Wer schon einmal einen allgemeinen Chat-Assistenten auf ein älteres Unternehmensprojekt losgelassen hat, kennt das Muster. Die KI schreibt formal sauberen Code, der aber eine Hilfsfunktion neu erfindet, die es längst gibt, eine veraltete Schnittstelle verwendet oder eine im Team verbotene Bibliothek einbindet. Die Ursache ist selten mangelnde Intelligenz des Modells, sondern fehlender Kontext. Das Modell weiß schlicht nicht, was in den anderen tausend Dateien steht. Genau dieses Problem hat sich Augment als zentrales Thema gewählt. Das Unternehmen argumentiert, dass bei großen Codebasen nicht das Sprachmodell der Engpass ist, sondern die Auswahl der richtigen Informationen, die dem Modell zur Verfügung gestellt werden.
Hinter Augment Code steht ein Unternehmen aus Kalifornien, das nach öffentlich verfügbaren Informationen 2022 gegründet wurde und 2024 mit seinem Produkt an die Öffentlichkeit ging. Zu den Gründern zählen erfahrene Fachleute aus der Entwicklung von Entwicklerwerkzeugen und aus der KI-Forschung. Die Firma hat in mehreren Runden erhebliches Wagniskapital eingesammelt und richtet sich ausdrücklich an professionelle Teams und Unternehmen statt an Hobbyprogrammierer. Drei Merkmale prägen das Angebot:
Augment ist mit einer Erweiterung für Visual Studio Code und die JetBrains-IDEs gestartet, die Autovervollständigung und Chat mit einem tiefen Verständnis der Codebasis verband. Schon früh kam eine Funktion hinzu, die der Anbieter Next Edit nennt: Statt nur die aktuelle Zeile zu vervollständigen, schlägt der Assistent die nächsten sinnvollen Änderungen an anderen Stellen der Datei oder des Projekts vor, etwa wenn eine Funktionssignatur angepasst wurde und nun alle Aufrufe nachgezogen werden müssen.
Mit dem Aufkommen agentischer Werkzeuge hat Augment sein Angebot deutlich erweitert. Ein Agent im Editor plant und führt mehrschrittige Aufgaben aus, eine Kommandozeilenvariante bringt dieselben Fähigkeiten ins Terminal und in Automatisierungen, Agenten in der Cloud arbeiten im Hintergrund an Aufgaben, und für Pull Requests gibt es ein KI-Review. Die Kontext-Engine ist inzwischen auch für andere Werkzeuge zugänglich, etwa über das Model Context Protocol. Der rote Faden bleibt: Augment will die Schicht sein, die einer KI das Wissen über eine konkrete Codebasis liefert, egal in welcher Oberfläche gearbeitet wird.
Die Zielgruppe sind professionelle Entwicklungsteams, die an umfangreichen, langlebigen Systemen arbeiten. Typisch sind Unternehmen mit eigener Softwareentwicklung, Softwarehäuser mit mehreren Kundenprojekten und Abteilungen, die Altanwendungen pflegen und modernisieren. Im Mittelstand betrifft das zum Beispiel Hersteller mit eigener Maschinensoftware, Dienstleister mit Branchenlösungen auf Basis von Java oder .NET, Händler mit selbst entwickeltem Shop- und Logistiksystem oder Versicherungs- und Finanzdienstleister mit gewachsenen Fachanwendungen.
Viele mittelständische Softwareteams arbeiten mit Code, der über zehn oder zwanzig Jahre gewachsen ist. Ursprüngliche Entwicklerinnen und Entwickler haben das Unternehmen verlassen, Dokumentation ist lückenhaft, und das eigentliche Wissen steckt in den Köpfen weniger erfahrener Kolleginnen und Kollegen. Gleichzeitig steigt der Druck: Schnittstellen zu neuen Plattformen, Sicherheitsanforderungen, Cloud-Migration und Fachkräftemangel treffen auf begrenzte Kapazität.
