Einmal im Monat blicken wir zurück auf das, was in der AI-Welt passiert ist. Wir sammeln die lesenswertesten Artikel aus der Community und die wichtigsten Produkt-Updates, kuratiert von unserem AI-Team.
Im Mai ging es vor allem um die Frage, wie AI die Softwareentwicklung wirklich verändert. Die Grenze zwischen schnellem Vibe Coding und sorgfältigem agentischem Engineering verschwimmt. Der eigentliche Engpass verlagert sich vom Code hin zum gemeinsamen Wissen einer Organisation. Und AI lässt sich auch bewusst einsetzen, um besseren Code zu schreiben, dafür langsamer. Auf der Produktseite veröffentlichte Anthropic Opus 4.8 und verdoppelte die Limits von Claude Code.
Lesenswertes aus der Community
Vibe Coding und agentisches Engineering rücken zusammen
Simon Willison · simonwillison.net
Früher war die Grenze klar. Vibe Coding heisst, den Code gar nicht anzuschauen. Das ist gut für private Tools, aber unverantwortlich für Software, die andere nutzen. Agentic Engineering dagegen ist die professionelle Arbeit, bei der man weiss, was man tut.
Diese Grenze verschwimmt gerade. Weil die Agenten so zuverlässig werden, wird auch im Produktivcode nicht mehr jede Zeile geprüft. Code, der von AI-Agenten produziert wurde, wird stattdessen wie eine fremde Library behandelt, die man über die Dokumentation nutzt und erst bei Problemen im Detail anschaut. Ein mulmiges Gefühl bleibt. Ein Team steht mit seinem Ruf für seine Arbeit gerade, ein Modell kann das nicht.
Und noch etwas verschiebt sich: Gute Tests und Dokumentation sagen heute wenig über Qualität, weil AI sie in Minuten erzeugt. Was mehr zählt, ist, ob jemand die Software wirklich benutzt hat und sie sich dabei bewährt hat.
Für uns steckt der Kern in einem neuen Massstab für Qualität. Tests und Dokumentation galten lange als Zeichen von Sorgfalt. Heute entstehen sie in Minuten und sagen wenig aus. Was mehr zählt, ist, ob eine Software im echten Einsatz bestanden hat. Dieser Massstab hat aber eine Grenze. Sicherheitslücken zeigen sich selten im normalen Gebrauch, man findet sie nur, wenn man gezielt danach sucht. Oder man verankert die Sicherheit gleich in der Architektur, wie wir es mit Regelwerk tun. Somit bleibt die Verantwortung bei uns. Ein Agent kann sie nicht übernehmen, so zuverlässig er auch wirkt.
The bottleneck was never the code
Coding-Agents machen einzelne Entwickler schneller. Ob dadurch die ganze Branche schneller wird, ist aber fraglich. Denn wichtige Software entsteht erst, wenn sich viele Menschen einigen, was sie überhaupt bauen wollen. Der schwierige Teil war schon immer diese Einigung, nicht das Schreiben des Codes. Solange Code teuer war, fiel das kaum auf. Jetzt, wo er billig ist, zeigt sich, dass der Engpass beim Entscheiden liegt, was gebaut werden soll.
Dazu kommt das gemeinsame Wissen im Team, warum etwas so gebaut wurde und was wichtig ist. Genau dieses Wissen fehlt den Agenten, denn sie waren nicht dabei, als es entstand. Sie sind aber sehr gut darin, alles zu lesen, und können das Wissen aus Code, Issues und alten Diskussionen zusammentragen. Am Ende gewinnt darum nicht, wer das beste Modell hat, sondern wer dieses Wissen festhält und darauf zugreifen kann.
Wenn der Engpass beim Wissen liegt und nicht beim Code, müssen wir genau dort ansetzen. Ein Agent kennt nur das, was wir ihm mitgeben, denn beim Entstehen der Entscheidungen war er nicht dabei. Also halten wir dieses Wissen fest, statt es im Kopf zu behalten. Für uns heisst das vor allem, Entscheide und Anforderungen aufzuschreiben, bevor ein Agent loslegt. Ein Baustein dafür ist Spec Driven Development. So haben die Agenten die Grundlage, die sie brauchen, um sinnvoll zu arbeiten.
Mit AI besseren Code schreiben, dafür langsamer
Nolan Lawson · nolanlawson.com
Viele glauben, AI-Coding heisse, möglichst schnell möglichst viel mittelmässigen Code rauszuhauen. Es geht aber auch andersherum, langsamer und dafür besser. LLMs sind erstaunlich gut darin, Bugs zu finden. Wirft man sie auf eine Codebasis, finden sie mehr, als einem lieb ist.
Die Kunst liegt nicht im Finden, sondern im Priorisieren und Prüfen. Ein Ansatz dazu ist, mehrere verschiedene Modelle denselben Pull Request reviewen zu lassen. Je mehr unterschiedliche Modelle, desto weniger Fehlalarme. Danach arbeitet man die kritischen Bugs ab und lässt die unwichtigen liegen. Schneller wird man so zwar nicht, dafür versteht man den Code besser und die Qualität steigt.
Mit dem Tempo kommen auch Probleme. Wer nur noch abnickt, was der Agent produziert, versteht seinen eigenen Code irgendwann nicht mehr. Cognitive Debt nennt sich das, und es ist ein reales Problem. Darum muss AI für uns nicht zwingend das Werkzeug sein, das am schnellsten am meisten Code produziert. Mit mehreren Modellen zu arbeiten, machen wir auch heute schon. Jeden Pull Request lassen wir von einem zweiten Modell prüfen und kritisch hinterfragen. Und während ein Agent an einer Aufgabe arbeitet, diskutieren wir den Code parallel mit einem anderen Modell. Das bringt besseres Verständnis, zeigt Refactoring-Möglichkeiten und deckt Sicherheitsfragen auf.
Produkt-Updates
Claude Opus 4.8: Anthropic veröffentlicht Ende Mai Opus 4.8, ein moderates Update. Am auffälligsten ist der Fortschritt bei der Ehrlichkeit. Das Modell lässt eigene Code-Fehler rund viermal seltener unkommentiert durch. Dazu kommt ein steuerbares Effort-Level. Zeitgleich startet in Claude Code ein Preview zu Dynamic Workflows, bei denen Claude eine Aufgabe selbst auf zehn bis hunderte parallele Subagents verteilt.
Höhere Limits für Claude Code: Die 5-Stunden-Limits von Claude Code werden für alle Pläne permanent verdoppelt. Möglich macht das eine Compute-Partnerschaft mit SpaceX, die über 300 Megawatt zusätzliche Kapazität bringt. Die Weekly-Limits steigen für eine beschränkte Zeit um 50 Prozent.
Agent SDK mit separatem Guthaben: Ab dem 15. Juni zählt die Nutzung des Claude Agent SDK und von claude -p nicht mehr zu den regulären Abo-Limits. Stattdessen läuft sie über ein separates Guthaben, das sich monatlich erneuert (Standard $20, Premium $100).
