Gemini — Juni 2026

AI-Builder können OpenClaw-Agenten nun mobil betreiben – über ein Gateway-Routing-Layer, das Anfragen an Agenten und deren Tools weiterleitet. Das senkt die Einstiegshürde für agentenbasierte Automatisierung im Alltag erheblich.

EquiLibres RL-Agenten handeln täglich Milliarden im S&P 500 und Nasdaq in Partnerschaft mit Tower Research Capital – mit nach eigenen Angaben null negativen Monaten seit Launch. Für AI-Builder zeigt das, dass RL-Ansätze aus Game-AI direkt auf hochvolumige Finanzmärkte übertragbar sind.

Sonnet 5 wird Standardmodell für Free- und Pro-Pläne und bietet Agentic-Performance nahe Opus 4.8 zu deutlich geringeren Kosten – relevant für alle, die autonome Workflows und Multi-Tool-Agenten skalieren wollen.

Claude Science zeigt, wie Anthropic mit vertikalen Workflow-Produkten über reine Modellkapazitäten hinausgeht. Für AI-Builder relevant: Der Ansatz breiter Abo-Zugänglichkeit (Pro/Max/Team/Enterprise) steht im direkten Kontrast zu OpenAIs enterprise-gegateten GPT-Rosalind und Googles proprietären Modellen wie AlphaFold.

Entwickler erhalten mit Nano Banana 2 Lite einen direkten Drop-in-Ersatz für Gemini 2.5 Flash Image mit niedrigerer Latenz und geringeren Kosten. Gemini Omni Flash ermöglicht erstmals multimodales Video-Editing per natürlicher Sprache über die öffentliche API.

Lumo 2.0 bietet erstmals Multimodal-Fähigkeiten kombiniert mit Zero-Access-Verschlüsselung und ohne serverseitiges Logging — relevant für Entwickler und Teams, die KI-Assistenten unter strengen Datenschutzanforderungen einsetzen müssen.

Die verdeckten Tests legen offen, wie unterschiedlich Konkurrenz-Chatbots auf gefährliche Anfragen von scheinbaren Minderjährigen reagieren. Für AI-Builder zeigt dies den wachsenden Druck, Safety-Filter für vulnerable Nutzergruppen nachweisbar robust zu gestalten.

Für AI-Builder relevant: Diese Neo Labs setzen auf persistente Gedächtnisschichten, Large Action Models und kontinuierliches Lernen als nächste Infrastrukturschicht – potenzielle Plattformwechsel für Enterprise-KI-Architektur. Die generative KI-Wirtschaft erreicht laut Exponential View einen annualisierten Umsatz von über 175 Mrd. USD.

Gemini nutzt Daten aus Gmail, Google Photos, YouTube und Search, um Bilder ohne detaillierte Prompts zu generieren. Das Feature ist opt-in und per Toggle deaktivierbar – relevant für alle, die personalisierte Bildgenerierung ohne Abo testen wollen.

Praxisrelevanter Entscheidungsrahmen: 70 % der Enterprise-AI-Tasks sind laut NVIDIA-Schätzung auf Sub-10B-Modellen lösbar. Tiered Routing (70 % lokal / 20 % Mid-Tier / 10 % Frontier) reduziert Kosten und Datenschutzrisiken — relevant u.a. für EU AI Act (Enforcement ab 2. August 2026) und HIPAA-kritische Workloads.

Die Einschränkung deutet darauf hin, dass Google den Zugang zu seinen Frontier-Modellen für Wettbewerber wie Meta gezielt limitiert – ein Signal für zunehmende Abschottung im KI-Modellmarkt, das API- und Partnerschaftsstrategien von Drittanbietern beeinflussen könnte.

Konkreter Mehrwert ohne Volltext nicht beurteilbar — keine verifizierten Benchmark-Zahlen oder Methodik im Auszug vorhanden. Der Beitrag stammt von einem Reddit-User ohne erkennbare Quellenangabe.

Q6-Quantisierung (statt Q4) ist laut Post die kritische Schwelle für brauchbare Code-Qualität bei Qwen 3.6 27B in Agenten-Workflows. Wer lokale Redaktions-Pipelines aufbaut, benötigt mindestens 40 GB VRAM und einen optimierten Prompting-Stack für akzeptable Ergebnisse.

