Was Datenbank-Teams Entwicklern über KI-Coding-Agents beibringen können

Mal ganz ehrlich: Jede Woche gibt es neue Schlagzeilen über KI-Agenten, die Code schneller schreiben als menschliche Entwickler. Cursor hat SQLite an wenigen Tagen neu aufgebaut. Software-Fabriken spucken PRs in Massenproduktion aus. Da fragt man sich schon, ob der eigene Job auf wackligem Boden steht.

Aber was diese Schlagzeilen übersehen: Geschwindigkeit ist der einfache Teil. Agenten dazu bringen, schnell Code zu schreiben? Längst gelöst. Sie dazu bringen, Code zu schreiben, dem man tatsächlich produktive Systeme anvertrauen würde? Das ist das harte Problem, über das niemand reden will.

Cockroach Labs hat kürzlich ihren Ansatz zu dieser Herausforderung geteilt – und der lohnt sich genauer anzuschauen. Besonders wenn du ein Startup bist oder darüber nachdenkst, KI-Agenten in deinen Workflow einzubauen.

Die 160.000-Dollar-Frage

Im Jahr 2024 hat Cockroach Labs Oracle-Datenbankunterstützung zu ihrem Migrations-Tool MOLT hinzugefügt. Das Projekt dauerte neun Monate und kostete etwa 160.000 Dollar an Engineering-Zeit. Solide, professionelle Arbeit von erfahrenen Engineers.

Dann kam April. Das Team brauchte Unterstützung für IBM Db2 – eine Datenbank mit reichhaltigem SQL-Dialekt, komplexem Typsystem und nativem Wire-Protokoll. Der technische Umfang war vergleichbar.

Erledigt in weniger als zwei Tagen. Gesamtkosten: 4.172 Dollar.

Der Haken daran? Kein Mensch hat auch nur eine Zeile Code geschrieben.

Bevor du jetzt anfängst, dein Rücktrittsschreiben zu entwerfen, überlege dir, was das ermöglicht hat: Es waren nicht einfach nur smartere Agenten. Es war ein System, das auf einer radikalen Prämisse aufgebaut war – dass der Flaschenhals nicht beim Code-Schreiben liegt, sondern beim Schreiben von vertrauenswürdigem Code.

MOLT Sinai: Eine Coding-Klinik

Cockroach Labs hat die Agenten nicht einfach auf das Problem losgelassen. Sie haben gebaut, was sie MOLT Sinai nennen: eine Pipeline, die an Lehrkrankenhäuser angelehnt ist, wo Probleme zu „Patienten" werden, gemergter Code zur „Entlassung" und menschliche Reviewer zu „Chefärzten".

Die Wortwahl ist charmant, aber die Philosophie dahinter ist todernst:

• Issues sind Patienten: Jede Aufgabe enter das System mit Dokumentation, wird triagiert und folgt einem definierten Behandlungsweg
• Zerlegung ist Diagnose: Große Probleme werden in Teilprobleme aufgeteilt, mit expliziten Abhängigkeitsgraphen. Erst das Fundament, dann Typsysteme. Typsysteme, dann Row-Iteratoren. Heilung lässt sich nicht beschleunigen.
• Review ist Visite: Jedes Stück Arbeit wird untersucht, zur Überarbeitung zurückgeschickt (manchmal 55-mal pro Parent-Issue) und eskaliert bei Bedarf
• Menschen sind Chefärzte: Die finale Autorität bleibt bei erfahrenen Engineers, die Issues an sich eskalieren können, wenn etwas verdächtig aussieht

Es geht nicht darum, Ärzte zu ersetzen – sondern ein System zu bauen, in dem Assistenzärzte, Oberärzte und Spezialisten klar definierte Rollen haben.

Warum Durchsatz die falsche Metrik ist

Hier geht die meisten AI-Coding-Experimente schief: Sie optimieren auf „PRs pro Stunde" oder „Codezeilen pro Tag". Diese Metriken sehen in Demos aufregend aus. Sie machen tolle Schlagzeilen. Sie sind fast unbrauchbar, um tatsächlich Software auszuliefern.

