KI-Agenten wie Praktikanten: Onboarding statt Prompt-Steuerung

KI-Agenten wie Praktikanten: Ein neues Onboarding-Konzept

Ein Blogartikel auf dev.to schlägt vor, KI-Agenten nicht länger nur über Prompts zu steuern, sondern sie wie ehrgeizige Praktikanten zu behandeln. Statt Agenten als Wegwerf-Codegeneratoren zu sehen, die generische, halbfertige Antworten liefern, sollten Entwickler ihnen ein strukturiertes Onboarding geben – so wie man einen Junior-Entwickler nicht ohne Einarbeitung in ein undokumentiertes Repository werfen würde. Drei Kernpraktiken werden empfohlen: institutionellen Kontext bereitstellen, Wissen persistent speichern und Fehler als Lernmomente reviewen. Diese Praktiken zielen darauf ab, den Agenten von einem reinen Befehlsempfänger zu einem Teammitglied zu machen, das die Regeln und Eigenheiten der Codebasis versteht.

Drei Praktiken für bessere Agenten: Kontext, Wissen, Review

Die erste Praktik verlangt, dem Agenten klare Vorgaben zu machen: Styleguides, Architekturentscheidungen und Repository-Normen, etwa über Dateien wie .cursorrules oder Kontext-Register. Je klarer die Regeln der Codebasis, desto besser der Output, weil der Agent nicht raten muss, sondern auf explizite Blaupausen zurückgreifen kann. Die zweite Praktik zielt darauf, nicht in jeder Sitzung bei null zu starten: Erfolgreiche Workflows, Prompt-Vorlagen und Randfall-Guardrails sollen in der Versionsverwaltung gespeichert werden. Wenn der Agent ein Muster falsch interpretiert, wird die Dokumentation aktualisiert, damit er denselben Fehler nicht erneut macht. Die dritte Praktik rät, Fehler nicht einfach zu verwerfen, sondern direktes Feedback zu geben, warum eine Lösung falsch ist – wie ein guter Manager, der die schlechte Pull-Request eines Praktikanten nicht kommentarlos überschreibt, sondern den Fehler als Lernmoment nutzt. Durch dieses Review-Verhalten soll der Agent aus dem Feedback lernen und ähnliche Fehler künftig vermeiden.

Microsoft und GitHub setzen auf ähnliche Muster

Das Konzept ist nicht isoliert. Das Microsoft ISE Team beschreibt ein Muster mit AGENTS.md-Dateien für Projektkontext und wiederverwendbaren Skills für Aufgabenanweisungen, die automatisch von GitHub Copilot CLI genutzt werden. Hintergrund war, dass Ingenieure Copilot CLI individuell ohne gemeinsamen Kontext nutzten, was zu inkonsistentem Output führte: Scaffolded Code landete in falschen Verzeichnissen, generierte Tests folgten nicht dem AAA-Muster, und Importpfade variierten. Durch die zentrale Bereitstellung von Kontext und Skills wird der Agent auf dieselbe Wissensbasis wie das Team eingeschworen. GitHub Copilot Coding Agent wiederum folgt einem festen Ablauf, und die anfängliche Einrichtung ähnelt laut offiziellem GitHub-Blog dem Onboarding eines neuen Entwicklers – etwa durch gute Dokumentation und einen optimierten Setup-Prozess.

Atlan verspricht 38 Prozent mehr Genauigkeit durch Context Layer

Kommerziell setzt Atlan auf einen Context Layer, der zertifiziertes, aktuelles Organisationswissen zur Inferenzzeit an Agenten liefert und so Halluzinationsraten senken soll. Atlan argumentiert, dass die meisten Enterprise-Halluzinationen keine Modellfehler, sondern Kontextfehler sind: Der Agent handelt mit Daten, die er nicht verifizieren kann, oder mit Geschäftsregeln, die ihm nie gegeben wurden. Der Context Layer schließt diese Lücke, indem er dem Agenten verifizierte Informationen aus den Systemen des Unternehmens bereitstellt. Atlan beziffert die Genauigkeitsverbesserung auf 38 Prozent und gibt an, über 209.000 Stunden bei mehr als 50 Unternehmen eingespart zu haben. Diese Zahlen stammen vom Anbieter selbst und sind als Herstellerangaben zu werten.

Zweifel an der Wirksamkeit: 80 Prozent der KI-Projekte scheitern

Dem stehen Branchenanalysen gegenüber: Über 80 Prozent der KI-Projekte scheitern, und die Ausfallrate ist doppelt so hoch wie bei IT-Projekten. Gartner prognostiziert, dass mehr als 40 Prozent der agentenbasierten Initiativen bis 2027 wegen schwachem ROI und Integrationsproblemen aufgegeben werden. Die Analyse nennt technische Integrationsprobleme, Datenqualitätsprobleme und Verifikationslimitierungen als eigenständige Herausforderungen, die über reine Kontextfragen hinausgehen. Der Widerspruch zu Atlans optimistischen Zahlen lässt sich dadurch erklären, dass Atlan ein Anbieter ist, der sein eigenes Produkt bewirbt, während die Analyse allgemeine Reifegrade und Einsatzszenarien betrachtet. Die unterschiedlichen Perspektiven und Methodiken führen zu abweichenden Ergebnissen, was die Wirksamkeit von Kontext-Onboarding relativiert.

Vom value-basierten Framework zum Onboarding-Ansatz

Bereits früher wurde – wie in den Archiv-Artikeln auf kispotlight.de dokumentiert – ein value-basiertes Framework für KI-Integration vorgeschlagen, das als konzeptioneller Vorläufer des Onboarding-Ansatzes gelten kann. Dieses Framework betonte die Ausrichtung von KI-Initiativen an geschäftlichem Wert und legte damit den Grundstein für die heutige Diskussion über Kontext und Einarbeitung. Zudem meldete OpenAI laut einem weiteren Archiv-Artikel 3,1 Agenten-Arbeitstage pro menschlichem Arbeitstag, was den Produktivitätskontext zeigt, in dem solche Praktiken relevant werden. Weitere Details zu diesen Entwicklungen finden sich in den entsprechenden Beiträgen auf kispotlight.de.