Vertrauenslücke
KI-Coding-Tools werden immer breiter genutzt, doch das Vertrauen in ihre Ergebnisse bleibt begrenzt. Genau das zeigt den Bedarf an besserer Prüfung, Validierung und Belege.
KI-Nutzungbegrenztes VertrauenPrüfbedarfBelege
Lokal zuerst · Läuft neben eurem Coding-Agenten
Weniger Chaos beim KI-Coding
Reality Graph ist eine lokale Schicht für Kontext, Validierung und Belege rund um KI-gestützte Coding-Workflows.
Euer Agent schreibt die Änderung. Reality Graph hält fest, was die Änderung sein sollte, führt die Checks selbst aus und liest die Belege aus Git.
Öffentliche Aussagen erst, wenn sie belegt sind. Jede Grenze steht neben der Fähigkeit, die sie begrenzt.
Seht es laufen
Dreißig Sekunden, vom Satz bis zum Ergebnis.
Verstreuter Kontext ordnet sich zu einer Karte und dann zu Belegen, auf die ihr zeigen könnt. Der Film kommt von dieser Website: kein externer Player, keine Cookies, keine Anmeldung.
Das Problem
KI-Coding-Tools sind stark. Der Workflow drumherum bricht trotzdem.
Claude Code, Cursor, Copilot und Antigravity haben verschoben, was ein Modell leisten kann. Doch die Schleife drumherum bricht meist an denselben Stellen - in derselben Reihenfolge:
- 01
Die Aufgabe wird vage
Eine Anfrage, die im Kopf klar ist, kommt beim Modell unterspezifiziert an. Ziele, Rahmen und Akzeptanzkriterien bleiben implizit.
- 02
Der Kontext verrauscht
Falsche Dateien, veraltete Logs und lose zusammenhängende Historie verdrängen die wenigen Dinge, die wirklich zählen.
- 03
Das Ergebnis wirkt plausibel
Das Resultat liest sich überzeugend - und genau das macht es schwerer, das Falsche darin zu bemerken.
- 04
Die Validierung ist verstreut
Tests, Risiken und Akzeptanzkriterien liegen an verschiedenen Orten. Nichts prüft die Änderung als Ganzes.
- 05
Das Review dauert zu lange
Reviewer rekonstruieren die Absicht allein aus dem Diff - und zahlen erneut für Kontext, der nie festgehalten wurde.
- 06
Die Belege fehlt
Bricht später etwas, fehlt die Aufzeichnung: was sich geändert hat, was geprüft wurde, warum es ausgeliefert wurde.
Wo eine Kontrollschicht ansetzt
- Kontext vorbereiten
- Grenzen sichtbar halten
- Validierung bewahren
- Belege festhalten
Eine grobe Form, keine Feature-Liste. Ein Mensch behält durchgehend die Kontrolle.
Die These
Stärkere Modelle sind nicht die ganze Antwort.
KI-gestützte Entwicklung braucht auch eine bessere Steuerungsebene - eine, die die Aufgabe versteht, Grenzen sichtbar hält, fokussierten Kontext vorbereitet, Validierung bewahrt und Belege festhält.
Was Reality Graph hinzufügt
Vier Dinge passieren rund um jeden Run. Keines davon schreibt euren Code.
Reality Graph ersetzt euer KI-Coding-Tool nicht. Es richtet den Run drumherum ein: Aufgabe, Kontext, Memory, Validierung und Belege. So kannst ihr mit mehr Sicherheit prüfen, was passiert ist.
Mission Contract
Hält Ziel, Umfang, Rahmen und Akzeptanzkriterien sichtbar, bevor das Modell loslegt.
DetailsContext Packs
Bereitet fokussierten Aufgabenkontext vor, statt vage Prompts, Repo-Rauschen und verstreute Historie in den Run zu kippen.
DetailsCodeGraph
Holt nützliche Projektregeln, Entscheidungen und wiederkehrende Lessons zurück - genau dann, wenn sie zur Aufgabe passen.
DetailsValidierungs-Belege
Verbindet die Aufgabe mit Tests, Risiken und Review-Kriterien, bevor dem Ergebnis vertraut wird.
DetailsTrust Review
Macht sichtbar, was sich geändert hat, was geprüft wurde und was noch menschliches Review braucht.
DetailsFreigaben
Hält Reality Graph standardmäßig beratend. Riskante Aktionen bleiben sichtbar, statt zu unsichtbarer Automatik zu werden.
