Was tun, während die KI nachdenkt

This blog post is also available in English

TL;DR

• Deep Work braucht ununterbrochenes Denken – KI hilft hier am besten als Sparringspartner.
• Routineaufgaben lassen sich mit Agentic Engineering parallelisieren, solange eine Aufgabe klar Priorität hat.
• Code Reviews verlangen volle Aufmerksamkeit – KI kann parallel zusätzliches Feedback liefern.

Trotz des nervigen Hypes kann KI unsere Produktivität als Softwareentwickler:innen steigern. Eine Frage, die wir uns dabei aber schon alle gestellt haben: Was machen wir eigentlich in der Zeit, in der die KI an der Aufgabe arbeitet, die wir ihr gegeben haben?

KI kann Dinge schneller erledigen – aber bei nicht-trivialen Aufgaben dauert es oft trotzdem mehrere Minuten, bis ein Ergebnis kommt. Was tun wir in dieser Zeit?

Das hängt komplett davon ab, an welcher Art von Aufgabe wir gerade arbeiten.

Deep-Work-Modus

Bei Deep-Work-Aufgaben ist es sehr unwahrscheinlich, dass KI dich schneller ans Ziel bringt. Denn wie lange diese Probleme dauern, hängt vor allem davon ab, wie viel Zeit du investieren kannst, um dich in einer ungestörten Umgebung wirklich tief in die Sache hineinzudenken.

Hier geht es nicht primär um ein schnelles Ergebnis, sondern um ein gutes. Genau deshalb hilft eine Timebox: Die begrenzte Zeit wirkt wie ein Katalysator – sie zwingt uns zu priorisieren, den Scope zu schneiden und herauszufinden, was wirklich zählt.

Das ist auch die zentrale Idee von hammock driven development – wir brauchen Zeit und Raum, um ein Problem wirklich zu durchdenken und herauszuarbeiten, wie wir es am besten lösen.

Für manche heißt das: spazieren gehen oder gedankenverloren aus dem Fenster starren. Für kinästhetische Lerner:innen wie mich bedeutet es oft, Ideen auf Papier zu skizzieren – oder anzufangen zu coden und dann 40-mal zurückzurudern und alles umzubauen.

KI kann auch hier nützlich sein – allerdings eher als Sparringspartner beim Denken oder für schnelle Prototypen, die du am Ende ohnehin wegwirfst.

Kurz gesagt: Wenn wir an Problemen arbeiten, die echte Deep Work brauchen, gibt es keine „freie Zeit“, die wir während der KI-Arbeit füllen müssten – denn „frei“ ist in diesem Modus nichts. Und wir sollten uns unbedingt davor schützen, nebenbei zu multitasken: Das erzeugt Context Switching, und das ist sowohl schädlich als auch frustrierend.

Zwei-Aufgaben-Modus

Manchmal haben wir allerdings eine größere Aufgabe, bei der ziemlich klar ist, was getan werden muss. Ich setze solche Themen meist mit dem Navigator pattern um: Ich treffe die Entscheidungen und steuere die KI, damit sie das Feature in größeren Arbeitsblöcken implementiert. Sobald wir der KI einen Satz an Anweisungen gegeben haben, passiert aber oft etwas Typisches: Wir wechseln automatisch den Fokus und wollen über etwas anderes nachdenken.

Genau diese intrinsische Motivation, sich nach einer anderen Aufgabe umzuschauen, ist für mich das Signal: Vielleicht kann ich jetzt tatsächlich parallel noch etwas anderes erledigen.

Statt Kaffee zu holen und Däumchen zu drehen, kann ich mir eine kleinere Aufgabe mit klaren Parametern suchen, ein paar Minuten schreiben oder ein Video bzw. Tutorial schauen, um bei Tech-Themen up to date zu bleiben. Ich versuche auch gern, größere KI-Coding-Aufgaben direkt vor ein Meeting zu legen – so wartet danach schon neuer Code auf mich, wenn ich wieder in den Entwicklungsmodus wechsle.

Praktisch habe ich mir dafür angewöhnt, mit Git worktrees zu arbeiten. So kann ich mehrere Varianten desselben Branches gleichzeitig ausgecheckt haben, ohne ständig hin- und herwechseln zu müssen. Das ermöglicht mehrere Terminalfenster parallel – jeweils mit einem Agenten, der auf einem eigenen Branch arbeitet.

