Es gibt im KI-Markt zwei Lager: die einen wollen das eine grosse Modell, das alles kann. Die anderen wollen den Werkzeugkasten, in dem sich fuer jede Aufgabe das passende Werkzeug findet. GitHub, die Microsoft-Tochter fuer Entwicklerwerkzeuge, hat sich erkennbar fuer das zweite Lager entschieden. In einer neuen Auswertung praesentiert das Unternehmen seinen Copilot, der laengst nicht mehr nur Code-Vorschlaege macht, sondern als Agent eigenstaendig Aufgaben abarbeitet, als flexible Schaltzentrale, die zwischen verschiedenen KI-Modellen waehlen kann.

Konkret beschreibt GitHub in einem Blogbeitrag, wie die sogenannte agentic harness des Copilot funktioniert. Der Begriff agentic harness laesst sich grob als Steuerumgebung uebersetzen, in der ein KI-Modell mehrschrittige Aufgaben ausfuehrt, also nicht nur einen Satz vervollstaendigt, sondern Code schreibt, ausprobiert, Fehler korrigiert. Laut dem Beitrag liefert diese Umgebung starke Resultate ueber mehrere Benchmarks hinweg und arbeitet dabei besonders sparsam mit sogenannten Tokens, den Textbausteinen, in denen KI-Modelle rechnen und abrechnen. Entwicklerinnen und Entwickler koennen aus mehr als 20 Modellen waehlen, welche genau das sind, geht aus dem vorliegenden Auszug nicht hervor.

Die Stossrichtung ist deutlich: Waehrend Anbieter wie OpenAI, Anthropic oder Google darum kaempfen, das jeweils beste Einzelmodell zu liefern, positioniert sich GitHub als neutrale Plattform darueber. Wer Copilot nutzt, soll nicht entscheiden muessen, ob ein Modell von Anthropic oder eines von OpenAI die bessere Wahl ist - er bekommt beides, plus mehr. Das ist auch ein wirtschaftliches Argument: Token-Effizienz heisst nichts anderes, als dass die Rechnung am Monatsende niedriger ausfaellt. Fuer Unternehmen, die Copilot in grossem Massstab einsetzen, kann das ueber Erfolg oder Misserfolg eines internen KI-Projekts entscheiden. Und es ist ein Konter gegen Wettbewerber wie Cursor oder Cognitions Devin, die aehnliche Agenten-Faehigkeiten anbieten.

Was aus dem vorliegenden Material nicht hervorgeht, ist die eigentliche Substanz: Welche Benchmarks genau wurden verwendet? Gegen welche Konkurrenzsysteme wurde verglichen? Welche der ueber 20 Modelle schneiden bei welchen Aufgaben am besten ab? Solche Auswertungen sind notorisch heikel, weil Anbieter naturgemaess jene Tests bevorzugen, in denen sie gut aussehen. Auch unklar bleibt, ob die Effizienzgewinne aus der Steuerumgebung selbst stammen oder aus geschickter Modellauswahl. Ohne diese Details ist die Botschaft mehr Marketing als Messung - die genauen Zahlen muessten im verlinkten Originalbeitrag stehen, der hier nicht im Volltext vorliegt.

Interessant wird sein, ob unabhaengige Tester die Behauptungen nachvollziehen koennen und ob Wettbewerber mit eigenen Vergleichszahlen kontern. Wer in den naechsten Wochen ueber Coding-Agenten liest, sollte auf zwei Dinge achten: erstens, ob konkrete Token-Zahlen genannt werden, und zweitens, ob die Wahl zwischen vielen Modellen wirklich Vorteile bringt - oder nur eine kompliziertere Benutzeroberflaeche.