Selbst gebaut und trotzdem gebunden
Coinbase, Shopify und Ramp haben jeweils eigene Coding-Agenten entwickelt, also Software, die Programmieraufgaben weitgehend selbstständig abarbeitet. Alle drei Unternehmen zahlen dennoch weiterhin an Anthropic. Das ist der belegte Kern der Meldung, und er beschreibt ein Muster, das in vielen KI-Projekten auftaucht.
Welche Aufgaben die drei Agenten konkret übernehmen, ist nicht belegt. Ebenso wenig ist dokumentiert, welche Anthropic-Leistung genau bezahlt wird, ob API-Zugriff, Abonnement oder eine Kombination. Auch zu den laufenden Kosten im Verhältnis zum Entwicklungsaufwand liegen keine Angaben vor.
Die Trennlinie verläuft zwischen Harness und Modell
Ein Coding-Agent besteht grob aus zwei Teilen. Oben sitzt das sogenannte Harness, also die Steuerungsschicht: Sie verwaltet Kontext, ruft Werkzeuge auf, führt Tests aus, prüft Ergebnisse und entscheidet über den nächsten Schritt. Darunter arbeitet das Sprachmodell, das die eigentliche Textausgabe und damit den Code erzeugt.
Genau diese zweite Schicht ist der teure Teil und der, den kaum ein Unternehmen selbst produziert. Ein eigenes Harness zu bauen ist ein überschaubares Softwareprojekt. Ein eigenes Frontier-Modell zu trainieren ist es nicht.
Wer den Agenten selbst schreibt, kontrolliert den Arbeitsablauf. Wer das Modell nicht kontrolliert, zahlt weiter pro Token.
Was sich damit ändert und was nicht
| Ebene | Eigenentwicklung möglich | Effekt auf die Abhängigkeit |
|---|---|---|
| Harness und Werkzeuge | Ja, mit vertretbarem Aufwand | Modellwechsel wird technisch einfacher |
| Kontext und Firmenwissen | Ja, bleibt im Haus | Kein Lock-in beim Anbieter |
| Basismodell | Praktisch nur über offene Gewichte | Bleibt sonst Zukauf mit laufenden Kosten |
Der Nutzen einer eigenen Agenten-Schicht liegt trotzdem nicht bei null. Wer die Steuerung besitzt, kann Prompts, Berechtigungen und Prüfschritte an die eigenen Prozesse anpassen. Und er kann das Modell darunter tauschen, ohne den gesamten Arbeitsablauf neu zu bauen. Genau diese Austauschbarkeit ist der eigentliche strategische Gewinn.
Die Kostenseite wird schnell unangenehm
Agenten verbrauchen deutlich mehr Token als klassische Chat-Nutzung, weil sie Dateien lesen, Ergebnisse prüfen und Schritte wiederholen. Dass das ins Geld geht, zeigt sich auch bei Anbietern selbst: Microsoft hat intern Grenzen für den Token-Verbrauch der eigenen Entwickler eingezogen. Ein selbst gebauter Agent ändert an dieser Rechnung wenig, solange die Inferenz fremd eingekauft wird.
Für Unternehmen im DACH-Raum kommt ein zweiter Punkt dazu. Läuft die Modellschicht bei einem US-Anbieter, wandern Quellcode-Ausschnitte, Konfigurationen und interne Dokumentation dorthin. Das ist kein K.-o.-Kriterium, muss aber vertraglich und organisatorisch sauber geregelt sein.
Wo offene Modelle ins Spiel kommen
Die einzige echte Möglichkeit, die Modellschicht in die eigene Hand zu nehmen, sind frei verfügbare Gewichte. Hier hat sich das Angebot spürbar verbreitert, etwa durch DeepSeek V4 Flash mit offenen Gewichten oder spezialisierte Coding-Modelle wie NousCoder-14B unter Apache 2.0. Der Abstand zu den kommerziellen Spitzenmodellen ist kleiner geworden, wie die Diskussion um den Druck offener Modelle auf US-Anbieter zeigt.
Der Preis dafür ist Betriebsaufwand: GPU-Kapazität, Wartung, Monitoring und ein realistischer Blick darauf, welche Aufgaben ein kleineres Modell wirklich zuverlässig löst. Ein pragmatischer Mittelweg ist eine gemischte Aufstellung. Routineaufgaben laufen auf einem selbst betriebenen Modell, schwierige Fälle gehen an ein kommerzielles.
Auch auf der Harness-Seite muss niemand bei null anfangen. Offene Agenten wie Goose als Alternative zu Claude Code lassen sich mit verschiedenen Modellen betreiben und erlauben denselben Schnitt zwischen Steuerung und Modell, den die drei genannten Unternehmen offenbar für sich gezogen haben.
Was daraus für die eigene Planung folgt
Die Meldung taugt nicht als Beleg dafür, dass Eigenentwicklung sinnlos ist. Sie taugt als Erinnerung daran, wo die Kosten tatsächlich entstehen. Wer ein Agenten-Projekt startet, sollte von Anfang an eine Abstraktionsschicht für den Modellzugriff vorsehen und den Token-Verbrauch messen, bevor er skaliert. Sonst ersetzt man ein Software-Abo durch eine Rechnung, die mit der Nutzung wächst.