen in einem Format vor, das ein Sprachmodell untersuchen kann. Die Arbeit ist zudem natürlich inkrementell: Ein Feature wird zu einem Diff, ein Bugfix zu einem Patch, ein Refactoring zu einer Folge kleiner Änderungen.

Am wichtigsten ist das Feedback. Typechecker, Linter, Tests, Build-Logs, Code Review und Runtime-Fehler zeigen dem Agenten, ob er sich in die richtige Richtung bewegt. Ein Mensch entscheidet weiterhin, ob die Änderung sinnvoll ist, aber der Agent arbeitet nicht blind.

Darum wirken Coding Agents realer als viele generische KI-Agenten. Sie sind von Messpunkten umgeben.

Die eigentliche Lektion ist Architektur

Der naheliegende Schluss lautet: "KI kann jetzt Code schreiben." Das stimmt, ist aber nicht der interessante Teil.

Interessant ist das Betriebsmodell.

Der Agent bekommt ein Ziel.
Er untersucht den relevanten Kontext.
Er plant oder führt aus.
Er nutzt Tools mit begrenzten Berechtigungen.
Er beobachtet die Ergebnisse dieser Tools.
Er passt die Arbeit an.
Er erzeugt ein prüfbares Artefakt für den Review.

Diese Schleife ist die Brücke von Coding Agents zu ernsthaften Business Agents:

Dieses Muster lässt sich auf viele Geschäftsprozesse übertragen. Ein Finance-Agent kann Rechnungen abgleichen, wenn er ERP-Zugriff, Matching-Regeln, Freigabelimits und Ausnahmebehandlung hat. Ein Sales-Ops-Agent kann Leads anreichern, wenn er CRM-Zugriff, Datenqualitätsprüfungen und menschlichen Review für wertvolle Accounts hat. Ein Legal-Intake-Agent kann Erstzusammenfassungen erstellen, wenn er Vorlagen, Dokumentenzugriff, Vertraulichkeitsgrenzen und Sign-off-Gates hat.

Der Agent ist nicht wertvoll, weil er intelligent klingt. Er ist wertvoll, weil er in ein System eingebunden ist, in dem Aktion, Feedback und Verantwortung gestaltet sind.

Was Codex und Claude Code richtig machen

Moderne Coding Agents zeigen mehrere Designentscheidungen, die Business-KI übernehmen sollte.

Erstens arbeiten sie in einem echten Workspace. Sie antworten nicht nur aus dem Gedächtnis, sondern lesen das tatsächliche Repository und können relevante Dateien ändern.

Zweitens nutzen sie Tools. Shell-Befehle, Patches, Suche, Dateizugriff, Browser-basierte Dokumentation und Integrationen machen das Modell zu einem Teil des Workflows statt zu einem isolierten Berater.

Drittens respektieren sie Grenzen. Nützliche Setups arbeiten mit Berechtigungen, Sandboxing, Approval-Regeln, isolierten Branches und Review-Gates. Das ist keine Bürokratie. Es macht agentische Arbeit wiederholbar und kontrollierbar.

Viertens nutzen sie wiederverwendbare Instruktionen. Dateien wie `AGENTS.md`, `CLAUDE.md`, Cursor Rules, Skills, Hooks und Projektbefehle geben dem Agenten lokales Betriebswissen. Das System wird besser, wenn die Regeln explizit sind: wie Tests laufen, welcher Package Manager gilt, welcher Stil erhalten bleibt und welche Dateien tabu sind.

Fünftens machen sie Review natürlich. Ein Diff, ein Testlog und ein Pull Request sind hervorragende Review-Flächen. Business Agents brauchen entsprechende Artefakte: Änderungssummaries, Quellenangaben, Freigabequeues, Audit-Logs und Rollback-Pläne.

Die Grenzen sind genauso wichtig

Coding Agents sind stark, aber sie zeigen auch die schwierigen Stellen.

Sie können falsche Annahmen treffen. Sie können eine einfache Änderung überkomplizieren. Sie können benachbarten Code anfassen, den sie nicht hätten ändern müssen. Sie können einen engen Check bestehen und trotzdem am Business-Ziel vorbeigehen. Sie können teuer werden, wenn sie ohne gute Erfolgskriterien schleifen.

Das sind keine Gründe, Agenten zu ignorieren. Es sind Gründe, sie sauber zu entwerfen.

Die besten Agenten-Setups ähneln guter Senior-Delegation:

Geben Sie ein klares Ziel und eine Definition of Done.
Stellen Sie den Kontext bereit, dem der Agent vertrauen soll.
Begrenzen Sie Tools auf das, was die Aufgabe braucht.
Bevorzugen Sie kleine, prüfbare Änderungen.
Führen Sie objektive Checks automatisch aus.
Halten Sie Menschen für Urteil, Risiko und Geschmack im Loop.

Genau deshalb ist Agent-Konfiguration wichtig. Andrej Karpathys jüngste Kritik an Coding Agents dreht sich im Kern um operative Disziplin: Agenten sollen Unsicherheit sichtbar machen, versteckte Annahmen vermeiden, Änderungen klein halten und gegen konkrete Ziele prüfen. Das ist keine reine Coding-Lektion. So sollte jeder Produktionsagent geführt werden.

Was das für Unternehmen bedeutet

Die meisten Unternehmen sollten nicht mit der Frage starten: "Können wir einen autonomen KI-Mitarbeiter bauen?"

