Meine Reise zur Einführung von AI

• Mitchell Hashimoto, der nach seinem Exit bei HashiCorp an Ghostty arbeitet, beschreibt den Prozess, wie er AI-Tools in seine tatsächliche Arbeit integriert hat
• Er unterteilt den Weg in drei Phasen: Ineffizienz → Anpassung → Produktivitätssteigerung, und dokumentiert die Irrtümer und Lernprozesse in jeder Phase konkret
• Nachdem er die Grenzen des chatbot-basierten Codings erkannt hatte, entdeckte er den eigentlichen Nutzen beim Wechsel zu agentenbasierten Tools
• Durch das Training, zuvor manuell abgeschlossene Commits mit einem Agenten nachzubilden, erkannte er, dass Aufgabenzerlegung, die Trennung von Planung und Ausführung sowie automatische Verifikation entscheidend sind
• Indem er die letzten 30 Minuten des Arbeitstags für nächtliche automatisierte Aufgaben nutzt und einfache, wiederholbare Arbeit an Agenten delegiert, erzielt er eine reale Produktivitätssteigerung
• Derzeit befindet er sich in einer Phase, in der immer ein Agent läuft, kombiniert mit „Harness Engineering“ zur Fehlervermeidung, um die Effizienz der Zusammenarbeit zwischen AI und Mensch zu maximieren

---

Hintergrund der Einführung und Vorgehensweise

• Bei der Einführung neuer Tools müsse man immer drei Phasen durchlaufen: Ineffizienz → Anpassung → Innovation
  • Da man an bestehende Workflows gewöhnt ist, ist die anfängliche Einführung unbequem, führt aber langfristig zu höherer Produktivität
• Statt überzogener Erwartungen oder Kritik an AI-Tools vermittelt er eine ausgewogene Perspektive auf Basis realer Nutzungserfahrungen

Schritt 1: Weg vom Chatbot

• Coding über Chatbot-Interfaces wie ChatGPT oder Gemini stützt sich auf Vorwissen, und da die Fehlerkorrektur von wiederholtem menschlichem Feedback abhängt, ist es ineffizient
• Ein Screenshot der Command Palette von Zed, den er in Gemini eingefügt und in SwiftUI nachgebaut bekam, war sein erster „Wow-Moment“ und wurde zur Grundlage der macOS-Command-Palette von Ghostty
• Im Kontext von Brownfield-Projekten (bestehende Codebasen) erzeugten Chatbots jedoch häufig schlechte Ergebnisse, und das Kopieren und Einfügen von Code und Ausgaben war ineffizienter, als die Arbeit direkt selbst zu erledigen
• Um echten Nutzen zu erzielen, müsse man unbedingt Agenten einsetzen; Agenten sind Tools, bei denen ein LLM wiederholt externe Aktionen aufrufen kann und dafür mindestens Dateien lesen, Programme ausführen und HTTP-Anfragen stellen können muss

Schritt 2: Die eigene Arbeit mit einem Agenten nachbilden

• Als er Claude Code zum ersten Mal nutzte, war er mit den Ergebnissen unzufrieden, und die Nacharbeit dauerte länger, als es selbst zu tun
• Statt aufzugeben, wiederholte er ein Training, bei dem er manuelle Commits mit einem Agenten identisch reproduzieren ließ
  • Es war ein schmerzhafter Prozess, dieselbe Arbeit zweimal zu machen (manuell + Agent), aber Reibung bei der Einführung neuer Werkzeuge ist natürlich
• Dabei entdeckte er drei zentrale Prinzipien:
  • Sitzungen in klare, ausführbare Teilaufgaben zerlegen
  • Bei unklaren Anforderungen Planungssitzung und Ausführungssitzung trennen
  • Dem Agenten Möglichkeiten zur Verifikation der Arbeit geben, damit er Fehler selbst korrigieren und Regressionen vermeiden kann
• Auch zu wissen, wann man Agenten nicht einsetzen sollte, indem man ihre Schwächen versteht, war ein großer Effizienzgewinn
• In dieser Phase spürte er zwar noch keine Netto-Effizienzsteigerung, akzeptierte den Agenten aber zufrieden als Werkzeug

Schritt 3: Agenten zum Tagesabschluss einsetzen

• Er führte ein Muster ein, jeden Tag die letzten 30 Minuten für das Starten von Agentenarbeit zu reservieren
  • Die Hypothese: Wenn Agenten außerhalb der eigenen Arbeitszeit Fortschritt machen, entsteht Effizienzgewinn
• Drei Arten von Aufgaben erwiesen sich als effektiv:
  • Deep-Research-Sessions: Untersuchung einer bestimmten lizenzierten Bibliothek in einer bestimmten Sprache, mit Zusammenfassungen über Vor- und Nachteile, Entwicklungsaktivität und Reaktionen der Community über mehrere Seiten hinweg
  • Erkundung vager Ideen mit parallelen Agenten: nicht für einen Release, sondern um für die Arbeit am nächsten Tag unbekannte Variablen aufzudecken
  • Klassifizierung und Review von Issues und PRs: mit gh (GitHub CLI) führt er Issue-Triage durch parallele Agenten aus; die Agenten antworten nicht direkt, sondern erzeugen nur einen Bericht zur Durchsicht am nächsten Tag
• Er ließ Agenten nicht die ganze Nacht in Schleifen laufen; die meisten Aufgaben waren innerhalb von 30 Minuten abgeschlossen
• Indem er die ermüdende Zeit am Ende des Tages in Agentenarbeit umwandelte, sicherte er sich am nächsten Morgen einen „Warm-Start“-Effekt