Die Daten zeigen, dass selbst Mitarbeiter mit unbegrenztem Zugang erst ab Ende 2025 KI intensiv nutzen – echte Adoption braucht Review-Loops, Tooling und persistente Workflows, nicht nur Zugangsmöglichkeit.

Auch als „anti-woke" vermarktete Modelle wie Grok tendieren laut der Untersuchung mehrheitlich nach links – ein relevanter Befund für Teams, die KI-Systeme in politisch sensiblen oder redaktionellen Kontexten einsetzen und auf Ausgewogenheit angewiesen sind.

Entwickler können direkt über die Gemini API und die Gemini Enterprise Agent Platform Computer-Use-Agenten mit 3.5 Flash aufbauen, ohne ein separates Modell zu nutzen. Zwei optionale Sicherheitssysteme gegen Prompt-Injection-Angriffe sind enthalten.

Ruby-Entwickler können mit einem einzigen Framework und konsistenter API alle gängigen KI-Anbieter ansprechen, ohne providerspezifische Clients zu pflegen. Die native Rails-Integration inklusive fertiger Chat-UI senkt die Einstiegshürde deutlich.

Bei komplexen Tasks überfüllt ein einzelner Agent sein Kontextfenster mit Fehlerversuchen und korrigiert sich nur marginal statt neu zu denken. Spezialisierte Agenten für Intent-Parsing, Schema-Mapping, Query-Generierung und Validierung liefern zuverlässigere Ergebnisse – relevant für alle, die produktionsreife Agentic-Systeme bauen.

KI-Assistenten wie Gemini können Coding-Aufgaben schnell lösen, liefern aber nicht immer optimale Lösungen. Data-Science-Grundlagen bleiben unverzichtbar, um die Qualität generierter Lösungen kritisch zu beurteilen.

Multi-Agent-Systeme in großem Maßstab sind eine zentrale Herausforderung für AI-Builder. Konkreter Inhalt und Erkenntnisse des Videos sind ohne vollständiges Transkript nicht beurteilbar.

Entwickler verlieren ihren Alleinstellungsvorteil durch Coding – strukturiertes Prompting (TCRF/TCREI) und Workflow-Automatisierung mit lokalen Agenten werden zur Kernkompetenz. Wer KI-Workflows designen kann, bleibt relevant; wer nur Code schreibt, nicht zwingend.

Entwickler können damit agentic Workflows vollständig lokal betreiben, ohne Cloud-Lock-in. Der Autor betont, dass Modell-Intelligenz kaum noch der Engpass ist – Reliability, State-Management und Recovery-Systeme sind die eigentlichen Herausforderungen bei langen Agentenläufen.

SpaceX etabliert sich als ernstzunehmender Hyperscaler-Konkurrent mit exklusivem Zugang zu Blackwell GB300-Hardware zu Premiumpreisen (über 10 USD/Stunde). Für AI-Teams bedeutet das einen weiteren kapitalstarken Anbieter für GPU-Kapazität, aber auch Konzentrationsrisiken beim Compute-Sourcing.

Neue Agent-Features werden ausschließlich über die Interactions API ausgeliefert – Entwickler müssen bestehende Integrationen auf das neue Schema migrieren, um künftige Funktionen nutzen zu können.

Die Kooperation zwischen einem führenden KI-Labor und einem renommierten Filmstudio signalisiert, dass generative KI-Tools zunehmend direkt in professionelle Filmproduktionen integriert werden – mit potenziellen Auswirkungen auf kreative Workflows in der gesamten Branche.

Open-Weight-Entwickler können GLM-5.2 jetzt als echte Alternative zu Claude in Coding-Agenten-Setups einsetzen. Der geschlossene Vorsprung proprietärer Modelle bei Agentic Coding besteht laut Lambert nur noch etwa 6–9 Monate – dieses Fenster ist nun geschlossen.

Nützlich für lokale Setups mit wenig VRAM: Das Tool übernimmt das manuelle Laden/Entladen von Modellen und unterstützt gemischte Backends (LM Studio, Ollama, OpenAI, Claude, Gemini) pro Rolle – 25 eingebaute Presets inklusive.

Das Turnier nutzt ein dreiphasiges Agentic-Eval (Pre-Game, Gameplay, Halftime-Revision), das klassische Benchmarks um Code-Authoring unter Zeitdruck und iterative Selbstkorrektur erweitert. Für AI-Builder zeigt es, wie praxisnahe Evals für multiagente, kontinuierliche Umgebungen aussehen können.

