Technischer Kontext
Ich liebe solche Fälle nicht wegen des Wow-Effekts, sondern weil man hier eine richtige KI-Architektur sieht und nicht nur einen weiteren schnell zusammengebastelten Chat-Prompt. Das Setup ist einfach und leistungsstark: eine gemeinsame Wissensbasis in Obsidian, für jedes Projekt ein eigener Claude Code, darüber ein Orchestrator und darunter Sub-Agenten für spezifische Aufgaben.
Mir gefällt besonders, dass die Wissensbasis in Markdown ausgelagert ist. Das ist ein sehr praktischer Schritt für die KI-Integration: Wissen, Anweisungen, Projektkontext und Aufgaben-Routing liegen in lesbarer Form vor und sind nicht fest im Code des Orchestrators verankert. Man ändert das Markdown, nicht das gesamte System.
Jetzt wird es interessant. Wenn ein Projekt-Agent in eine Sackgasse gerät, bleibt er nicht in einer Endlosschleife stecken, sondern eskaliert das Problem nach oben. Der Orchestrator entscheidet dann, was zu tun ist: den Fall selbst bearbeiten, die Aufgabe an einen anderen Agenten weitergeben oder die Arbeit in Teilaufgaben zerlegen.
Das Ganze ähnelt bereits stark einer produktionsreifen Entwicklungspipeline. Ich erkenne hier vertraute Muster: isolierte Sitzungen, dedizierte Rollen, Übergaben zwischen Agenten, eine gemeinsame Speicherschicht und die Verwaltung langlaufender Aufgaben durch einen Koordinator. Im Grunde ist dies die Grundlage für die Implementierung künstlicher Intelligenz in Ingenieurteams, wo ein stabiler Prozess wichtiger ist als ein einzelner kluger Agent.
Besonders aufgefallen ist mir, dass sowohl Claude Code als auch Codex als übergeordnete Orchestratoren fungieren können. Hier würde ich die Verantwortungsbereiche sorgfältig abgrenzen, damit sie nicht um die Kontrolle über die Pipeline streiten. Aber die Idee an sich ist solide: Ein Modell ist bei bestimmten Aufgaben stärker, das andere bei anderen, und dies kann als Routing-Schicht statt als Kampf der Modelle genutzt werden.
Was ändert das für Unternehmen und Automatisierung?
Der erste Effekt ist offensichtlich: Die Kosten für den Kontextwechsel sinken. Wenn jedes Projekt seinen eigenen Agenten und Speicher hat, verbringe ich nicht einen halben Tag damit, die Architektur, Fehler und Vereinbarungen erneut zu erklären. Für Teams ist das kein Spielzeug mehr, sondern echte Automatisierung mit KI.
Der zweite Punkt, den ich hervorheben möchte, ist die Eskalation. Anstatt stillschweigend zu scheitern, hebt der Agent die Hand, der Orchestrator greift ein, und die Aufgabe stirbt nicht. Dies ist entscheidend für interne Plattformen, Entwicklungsunterstützung und umfangreiche Refactorings.
Verlierer sind jedoch diejenigen, die so etwas ohne Disziplin einführen. Ohne isolierte Worktrees, Protokolle, Zeitlimits und ein klares Übergabeschema artet die Multi-Agenten-Struktur schnell in ein teures, von Tokens angetriebenes Chaos aus.
Genau solche Dinge liebe ich es, bis ins kleinste Detail zu zerlegen: wo man einen einzigen Agenten einsetzt, wo man eine Orchestrierung aufbaut und wo man die Finger von dem lässt, was bereits funktioniert. Wenn Ihr Team bereits in manueller Koordination versinkt, können wir bei Nahornyi AI Lab eine KI-Lösung entwickeln, die auf Ihren realen Workflow zugeschnitten ist, damit Agenten die Routine übernehmen und sich die Menschen endlich auf die Ingenieursarbeit statt auf die Disposition konzentrieren können.