In dieser Lage ist ein Werkzeug, das Fragen wie „Wo wird der Rabatt für Großkunden berechnet?“ oder „Welche Module greifen auf diese Tabelle zu?“ zuverlässig beantworten kann, oft wertvoller als eine besonders schnelle Autovervollständigung. Augment adressiert damit einen sehr konkreten Schmerzpunkt: die Einarbeitung in fremden Code, das sichere Ändern von Altbeständen und die Verteilung von Wissen im Team. Ob sich das Versprechen im eigenen Projekt einlöst, lässt sich allerdings nur mit einem strukturierten Pilotprojekt an echtem Code beurteilen, nicht anhand von Herstellerdemos.
Augment bietet Zugänge für Einzelpersonen, Teams und Unternehmen an. Die Tarifstruktur hat sich in der Vergangenheit mehrfach verändert, unter anderem durch den Wechsel von einfachen Nutzerlizenzen zu Modellen, in denen der Verbrauch von Agenten- und Modellleistung über Kontingente oder Guthaben abgerechnet wird. Diese Entwicklung ist branchentypisch, denn agentische Aufgaben verursachen deutlich höhere Rechenkosten als einfache Vervollständigungen. Für Unternehmen bedeutet das: Die Kosten hängen stärker vom tatsächlichen Nutzungsverhalten ab als bei einer festen Monatslizenz.
Grob lassen sich drei Ebenen unterscheiden. Einstiegsangebote für Einzelpersonen dienen dem Ausprobieren, mit eingeschränktem Umfang und teils anderen Bedingungen bei der Datennutzung. Team-Tarife bieten gemeinsame Verwaltung, Abrechnung und höhere Kontingente. Enterprise-Verträge ergänzen Funktionen wie Single Sign-on, erweiterte Verwaltungs- und Prüffunktionen, vertragliche Datenschutzzusagen, individuelle Kontingente und persönliche Betreuung. Konkrete Preise, Kontingente und Funktionsgrenzen sollten Sie unbedingt aktuell beim Anbieter prüfen, da sie sich häufig ändern. Achten Sie besonders darauf, ob für kostenlose oder günstige Einstiegsangebote andere Regeln zur Trainingsnutzung gelten als für bezahlte Unternehmenstarife.
Im Markt der Coding-Assistenten gibt es zwei große Strategien. Die eine setzt auf maximale Verbreitung, einfachen Einstieg und tiefe Integration in eine bestehende Plattform, etwa GitHub oder eine Cloud-Umgebung. Die andere setzt auf Spezialisierung für anspruchsvolle Szenarien. Augment gehört klar zur zweiten Gruppe. Der Anbieter wirbt nicht mit dem niedrigsten Preis oder dem größten Funktionskatalog, sondern mit der Qualität der Ergebnisse in großen, realen Codebasen.
Für die Auswahl im Unternehmen hat diese Positionierung zwei Seiten. Einerseits ist Augment unabhängig von einer bestimmten Git-Plattform oder einem einzelnen Editor und lässt sich in bestehende Umgebungen einfügen. Andererseits ist Augment ein vergleichsweise junges, wagniskapitalfinanziertes Unternehmen in einem stark umkämpften Markt. Produktnamen, Funktionen und Preismodelle ändern sich in kurzen Abständen. Wer Augment einführt, sollte deshalb vertraglich auf Datenexport, Kündigungsfristen und klare Regeln für das Löschen von Indizes achten und die Einführung so gestalten, dass ein späterer Werkzeugwechsel ohne großen Aufwand möglich bleibt.
Die Autovervollständigung ist die unscheinbarste, aber am häufigsten genutzte Funktion. Augment schlägt während des Tippens Code vor, der nicht nur syntaktisch passt, sondern sich an den in der Codebasis vorhandenen Funktionen, Klassen und Benennungen orientiert. Wer etwa eine interne Hilfsklasse für Datenbankzugriffe hat, bekommt im Idealfall Vorschläge, die genau diese Klasse verwenden, statt eine generische Lösung aus öffentlichen Beispielen. Die Geschwindigkeit der Vorschläge ist für die Akzeptanz entscheidend, denn eine Vervollständigung, die zu spät kommt, stört mehr, als sie hilft.