Cockroach Labs bringt es unverblümt auf den Punkt: Sie würden lieber haben, dass Agenten zehnmal länger brauchen, als falsche Daten in einer Kundenmigration zu landen. Für ein Unternehmen, dessen gesamtes Wertversprechen auf Datengenauigkeit basiert, ist das nicht nur Philosophie – es ist Überlebensfrage.

Ihre Frage war nicht „Wie viele PRs können wir mergen?" Sie war „Bei wie vielen dieser PRs würden wir uns schämen, sie zu mergen?"

Das ist eine Frage, die mehr Teams stellen sollten. Ob sie nun KI-Agenten nutzen oder nicht.

Was wirklich passiert ist

Als Db2-Support in MOLT gelandet ist:

• 32 Sub-Issues wurden unter dem Parent-Issue eröffnet
• 27 Pull Requests wurden durch die Pipeline gemergt
• 55-mal schickten Reviewer Arbeit zur Überarbeitung zurück
• 9 Issues eskaliert, davon 2 mit menschlichem Eingriff
• Die Testabdeckung erreichte ihr am besten getestetes Pendant (PostgreSQL)

Die Agenten waren nicht perfekt. Sie haben Issues gegen ihre eigene Arbeit erstellt: Fixture-Lücken, Type-Mapping-Bugs, Isolation-Level-Fixes. Sie brauchten Aufsicht. Aber die Aufsicht war strukturiert, zielgerichtet und skaliert zur Komplexität der Arbeit.

Vergleiche das mit einer Software-Fabrik, die Agenten parallel laufen lässt und eine Merge-Schicht drüberlegt. Diese Architektur macht Sinn, wenn der Flaschenhals die Schreibgeschwindigkeit ist. Für korrektheitskritische Arbeit? Du brauchst eher eine Klinik als eine Fabrikhalle.

Was das für dein Team bedeutet

Klar, die meisten von euch bauen keine Datenbank-Migrations-Tools. Ihr baut Web-Apps, APIs, interne Tools, MVPs für das nächste große Ding. Die stakes sind andere.

Aber die Lektion gilt: KI-Agenten glänzen bei Volumen, Menschen glänzen bei Urteilsvermögen. Die Teams, die echten Mehrwert aus AI-Coding ziehen, prompten nicht einfach ChatGPT und shippen das Ergebnis. Sie bauen Systeme, die jeden dort einsetzen, wo er seine Stärken hat.

Das kann bedeuten:

• Agenten für Boilerplate, Tests und Scaffolding nutzen
• Review-Pipelines bauen, die das abfangen, was Agenten übersehen
• Agenten-Output als „Entwurf eins" behandeln, nicht als „Versandservice"
• Menschen im Loop halten für alles, was Kundendaten oder Kernbusiness-Logik berührt

Die Entwickler, die neben KI-Agenten thrive werden, sind nicht die, die schneller tippen lernen. Es sind die, die lernen, Systeme zu architekten, die AI zum Multiplikator statt zur Haftung machen.

Das Fazit

MOLT Sinai hat den Äquivalent von neun Monaten Engineering-Arbeit in zwei Tagen verarbeitet, zu 2,5% der Kosten, mit Qualität auf Augenhöhe mit menschlich geschriebenem Code.

Aber diese Schlagzeile verdeckt, was wirklich passiert ist: Ein Team aus Menschen hat ein rigoroses System gebaut, klare Rollen definiert, bedeutsame Checkpoints etabliert – und dann ihren Agenten vertraut, innerhalb dieses Rahmens zu operieren.

Die Agenten haben die Engineers nicht ersetzt. Sie haben sie verstärkt.

Das ist keine Geschichte darüber, dass KI Entwickler ersetzt. Es ist eine Geschichte darüber, dass Entwickler Systeme bauen, die komplex genug sind, um AI gut zu nutzen.

Und ehrlich? Das ist die Version dieser Geschichte, die Aufmerksamkeit verdient.

Genervt von Infrastruktur, die dich ausbremst? Vibe Hosting kombiniert KI-gestütztes Deployment mit der Zuverlässigkeit, die du brauchst, um schnell zu shippen ohne Bammel. Domain-Registrierung, SSL-Zertifikate und Cloud-Hosting – alles an einem Ort.