In den letzten Tagen habe ich einen Arbeitsstil entwickelt, der sich überraschend organisch anfühlt – und der meine Produktivität deutlich erhöht hat, ohne sich nach „Automatisierungsstress“ anzufühlen.
Ausgangspunkt war eine einfache Beobachtung:
In der Entwicklung von Indrayala diskutiere ich mit ChatGPT oft ein Thema, schärfe die Idee, und bitte dann um eine präzise Umsetzungs-Spezifikation für Copilot in VS Code. Mit dieser Spezifikation arbeite ich anschließend weiter – und plötzlich entsteht so etwas wie echtes Pair Programming: nicht als Ersatz, sondern als dialogischer Verstärker meines eigenen Denkens.
Das Backlog-Item als Auftrag an eine KI
Ein Ticket ist ja im Kern nichts anderes als ein strukturierter Arbeitsauftrag: Kontext, Ziel, Akzeptanzkriterien, Randbedingungen. Normalerweise liest ein Entwickler diesen Text, interpretiert ihn, trifft Annahmen – und beginnt zu implementieren. ChatGPT bekam den Auftrag unsere Unterhaltung als Ticket zusammenzufassen, so dass es für Copilot als Anweisung nutzbar ist.
Nun bekommt es Copilot zu „lesen“ – mit einem sehr einfachen Prompt:
Lies dir diese Anleitung genau durch.
Gibt es Unklarheiten, Widersprüche oder fehlende Spezifikationen?
Welche Annahmen müsstest du treffen, um sie umzusetzen?
Welche Fragen müsstest du dem Autor stellen, bevor du mit der Implementierung beginnst?
Das Erstaunliche:
Copilot stellt fast immer die richtigen Fragen. Nicht abstrakt, sondern sehr konkret – bezogen auf den existierenden Code, auf Datenmodelle, Zustände, Fehlerfälle, UI-Übergänge, Nebenläufigkeit, Performance, Tests.
Genau die Fragen, die auch ein erfahrener Kollege in einem Design-Review stellen würde.
Vom Spezifikations-Text zum Dialog
Der Workflow sieht dann so aus:
- Sprint- oder Refinement-Meeting (bei der Indrayala Entwicklung mit ChatGPT, kann aber auch ein Teams-Meeting mit Transkription sein, das ChatGPT zur Zusammenfassung erhält)
Die Anforderungen werden wie gewohnt besprochen und als Tickets formuliert. - Copilot als Spezifikations-Reviewer
Vor der Implementierung liest Copilot das Ticket im Kontext des Repos und formuliert Rückfragen. - Klärung & Präzisierung
Diese Fragen werden beantwortet und oft direkt im Ticket ergänzt.
Unschärfen werden explizit gemacht, implizite Annahmen sichtbar. - Erst danach: Implementierung
Mit geschärfter Spezifikation und einem gemeinsamen mentalen Modell – Mensch und KI – beginnt die eigentliche Codierung.
Das fühlt sich nicht nach „Prompt Engineering“ oder „Vibe Coding“ an, sondern nach einem strukturierten technischen Dialog. Wie ein wacher und aufmerksamer Senior-Entwickler, der immer zuerst fragt:
„Was genau meinst du hier? Und was passiert in diesem Randfall?“
Warum das so gut funktioniert
Der entscheidende Punkt ist:
Copilot sieht den konkreten Codezustand. Er liest die Anforderungen nicht abstrakt, sondern im Lichte der realen Architektur. Dadurch entstehen Fragen, die man in Meetings oft übersieht:
- Zustandsübergänge
- Undo/Redo-Semantik
- Nebenläufigkeit
- Persistenzgrenzen
- API-Verträge
- UI-Fehlermodi
- Testbarkeit
Nicht, weil Copilot „klüger“ wäre – sondern weil er mit unendlicher Geduld und ohne soziale Hemmung jede Lücke offenlegt.
Pair Programming – nur anders
Was dabei entsteht, ist tatsächlich eine neue Form von Pair Programming:
- nicht zwei Menschen am gleichen Keyboard,
- sondern ein Mensch mit Intuition, Erfahrung und Verantwortung
und eine KI mit vollständigem Kontext, formaler Strenge und unermüdlicher Nachfrage.
Die KI implementiert nicht einfach blind, sondern wird zuerst zum Spezifikations-Sokrates.
Für mich ist das ein unscheinbarer, aber tiefgreifender Wandel:
Es geht nicht mehr darum, dass KI Code vorschlägt, sondern dass sie – nach einer Phase gemeinsamer Klärung – den größten Teil der Umsetzung selbst übernimmt: Implementierung, Abhängigkeiten, Tests, Iterationen.
Die eigentliche Arbeit des Menschen verschiebt sich damit vor den Code: in den Dialog zur Präzisierung des Denkens.
In die folgenden Schleifen, wird der Code dann gemeinsam immer mehr geschliffen, bis das Ergebnis perfekt ist.
Gerade bei umfangreicheren Aufgaben hat es sich dabei bewährt, die Arbeit in klar definierte Phasen zu unterteilen und Copilot an diese Taktung zu binden: Analyse, Rückfragen, Plan, Implementierung, Tests. Nach jeder Phase gibt es einen bewussten Haltepunkt zur Durchsicht.
Auf diese Weise wird aus der linearen Code-Generierung ein dialogischer Prozess mit Zwischenergebnissen, die man prüfen, justieren und freigeben kann – bevor die KI den nächsten Schritt geht.
Indrayala 