Wir alle kennen das Gefühl: Kalender hier, Notizen dort, Chat-Apps überall. Die moderne Arbeitswelt ist von digitaler Zersplitterung geprägt. Brittany Ellich, Staff Software Engineer bei GitHub, hat diesem Problem mit einem radikalen Ansatz den Kampf angesagt: Sie baute ein „Personal Organization Command Center“ – und das Faszinierende daran ist weniger das Tool selbst, sondern die Art und Weise, wie es mithilfe von KI in Rekordzeit entstand.
Das Problem: Digitale Fragmentierung
Ellich, die im Hauptberuf für das Billing-System von GitHub (Actions, Storage, Copilot-Nutzung) arbeitet, litt unter dem ständigen Kontextwechsel zwischen verschiedenen Apps. Ihre Lösung war ein zentralisiertes, visuelles Dashboard, das alle wichtigen Informationen bündelt. Entstanden ist eine Electron-App, die React, Vite, Tailwind CSS und den WorkIQ MCP Server (für Microsoft 365-Daten) kombiniert. Doch der Tech-Stack ist nur die halbe Geschichte.
Der Workflow der Zukunft: Plan-then-Implement
Der eigentliche Durchbruch liegt in Ellichs Entwicklungsprozess. Sie nutzt einen „Plan-then-Implement“-Workflow, bei dem die KI nicht nur Code schreibt, sondern als architektonischer Sparringspartner fungiert. In der Planungsphase lässt sie GitHub Copilot sich in Interview-Manier befragen: Die KI fragt nach, wie bestimmte Funktionen arbeiten sollen, bis ein detaillierter Plan steht. Erst dann folgt die Implementierung.
Dieser Ansatz ist ein bemerkenswerter Paradigmenwechsel. Anstatt der KI ungenaue Prompts hinzurotzen und sich über fehlerhaften Code zu ärgern, wird Copilot zum Requirements Engineer. Das reduziert Guesswork erheblich. Das Ergebnis ist beeindruckend: Die Version 1.0 des Command Centers entstand an einem einzigen Tag – parallel zu Ellichs regulärer Arbeit.
Synchron vs. Asynchron: Das Multi-Agenten-Spiel
Ellich nutzt KI-Agenten hochstrukturiert. In VS Code arbeitet sie synchron im Agent Mode, oft mit zwei nicht-konkurrierenden Agenten-Workflows gleichzeitig. Für asynchrone Aufgaben greift sie auf den Copilot Cloud Agent zurück – ideal für gut abgegrenzte Bugfixes oder das Abbauen von Tech Debt, während sie sich in VS Code auf komplexere Logik konzentriert. Diese Aufteilung zeigt, wie professionelle Entwickler KI nicht als bloßen Autovervollständigen-Knopf nutzen, sondern als skalierbare Arbeitskraft.
Die Schattenseiten: Tech-Stack-Apathie und KI-induzierter Ballast
Besonders aufschlussreich ist Ellichs Antwort auf die Frage, ob der Tech-Stack ihr überhaupt noch wichtig sei: „Nicht wirklich.“ Sie wollte schon immer eine Electron-App bauen, lernte durch die KI-gesteuerte Entwicklung aber erstaunlich wenig über Electron, da der Agent Mode fast alles allein machte.
Hier offenbart sich eine kritische Facette der KI-gestützten Entwicklung: Die Gefahr des „Black-Box“-Wissens. Wer eine App nicht mehr von Grund auf versteht, stößt bei der Wartung schnell an Grenzen. Ellich selbst räumt ein, dass sie im Nachgang das Repository massiv vereinfachen musste, um es öffentlich zugänglich zu machen. Dabei zeigte sich eine bekannte Schwäche aktueller KI-Agenten: Sie fügen gerne Code hinzu, sind aber wenig enthusiastisch, wenn es darum geht, Code zu entfernen. Das Resultat ist KI-generierter Ballast – eine neue Form von Tech Debt, die man aktiv im Blick behalten muss.
Fazit: Bauen war noch nie so einfach – aber Verstehen bleibt Pflicht
Brittany Ellichs Projekt ist ein starkes Beispiel dafür, dass die nützlichsten Tools oft aus den eigenen alltäglichen Problemen entstehen. Die Barriere, eigene Software zu bauen, ist durch KI-Agenten massiv gesunken. „Go build something!“, lautet ihr Appell an die Community.
Doch ihr Projekt lehrt uns auch Demut: KI beschleunigt die Entstehung von Software enorm, aber die Reduktion von Komplexität – das Aufräumen, das Entfernen von unnötigem Code – bleibt weiterhin eine zutiefst menschliche Aufgabe. Wer KI nutzt, um Prototypen in Rekordzeit zu bauen, muss hinterher umso disziplinierter aufräumen.
Quelle: GitHub Blog
