Claude Code in der Praxis: Was KI-Coding-Agenten wirklich können — und wo lokale Alternativen überlegen sind
Claude Code in der Praxis: Wie KI-Agenten selbständig Repositories analysieren und Code schreiben — Cloud vs. lokal.
Claude Code in der Praxis: Was KI-Coding-Agenten wirklich können — und wo lokale Alternativen überlegen sind
BERTA Lab | April 2028
Vor zwei Jahren war die Vorstellung, dass ein KI-Assistent eigenständig Repositories analysiert, Bugs findet und Patches schreibt, noch Science-Fiction. Heute ist es unser Arbeitsalltag im BERTA Lab. Zeit für eine ehrliche Bilanz.
Was wir täglich mit Claude Code tun
Seit wir Paperclip (unser autonomes KI-Agenten-Team) mit Claude Code als Coding-Backend betreiben, hat sich unsere Entwicklungsgeschwindigkeit nachweislich verändert:
- Code-Reviews: Ein Coding-Agent prüft jeden Commit auf Sicherheitslücken, Performanceprobleme und Architektur-Inkonsistenzen — bevor der Mensch überhaupt schaut.
- Migrations und Refactorings: Große Codebasis-Änderungen (z.B. FastAPI → neue Versionen, Dependency-Updates über 15 Services) delegieren wir vollständig an Agenten.
- Dokumentation: Fehlende Docstrings, veraltete README-Dateien, unvollständige API-Dokumentation — ein täglicher Sync-Job hält das alles aktuell.
- Bug-Triage: Wenn ein Test fehlschlägt, analysiert der Agent Stacktrace, Git-Historie und ähnliche Commits, bevor er einen Fix vorschlägt.
Das klingt nach Magie. Ist es aber nicht.
Die ehrliche Bilanz: Was wirklich funktioniert
✅ Stärken von Cloud-Coding-Agenten
Kontextfenster: Claude Code 2028 liest ganze Repository-Strukturen, versteht Cross-File-Dependencies und denkt in Systemzusammenhängen, nicht nur in einzelnen Funktionen.
Coding-Intelligenz: Für komplexe Logik, Sicherheitsanalysen und Architektur-Entscheidungen ist ein frontier model wie Claude schlicht besser als alles, was lokal läuft.
Geschwindigkeit: Keine GPU-Warteschlangen, kein VRAM-Management. API-Antwort kommt in Sekunden.
⚠️ Einschränkungen, die niemand vorhersagt
Datenschutz-Grenze: Sobald Code proprietäre Business-Logik, Kundendaten-Verarbeitung oder sicherheitskritische Algorithmen enthält, endet die Cloud-Nutzung für uns. Wir senden keine vertraulichen Codebases an externe APIs.
Kosten bei Skalierung: Mehrere Agenten, die gleichzeitig große Codebases analysieren, produzieren erhebliche Token-Rechnungen. Bei unserem aktuellen Nutzungsniveau ist das beherrschbar — aber es skaliert nicht linear.
Vendor Lock-in: Wenn Anthropic die API-Preise ändert, das Modell-Verhalten shiftet oder ein Outage passiert, steht unsere Entwicklungsinfrastruktur still.
Wann wir AutoForge statt Claude Code einsetzen
Das BERTA Lab betreibt parallel AutoForge — unseren lokalen Coding-Agenten auf Basis von GLM-4.7-Flash. Nicht als Ersatz, sondern als Ergänzung.
AutoForge gewinnt wenn:
- Der Code nicht das Lab verlassen darf (Kunden-Code, interne Tools mit sensiblen Daten)
- Wir Bulk-Operationen über hunderte Dateien fahren (lokale GPU, keine Token-Kosten)
- Wir Experimente wollen, ohne über jeden API-Call nachzudenken
Claude Code gewinnt wenn:
- Komplexe Architektur-Entscheidungen getroffen werden müssen
- Multi-Repo-Analyse mit tiefer semantischer Verknüpfung nötig ist
- Kreative Lösungen für ungewöhnliche Engineering-Probleme gefragt sind
Die Grenze ist klar: Intelligenz vs. Datenhoheit. Cloud für Denken, lokal für alles, was nicht das Haus verlassen darf.
Was das für Enterprise-Teams bedeutet
Wenn Ihr Unternehmen über KI-Coding-Assistenten nachdenkt, sind das die drei Fragen, die Sie sich stellen sollten:
1. Was darf Ihr Code?
Nicht jeder Code darf eine externe API passieren. Erstellen Sie eine Klassifikation: was ist öffentlich nutzbar, was intern, was streng vertraulich? Dann designen Sie Ihre KI-Tool-Landschaft danach.
2. Wie sieht Ihr Kosten-Modell aus?
Für gelegentliche Code-Reviews ist eine Cloud-API ideal. Für kontinuierliche Agent-basierte Entwicklung sollten Sie Hybrid-Modelle prüfen: lokale Inference für Bulk, Cloud für Premium-Aufgaben.
3. Welche Abhängigkeiten akzeptieren Sie?
KI-Coding-Agenten werden Kerninfrastruktur Ihrer Entwicklung. Stellen Sie sicher, dass Sie einen Plan B haben — entweder ein lokales Fallback-Modell oder genug Prozess-Dokumentation, um ohne den Agenten arbeitsfähig zu bleiben.
Unser Setup heute (April 2028)
Paperclip Coding-Workflow:
├── Claude Code (Anthropic API)
│ ├── Architektur-Reviews
│ ├── Cross-Service-Analysen
│ └── Komplexe Refactorings
└── AutoForge (lokal, GLM-5-Flash)
├── Bulk-Operationen
├── Kunden-Code-Analysen
└── Vertrauliche Interna
Beide Systeme sind in Paperclip integriert. Der Orchestrierungs-Agent entscheidet selbständig, welches Backend er nutzt — basierend auf Datenklassifikation, Aufgabenkomplexität und aktueller GPU-Auslastung.
Das nennen wir hybride KI-Infrastruktur. Nicht als Buzzword — sondern weil Sovereignty und Intelligence eben beide ihre Berechtigung haben.
Fazit
Claude Code ist beeindruckend. Wirklich. Für komplexe Software-Engineering-Aufgaben gibt es (April 2028) kein lokales Modell, das mithalten kann.
Aber "beeindruckend" und "für alle Use-Cases geeignet" sind verschiedene Aussagen.
Unser Rat: Starten Sie mit einem begrenzten Scope. Analysieren Sie, welcher Code die Cloud verlassen darf. Bauen Sie parallel eine lokale Option auf. Und seien Sie ehrlich darüber, wie abhängig Sie werden wollen.
KI-Coding-Agenten sind kein Feature — sie werden Infrastruktur. Infrastruktur, die Sie kontrollieren müssen.
Das BERTA Lab (Bechtle AI Competence Center Bremen) entwickelt und testet seit 2026 KI-Lösungen für Enterprise-Kunden. Dieser Artikel dokumentiert unsere eigenen Erfahrungen — kein Sponsored Content.