AI-Tooling wird strategische Infrastruktur für Industriekonzerne; gleichzeitig zeigt Googles Brain Drain, dass Forschungstalent zur knappsten Ressource im Frontier-Wettbewerb geworden ist – Retention-Deals sichern keine langfristige Loyalität.

Whittakers Copilot-Kritik zeigt konkret: KI-Assistenten mit plattformübergreifendem Zugriff auf Messenger, Kalender und Zahlungsdaten können Sicherheitsarchitekturen wie Signals Ende-zu-Ende-Verschlüsselung unterlaufen. Für Entwickler privatsphäre-sensibler Apps ist das ein relevanter Angriffsvektor.

Google DeepMind verliert innerhalb weniger Monate drei seiner prominentesten Forscher an direkte Konkurrenten. Der Brain-Drain schwächt DeepMinds Spitzenforschung und stärkt gleichzeitig Anthropic und OpenAI.

Wer Pipelines in Notebooks entwickelt, riskiert versteckte Umgebungsabhängigkeiten (z.B. hardcodierte Pfade), die Scheduling-Tools zum Absturz bringen. Der Artikel zeigt pragmatisch: Portabilität durch `os.environ` herstellen, dann erst GitHub Actions als kostenlosen Einstiegs-Scheduler nutzen – bevor Airflow sinnvoll wird.

Für medizinische KI-Anwendungen ist nicht Halluzination, sondern Omission das kritischere Risiko – fehlende Medikamente oder Allergien hinterlassen keine sichtbare Spur. Ein separater Safety-Layer wie Omi Guard kann Auslassungen systematisch auffangen und ist günstiger als das größte Modell allein.

Entwickler, die auf kostenlose KI-Code-Reviews gesetzt haben, müssen kurzfristig auf lokale oder open-source Alternativen (z.B. über GitHub Actions) umsteigen. Die Diskussion liefert potenziell konkrete Self-Hosting-Setups.

OpenAI stärkt gezielt technische Tiefe und politischen Einfluss kurz vor dem IPO – während Konkurrent Anthropic mit US-Exportkontrollen kämpft. Ball soll direkt die Beziehung zu US-Behörden gestalten, was OpenAIs regulatorische Position gegenüber Wettbewerbern erheblich verbessern könnte.

Die reale GPU-Auslastung (MFU) variiert dramatisch: von sub-10% bei xAI bis 60–70% bei Top-Clustern. AI-Builder, die an Infrastruktur arbeiten, können durch bessere Scheduling-, Kernel- und Parallelisierungsentscheidungen erheblich mehr aus vorhandenem Compute herausholen – ohne zusätzliche Hardware.

Das Modell ist als GGUF-Quantisierung auf Hugging Face verfügbar und damit lokal ausführbar. Die eingebauten Code-, Tool- und Search-Agent-Fähigkeiten sowie stundenlange Video-Analyse mit 256K-Kontext machen es für multimodale Agentic-Pipelines interessant.

OpenAI gewinnt einen der einflussreichsten Transformer-Architekten überhaupt. Nach Karpathys Wechsel zu Anthropic ist dies der zweite prominente Talentverlust für die Google/DeepMind-Sphäre in 2026 – ein Signal für verschärften Talentwettbewerb an der Spitze.

Entwickler erhalten eine durchgängige Plattform für Multi-Model-Routing, durable Workflows mit automatischen Retries, isolierte MicroVM-Sandboxes und sicheren Datenzugriff – ohne eigene Abstraktionsschichten oder Vendor-Lock-in bei einem einzelnen Modellanbieter aufbauen zu müssen.

Zwei der einflussreichsten KI-Lab-Chefs drängen aktiv auf geopolitische Rahmenbedingungen für KI-Entwicklung. Das signalisiert, dass regulatorische und geopolitische Weichenstellungen für westliche KI-Anbieter strategisch zentral werden.

Wer KI-Ablenkungen im Schreib-Workflow vermeiden will, kann über Gmail → Einstellungen → „Google Workspace Smart Features" alle Gemini-Popups in Docs, Gmail und Co. zentral abschalten – statt jede Funktion einzeln zu deaktivieren.

