Technischer Kontext
Was mir hier gefiel, war nicht die Neuigkeit an sich, sondern die Arbeitstechnik: Ich glaube, KI-Automatisierung bringt genau dann echten Nutzen, wenn wir aufhören, Perfektion von einem einzigen Modell zu erwarten. Stattdessen teile ich die Rollen auf. Ich gebe Claude einen Planmodus und lasse es einen kurzen Änderungsplan zusammenstellen, und dann schalte ich Codex als zweites Gehirn hinzu, das nach Lücken, Schwachstellen und fragwürdigen technischen Annahmen sucht.
Das ist kein theoretisches Schema aus Folien. Es sieht bereits nach normaler KI-Integration in die tägliche Entwicklung aus: Ein Agent denkt architektonisch, der andere prüft den Plan auf Bodenständigkeit, Typen, API-Nahtstellen und Grenzfälle. Dann kann ich das Ergebnis wieder an Claude zurückgeben, damit es alle Rückmeldungen zu einem einzigen Änderungsplan ohne unnötiges Gerede zusammenstellt.
Der entscheidende Punkt hier ist nicht, dass Claude „klüger“ oder Codex „strenger“ ist. Sie haben einfach unterschiedliche Denkgewohnheiten. Claude behält meist die gesamte Aufgabenstruktur besser bei und zerfasert sie nicht in eine chaotische Liste, während Codex sich eher auf Details konzentriert: wo ein Vertrag bricht, wo ein Migrationsschritt fehlt, wo ein Plan gut klingt, aber ein reales Repository nicht überleben würde.
Ich würde außerdem die Länge des Plans streng begrenzen. Sobald ein Agent anfängt, einen Roman zu schreiben, verliert er selbst wichtige Schritte. Kurze, atomare Punkte funktionieren besser, besonders wenn dieser Plan später von anderen Agenten oder in der teamweiten Automatisierung mit KI ausgeführt wird.
Auswirkungen auf Unternehmen und Automatisierung
Für ein Team bringt das drei sehr handfeste Effekte. Erstens: weniger Auslassungen vor der Implementierung, also weniger kostspielige Nachbesserungen nach dem Merge. Zweitens: schnellere Änderungsüberprüfungen, weil ein strukturierter Plan statt Chaos diskutiert wird. Drittens: einfacher, die Entwicklung zu skalieren, wenn ein Teil der Planung und Überprüfung an Agenten übergeht.
Gewinner sind diejenigen mit vielen parallelen Aufgaben, Integrationen und Produktänderungen. Verlierer sind diejenigen, die weiterhin einen einzelnen Agenten im „Mach alles selbst“-Modus antreiben und sich dann wundern, warum in der Produktion Lücken zwischen den Schritten auftauchen.
Ich sehe solche Dinge regelmäßig in Kundenprozessen: Das Problem liegt selten am Modell selbst, sondern an schlechter Rollenzuweisung. Bei Nahornyi AI Lab lösen wir genau das in der Praxis, wenn wir KI-Lösungen für Unternehmen entwickeln und aufschlüsseln, wo ein Planer, ein Prüfer und ein Ausführender benötigt werden.
Wenn Ihre Produktänderungen ständig zwischen Idee, Ticket und Code verloren gehen, müssen Sie das nicht manuell flicken. Gemeinsam mit Nahornyi AI Lab kann ich helfen, eine KI-Implementierung aufzubauen, bei der Agenten nicht nur im Chat lärmen, sondern das Team wirklich entlasten und Fehler vor dem Release reduzieren.