Der erste Versuch ist zu 95 % Müll: Die Reise eines Staff Engineers mit Claude Code

• Ein Staff Engineer berichtet von einem sechswöchigen Experiment mit Claude Code, um einen Entwicklungs-Workflow gemeinsam mit KI zu erproben
• Die Denkweise, KI als einen „nicht lernenden Junior-Entwickler“ zu betrachten, ist der Schlüssel für eine erfolgreiche Integration
• Der erste Versuch ist meist ein 95%iger Fehlschlag, wird aber durch Wiederholungen schrittweise zu brauchbarem Code verfeinert
• Mit projektspezifischen Kontextdateien (Claude.md) und MCP-basierter Tool-Integration wird das Kontextproblem der KI gelöst
• Die Rolle von Entwicklern verlagert sich vom Schreiben von Code hin zu Problemlösung und Architekturdesign – ein neues Produktivitätsmuster im Zeitalter der KI-Nutzung

---

Hintergrund und Ansatz

• Der Autor schrieb ursprünglich jeden Code selbst, inzwischen werden jedoch 80 % vom AI geschrieben, während er sich auf Architektur, Reviews und das Management mehrerer Entwicklungs-Threads konzentriert
• Der Text schlägt keinen rosigen Ton im Sinne von „KI treibt die Innovation“ an, sondern teilt die Verwirrung und realistische Methodik, die bei der Integration von KI in einen echten Produktions-Workflow entstehen
• Der Schlüssel zur erfolgreichen Nutzung liegt darin, KI als einen „nicht lernenden Junior-Entwickler“ zu behandeln

Der Wandel des Entwicklungsparadigmas

• In den ersten fünf Jahren blieb die Arbeitsweise bei Entwicklung mit Büchern und SDK-Dokumentation
• In den folgenden zwölf Jahren erfolgte der Wechsel zur Nutzung von Suche (Google) und kollektiven Wissensquellen
• In den letzten 18 Monaten wurden KI-gestütztes Coding mit Cursor erprobt
• In den unmittelbar vergangenen sechs Wochen gab es einen starken Wandel hin zu einer umfassenden KI-Delegation mit Claude Code
• Die Eingewöhnung an Claude Code führte schon nach wenigen Stunden zu spürbar höherer Produktivität

Der reale KI-basierte Produktions-Workflow

• Bei Code-Arbeit für die Produktion wird KI hauptsächlich zum „Denken“ genutzt
• Perfekter Code in einem einzigen Durchlauf ist unmöglich. Die Aufgabe eines Engineers ist es, die beste Lösung für ein Problem zu finden
  • Erster Versuch (95 % Fehlschlag): Die KI baut Systemkontext auf und der Entwickler definiert das Problem, aber der Code ist fast vollständig falsch
  • Zweiter Versuch (50 % Fehlschlag): Das Kontextverständnis verbessert sich und der Ansatz wird konkreter, aber immer noch ist die Hälfte unbrauchbar
  • Dritter Versuch (brauchbarer Code): Durch Wiederholung und Review entsteht ein tatsächlich nutzbares Grundgerüst, das anschließend verbessert werden kann
• Dieser Prozess ist kein Scheitern, sondern ein bewusst geplanter Ablauf aus Experimenten und iterativer Optimierung

Das Kontextproblem und die Lösung

• KI kann keine Erinnerung über Sitzungen hinweg behalten, weshalb dieselben Erklärungen immer wieder wiederholt werden müssen
• Als Lösung wird eine Claude.md-Datei verwendet, in der Architekturentscheidungen, Muster und Dokumentationslinks festgehalten werden
• Über MCP-Integration werden Linear, Notion, GitHub, die Codebasis und Datenbanken angebunden, um automatisch Kontext bereitzustellen
  • Linear liefert Ticket-Kontext
  • Notion oder Canvas ermöglichen Zugriff auf Dokumentation
  • Eine Nicht-Produktionsdatenbank dient zur Prüfung von Datenstrukturen
  • GitHub liefert Hintergrundinformationen aus früheren PRs

Paralleler Betrieb mehrerer Claude-Instanzen und zentrale Strategien

• Mehrere Claude-Instanzen werden parallel betrieben, mit einem Ansatz, der sich anfühlt wie das Management eines kleinen Entwicklungsteams, das jeden Tag sein Gedächtnis verliert
• Strategien wie keine Parallelisierung innerhalb desselben Problemraums, das Festhalten aller Arbeiten in Projektmanagement-Tools wie Linear und die klare Kennzeichnung von Code, den Menschen direkt bearbeitet haben, werden etabliert
• KI wird nicht nur beim Schreiben von Code, sondern auch aktiv im Code Review eingesetzt: fehlende Tests, offensichtliche Bugs und Verbesserungspunkte werden schnell erkannt, was repetitive Arbeit reduziert
• Laut Unternehmensrichtlinie bei Sanity liegt die Verantwortung für die Endqualität auch bei KI-generiertem Code weiterhin beim Engineer
• In einer Umgebung, in der von KI und Menschen erzeugter Code nicht klar unterscheidbar ist, sinkt die emotionale Bindung, wodurch kritischere und objektivere Code Reviews möglich werden