Next Edit geht einen Schritt weiter. Ändert jemand den Namen eines Parameters, die Struktur eines Datenobjekts oder die Signatur einer Methode, erkennt der Assistent die logisch folgenden Änderungen und führt durch die betroffenen Stellen, auch über Dateigrenzen hinweg. Das ist kein Ersatz für die Refactoring-Werkzeuge einer IDE, die bei rein mechanischen Umbenennungen zuverlässiger sind. Seine Stärke zeigt Next Edit bei semantischen Folgeänderungen, die keine IDE automatisch erkennt, etwa wenn ein neues Pflichtfeld an mehreren Stellen sinnvoll befüllt werden muss.
Der Chat ist der Ort, an dem die Kontext-Engine am deutlichsten sichtbar wird. Fragen wie „Wie läuft eine Bestellung vom Eingang bis zur Rechnungserstellung durch das System?“ oder „Warum wird dieser Wert hier zweimal gerundet?“ beantwortet Augment unter Bezug auf konkrete Dateien und Codestellen, die sich direkt öffnen lassen. Für Einarbeitung und Fehlersuche ist das besonders wertvoll, weil die übliche Suche über Volltext, Aufrufhierarchien und das Fragen erfahrener Kolleginnen und Kollegen deutlich abgekürzt wird.
Wie bei jedem Sprachmodell gilt: Die Antworten können plausibel klingen und trotzdem falsch sein. Der Vorteil von Augment ist, dass Aussagen in der Regel mit Verweisen auf den Code belegt sind und sich so überprüfen lassen. Teams sollten sich angewöhnen, diese Verweise tatsächlich anzusehen, statt die Zusammenfassung ungeprüft zu übernehmen. Gerade bei Fragen zu Geschäftslogik, Berechtigungen oder Abrechnung ist der Blick in den Originalcode Pflicht.
Damit die Ergebnisse zum Team passen, lassen sich Anweisungen für die KI hinterlegen: bevorzugte Bibliotheken, Architekturregeln, Namenskonventionen, Vorgaben zu Fehlerbehandlung und Logging oder Hinweise auf Bereiche, die nur mit besonderer Vorsicht geändert werden dürfen. Diese Regeln können auf Ebene des Repositorys, des Teams oder der einzelnen Person gelten. Ergänzend merkt sich der Agent je nach Konfiguration Erkenntnisse aus früheren Sitzungen. Für Unternehmen ist dieser Baustein wichtig, weil er aus einem allgemeinen Assistenten ein Werkzeug macht, das die eigenen Standards kennt. Die Regeln sollten wie Code behandelt werden: versioniert, reviewt und gepflegt.
Vereinfacht beschrieben, erstellt Augment einen semantischen Index der angebundenen Repositorys. Dabei werden Dateien in Abschnitte zerlegt, ihre Bedeutung wird in einer für die Suche geeigneten Form abgelegt, und Beziehungen wie Aufrufe, Importe und Abhängigkeiten werden berücksichtigt. Kommt eine Anfrage, etwa eine Chatfrage oder eine Agentenaufgabe, sucht die Engine die relevantesten Codeabschnitte, ergänzt sie um weitere Informationen wie Dokumentation oder Tickets und stellt diese Auswahl dem Sprachmodell zur Verfügung. Änderungen am Code werden laufend nachgezogen, sodass der Index auch bei aktiver Entwicklung aktuell bleibt.
