Jakob und ADOPS.online – AI-Native Enterprise Marketing Automation: Interview zu AI Coding

Am meisten beschäftigt mich gerade eine Frage: Wie schaffen wir es, dass intelligente Systeme eigenständig Entscheidungen treffen können, ohne dass dabei Sicherheit, Datenqualität oder Kontrolle verloren gehen?

Ein Schwerpunkt ist unsere Evidence-Backed Network Identity Fabric, kurz EBNIF. Sie soll Unternehmen anhand überprüfbarer Daten und Netzwerksignale zuverlässig identifizieren und zuordnen. Das klingt zunächst unspektakulär, ist technisch aber hochkomplex – insbesondere dann, wenn unterschiedliche Quellen widersprüchliche Informationen liefern.

Parallel entwickeln wir eine Container-Twin-Set-Architektur. Die Idee dahinter: Änderungen in einer isolierten Umgebung vorbereiten, vollständig prüfen und erst danach kontrolliert in den laufenden Betrieb übernehmen.

AI Coding ermöglicht mir, solche anspruchsvollen Architekturthemen mit einer Geschwindigkeit zu bearbeiten, für die früher ein ganzes Entwicklungsteam erforderlich gewesen wäre.

Aber genau darin liegt auch die Herausforderung.

Eine KI kann in wenigen Minuten komplexe Funktionen entwickeln. Ob diese Funktionen zuverlässig mit dem restlichen System zusammenarbeiten, ist eine völlig andere Frage.

Diese Erfahrung prägt inzwischen jede Architekturentscheidung, die ich treffe.

Mein Entwicklungsalltag hat sich inzwischen grundlegend verändert. Ich verbringe deutlich mehr Zeit damit, Aufgaben zu orchestrieren, Architekturentscheidungen zu treffen und Ergebnisse zu überprüfen, als selbst Code zu schreiben.

ChatGPT ist dabei einer meiner wichtigsten Engineering-Partner. Ich nutze GPT-Modelle insbesondere für Architekturfragen, komplexe Analysen und die systematische Untersuchung technischer Probleme. Codex, Claude Code und Cursor ergänzen den Coding-Workflow. Gemini ist besonders interessant für umfangreiche Spezifikationen und große Informationsmengen. Auch Grok, Antigravity und Hermes Agent gehören zu den Werkzeugen, mit denen ich mich im Rahmen meines Multi-Agent-Ansatzes beschäftige.

Das Entscheidende ist allerdings die Umgebung, in der diese Agenten arbeiten.

Über GitHub, Remote Desktop Commander und MCP können sie auf die reale Entwicklungsumgebung zugreifen, Zusammenhänge analysieren, Änderungen vorbereiten und Tests ausführen.

Dazu kommt ein umfangreiches System projektspezifischer Skills. Sie legen fest, wie Agenten mit Architektur, Security, Tests und Deployments umgehen müssen.

Unser technisches Fundament besteht aus Python, FastAPI, Next.js, React, TypeScript, PostgreSQL, Redis, Docker und GitHub Actions.

Eine der größten Herausforderungen ist das Zustandsmanagement. Wenn mehrere Agenten oder Worker gleichzeitig dieselben Ressourcen verändern wollen, entstehen schnell Race Conditions oder doppelte Aktionen.

Deshalb sind Idempotenz, kontrollierte Transaktionen und eindeutige Zuständigkeiten für mich unverzichtbar geworden.

Ich möchte nicht einfach möglichst viele KI-Agenten einsetzen. Ich möchte, dass sie zuverlässig zusammenarbeiten.

Die Zahlen zeigen inzwischen ziemlich eindrucksvoll, welche Dimension das Projekt erreicht hat.

Seit Anfang Februar 2026 arbeite ich täglich an ADOPS.online. Das entspricht nach meiner Schätzung mittlerweile rund 2.700 Entwicklungsstunden. Mein GitHub-Profil verzeichnet allein 2026 über 8.300 Contributions.

Auch der KI-Verbrauch ist beachtlich: In einem einzigen OpenAI-API-Projekt wurden allein im Oktober rund 34,7 Millionen Tokens in mehr als 31.000 Modellanfragen verarbeitet.

Hinzu kommen weitere Modelle, Coding-Tools und Entwicklungsumgebungen. Die vollständige anbieterübergreifende Tokenbilanz ist noch nicht abgeschlossen.