DetailsWie es funktioniert
- 1Mit einer Aufgabe starten
- 2Reality Graph bereitet den Run vor
- 3Euer KI-Coding-Tool arbeitet
- 4Ihr prüft Validierung und Belege
Den Code schreibt weiterhin das KI-Coding-Tool. Reality Graph hält den Workflow drumherum strukturiert, prüfbar und in menschlicher Hand.
Tiefer einsteigen
Vier Seiten, in der Reihenfolge, in der man sie meistens braucht
Jede beantwortet einen anderen Einwand, und für keine davon muss man vorher mit jemandem sprechen.
Wie es funktioniert
Ein Lauf vom Vertrag bis zum Urteil in sechs Schritten, mit den zwei Schritten, die nicht uns gehören, deutlich markiert.
AnsehenWas gebaut ist
Die Fähigkeitsliste mit einer dritten Spalte: die genannte Grenze jeder Fähigkeit und das, was gar nicht gebaut ist.
AnsehenPasst es zu unseren Tools
Ein Tool hat einen echten Adapter. Der Rest läuft über einen eingefügten Prompt daneben, und diese Seite sagt, was was ist.
AnsehenWohin unser Code geht
Der vollständige Datenweg aus erster Hand, einschließlich der beiden Fälle, in denen doch etwas die Maschine verlässt.
AnsehenDazu: die Planstruktur ohne Preis.
Wollt ihr sehen, wie euer letzter Agenten-Run ausgesehen hätte?
Zugang anfragenDer Bedarf
Warum KI-Coding weiterhin eine Kontrollschicht braucht
Illustrative Workflows und externe Signale - keine Performance-Aussagen über Reality Graph.
Kontextchaos
Unklare Prompts, Repo-Rauschen, Terminal-Logs und vage Aufgaben ergeben selten fokussierten Kontext. Illustrativ, keine numerische Aussage.
PromptRepo-RauschenTerminal-Logsvage Aufgabefokussierter Kontext
Beleglücke
Code zu erzeugen ist nur der eine Teil. Was über Diffs, Tests und Risiken passiert ist, muss nachvollziehbar bleiben - und ob es sicher ist, damit weiterzugehen.
KI-AusgabeGit-DiffTestsRisikenmenschliches Review
Der Stack Overflow Developer Survey 2025 berichtet, dass mehr Entwickler der Genauigkeit von KI-Tools misstrauen als ihr vertrauen - und nur ein kleiner Teil den Ergebnissen stark vertraut. Quelle: Stack Overflow Developer Survey 2025
Wo eine Kontrollschicht hilft
Illustrativ, keine Performance-Aussage über Reality Graph.
Bring die wenigen Dinge in den Fokus, die zählen, und lass das Rauschen draußen. Statt ein ganzes Repo, veraltete Logs und einen vagen Prompt in den Run zu kippen, bereitet eine Kontrollschicht einen knappen, aufgabengerechten Ausschnitt an Kontext vor, bevor das Modell startet.
- Die Dateien, Regeln und Historie einbeziehen, die zur Aufgabe gehören
- Repo-Rauschen, toten Code und unzusammenhängende Logs draußen halten
- Ziel und Rahmen neben dem Kontext mitführen
Halte Risiken, Tests und Akzeptanzkriterien sichtbar, während die Arbeit läuft - nicht erst danach. Eine Kontrollschicht knüpft die Änderung daran, wie sie geprüft wird, damit Ausgabe, die nur plausibel aussieht, nicht mit geprüfter verwechselt wird.
- Die Aufgabe mit den Tests und Checks verbinden, die sie abdecken
- Riskante Stellen sichtbar machen, bevor der Ausgabe vertraut wird
- Akzeptanzkriterien explizit machen, nicht implizit
Halte fest, was sich geändert hat und warum - damit ein Run später geprüft und verstanden werden kann. Eine Kontrollschicht führt eine Spur über Diffs, Tests und Entscheidungen, statt Reviewer die Absicht allein aus dem Diff rekonstruieren zu lassen.
- Festhalten, was sich geändert hat und was geprüft wurde
- Die Begründung am Ergebnis halten
- Einen Run lange nach Abschluss prüfbar halten
Halte einen Menschen in der Schleife: standardmäßig beratend, ohne autonome Commits. Eine Kontrollschicht macht riskante Aktionen sichtbar und leicht zu bestätigen oder abzulehnen, statt sie zu unsichtbarer Automatik zu machen.