Der Schlüssel in diesem Modus: Keine der beiden Aufgaben fordert mein Gehirn vollständig – und die Prioritäten sind glasklar. Die Hauptaufgabe ist wichtiger als alles Drumherum. Wenn ein Schritt in der Hauptaufgabe meine volle Aufmerksamkeit braucht, lasse ich das Nebenbei sofort fallen – und das ist völlig okay. Die anderen Dinge können warten.

Ich möchte auch nochmal betonen, wie wichtig es ist, die intrinsische Motivation als Kompass zu nehmen. Manche Tage brauchen schlicht Self-Care. Nach ein paar Monaten Delivery unter Deadline kann unser Gehirn eine Erholungsphase brauchen – und dann ist es absolut notwendig, nicht ständig den Kontext zu wechseln, um wieder runterzukommen und genug Energie für den nächsten Shipping-Modus zu finden.

Das ist normal. Das ist menschlich.

In solchen Lebensphasen können wir KI weiterhin nutzen, um uns zu unterstützen und Teile der Arbeit zu automatisieren – aber die Leerlaufzeit, während die KI rechnet, dürfen wir bewusst als Pause nutzen: Kaffee holen, einmal tief durchatmen, dem Kopf Zeit geben, sich von gut gemachter Arbeit zu erholen.

Review-Modus

Code Reviews sind wichtiger denn je – gerade jetzt, wo KI so viel Code erzeugt. Wir können den Prozess beschleunigen, indem wir den Scope klein halten, aber Reviews brauchen wirklich unsere volle Aufmerksamkeit.

Hier kann KI trotzdem helfen: Ich checke den Branch, den ich reviewe, meist in einen eigenen Worktree aus und starte dann mehrere Agenten parallel, die den Code für mich prüfen. Ich nutze dafür sowohl Codex als auch Claude Code. Mein Prompt ist nicht kompliziert. Meist frage ich nur: „Kannst du ein Code Review dieses Branches im Vergleich zu main machen?“

Theoretisch könnte ich ein deutlich komplexeres Prompting schreiben – mit einer Liste expliziter Dinge, auf die das Modell achten soll. Praktisch will ich diese Schritte aber sowieso selbst durchgehen. Deshalb finde ich die ungeleiteten Antworten oft am spannendsten: Dinge, die ich selbst vielleicht gar nicht auf dem Radar gehabt hätte.

Ich finde es besonders wertvoll, Reviews mit mehreren Modellen zu machen. Sie finden fast immer unterschiedliche Punkte. Und gerade bei Code mit potenziellen Concurrency-Problemen ist KI für mich besonders hilfreich – weil ich persönlich das am schwersten zuverlässig durchdenken kann.

Sobald die Agenten ihr Review im Hintergrund laufen lassen, schalte ich komplett auf mein eigenes Review um und suche nach Inkonsistenzen oder Fehlern. Ich gehöre zu den Leuten, die dabei meist viel kommentieren – viele Fragen stellen, um sicherzugehen, dass ich alles richtig verstanden habe, und Hinweise zu Stilpräferenzen geben, die die andere Person gern annehmen kann, aber nicht muss.

Einhorn-Modus

Seit es Agentic Engineering gibt, gab es aus meiner Sicht nur ein oder zwei Situationen, in denen ich erfolgreich mehr als zwei Aufgaben gleichzeitig jongliert habe. Meist war das eine Phase, in der ich die Grenzen ausloten wollte: Wie viel geht wirklich in kurzer Zeit? Die intrinsische Motivation war hoch, und die Context Switches haben sich nicht nach Stress angefühlt.

In meiner Erfahrung waren es maximal drei Aufgaben gleichzeitig – und oft lief mindestens eine davon faktisch „auf Sparflamme“, sodass ich wahrscheinlich eher den Eindruck hatte, drei Dinge parallel zu machen.

Deshalb nenne ich diesen „mehr als zwei Aufgaben“-Modus den „Einhorn-Modus“: eine schöne Idee – die es in der Realität eigentlich nicht gibt.

Fazit

Das Beste aus KI herauszuholen heißt meistens: sehr bewusst entscheiden, wann und wie man sie in den eigenen Arbeitsmodus integriert. In der Softwareentwicklung wechseln wir seit jeher zwischen unterschiedlichen Modi: Deep Work, Code Reviews und Routinearbeit. In jedem davon kann KI uns auf eine andere Art und Weise unterstützen – immer mit demselben Ziel: hochwertige Software, die die fachlichen Anforderungen der Domäne erfüllt.