Die bislang nachvollziehbaren GitHub- und OpenAI-Abrechnungen liegen im vierstelligen US-Dollarbereich. Darin stecken allerdings auch CI/CD- und Entwicklungsleistungen. Weitere Tool- und Infrastrukturkosten werden noch konsolidiert.

Mein Workflow ist heute stark agentenbasiert: Anforderungen spezifizieren, Aufgaben verteilen, Änderungen implementieren, Tests durchführen und Ergebnisse überprüfen.

Das klingt geradlinig. Die Realität war häufig deutlich chaotischer.

Eine meiner schmerzhaftesten Erfahrungen: Ein KI-Agent behebt erfolgreich einen Fehler – und beschädigt dabei etwas, das vorher einwandfrei funktioniert hat.

Genau deshalb habe ich meinen Entwicklungsprozess immer stärker auf isolierte Änderungen, Regressionstests und kontrollierte Freigaben ausgerichtet.

Heute interessiert mich weniger, wie viele Tokens ich verbrauche. Mich interessiert, wie viel wirklich funktionierende Software daraus entsteht – und wie zuverlässig sie morgen noch funktioniert.

Ich beschäftige mich seit über 25 Jahren mit Softwareentwicklung. Angefangen habe ich im digitalen Marketing, mit Tracking-Systemen, AdServern und Technologien, aus denen sich später immer komplexere Daten- und Automatisierungsarchitekturen entwickelten.

Mit GPT-3 und frühen Codex-Werkzeugen habe ich 2021/2022 erste Coding-Experimente gemacht. Damals ging es vor allem um einzelne Skripte, Funktionen und kleinere Automatisierungen.

2024 veränderte sich das grundlegend.

Plötzlich konnte ich mit KI ganze Softwarearchitekturen diskutieren, komplexe Module entwickeln und Probleme analysieren, die weit über eine einfache Code-Vervollständigung hinausgingen.

Für mich war das ein echter Wendepunkt.

Gleichzeitig wurde mir bewusst, wie wertvoll meine bisherige Erfahrung dabei ist.

Denn KI kann beeindruckend schnell programmieren. Sie kann aber genauso schnell eine schlechte Architektur umsetzen, wenn niemand die richtigen Fragen stellt.

Nach 25 Jahren weiß ich vor allem eines: Die gefährlichsten Softwarefehler sind häufig die, die man beim ersten Blick gar nicht erkennt.

Mein Schwerpunkt hat sich deshalb verschoben. Ich denke heute stärker in Systemen, Abhängigkeiten, Risiken und technischen Verträgen.

Die KI übernimmt immer mehr von der Umsetzung. Die Verantwortung für das Ergebnis bleibt bei mir.

Und genau diese Kombination aus Erfahrung und neuer technologischer Leistungsfähigkeit finde ich unglaublich faszinierend.

Ja, davon bin ich überzeugt. Aber Hardware stellt KI-Agenten vor Herausforderungen, die wir aus der Softwareentwicklung in dieser Form kaum kennen.

Schon heute unterstützen KI-Verfahren beim Chipdesign, bei Schaltungsentwürfen, PCB-Layouts und komplexen Simulationen.

Der große Unterschied liegt für mich im Entwicklungszyklus.

Software kann ich zurückrollen. Physik nicht.

Wenn ich bei ADOPS.online einen fehlerhaften Build entdecke, kann ich ihn verwerfen, korrigieren und erneut testen. Bei einem Chip oder einer physischen Baugruppe können zwischen Entwurf und realem Testergebnis Wochen oder Monate liegen.

Dazu kommen thermische Belastungen, elektromagnetische Effekte, Materialtoleranzen und Fertigungsabweichungen. Ein Entwurf kann in der Simulation hervorragend aussehen und trotzdem in der Realität scheitern.

Deshalb sehe ich die größte Herausforderung nicht darin, dass KI überhaupt Hardware entwerfen kann.

Die eigentliche Hürde ist, den gesamten Weg vom digitalen Entwurf bis zum zuverlässig funktionierenden physischen Produkt abzusichern.

Dafür müssen KI-Agenten mit Simulationswerkzeugen, formalen Prüfverfahren, Messsystemen und Fertigungsprozessen zusammenarbeiten.

Und genau dieser Gedanke beschäftigt mich auch bei ADOPS.online.

Intelligente Einzelagenten sind beeindruckend. Wirklich revolutionär wird es aber erst, wenn wir sie zu verlässlichen, miteinander arbeitenden Systemen verbinden können.

Ich glaube, dass hier einer der nächsten großen technologischen Durchbrüche entsteht.