Der Anbieter betont, dass die Auswahl des Kontexts eine eigene Disziplin ist, die über eine einfache Volltextsuche oder das Anhängen ganzer Dateien weit hinausgeht. Ein großes Kontextfenster eines Modells allein löst das Problem nicht, denn auch ein sehr großes Fenster fasst keine Codebasis mit Millionen Zeilen, und zu viel irrelevanter Kontext verschlechtert erfahrungsgemäß die Ergebnisse. Augment beschreibt außerdem Mechanismen, die sicherstellen sollen, dass Nutzende nur Kontext aus Code erhalten, auf den sie tatsächlich Zugriff haben. Wie genau diese Mechanismen arbeiten und welche Daten dafür beim Anbieter gespeichert werden, sollte im Rahmen der Sicherheitsprüfung schriftlich geklärt werden.
Der Agent im Editor ist der naheliegende Einstieg. Entwicklerinnen und Entwickler beschreiben eine Aufgabe in natürlicher Sprache, etwa „Ergänze im Kundenmodul ein Feld für die USt-IdNr. inklusive Validierung, Datenbankmigration und Tests“. Der Agent sucht die betroffenen Stellen, erstellt einen Plan, nimmt Änderungen vor und führt auf Wunsch Tests aus. Über Prüfpunkte lassen sich Zwischenstände festhalten und Änderungen bei Bedarf zurücknehmen. Wie viel Autonomie der Agent erhält, etwa ob er Terminalbefehle ohne Rückfrage ausführen darf, ist konfigurierbar und sollte im Unternehmen bewusst festgelegt werden.
Der Kommandozeilen-Agent bringt dieselben Fähigkeiten ins Terminal. Das ist nicht nur eine Frage des Geschmacks. Im Terminal lassen sich Agenten in Skripte, Git-Hooks oder CI-Pipelines einbinden, etwa um wiederkehrende Aufgaben wie das Aktualisieren von Abhängigkeiten, das Ergänzen von Dokumentation oder eine erste Analyse fehlgeschlagener Builds zu automatisieren. Agenten in der Cloud arbeiten schließlich in einer vom Anbieter bereitgestellten Umgebung an Aufgaben im Hintergrund. Das erlaubt paralleles Arbeiten, bedeutet aber auch, dass Code, Abhängigkeiten und gegebenenfalls Zugangsdaten für Testumgebungen in einer Infrastruktur außerhalb des eigenen Unternehmens verarbeitet werden. Für viele Unternehmen im DACH-Raum ist das der Punkt, an dem die Datenschutzprüfung besonders sorgfältig sein muss.
Augment setzt nach unserem Kenntnisstand auf leistungsfähige Modelle großer US-Anbieter, ergänzt um eigene Modelle und Komponenten, etwa für Vervollständigung und Kontextauswahl. Welche Modelle konkret verwendet werden und ob Nutzende zwischen Modellen wählen können, hat sich mehrfach geändert und sollte aktuell beim Anbieter geprüft werden. Für die Datenschutzprüfung ist das relevant, weil jeder Modellanbieter ein weiterer Subprozessor sein kann.
Wie bei allen Agenten gilt: Je größer und unschärfer die Aufgabe, desto höher das Risiko für fehlerhafte oder übertriebene Änderungen. Agenten neigen dazu, mehr zu ändern als nötig, Tests anzupassen, statt Fehler zu beheben, oder Annahmen zu treffen, die im Fachkontext nicht stimmen. Bewährt haben sich klar umrissene Aufgaben, ein Plan, der vor der Ausführung geprüft wird, kleine Pull Requests und eine verpflichtende menschliche Freigabe. Agenten sind ein Werkzeug für erfahrene Teams, keine Abkürzung an Review und Verantwortung vorbei.
Die tägliche Arbeit findet in VS Code oder einer JetBrains-IDE statt. Gerade die JetBrains-Unterstützung ist für den DACH-Mittelstand relevant, weil viele Teams im Java- und Kotlin-Umfeld mit IntelliJ IDEA arbeiten und .NET-Teams zunehmend Rider nutzen. Wer dagegen überwiegend in Visual Studio entwickelt, sollte den aktuellen Stand der Unterstützung genau prüfen, denn hier ist das Angebot vieler Drittanbieter schmaler als für VS Code.