Der dreistufige Code-Review-Prozess

• Code zu schreiben ist nur ein Teil der Arbeit, aber Code-Review ebenso
• Review-Stufe 1: erste Prüfung durch Claude
  • Erkennung von Lücken in der Testabdeckung und offensichtlichen Bugs
  • Verbesserungsvorschläge sparen Zeit in der Kolleg:innenprüfung
• Review-Stufe 2: mein eigenes Review
  • Prüfung von Wartbarkeit, Architektur, Business-Logik und Integrationsfähigkeit
  • Auch bei KI-generiertem Code trägt der Engineer die endgültige Verantwortung
• Review-Stufe 3: reguläres Team-Review
  • Das Team weiß nicht, welche Teile KI-generiert sind. Es gelten dieselben Qualitätsstandards
  • Objektive Prüfung ohne emotionale Bindung ist möglich
• Da die emotionale Bindung an von KI geschriebenen Code geringer ist, werden objektivere Reviews möglich

Slack-getriggerter Agent und Experimente zur Arbeitsautomatisierung

• Mit Cursor wurde ein Slack-integrierter Agent pilotiert: einfache Änderungen an der Business-Logik gelangen, bei komplexen CSS-Layouts scheiterte er jedoch
• Derzeit bestehen weiterhin Einschränkungen wie keine Unterstützung für private NPM-Pakete, unsignierte Commits und das Umgehen offizieller Nachverfolgung
• Dennoch weckt das die Erwartung eines künftigen Szenarios, in dem Agenten nachts einfache, repetitive Tickets abarbeiten

Kosten und ROI

• Die Nutzung von Claude Code verursacht für das Unternehmen erhebliche Kosten pro Engineer
• Diese Investition führt jedoch zu Produktivitätsgewinnen
  • 2- bis 3-fach schnellere Feature-Releases
  • Mehrere Entwicklungs-Threads lassen sich gleichzeitig steuern
  • Wiederholten oder Boilerplate-Code muss man nicht mehr selbst schreiben
• In der Anfangsphase der KI-Einführung ist für Senior Engineers ein Budget von 1000 bis 1500 US-Dollar pro Monat nötig; mit wachsender Routine wird eine bessere Kosteneffizienz erwartet

Fortbestehende Probleme und Grenzen KI-gestützter Entwicklung

• Lernproblem: KI lernt nicht aus Fehlern und wiederholt dieselben Missverständnisse; die Lösung sind umfangreiche Dokumentation und explizitere Anweisungen
• Vertrauensproblem: KI liefert falschen Code oft mit großer Überzeugung, daher ist Verifikation zwingend erforderlich – besonders bei komplexem State-Management, Performance und sicherheitskritischen Bereichen
• Kontextgrenzen: Große Codebasen überschreiten das Kontextfenster der KI, daher müssen Probleme in kleine Einheiten zerlegt und mit klarem Kontext versehen werden

Der emotionale Wandel: vom Code zum Problem

• Die Fixierung auf Code wird aufgegeben und durch ein problemlösungszentriertes Denken ersetzt
• Fehlerhafter Code wird schneller gelöscht, Reviews werden objektiver und die Hürde für Refactoring sinkt => eine positive Veränderung
• Wenn bessere KI-Tools erscheinen, besteht die Bereitschaft, sofort zu wechseln
• Entscheidend ist nicht „der Code selbst“, sondern der Wert des zu lösenden Problems

Ratschläge zur KI-Einführung aus Engineersicht

• 1. Experimente mit mehreren KI-Lösungen zulassen: Teams sollten verschiedene Tools selbst ausprobieren, um praktische Kompetenz aufzubauen
• 2. KI zuerst auf repetitive und einfache Aufgaben anwenden: Dadurch sind schnelle Effekte zu erwarten
• 3. Budget für Trial-and-Error sichern: Im ersten Monat muss mit Verwirrung gerechnet werden
• 4. Review-Prozesse neu gestalten: Prüfungen müssen auf die Eigenschaften von KI-Code angepasst werden
• 5. Gründlich dokumentieren: Guter Kontext vervielfacht die Produktivität

• Engineers, die sich an neue KI-Workflows anpassen, werden feststellen, dass sich nun ein neues scharfes Messer in ihrem Werkzeugkasten befindet
• Engineers, die KI-Workflows annehmen, entwickeln sich zu einer neuen Rolle weiter, in der sie mehrere KI-Agenten orchestrieren und sich auf Architektur, Reviews und komplexe Problemlösung konzentrieren

Ihr nächster Schritt

• Wählen Sie ein kleines, klar definiertes Feature,
• geben Sie der KI drei Chancen, dieses Feature zu implementieren,
• und prüfen Sie das Ergebnis so, als würden Sie einen Junior-Entwickler coachen

• Mehr braucht es nicht. Keine große Transformation, keine Prozessreform
• Es braucht nur ein einziges Feature, drei Versuche und ein ehrliches Review

• Die Zukunft besteht nicht darin, dass KI Entwickler ersetzt
  • sondern darin, dass Entwickler schneller arbeiten, bessere Lösungen entwickeln und die besten Tools nutzen