Die bessere Frage ist enger:

**Wo haben wir bereits strukturierten Kontext, wiederholbare Tool-Aktionen und klare Review-Kriterien?**

Gute erste Kandidaten haben meist diese Eigenschaften:

Der Input ist bereits digital: Tickets, E-Mails, PDFs, CRM-Datensätze, Tabellen, Datenbankzeilen.
Der Workflow hat wiederkehrende Schritte.
Das Ergebnis kann geprüft werden, bevor Risiko entsteht.
Fehler sind erkennbar.
Ein Mensch verbringt heute Zeit damit, Informationen zwischen Systemen zu bewegen.

Darum beginnen agentische Systeme oft in Bereichen wie Support-Triage, Dokumenten-Intake, internem Reporting, Sales Operations, Compliance-Vorbereitung, Engineering Maintenance oder Wissenssuche. Die Aufgabe muss nicht spektakulär sein. Sie muss messbar und gut eingebettet sein.

Der praktische Blickwinkel für Kunden

Die Schlussfolgerung ist nicht, dass jedes Unternehmen plötzlich einen Coding Agent braucht. Coding Agents sind als Vorschau nützlich, weil sie das Muster unter ungewöhnlich guten Bedingungen zeigen: strukturierter Kontext, Tool-Zugriff, objektive Checks und prüfbare Ergebnisse.

Für ein Unternehmen ist der richtige Blickwinkel nicht: "Überall einen Agenten einbauen." Entscheidend ist, die Workflows zu finden, in denen ein Agent sicher Teil des Betriebssystems werden kann: die richtigen Quellen lesen, enge Aktionen vorbereiten oder ausführen, Evidenz sichtbar machen und Unsicherheit sauber eskalieren.

Das führt meistens zu drei sinnvollen Einstiegspunkten:

Wissensarbeit, bei der Antworten Quellenangaben und Nachvollziehbarkeit brauchen.
Operative Workflows, bei denen Informationen zwischen Systemen bewegt werden und Menschen finale Entscheidungen prüfen.
Produktfunktionen, bei denen KI innerhalb einer bestehenden User Journey handeln kann, mit Berechtigungen, Logs und Fallbacks.

So bleibt der Rahmen breit, ohne vage zu werden. Das Projekt wird nicht um ein Buzzword herum definiert, sondern um einen Geschäftsworkflow, der schneller, klarer oder zuverlässiger werden kann.

Wie Sie eine Agenten-Chance prüfen

Bevor Sie einen Agenten bauen, stellen Sie diese Fragen:

Welches Arbeitsartefakt soll der Agent erzeugen?
Welche Quellen der Wahrheit darf er lesen?
Welche Tools darf er nutzen?
Welche Aktionen brauchen Freigabe?
Wie erkennen wir, ob das Ergebnis gut genug ist?
Was passiert bei niedriger Sicherheit?
Was wird für Audit und Verbesserung geloggt?

Ein Support-Intake-Workflow könnte zum Beispiel so bewertet werden. Die Zahlen sind kein universeller Benchmark, sondern ein schneller Weg, die wichtigsten Tradeoffs vor dem Bau sichtbar zu machen.

Wenn diese Fragen schwer zu beantworten sind, ist das Projekt noch nicht bereit für einen vollständigen Agenten. Starten Sie kleiner: mit einem Assistenten, einem Retrieval-System oder einer Workflow-Automation. Wenn die Antworten klar sind, kann ein Agent ein ernsthaftes Produktivitätssystem werden statt nur eine Demo.

Die nahe Zukunft

Coding Agents entwickeln sich schnell, weil sie in einer Umgebung sitzen, die für Iteration gebaut wurde. Sie können branchen, patchen, testen, reviewen und zurückrollen. Andere Geschäftsbereiche werden folgen, sobald ihre Workflows strukturierter und besser per Tool zugänglich werden.

Gewinnen werden nicht die Firmen mit den meisten Agent-Abos. Gewinnen werden die Firmen, die ihre interne Arbeit agentenfähig machen: gute Datenzugriffe, klare Berechtigungen, explizite Prozesse, messbare Outputs und Review-Schleifen.

Das ist der eigentliche Wandel. KI-Agenten sind keine magischen Mitarbeitenden. Sie sind Workflow-Teilnehmer. Wenn der Workflow gut designt ist, werden sie sehr schnell nützlich.

[Massgeschneiderte KI-Systeme ansehen](/de/services/custom-dev) | [Workflow+ Architect ansehen](/de/projects/workflow-plus-architect) | [Beratung buchen](/de/contact)

Referenzen

[OpenAI, 2026] ["Codex"](https://openai.com/codex/), OpenAI. *(Produktübersicht zu Codex als Coding Agent zum Bauen und Ausliefern mit KI.)*
[OpenAI Developers, 2026] ["Codex docs"](https://developers.openai.com/codex/cloud), OpenAI. *(Dokumentation zu Codex-Oberflächen, Workflows, Subagents, Skills, Sandboxing und Konfiguration.)*
[OpenAI, 2025] ["Introducing the Codex app"](https://openai.com/index/introducing-the-codex-app/), OpenAI. *(Ankündigung des Codex Cloud Software Engineering Agents.)*
[Anthropic, 2026] ["Claude Code overview"](https://code.claude.com/docs/en/overview), Anthropic. *(Claude Code Dokumentation zu Terminal, IDE, Desktop und Browser.)*
[Anthropic, 2026] ["Create custom subagents"](https://code.claude.com/docs/en/sub-agents), Anthropic. *(Dokumentation zu spezialisierten Subagents, Kontextmanagement, Tool-Zugriff und Delegation.)*
[Anthropic, 2026] ["Hooks reference"](https://code.claude.com/docs/en/hooks), Anthropic. *(Referenz zur Konfiguration von Command Hooks rund um Claude Code Events.)*