"Lass das doch einfach einen Agenten machen" hast du wahrscheinlich schon mal gehört, in einer Vorlesung oder in einem Gruppenchat. Vielleicht nutzt du selbst schon einen und könntest trotzdem nicht genau sagen, was ihn von ChatGPT unterscheidet. Das ist völlig normal, der Begriff ist schneller populär geworden, als ihn irgendjemand richtig erklärt hat.
Hier ist der eigentliche Unterschied, und warum er gerade jetzt wichtig ist, egal was du studierst.
Ein Chatbot antwortet, ein Agent handelt
Ein Chatbot nimmt deine Frage entgegen und gibt dir eine Antwort im Chatfenster. Du fügst eine kaputte Funktion ein, er schlägt eine Korrektur vor, und du kopierst diese Korrektur selbst zurück in deinen Editor. Alles, was danach kommt, bleibt deine Aufgabe: die Datei öffnen, die Änderung einfügen, den Code ausführen, merken, dass jetzt etwas anderes kaputt ist, und noch mal nachfragen.
Ein KI-Coding-Agent schließt genau diese Lücke selbst. Du gibst ihm Zugriff auf ein echtes Repository und eine Aufgabe, und er liest sich durch die relevanten Dateien, plant eine Reihe von Änderungen, ändert sie direkt, führt Tests oder den Build aus, sieht, was dabei fehlschlägt, und versucht es erneut, über mehrere Dateien hinweg, ohne dass du irgendetwas von Hand kopierst. Es ist keine einzelne clevere Antwort, sondern eine kleine Schleife aus planen, handeln, prüfen, wiederholen, die so lange weiterläuft, bis die Aufgabe erledigt ist oder der Agent an einem Punkt hängen bleibt, an dem er dich etwas fragen muss.
Genau diese Schleife macht den ganzen Unterschied. Ein Chatbot gibt dir einen Absatz Text. Ein Agent gibt dir eine tatsächliche, funktionierende (oder zumindest versuchte) Änderung an einem echten Projekt, plus eine Spur davon, was er getan hat und warum.
Warum sich damit ändert, was Programmieren lernen bedeutet
Wenn du dir Programmieren über Tutorials beigebracht hast, war das, was du eigentlich geübt hast, vor allem Tippen: Syntax kennen, die Standardbibliothek im Kopf haben, eine Schleife im ersten Anlauf richtig hinbekommen. Diese Fähigkeit ist weiterhin nützlich, aber sie ist nicht mehr die knappe. Ein Agent, der einen Großteil von GitHub gelesen hat, schreibt eine korrekte Schleife in den meisten Fällen schneller, als du es könntest.
Was ein Agent nicht zuverlässig allein kann: entscheiden, was tatsächlich geändert werden muss, bemerken, wenn seine eigene Lösung aus Gründen falsch ist, die kein Test erfasst, oder Verantwortung für eine Änderung übernehmen, die bei echten Nutzer:innen landet. Genau das wird zur eigentlichen Fähigkeit: einen Agenten gut anleiten, das Ergebnis mit echter Skepsis lesen, und den Fehler erwischen, bevor er weitergeht.
Das ist keine kleine Lücke. In einer Befragung von 1.057 Hochschullehrenden durch AAC&U und die Elon University Ende 2025 sagten 63 Prozent, ihre Absolvent:innen seien nicht darauf vorbereitet, generative KI in der Arbeitswelt einzusetzen. Nicht "kennen das Tool nicht", sondern nicht vorbereitet darauf, es tatsächlich im Job zu nutzen, dort, wo das Werkzeug echte Arbeit übernimmt und trotzdem jemand prüfen muss, was dabei herauskommt. Zu wissen, dass ein Agent existiert, ist etwas anderes, als zu wissen, wie man mit einem an etwas arbeitet, das wirklich zählt.
Wie gutes Anleiten eines Agenten konkret aussieht
Ein paar Gewohnheiten trennen jemanden, der einen Agenten wirklich nutzen kann, von jemandem, der ihm nur beim Tippen zusieht:
- Gib ihm eine konkrete, klar begrenzte Aufgabe. "Behebe den Fehler in der Rabattberechnung, hier ist der fehlschlagende Test" bringt ein besseres Ergebnis als "mach das schneller".
- Lies den Diff, bevor du ihn übernimmst. Der Agent sagt dir, was er geändert hat. Prüfe das gegen das, was im Code tatsächlich passiert ist.
- Lass ihn seine Entscheidung erklären. Wirkt eine Änderung merkwürdig, frag nach, bevor du weitermachst. Eine gute Antwort zeigt, dass er das Problem verstanden hat. Eine vage Antwort ist ein Signal, genauer hinzuschauen.
- Führ sowohl die Tests aus, die der Agent geschrieben hat, als auch die, die er nicht angerührt hat. Ein Agent kann seine eigenen Tests bestehen lassen und dabei still etwas Benachbartes kaputt machen, wonach niemand gefragt hat.
Nichts davon ist exotisch. Es ähnelt eher dem, wie ein erfahrener Entwickler den Pull Request eines Berufseinsteigers prüft, als irgendetwas Mysteriösem an KI. Das ist kein Zufall, die Fähigkeit überträgt sich direkt.
Wo du das wirklich üben kannst
Über das Anleiten eines Agenten zu lesen ist etwas anderes, als es an einem Repository mit echten Konsequenzen und einer echten Bewertungsvorgabe zu tun. Genau dafür gibt es The Legacy Fix: Die Aufgabe läuft als eine spannende IBM-Bobathon-Challenge, gebaut mit IBM Bob, einem von mehreren agentischen Coding-Werkzeugen, mit denen du üben kannst. Welchen KI-Coding-Agenten du dafür nutzt, ist dir überlassen, wer ausprobieren möchte, findet unter bob.ibm.com/trial eine 30-tägige kostenlose Testphase von Bob. Bestehst du die Challenge, bekommst du eine Teilnahmebescheinigung von IBM SkillsBuild nach bestandener Bewertung, keine Zertifizierung, sondern einen echten Nachweis, dass du die Aufgabe gemeistert hast. Details zum Format findest du auf der IBM-Bobathon-Seite.
Wähl eine Aufgabe, setz einen Agenten darauf an, und achte genau auf den Moment, in dem er etwas falsch macht. Genau dieser Moment, nicht der, in dem etwas gelingt, zeigt dir, was deine eigentliche Aufgabe jetzt ist.