Auf Seiten der Git-Plattform ist GitHub nach unserem Kenntnisstand am besten angebunden, insbesondere für Funktionen rund um Pull Requests und Review. Viele mittelständische Unternehmen setzen allerdings auf GitLab, oft selbst betrieben, oder auf Azure DevOps. Die Indizierung lokaler Arbeitskopien funktioniert unabhängig von der Plattform über die IDE-Erweiterung. Funktionen, die direkt mit der Plattform sprechen, etwa automatische Reviews oder Agenten, die Pull Requests eröffnen, sind dagegen plattformabhängig. Prüfen Sie vor der Entscheidung, welche Funktionen mit Ihrer konkreten Plattform und Version tatsächlich verfügbar sind.
Code allein erklärt selten, warum etwas so gebaut wurde. Augment kann deshalb zusätzliche Quellen einbeziehen: Tickets aus Jira oder Linear, Seiten aus Confluence oder Notion, und über das Model Context Protocol weitere Werkzeuge wie Datenbanken, Fehlerüberwachung oder interne Dienste. Damit kann ein Agent zum Beispiel ein Ticket lesen, die betroffenen Codestellen finden und einen Lösungsvorschlag erarbeiten, der die Anforderungen aus dem Ticket berücksichtigt.
Diese Anbindungen sind fachlich wertvoll, aber datenschutzrechtlich nicht trivial. Tickets enthalten oft Namen von Kundinnen und Kunden, Fehlermeldungen mit personenbezogenen Daten oder interne Vertragsinformationen. Dokumentationsräume enthalten mitunter Personalthemen oder Angebote. Jede Anbindung sollte daher einzeln bewertet, auf die nötigen Bereiche begrenzt und im Verzeichnis von Verarbeitungstätigkeiten dokumentiert werden. Bei MCP-Servern kommt hinzu, dass sie Werkzeuge mit eigenen Rechten sind. Ein schlecht abgesicherter oder aus unbekannter Quelle stammender Server kann zum Einfallstor werden, etwa für versteckte Anweisungen in Daten, die den Agenten zu unerwünschten Aktionen verleiten.
GitHub Copilot ist für viele Unternehmen der naheliegende Standard, weil es nahtlos in GitHub, Visual Studio und VS Code eingebunden ist und häufig über bestehende Microsoft-Verträge beschafft werden kann. Copilot hat in den letzten Jahren deutlich an Kontextverständnis und Agentenfunktionen zugelegt. Augment argumentiert, bei großen und verteilten Codebasen den treffenderen Kontext zu liefern. Ob dieser Vorsprung im eigenen Projekt besteht, lässt sich nur durch einen direkten Vergleich mit identischen Aufgaben an echtem Code beurteilen.
Für die Entscheidung im Mittelstand spielen neben der Qualität weitere Faktoren eine Rolle: Ein zusätzlicher Anbieter bedeutet zusätzliche Verträge, Datenschutzprüfungen und Kosten. Wer ohnehin tief im Microsoft- und GitHub-Ökosystem steckt, wird für einen Wechsel einen klaren, messbaren Mehrwert brauchen. Ähnliches gilt für die KI-Assistenten der Cloud- und Plattformanbieter wie Gemini Code Assist, Amazon Q Developer, GitLab Duo oder JetBrains AI, die jeweils in ihrem Ökosystem Integrationsvorteile haben.
Cursor und Windsurf sind eigene Editoren auf Basis von VS Code, in denen KI nicht als Erweiterung, sondern als zentraler Bestandteil der Oberfläche gedacht ist. Sie bieten ebenfalls Indizierung der Codebasis, Agenten und vorausschauende Bearbeitung. Der grundlegende Unterschied: Bei Cursor oder Windsurf wechselt das Team den Editor, bei Augment bleibt der gewohnte Editor, einschließlich der JetBrains-IDEs. Für Teams, die stark auf IntelliJ oder Rider setzen, ist das ein gewichtiges Argument.