- Beratend bleiben, solange kein Mensch zustimmt
- Riskante Schritte an Entscheidungspunkten sichtbar machen
- Die letzte Entscheidung beim Entwickler lassen
Externe Markt- und Problem-Signale - keine Performance-Aussagen über Reality Graph. Quelle: Stack Overflow Developer Survey 2025
Die Kosten
Was ungeprüfter KI-Code euch kostet
Drei Fragen, danach eine Rechnung, die ihr nachprüfen könnt. Das Modell bepreist ein Problem, kein Produkt, und jede Annahme ist gekennzeichnet und ersetzbar.
Menschen, keine Lizenzen
1100+
Im Monat, aus euren Git- oder PR-Daten
560
Anteil der Merges mit KI-Unterstützung
Eine grobe Schätzung genügt
Der Wert, mit dem eure Finanzabteilung rechnet
30 €250 €
Jede Zeile oben ist ein Regler. Bewegt einen, und die Schätzung rechnet neu – das ist der ehrliche Ersatz für eine Spanne.
Geschätzte Kosten eurer Verification Debt
Beispiel – illustrative Rechnung, kein BenchmarkSchätzung aktualisiert.
67.000 €
pro Jahr · 5.580 € pro Monat
74,4 Stunden im Monat, davon 60 dafür, herauszufinden, was eine Änderung tun sollte.
Gerechnet mit rund 120 KI-gestützten Merges pro Monat.
- Review-Rekonstruktion4.500 € · pro Monat
- Herauszufinden, was eine Änderung tun sollte, bevor ihr sie beurteilen könnt. Diese Zeile steht in keinem Budget: Sie fällt bei jeder KI-gestützten Änderung an, nicht nur bei den kaputten, und macht vier Fünftel der Summe darüber aus.
- Nacharbeit an gechurntem Code1.080 € · pro Monat
- Änderungen, die binnen zwei Wochen nach dem Merge wegen eines Fehlers nachgearbeitet werden. Die 2 % sind illustrativ: Ersetzt sie durch die Rate, die eure Tickets zeigen.
- Incident-Puffer0 € · pro Jahr
- Es wird keiner angenommen. Er gehört erst hierher, wenn ihr eine eigene Incident-Klasse, Häufigkeit und Schadenserwartung habt. Das Modell überlässt ihn euch, statt ihn zu erfinden.
Was das Modell für euch angenommen hat
- 0,5 Stunden Review-Rekonstruktion je KI-gestützter Änderung
- 2 % der KI-gestützten Änderungen binnen 14 Tagen wegen eines Fehlers nachgearbeitet, eine illustrative Rate, die ihr durch eure eigene ersetzt
- 6 Stunden, um eine gechurnte Änderung nachzuarbeiten
Welche Zeile eine Verifikationspraxis adressieren soll
Die Rekonstruktionszeile schrumpft, wenn eine Änderung mit ihrer Aufgabe, ihren Checks und ihren Belegen ankommt: Wer reviewt, rekonstruiert keine Absicht mehr, sondern beurteilt sie. Reality Graph ist darauf ausgelegt. Eine Vorher-Nachher-Messung dazu gibt es noch nicht, deshalb steht hier keine Prozentzahl.
Teams, die systematisch verifizieren, berichten von 44 % weniger Ausfällen durch KI-generierten Code. Sonar, State of Code 2026 (englisch)
Wo sich das nicht rechnet
Unter etwa 30 bis 40 KI-gestützten Änderungen im Monat ist das Beispiel grenzwertig. Das entscheidet das Volumen, nicht die Teamgröße: Zwei Leute, die den ganzen Tag Agenten laufen lassen, sind darüber, zwanzig mit wenig KI nicht. Für einen Wegwerf-Prototypen lautet die Antwort nein.
Ein Run, eine Vorgabe, ein Ergebnis, auf das ihr zeigen könnt.
Schreibt mir, welche Coding-Tools ihr benutzt und was im Review regelmäßig bricht, und ihr bekommt eine klare Antwort zur Passung.
Was Reality Graph ist
Eine Schicht für Kontext, Validierung und Belege rund um die Tools, die ihr schon nutzt.
Fokussierter Kontext
Bereitet fokussierten Kontext für die KI-Coding-Tools vor, die ihr schon nutzt.