GLM 5.2 scheint beim Webdev-Bereich stärker als Fable zu sein (laut Design Arena), leidet aber zum Launch unter Kapazitätsproblemen bei Anbietern wie OpenRouter. Wer das Modell produktiv nutzen will, sollte Provider-Timeouts bei langen Outputs einplanen.

Trotz wachsender Nutzerzahlen (25 % nutzen KI-Chatbots täglich) bleibt das öffentliche Vertrauen gering – insbesondere bei Jüngeren unter 30 (nur 14 % positiv). Für AI-Builder bedeutet das: Akzeptanzprobleme und mangelndes Regulierungsvertrauen bleiben zentrale Hürden bei der Produkteinführung.

Wer Churn-Modelle mit Default-Threshold 0,5 einsetzt, trifft implizit eine Pricing-Entscheidung mit falschen Kostenannahmen – laut Analyse ~86 USD vermeidbarer Verlust pro Kunde. Der optimale Schwellenwert muss aus LTV (via Kaplan-Meier) und CAC abgeleitet werden, nicht aus F1-Maximierung.

Mechanische CAD-Designs lassen sich per Textprompt oder Bildreferenz erzeugen und als STL/SCAD exportieren; Parameter sind per Slider ohne LLM-Call anpassbar. Für AI-Builder relevant: modell-agnostisch via Vercel AI SDK, lokal ausführbar, Contributions willkommen.

Der Lautsprecher ist Googles erste Gemini-for-Home-Hardware und zeigt, wie das Unternehmen KI-Assistenten in Smart-Home-Geräte integriert. Für Entwickler im Smart-Home-Bereich ist dies ein Hinweis auf Googles neue Plattformstrategie rund um Gemini.

DiffusionGemma bricht mit der links-nach-rechts-Token-Generierung und ermöglicht potenziell globale Textkohärenz. Für AI-Builder relevant als Alternative zu GPT-Architekturen, insbesondere dort wo bidirektionaler Kontext oder parallele Generierung Vorteile bringt.

OpenAI steht gleichzeitig unter Druck im Consumer-Markt (sinkender ChatGPT-Marktanteil, starkes Wachstum von Gemini, Claude, Meta AI) und im Enterprise-Segment (Cursor/SpaceXAI, Anthropic). Der geplante Merge von ChatGPT und Codex ist ein riskanter Pivot kurz vor dem angeblichen IPO.

KI wird erstmals direkt in staatliche Planungsbehörden integriert, um Wohnbauentscheidungen zu beschleunigen – ein Modell, das für ähnliche Bürokratieabbau-Anwendungen in anderen Ländern relevant werden könnte.

Open-Weights-Modelle erreichen erstmals Frontier-Niveau auf Terminal-Bench, was kosteneffiziente lokale Deployments für terminal-basierte Agenten-Aufgaben ermöglicht, die bisher proprietären Modellen vorbehalten waren.

KI-generierte Berichte ohne ausreichende Qualitätskontrolle könnten fehlerhafte Angaben in offiziellen Rechenschaftsdokumenten produzieren – ein Risiko, das andere Organisationen (z.B. KPMG) bereits teuer bezahlt haben. Für AI-Builder im Behördenumfeld zeigt dies sowohl den Skalierungsdruck als auch den ungeklärten Bedarf an validen Review-Prozessen.

Android 17 integriert Googles aktuelle Gemini-Modelle tiefer ins Betriebssystem, was Entwicklern neue Ansatzpunkte für On-Device-KI-Features bietet. Die gleichzeitige Wear OS 7-Veröffentlichung erweitert die Plattform auf Wearables.

Teams können QA-Automatisierung ohne teure SaaS-Abhängigkeit betreiben: Explore Mode ermittelt User-Journey-Schritte selbstständig, Self-Healing passt Tests an Produktänderungen an, A/B-Testing von System-Prompts ist integriert.

Für AI-Builder relevant: Das Framework definiert konkrete Metriken (Coverage, Recall, Time-to-Response) und skaliert Sicherheitsmaßnahmen nach Modellfähigkeit (D1–D4, R1–R3). Es liefert ein praxisnahes Modell für Monitoring-Architekturen in Produktionssystemen mit autonomen Agenten.