Kommandozeilen-Agenten wie Claude Code, OpenAI Codex oder quelloffene Alternativen wie Aider und Cline sind ein weiterer Vergleichspunkt. Sie sind flexibel, teils sehr leistungsfähig und lassen sich oft mit verschiedenen Modellen betreiben. Ihre Kontextstrategie ist allerdings meist anders: Statt eines dauerhaft gepflegten Index durchsuchen sie die Codebasis zur Laufzeit mit Werkzeugen. In mittelgroßen Projekten funktioniert das gut, bei sehr großen Codebasen kann ein vorab aufgebauter Index Geschwindigkeits- und Qualitätsvorteile haben. Quelloffene Werkzeuge wie Cline oder Continue punkten zusätzlich damit, dass sie mit selbst betriebenen oder EU-gehosteten Modellen kombiniert werden können.
Der fachlich nächste Wettbewerber ist Sourcegraph mit seinem Assistenten Cody, der auf jahrelanger Erfahrung mit Codesuche über große Codebasen aufbaut. Sourcegraph war lange auch als selbst betriebene Plattform verfügbar, was für regulierte Branchen ein wichtiges Argument ist. Tabnine positioniert sich seit Jahren über Datenschutz, Modellkontrolle und Betrieb in der eigenen Infrastruktur, bis hin zu vollständig abgeschotteten Umgebungen. Wer Self-Hosting als harte Anforderung hat, findet hier sowie bei quelloffenen Lösungen wie Tabby oder Continue mit lokalen Modellen die passenderen Optionen.
Augment ist in diesem Feld der Anbieter mit dem stärksten Fokus auf die Qualität des Kontexts im Cloud-Betrieb. Die Kehrseite: Nach unserem Kenntnisstand ist kein klassischer On-Premises-Betrieb der gesamten Plattform vorgesehen. Für Unternehmen, deren Code die eigene Infrastruktur nicht verlassen darf, ist Augment deshalb nicht die erste Wahl, unabhängig von der technischen Qualität.
Lokal auf dem Rechner der Entwicklerin oder des Entwicklers laufen die Erweiterung, der Editor und, beim Agenten im Editor, auch die Befehle, die der Agent ausführt. Zur Indizierung werden Codeinhalte an den Dienst übertragen, dort verarbeitet und als Index gespeichert. Bei jeder Anfrage werden ausgewählte Codeabschnitte zusammen mit der Anfrage an ein Sprachmodell geschickt. Bei Agenten in der Cloud wird zusätzlich eine Arbeitsumgebung beim Anbieter aufgebaut, in der der Code ausgecheckt, gebaut und getestet wird.
Nach unserem Kenntnisstand bietet Augment keinen klassischen On-Premises-Betrieb an, bei dem die gesamte Plattform in der eigenen Infrastruktur läuft. Für große Unternehmenskunden gibt es erweiterte Optionen, etwa zur Verschlüsselung mit eigenen Schlüsseln, zu Aufbewahrungsfristen oder zur Isolation von Daten. Welche dieser Optionen in welchem Tarif verfügbar sind und ob eine Datenverarbeitung in der EU möglich ist, sollte ausdrücklich beim Anbieter angefragt und vertraglich festgehalten werden. Gehen Sie ohne schriftliche Zusage nicht von einer EU-Region aus.
Im Unternehmenseinsatz gehören Anmeldung über Single Sign-on, zentrale Verwaltung von Nutzerinnen und Nutzern, Rollen und Rechte sowie Auswertungen zur Nutzung zur Grundausstattung. Prüfen Sie, wie Repositorys angebunden und wieder entfernt werden, wer Agenten mit welchen Rechten starten darf und wie Protokolle zu Agentenaktionen eingesehen werden können. Für Agenten in der Cloud und im Terminal sollten technische Zugänge mit minimalen Rechten verwendet werden, getrennt von persönlichen Konten.
