Gleiche KI, anderer Code
Alle im Team nutzen dasselbe Modell. Trotzdem hängt die Qualität davon ab, wer den Prompt schreibt. Das liegt nicht an der KI, sondern am Kontext, den sie bekommt.
Ein Team führt KI-Agenten ein. Alle bekommen denselben Zugang, dasselbe Modell und dieselben Werkzeuge. Nach einigen Wochen fällt auf, dass der Code, der dabei entsteht, sehr unterschiedlich ist. Bei der einen passt er zu Architektur und Konventionen. Beim anderen ist er generisch, funktioniert irgendwie und wird im Review umgebaut.
Die naheliegende Erklärung lautet, manche könnten eben besser mit der KI umgehen. Das stimmt, trifft aber nicht den Kern.
Die Qualität hängt am Prompt
Eine KI schreibt Code auf Basis dessen, was sie in der Sitzung weiß. Wer viel Projektwissen hat, gibt viel davon mit: welche Konvention gilt, welches Modul man nicht anfasst, welche Lösung schon einmal gescheitert ist. Wer neu im Team ist, weiß das nicht und kann es der KI auch nicht mitgeben.
Das Ergebnis: Der Senior bekommt brauchbaren Code, der Junior generischen. Beides landet im selben Repository. Ein Werkzeug, das Teams angleichen könnte, verstärkt so die Unterschiede.
Wo die Arbeit landet
Der Unterschied verschwindet nicht, er wandert an drei Stellen.
Ins Review. Generischer Code fällt erst bei der Durchsicht auf. Die Prüfarbeit landet bei denen, die das Projekt kennen, also bei den Seniors, deren Zeit ohnehin knapp ist.
In die Architektur. Jede Sitzung trifft kleine Entscheidungen neu. Ohne gemeinsame Grundlage entstehen mehrere Lösungen für dasselbe Problem, und der Code driftet auseinander.
In private Setups. Wer gute Ergebnisse bekommt, hat sich meist ein eigenes Setup gebaut: Anweisungsdateien, Werkzeuge, eigene Regeln. Das hilft genau einer Person. Niemand weiß, welche Fassung gilt, und nichts davon wird durchgesetzt.
Prompt-Schulungen lösen das nicht
Die erste Reaktion vieler Teams ist, allen besseres Prompting beizubringen. Das hilft ein wenig, verschiebt das Problem aber nur. Ein guter Prompt ersetzt kein Projektwissen.
Auch eine Anweisungsdatei, die alles enthält, macht es nicht besser. Sie wächst, jede Sitzung lädt sie komplett, und das Kontextfenster füllt sich mit Regeln, die für die aktuelle Aufgabe nicht gelten.
Die Ursache liegt nicht bei den Menschen, sondern im Kontext. Solange jede Person ihren eigenen mitbringt, arbeitet jede mit einer anderen KI.
Was gleiche Qualität voraussetzt
Drei Dinge dürfen nicht davon abhängen, wer den Prompt schreibt.
Derselbe Kontext für alle. Code, Konventionen, Tickets und Entscheidungen kommen aus einer zentralen Quelle und werden mit jedem Prompt mitgeliefert, nicht nur dann, wenn jemand daran denkt. Darauf, dass die KI selbst nachfragt, kann man sich nicht verlassen.
In einer Messung mit 45 Testläufen rief die KI verfügbare Werkzeuge nur in 16 Fällen von selbst auf. Deshalb liefert ai-boost den Kontext mit jedem Prompt mit, ohne dass sie fragen muss.
Dieselbe Vorgabe für alle. Werkzeuge, Modelle und Arbeitsregeln werden einmal festgelegt und gelten auf jedem Rechner. Abweichungen werden nicht nur dokumentiert, sondern abgewiesen.
Eine Bewertung jeder Sitzung. Ob Code den Regeln folgt, vollständig ist und zur Architektur passt, sollte nicht erst im Review auffallen. Eine unabhängige Prüfung jeder Sitzung macht Qualität sichtbar, bevor sie zum Problem wird.
So setzt ai-boost das um
ai-boost liefert zu jedem Prompt den passenden Kontext aus Code, Konventionen, Commit-Historie, Tickets und Dokumentation. Werkzeuge, Modelle je Phase und Arbeitsregeln werden zentral hinterlegt und auf jeden Rechner verteilt. Kein Entwickler muss selbst etwas einbinden, und Abweichungen vom vorgegebenen Modell weist die Sitzung ab.
Jede Sitzung mit Codeänderungen wird anhand von vier Kriterien bewertet: Regeltreue, Vollständigkeit, Architekturtreue und Kontextnutzen. Ein unabhängiger KI-Prüfer bewertet zusätzlich den Code anhand der tatsächlichen Änderungen. Sitzungen, die in beiden Bewertungen überzeugen, werden zur Vorlage für spätere Aufgaben, und die Lehren aus früheren Sitzungen kommen mit dem nächsten Prompt mit.
Für das Team heißt das: Wer neu dazukommt, arbeitet mit derselben Grundlage wie der Senior, vom ersten Prompt an. Das Review prüft wieder Entscheidungen statt Konventionen.
Gleiche KI, anderer Code. Gleicher Kontext, gleiche Qualität.
Wer KI im Team einführt, sollte nicht fragen, wer gut promptet. Sondern wie jede Person im Team dieselbe Grundlage bekommt.