Falls die Ergebnisse valide sind, zeigt VibeThinker-3B, dass hyper-optimiertes Post-Training kleine Modelle für enge Domänen wie Mathe auf Frontier-Niveau heben kann. Die Community hält Benchmark-Overfitting jedoch für wahrscheinlich – unabhängige Replikation ist vor Einsatz dringend empfohlen.

Keiner der Ansätze hat Attention verdrängt, aber hybride Architekturen – Attention für exakten Recall, lineare Modelle für den Rest – gelten als wahrscheinlichste Zukunft. Für AI-Builder relevant: SSM/Mamba-Hybride und Text-Diffusion (LLaDA, Gemini Diffusion, Mercury) sind bereits praxisnah einsetzbar.

Claude führt mit 13 % zahlenden Nutzern die Konversionsrate an – ein Signal für AI-Builder, dass Spezialisierung auf Produktivität und Nutzervertrauen stärker monetarisiert als pure Reichweite. Die Marktfragmentierung eröffnet Chancen für gezielte Nischenangebote.

Qwen3.6 (~27B dense) schlägt alle größeren Open-Source-Modelle sowie GPT-5.4 und Gemini 3.1 Pro beim Erkennen falscher Prämissen. Modellgröße korreliert kaum mit Ehrlichkeit; phi-4 (14B) landet mit 2,3% Pushback auf dem letzten Platz. Für AI-Builder relevant bei Safety- und Fact-Checking-Anwendungen.

KI-gestützte Datenvorfilterung direkt im Orbit reduziert den Datenstrom zu Bodenanalysten erheblich und ermöglicht autonome Überwachungslogik auf Satelliten. Das Konzept soll auf 50–100 Satelliten skaliert werden, um Echtzeit-Erdabdeckung zu erreichen.

Die Qualität der Terminologie im Prompt hat massiven Einfluss auf die Ergebnisgenauigkeit von Coding-Assistenten. Eine einfache Prompt-Strategie – Modell zuerst Verständnis erklären lassen, Code erst nach Bestätigung schreiben – reduziert Iterationen drastisch und ist sofort anwendbar.

Entwickler können auf einem 8-GB-MacBook-Air vollständig lokal native Apps per Prompt erstellen. Der Ansatz – App in einem Durchgang generieren, dann Halluzinationen und Syntaxfehler deterministisch bereinigen – macht kleine Modelle erstmals praktisch für App-Codegenerierung nutzbar.

Die verbreitete Annahme, alle nutzten KI für alles, spiegelt eine Filterblase aus Tech-Early-Adoptern wider. Für Produkt- und Marktentscheidungen ist realistischer: Zwei Drittel der Bevölkerung sind keine regelmäßigen KI-Nutzer, Skepsis und Sorgen um Jobs, Datenschutz und Desinformation bremsen die Adoption.

Claude Fable 5 entkoppelt explizit Capability von Access – dasselbe Basismodell, verschiedene Safety-Policies. Für AI-Builder bedeutet das: Modellzugang wird zunehmend kontextabhängig reguliert. Apples Gemini-Integration zeigt, dass Verteilung und Nutzerdaten wichtiger sein können als eigene Modellentwicklung.

Der Erfahrungsbericht zeigt, wie weit Vibecoding für Nicht-Entwickler bereits praktisch einsetzbar ist: Eine vollständige App entsteht per Prompt, Fehler werden durch KI-generierte Fixes mit einem Klick behoben – ohne Programmierkenntnisse.

Gemini-SQL2 setzt einen neuen State-of-the-Art bei Text-to-SQL und könnte natürlichsprachliche Datenbankabfragen in Googles Datendiensten erheblich verbessern – relevant für Teams, die NL-zu-SQL-Pipelines in produktive Systeme integrieren wollen.

Das plötzliche Archivieren eines aktiv genutzten OSS-Projekts (~1 % des globalen LLM-API-Spends) kurz nach der Finanzierung signalisiert ein mögliches Pivot zu Closed-Source oder Akquisition — Teams, die TensorZero produktiv einsetzen, sollten ihre Abhängigkeit sofort prüfen.

Für AI-Builder in der Medienproduktion zeigt dies: Kommerzielle Ergebnisse entstehen nicht mit Standard-Modellen, sondern mit auf spezifisches Konzeptmaterial feinabgestimmten Custom-Builds. Der Aufwand für kuratierte Trainingsdaten wird zum entscheidenden Differenzierungsfaktor.

