Wer heute mit KI-Assistenten programmiert, legt fast reflexartig eine Kontextdatei an. Agents.md und vergleichbare Dateien sammeln Projektwissen an einer zentralen Stelle: Coding-Konventionen, Verzeichnisstruktur, Testbefehle, Hinweise auf Eigenheiten der Codebasis. Das Modell soll diese Informationen bei jeder Anfrage mitlesen und dadurch passendere Vorschläge liefern. Die Praxis hat sich in kurzer Zeit etabliert, oft ohne dass jemand ihren Effekt tatsächlich gemessen hätte.

Genau das hat eine Studie der ETH Zürich nachgeholt – und kommt laut Berichterstattung zu einem überraschenden Befund: Die Dateien erhöhen die Kosten spürbar, ohne dass sich ein klarer Nutzen für die Ergebnisqualität zeigt. Die Empfehlung der Untersuchung fällt entsprechend zurückhaltend aus.

Warum Kontext Geld kostet

Der Kostenmechanismus ist einfach nachvollziehbar. Sprachmodelle rechnen in Token, also in kleinen Text- und Codebausteinen, und abgerechnet wird nach Menge. Eine Kontextdatei wird bei vielen Assistenten nicht einmalig gelesen, sondern fließt in jede einzelne Anfrage ein. Eine gepflegte, mehrere hundert Zeilen lange Datei erzeugt damit bei jedem Prompt zusätzliche Eingabetoken – multipliziert mit der Zahl der Anfragen eines Entwicklungsteams über Wochen.

Hinzu kommt ein zweiter, weniger offensichtlicher Effekt: Je mehr Text im Kontextfenster steht, desto stärker konkurrieren die Informationen um die Aufmerksamkeit des Modells. Allgemeine Stilregeln können die eigentliche Aufgabenbeschreibung verwässern, statt sie zu schärfen. Dass mehr Kontext automatisch bessere Ergebnisse liefert, ist eine Annahme – keine gesicherte Tatsache.

Was das Ergebnis nicht bedeutet

Ein einzelnes Studienergebnis ist kein Urteil über eine ganze Arbeitsweise. Die Wirkung von Kontextdateien dürfte stark davon abhängen, welches Modell zum Einsatz kommt, wie groß und wie eigenwillig eine Codebasis ist und welche Aufgaben gestellt werden. Ein Legacy-Projekt mit ungewöhnlichen Konventionen profitiert plausibel anders als eine frische Anwendung nach Framework-Standard.

Der belastbare Kern der Meldung ist deshalb weniger ein Verbot als eine Aufforderung: Verbreitete Praktiken im Umgang mit KI-Werkzeugen sollten überprüft werden, statt sie aus Gewohnheit weiterzuführen. Vieles, was derzeit als Best Practice zirkuliert, stammt aus Erfahrungsberichten und Community-Empfehlungen, nicht aus kontrollierten Messungen.

Wie sich der Nutzen prüfen lässt

Für Entwicklungsteams lohnt sich ein pragmatischer Test, der ohne Forschungsaufwand auskommt:

  • Baseline erheben: Über einen definierten Zeitraum die Token-Verbräuche und Kosten pro Entwicklerin und Entwickler erfassen. Die meisten Anbieter stellen dafür Nutzungsstatistiken bereit.
  • Vergleich fahren: Eine Reihe typischer Aufgaben einmal mit und einmal ohne Kontextdatei bearbeiten lassen und die Ergebnisse gegenüberstellen – nicht nach Gefühl, sondern anhand nachvollziehbarer Kriterien wie bestandener Tests oder Umfang der nötigen Nacharbeit.
  • Datei entschlacken: Falls die Kontextdatei bleibt, alles streichen, was das Modell ohnehin aus dem Code ableiten kann. Übrig bleiben sollten nur Informationen, die nirgends sonst stehen.
  • Alternativen prüfen: Linter, Formatter, Tests und Typprüfungen setzen Konventionen technisch durch, statt sie einem Modell in Prosa zu erklären – und kosten pro Anfrage nichts.

Kostentransparenz gehört ins Projekt

Der eigentliche Punkt liegt jenseits einer einzelnen Datei. KI-gestützte Entwicklung verschiebt einen Teil der Projektkosten von der Arbeitszeit hin zu laufenden Nutzungsgebühren. Diese Kosten sind variabel, wachsen mit der Teamgröße und entstehen häufig unbemerkt im Hintergrund. Wer sie nicht regelmäßig auswertet, bemerkt eine ineffiziente Praxis erst auf der Rechnung.

Sinnvoll ist deshalb, den Umgang mit KI-Werkzeugen wie jeden anderen Teil des Entwicklungsprozesses zu behandeln: mit klaren Konventionen, messbaren Kennzahlen und einem festen Termin, an dem beides überprüft wird. Das schließt auch die Frage ein, für welche Aufgaben ein Assistent überhaupt eingesetzt wird und wo klassische Werkzeuge schneller und günstiger zum Ziel führen.

Für Web- und Softwareprojekte heißt das konkret: KI-Workflows sind keine einmalige Einrichtung, sondern brauchen dieselbe Aufmerksamkeit wie Build-Pipelines oder Hosting-Kosten. Praktiken, die sich über Blogposts und Communitys verbreiten, sollten im eigenen Projektkontext nachgemessen werden, bevor sie zum Standard erklärt werden. Wer Kosten und Ergebnisqualität nebeneinanderlegt, trifft belastbarere Entscheidungen als jede allgemeine Empfehlung sie liefern kann.

Quellen