Wer sich aktuell mit KI beschäftigt, sieht überall dieselben Bilder: perfekte Demos, magische Prompts und Versprechen von vollständig automatisierter Wissensarbeit. Die Realität moderner Agent-Systeme fühlt sich allerdings deutlich chaotischer an. Genau deshalb wollten wir das Thema bei evodion bewusst praktisch angehen. Nicht nur darüber sprechen. Sondern gemeinsam erleben, wie sich moderne Coding-Agents tatsächlich anfühlen, wo ihre Stärken liegen, wo sie scheitern und welche organisatorischen, technischen und gesellschaftlichen Fragen dadurch entstehen.

Der Workshop entstand dabei im Rahmen unseres evoLab. Dort experimentieren wir mit unterschiedlichen KI-Technologien, modernen Entwicklungsworkflows und europäischen Technologieansätzen. Die Idee dahinter ist relativ simpel: praktische Erfahrungen sammeln und diese anschließend gemeinsam im Unternehmen weiterentwickeln.

Der Workshop selbst war bewusst simpel aufgebaut: kurze theoretische Einführung, Teams bilden, Setup aufsetzen, erste Experimente, gemeinsames Arbeiten an kleinen Projekten und später eine offene Diskussionsrunde.

Schon beim Setup wurde allerdings klar, wie weit die Realität moderner KI-Workflows von vielen Demos entfernt ist.

Windows.
WSL.
Node-Versionen.
Python-Abhängigkeiten.
API-Keys.
Shell-Probleme.
Unterschiedliche Entwicklungsumgebungen.

Viele Probleme wirken trivial, bis mehrere Teams gleichzeitig versuchen, moderne Agent-Workflows produktiv aufzusetzen. Genau das war aber wertvoll. Denn genau dort beginnt echte Integration.

Zum Einsatz kamen unter anderem Claude Code, Codex CLI, Gemini über Antigravity CLI sowie Modelle wie GLM, Kimi, Qwen und Mistral.

Die spannendste Beobachtung war für uns, wie schnell Skepsis zu Selbstwirksamkeit wurde.

Am Anfang wussten viele Kolleg:innen nicht so richtig, was sie erwarten sollten. Nicht weil plötzlich alles perfekt funktionierte. Sondern weil die Systeme trotz ihrer Fehler plötzlich reale Ergebnisse erzeugten.

Ein Agent halluziniert komplett.
Der nächste baut innerhalb kurzer Zeit eine funktionierende Grundlage.
Dann scheitert wieder etwas völlig Banales an einer Abhängigkeit.
Und plötzlich funktioniert etwas überraschend gut.

Besonders interessant war dabei, dass jetzt nicht mehr reine Syntax im Mittelpunkt stand.

Domänenwissen wurde wichtiger.
Problembeschreibung wurde wichtiger.
Kritisches Denken wurde wichtiger.

Viele Kolleg:innen, die sich selbst nicht primär als Entwickler verstehen würden, hatten plötzlich extrem wertvolle Beiträge.

Ein wichtiger Teil des Workshops war deshalb auch die theoretische Einordnung. Wir wollten bewusst mit einigen typischen Missverständnissen aufräumen.

Diese Systeme sind nicht intelligent.

Sie verstehen nichts.
Sie planen nicht voraus.

Es sind probabilistische Systeme.
Sehr leistungsfähige Wahrscheinlichkeitsmaschinen.
Autocomplete auf Steroiden.

Und genau deshalb entstehen viele Probleme überhaupt erst.

Gerade im Softwarebereich wurde deshalb relativ schnell klar:
Die eigentliche Herausforderung ist nicht Code-Generierung - und es war wahrscheinlich auch nie der Engpass.

Die eigentliche Herausforderung ist Verifikation.

Wie bringt man deterministische Qualität in probabilistische Systeme?

Warum erleben Themen wie Testing, TDD, Clean Code, kleine Iterationen und deterministische Pipelines plötzlich eine Renaissance?

Weil genau dort Kontrolle entsteht.

Denn ohne Kontrolle produziert man mit modernen Agent-Systemen vor allem eines:
technischen Müll in deutlich höherer Geschwindigkeit.

Der spannendste Teil begann für uns allerdings erst nach dem praktischen Arbeiten.

Nachdem die Teams mehrere Stunden gemeinsam experimentiert hatten, entwickelte sich eine lange offene Diskussion über:
die Zukunft von Wissensarbeit,
Juniorentwicklung,
Open Source,
Deepfakes,
digitale Souveränität
und die Frage, wie Unternehmen langfristig sinnvoll und verantwortungsvoll mit solchen Systemen arbeiten können.

Gerade in regulierten oder kritischen Umgebungen wird zunehmend deutlich, dass viele Unternehmen langfristig nicht einfach sämtliche Wissens- und Entwicklungsprozesse vollständig an proprietäre Cloud-Systeme auslagern können.

Genau deshalb versuchen wir bei evodion aktuell vor allem eines:
praktische Kompetenz aufzubauen.

Nicht theoretisch.

Sondern durch echtes Arbeiten, gemeinsames Lernen und offene Diskussionen über Chancen, Risiken und Grenzen dieser Technologien.

‍