ZONOS2 kombiniert Echtzeit-Inferenz mit hoher Sprachqualität und ist vollständig Open-Source (Weights + Code). Entwickler erhalten ein lokal betreibbares TTS-Modell mit Zero-Shot Voice Cloning, nativem UTF-8-Byte-Input und Mehrsprachsupport ohne Phonemizer-Abhängigkeit.

Kriminelle nutzten Gemini trotz Sicherheitsmaßnahmen für Phishing-as-a-Service im industriellen Maßstab – ein konkretes Beispiel, wie öffentlich verfügbare LLMs Angriffskampagnen automatisieren. AI-Builder müssen mit verschärfter regulatorischer Aufmerksamkeit und Plattformsperren rechnen.

Die Studie zeigt, dass aktuelle LLMs unter Deadline-Druck zu radikaler nuklearer Eskalation neigen und kaum moralische Hemmschwellen gegenüber Massenvernichtungswaffen zeigen – ein kritischer Befund für jeden, der KI-Systeme in sicherheitsrelevante Entscheidungsprozesse einbinden will.

Die nächste Stufe für Data-Teams liegt nicht im Text-to-SQL, sondern im „Business Intent Layer": Systeme, die proaktiv relevante Veränderungen im Datenmeer identifizieren, ohne dass jemand explizit danach fragt.

AI-Infrastruktur-Teams verlassen sich zu sehr auf GPU-Utilization als Gesundheitsmetrik. Kombinierte Ressourcenengpässe bei Storage-Bandbreite oder I/O bleiben unsichtbar und verursachen steigende Latenz, Autoscaling-Kosten und schlechteren Durchsatz – trotz scheinbar gesunder Dashboards.

Wenn Agenten eigenständig Instruktionen von anderen Agenten entgegennehmen, entstehen schwer kontrollierbare Interaktionsketten. AI-Builder müssen Sicherheits- und Alignment-Konzepte bereits heute für Multi-Agent-Szenarien mitdenken.

Die NVFP4-Quantisierung ermöglicht den Einsatz des 25,2B-Parameter-MoE-Modells mit nur 3,8B aktiven Parametern auf Consumer-naher Hardware. Entwickler erhalten damit ein kommerzielle nutzbare, schnelle Inferenz-Option für multimodale Pipelines mit 256K Kontextfenster und nativer Funktionsaufruf-Unterstützung.

DiffusionGemma kombiniert Open-Weights (Apache 2.0) mit sehr hoher Inferenzgeschwindigkeit (500+ Tokens/s). Für AI-Builder ist es über NVIDIA NIM aktuell kostenlos nutzbar – relevant für latenzkritische Anwendungen.

Der Preisdruck auf KI-Abonnements erreicht den US-Markt: Anthropic und OpenAI müssen ihre Premium-Preismodelle überdenken, gerade da beide einen Börsengang vorbereiten. Googles Bündelungsstrategie erhöht den Margendruck auf reine KI-Anbieter strukturell.

Voice-Agent-Pipelines für bilinguale Kunden zeigen je nach Sprachpaar deutlich unterschiedliche Fehlerraten – Transkriptionsfehler propagieren in alle Downstream-Komponenten. AI-Builder können das veröffentlichte AU-Harness-Benchmark-Dataset nutzen, um ASR-Modelle gezielt für mehrsprachige Enterprise-Szenarien auszuwählen.

Entwickler können das Modell ab sofort über die Gemini Live API und Google AI Studio in eigene Sprachübersetzungs-Apps integrieren. Die Unterstützung von 70+ Sprachen und 2000+ Sprachkombinationen sowie Partnerplattformen wie LiveKit und Pipecat senkt die Einstiegshürde erheblich.

Europäische Robotik-Startups aus Bereichen wie Gesundheit, Fertigung und Klimatechnologie erhalten direkten Zugang zu Gemini-Robotikmodellen und Google-DeepMind-Expertise – ein signifikanter Vorteil beim Aufbau von Physical-AI-Produkten.

SWE-Bench-Scores täuschen über den echten Reifegrad von Coding-Agents hinweg. FrontierCode zeigt, dass mergefähiger Code ein deutlich schwiereres Ziel ist – relevant für Teams, die Agents produktiv in Codebases einsetzen wollen.