Im laufenden Betrieb sind drei Aufgaben wichtig. Erstens die Pflege der Regeln und Leitlinien für die KI, damit Vorschläge zu aktuellen Architekturentscheidungen passen. Zweitens die Beobachtung von Verbrauch und Kosten, denn agentische Nutzung kann bei verbrauchsabhängigen Tarifen schnell teurer werden als geplant. Drittens die regelmäßige Überprüfung der Datenschutz- und Vertragslage, da sich Produkte, Subprozessoren und Bedingungen bei jungen Anbietern häufig ändern. Eine verantwortliche Person im Team, die diese Themen im Blick behält, ist sinnvoller als ein einmaliges Freigabeprojekt.
Ein Maschinenbauer mit rund 400 Beschäftigten betreibt eine selbst entwickelte Anwendung für Auftragsabwicklung und Produktionsplanung, entstanden über fünfzehn Jahre in Java, mit Anbindungen an ERP und Maschinendatenerfassung. Das Entwicklungsteam umfasst sechs Personen, zwei davon kennen die Anwendung wirklich gut. Neue Anforderungen kommen schneller, als das Team sie umsetzen kann, und die beiden Erfahrenen verbringen viel Zeit damit, Fragen zu beantworten.
In einem Pilot wird ein Teil der Anwendung angebunden, nachdem Testdaten mit Personenbezug entfernt und sensible Konfigurationen ausgeschlossen wurden. Neue Teammitglieder nutzen den Chat, um Abläufe nachzuvollziehen, die Erfahrenen nutzen den Agenten für klar umrissene Änderungen mit vielen betroffenen Stellen. Entscheidend für den Erfolg ist nicht die Technik allein, sondern dass die beiden Erfahrenen ihr Wissen in Regeln und Leitlinien für die KI einbringen und Ergebnisse konsequent reviewen. Bewertet wird nach acht Wochen anhand von Durchlaufzeiten, Fehlerquoten und einer Befragung im Team.
Ein Softwarehaus entwickelt eine Branchenlösung auf Basis von .NET und betreut zusätzlich individuelle Anpassungen für einzelne Kunden in separaten Repositorys. Die Herausforderung liegt im ständigen Wechsel zwischen Kern und Anpassungen und darin, Änderungen am Kern auf ihre Auswirkungen in den Kundenprojekten zu prüfen. Augment kann hier helfen, Abhängigkeiten über Repositorys hinweg sichtbar zu machen und Folgeänderungen vorzuschlagen.
Zu klären ist allerdings vorab, ob die Verträge mit den Kunden die Übermittlung ihres individuellen Codes an einen US-Dienst zulassen. Viele Rahmenverträge enthalten Geheimhaltungsklauseln oder Vorgaben zu Unterauftragnehmern, die auch für Entwicklungswerkzeuge gelten. Häufig ist ein abgestuftes Vorgehen sinnvoll: der eigene Produktkern wird angebunden, Kundenprojekte nur mit ausdrücklicher Zustimmung.
Aus Einführungsprojekten mit KI-Coding-Werkzeugen lassen sich einige Muster ableiten, die auch für Augment gelten. Erfolgreich sind Teams, die konkrete Aufgaben statt allgemeiner Erwartungen formulieren, die Regeln für die KI wie Teil des Codes behandeln und die Review-Kultur stärken, statt sie zu lockern. Hilfreich ist außerdem eine kurze interne Sammlung guter Anweisungen und Beispiele, die neue Nutzerinnen und Nutzer übernehmen können.
Die Kosten für Augment setzen sich je nach Tarif aus Lizenzen pro Person und aus verbrauchsabhängigen Bestandteilen zusammen, etwa für Agentenaufgaben und Modellnutzung. Der Anbieter hat sein Preismodell in der Vergangenheit angepasst, um dem höheren Rechenaufwand agentischer Nutzung Rechnung zu tragen. Konkrete Preise, Kontingente und Abrechnungseinheiten sollten Sie aktuell beim Anbieter prüfen und im Pilot anhand des realen Verbrauchs hochrechnen.