Schritt 4: Verlässliche Delegation von Aufgaben

• Nachdem er Aufgaben identifiziert hatte, die Agenten mit hoher Wahrscheinlichkeit gut erledigen, delegiert er diese an Background-Agenten und konzentriert sich selbst auf andere Arbeit
• Jeden Morgen filtert er die Triage-Ergebnisse der vorherigen Nacht manuell und wählt Issues aus, die sich für Agenten eignen, die dann jeweils einzeln ausgeführt werden
• In dieser Zeit arbeitet er selbst direkt an tiefem Denken auf die frühere, nicht-AI-gestützte Weise, statt in sozialen Medien oder Videos zu versinken
• Entscheidend ist es, Desktop-Benachrichtigungen des Agenten auszuschalten: Da Context Switching teuer ist, ist es effizienter, wenn nicht der Agent den Menschen unterbricht, sondern dieser bei natürlichen Pausen nachsieht
• Als Reaktion auf Anthropics Forschungspaper zur Skill-Bildung: Auf Skill-Bildung bei an Agenten delegierten Aufgaben verzichtet er, aber bei Arbeiten, die er weiterhin manuell erledigt, setzt sich Skill-Bildung natürlich fort
• In dieser Phase erreichte er ein Niveau, „von dem es kein Zurück mehr gibt“; der größte Vorteil ist, dass er sich auf die Arbeit konzentrieren kann, die ihm Spaß macht

Schritt 5: Harness Engineering

• Am effizientesten sind Agenten dann, wenn sie beim ersten Versuch das richtige Ergebnis liefern oder nur minimale Korrekturen benötigen
• Jedes Mal, wenn ein Agent einen Fehler macht, eine Lösung so zu konstruieren, dass derselbe Fehler nie wieder passiert, ist das Konzept des „Harness Engineering“
• Es gibt zwei Formen:
  • Implizite Verbesserungen des Promptings (AGENTS.md): Wenn ein Agent falsche Befehle ausführt oder die falsche API findet, wird das in der Datei AGENTS.md festgehalten, um das Problem zu lösen — im Ghostty-Repository gibt es reale Beispiele
  • Programmgesteuerte Tools: Skripte für Screenshot-Erfassung, gefilterte Testläufe usw. schreiben und in AGENTS.md auf die Existenz dieser Tools hinweisen
• Er befindet sich derzeit in dieser Phase und investiert aktiv in die Vermeidung schlechten Agentenverhaltens sowie in die Verifikation guten Verhaltens

Schritt 6: Immer einen Agenten laufen lassen

• Parallel zu Schritt 5 setzt er sich das Ziel, immer einen Agenten im Hintergrund laufen zu haben
• Er bevorzugt langsame Modelle, die wie der deep mode von Amp (auf Basis von GPT-5.2-Codex) länger als 30 Minuten brauchen, aber hochwertige Ergebnisse liefern
• Derzeit lässt er nicht mehrere Agenten parallel laufen und hält die Balance zwischen einem Agenten und manueller Arbeit für passend
• Tatsächlich läuft nur während etwa 10–20 % der Arbeitszeit ein Background-Agent, und er arbeitet daran, diesen Anteil zu erhöhen
• Das Ausführen eines Agenten ist nicht das Ziel an sich; er sollte nur dann laufen, wenn es wirklich hilfreiche Aufgaben gibt, und hochwertige delegierbare Workflows zu schaffen, ist auch unabhängig von AI wichtig

Aktueller Stand und Perspektive

• Er erzielt mit AI-Tools Ergebnisse und verfolgt dabei einen realitätsbasierten, ausgewogenen Blick
• Er arbeitet nicht für ein AI-Unternehmen, investiert nicht in eines und berät keines; unabhängig davon, ob AI bleibt oder verschwindet, ist seine Kernmotivation die Freude am Bauen als Software-Handwerker
• Hinsichtlich der Skill-Bildungsprobleme bei Junior-Entwicklern mit schwachen Grundlagen ist er tief besorgt
• Da sich Modelle sehr schnell weiterentwickeln, müsse die Einschätzung dessen, was Agenten nicht können, fortlaufend neu überprüft werden
• Ob man AI nutzt oder nicht, ist eine persönliche Entscheidung; dieser Text dient dem persönlichen Teilen eines Beispiels dafür, wie man Werkzeuge erkundet und einsetzt