Sichtbare Validierung
Hält Risiken, Tests und Akzeptanzkriterien sichtbar.
Belegspur
Macht KI-gestützte Runs leichter prüf- und nachvollziehbar.
Local-First-Grenze
Um lokale Workflows und Code-Privatsphäre herum gebaut.
Menschliche Kontrolle
Standardmäßig beratend. Keine autonomen Commits.
Verfügbarkeit
Der Early Access startet bald.
Reality Graph ist in der Closed Beta und öffnet als Nächstes für eine kleine Early-Access-Gruppe. Der Zugang ist ein Gespräch über Passung und keine automatische Freischaltung, und die Pläne auf der Preisseite öffnen nacheinander.
Heute Closed BetaEarly Access öffnetPläne öffnen nacheinander
Für wen
Für alle, die gefragt werden, was sich geändert hat.
KI-Coding-Power-User
Für Entwickler, die täglich KI-Coding-Tools nutzen und immer wieder mit Kontext-, Validierungs- oder Review-Reibung kämpfen.
Technische Reviewer
Für Menschen, die verstehen müssen, was sich geändert hat, warum - und ob man dem trauen kann.
Kleine technische Teams
Für Teams, die KI-gestützte Entwicklung erkunden, aber Kontrolle, Belege und Local-First-Grenzen nicht aufgeben wollen.
Bewusst so gebaut
Die Grenzen sind das Produkt, nicht das Kleingedruckte.
Reality Graph ist als Kontrollschicht für KI-gestützte Coding-Workflows gedacht - nicht als weiterer autonomer Coding-Agent. Es hält Kontext, Validierung und Belege sichtbar, während Menschen die Kontrolle behalten.
- Arbeitet mit bestehenden KI-Coding-Tools
- Standardmäßig in menschlicher Hand
- Keine Launch-Versprechen, keine Schein-Benchmarks
Artikel
Tiefer einsteigen: Verifikation, verständlich erklärt
Belegte, datierte Artikel zur Prüfung von KI-generiertem Code - die Konzepte hinter Reality Graph, nützlich mit oder ohne das Produkt.
FAQ
Fragen, klar beantwortet.
- Was ist Reality Graph?
- Reality Graph ist eine lokale Schicht für Kontext, Validierung und Belege - für LLM-gestützte Coding-Workflows. Es arbeitet neben den KI-Coding-Tools, die ihr schon nutzt, und hält Kontext fokussiert, Validierung sichtbar und Belege leicht prüfbar.
- Was fügt Reality Graph hinzu?
- Eine Kontrollschicht rund um KI-Coding-Runs: Aufgabengrenzen, fokussierten Kontext, Project Memory, Validierungs-Bewusstsein und eine Belegspur. Den Code schreibt weiterhin das KI-Coding-Tool - Reality Graph hält den Workflow leichter prüfbar.
- Ist Reality Graph ein KI-Coding-Agent?
- Nein. Reality Graph ist eine Kontrollschicht, kein autonomer Coding-Agent. Es ist standardmäßig beratend und schreibt oder committet keinen Code von selbst. Die Kontrolle bleibt bei euch.
- Für welche Tools ist Reality Graph gedacht?
- Es ist darauf ausgelegt, mit bestehenden KI-Coding-Tools und lokalen Entwicklungsworkflows zu arbeiten, statt sie zu ersetzen.
- Ist Reality Graph schon verfügbar?
- Noch nicht. Reality Graph ist in der Closed Beta, und der Early Access öffnet als Nächstes für eine kleine Gruppe. Das ist ein Gespräch über Passung und keine automatische Freischaltung.
- Wie bekomme ich Zugang?
- Fragt den Zugang an oder wendet euch direkt an den Gründer. Ich suche eine kleine Zahl technischer Nutzer und Teams, die dieses Problem tief spüren.
Gründer-Notiz
“Ich baue Reality Graph, weil ich immer wieder an dieselbe Wand lief: Das Modell war stark, aber der Workflow rund um Kontext, Validierung und Belege war zu fragil, um ihm zu vertrauen.”
Zugang anfragen
Wollt ihr es ausprobieren, sobald es so weit ist?
Schreibt mir, wie ihr arbeitet. Ich suche eine kleine Zahl technischer Nutzer und Teams, die dieses Problem tief spüren und mir ehrlich Rückmeldung geben.