Für die Wirtschaftlichkeitsbetrachtung reicht die Lizenz allein nicht. Hinzu kommen interne Aufwände für Datenschutzprüfung, Vorbereitung der Repositorys, Schulung und laufende Pflege der Regeln. Auf der Nutzenseite stehen eingesparte Zeit bei Einarbeitung, Fehlersuche und Routineänderungen, aber auch schwerer messbare Effekte wie geringere Abhängigkeit von einzelnen Wissensträgern. Seien Sie vorsichtig mit pauschalen Produktivitätsversprechen aus Herstellerstudien. Belastbarer sind eigene Messungen an vergleichbaren Aufgaben vor und nach der Einführung. Legen Sie außerdem Budgetgrenzen für verbrauchsabhängige Anteile fest, damit Agentennutzung nicht unbemerkt die Kosten treibt.
Quellcode ist zunächst kein personenbezogenes Datum. In der Praxis enthalten Repositorys aber häufig personenbezogene Daten: Namen in Commit-Historie und Kommentaren, Testdaten mit Kundendaten, Konfigurationen mit E-Mail-Adressen oder Auszüge aus Produktionsdatenbanken. Spätestens bei der Anbindung von Tickets und Dokumentation werden personenbezogene Daten regelmäßig verarbeitet. Damit ist die DSGVO anwendbar, und es braucht einen Auftragsverarbeitungsvertrag, eine Prüfung der Subprozessoren und eine Rechtsgrundlage für den Transfer in die USA.
Für US-Anbieter ist das EU-US Data Privacy Framework ein möglicher Transfermechanismus, sofern der Anbieter und seine relevanten Subprozessoren zertifiziert sind; ansonsten kommen Standardvertragsklauseln mit Transfer-Folgenabschätzung in Betracht. Zu beachten ist, dass US-Anbieter grundsätzlich US-Behördenzugriffen unterliegen können. Zur Trainingsnutzung gibt Augment nach unserem Kenntnisstand für bezahlte Unternehmenstarife an, Kundencode nicht zum Training zu verwenden. Für kostenlose oder Einstiegsangebote können andere Regeln gelten. Lassen Sie sich den Trainingsausschluss, auch für die eingesetzten Modellanbieter, schriftlich bestätigen. Als datenschutzfreundlichere Alternative für besonders sensiblen Code kommen selbst betriebene Assistenten mit lokalen oder in der EU gehosteten Modellen in Frage.
Quellcode ist für viele Unternehmen ein zentrales Geschäftsgeheimnis. Nach dem Geschäftsgeheimnisgesetz setzt der Schutz angemessene Geheimhaltungsmaßnahmen voraus. Die Übertragung an einen externen Dienst ist nicht per se schädlich, sollte aber vertraglich abgesichert, auf das Nötige begrenzt und dokumentiert sein. Zu klären ist außerdem, wem die Ergebnisse gehören: Die Nutzungsbedingungen räumen Rechte am erzeugten Code in der Regel dem Kunden ein, ob an rein KI-generiertem Code Urheberrechte entstehen, ist rechtlich jedoch nicht abschließend geklärt. Für ausgelieferte Software, insbesondere an Kunden mit eigenen Rechteklauseln, sollte das bewusst bewertet werden. Auch die Frage, ob KI-Vorschläge Code aus fremden Quellen mit problematischen Lizenzen enthalten können, gehört in die Bewertung.
Werden Nutzungsdaten oder Protokolle erfasst, die Rückschlüsse auf Verhalten und Leistung einzelner Beschäftigter zulassen, ist in Deutschland regelmäßig der Betriebsrat zu beteiligen. Eine Betriebsvereinbarung zu KI-Werkzeugen in der Entwicklung schafft Klarheit über Zweck, Auswertungen und Grenzen. Der EU AI Act betrifft Coding-Assistenten in der Regel nicht als Hochrisiko-Systeme, verlangt aber unter anderem KI-Kompetenz bei Beschäftigten, die solche Systeme nutzen. Schulungen zu Möglichkeiten, Grenzen und Risiken sollten deshalb Teil jeder Einführung sein.
