Vier Terminal-Fenster. Alles AI. Wie ist das passiert?
Ich habe mich letzte Woche dabei ertappt, wie ich an meinem Rechner saß und vier Terminal-Fenster offen hatte. In jedem lief ein AI-Agent und erledigte irgendetwas. Und ich musste kurz schmunzeln. Vor einiger Zeit war ich noch derjenige, der AI nervtötend fand.
Das Bild zeigt genau diesen Moment: unten zwei Code-Fenster, oben System- und Token-Metriken. Kein Stockbild, sondern ein echter Arbeitsmoment.
Wo ich herkam
Ich war kein Verweigerer. Aber ich war genervt.
Genervt von LinkedIn-Posts, die offensichtlich aus einer KI-Textfabrik kamen – glatt, austauschbar, ohne Persönlichkeit. Genervt vom Dauerhype: AI revolutioniert alles, diesmal wirklich, jetzt aber.
AI Slop – also AI-generierter Content, der weder Substanz noch Stimme hat – hat meine Feeds überschwemmt. Und weil ich viel davon sah, habe ich AI pauschal mit Substanzlosigkeit gleichgesetzt.
Das war ein Irrtum.
Der erste Wendepunkt: eine Demo
Ich habe irgendwann eine Demo gesehen – von Ralph Loops, einem Konzept, das ich später in einem eigenen Artikel aufgegriffen habe: Prompt Engineering ist tot. Lang lebe Context Engineering..
Was mich überrascht hat: kein magischer Prompt, keine Zauberei. Sondern ein strukturierter, nüchterner Arbeitsablauf. Context aufbauen, Agent loslassen, kurze Zyklen, saubere Ergebnisse. Das hatte nichts mit dem Slop zu tun, der meine Timeline verstopft hatte. Das wollte ich besser verstehen.
Der zweite Wendepunkt: dieser Artikel hier
Der zweite Moment war persönlicher.
Ich wollte mehr schreiben. Über Dinge, die mich beschäftigen. Aber zwischen losen Gedanken und einem fertigen Text liegt Arbeit, die mich oft gebremst hat: das Strukturieren, das Glattziehen, das Formulieren in einem konsistenten Ton.
Dann habe ich es einfach ausprobiert. Ich sammle Gedanken, grob und ungeordnet. Ein Modell hilft dabei, daraus etwas Lesbares zu machen. Mein Stil bleibt erhalten. Meine Haltung auch. Aber die Hürde, anzufangen, ist weg.
Gleichzeitig ist es immer eine Abwägung. Es gibt typische Muster, an denen sich AI-geschriebene Texte oft erkennen lassen (Wikipedia: Signs of AI writing). Genau deshalb müssen Haltung, Beispiele und Ton von mir kommen. Sonst bleibt nur eine glatte Oberfläche.
Was sich wirklich verändert hat
„The iPhone of tokens arrived.“ – Jensen Huang im Gespräch mit Lex Fridman (Podcast #494, ca. 01:33:05)
Ein AI-Tool verwenden und mit einem Agent arbeiten sind zwei verschiedene Dinge.
Ein Modell im Chat fragen fühlt sich an wie Nachschlagen. Einen Agent starten, der eigenständig Teilprobleme löst, Code schreibt, testet und weitergeht – das fühlt sich an wie einen Prozess wirklich delegieren.
Das Gleiche gilt fürs Programmieren. Ich arbeite gerne an Code, oft ohne konkretes Ziel – einfach um etwas auszuprobieren. Ein Agent, der dabei mithält, beschleunigt diese Erkundung erheblich. Das nimmt mir lästige Arbeit ab.
Tokens zählen
Ein Problem wird schnell sichtbar, wenn mehrere Agents gleichzeitig laufen – auf dem Screenshot oben schon zu erkennen: Tokens. Jeder Agent liest Context, generiert Output, liest Ergebnisse. Das addiert sich. Wer nicht aufpasst, steht schnell ohne Budget da.
Tools wie rtk (github.com/rtk-ai/rtk) filtern und komprimieren Shell-Outputs, bevor sie in den Context eines Agenten gelangen. Laut eigenem Readme reduziert der Proxy den Output gängiger Kommandos um bis zu 90 Prozent. Das ist nicht das gleiche wie eine 90-Prozent-Ersparnis auf der Rechnung – Prompt, Historie und generierte Antworten bleiben kostenintensiv. Aber der Effekt ist merkbar.
Ein Schritt weiter: Coding Agents und Reviewer
Ich teste inzwischen eine erweiterte Form. Coding Agents schreiben Code – teilweise auf lokal laufenden Modellen wie Qwen3.6-35B-A3B-FP8. Sie committen den Code und lassen ihn dann von fähigeren, aber teureren Modellen wie Kimi-3 als Reviewer prüfen. Danach lesen die Coding Agents die Kommentare und passen den Code entsprechend an.
Das ist ein anderes Verhältnis von Geschwindigkeit, Kosten und Qualität. Wie genau ich das aufsetze, beschreibe ich in einem späteren Artikel.
Parallel baue ich langsam Systeme auf, auf denen ich Modelle lokal betreibe. Unabhängig, datenschutzfreundlich, auf meiner eigenen Hardware. Die Ergebnisse sind brauchbar – und vor einem Jahr war das noch nicht so.
Fazit
Vier Terminal-Fenster. In jedem ein Agent. Das war nicht geplant.
Es hat sich ergeben – durch zwei Momente, die gezeigt haben, was möglich ist, wenn man das Werkzeug wirklich versteht. Ich schreibe jetzt mehr. Ich erkunde mehr. Ich probiere mehr aus.
Das Werkzeug passt zu mir, weil ich gelernt habe, wo es meine Art zu arbeiten ergänzt.
Es hat aber auch Grenzen. Tokens kosten Geld, und mehrere Agents zusammen addieren sich schnell. Ein Agent ohne guten Context produziert schnell glatten, nutzlosen Output. Der Unterschied liegt nicht am Tool, sondern an der Disziplin, mit der ich Context gebe und prüfe.
Der richtige Einstieg ist eine konkrete Frage: Welchen wiederkehrenden Schritt in deinem Alltag würdest du heute einem Agent überlassen?
