# Wie nutze ich einen KI-Coding-Assistenten ohne großen Fußabdruck?

> Wie Entwickler den Nutzen von KI-Coding-Assistenten behalten und verschwendete Tokens senken: passendes Modell, fokussierter Kontext, Aufgaben aufteilen.

Source: https://greenai.guide/de/wie/wie-nutze-ich-einen-ki-coding-assistenten-ohne-grossen-fussabdruck/  
Updated: 2026-11-19

## Kurz gesagt

Nutzen Sie den Assistenten dort, wo er sich eindeutig lohnt, geben Sie ihm fokussierten Kontext statt ganzer Repositorys, wählen Sie für Routineänderungen ein kleineres oder schnelleres Modell und teilen Sie schwierige Aufgaben in einfache Schritte, die Sie prüfen. Eine Studie ergab, dass KI-gestütztes Programmieren bei den getesteten Aufgaben etwa den 33-fachen CO₂-Fußabdruck des manuellen Vorgehens hatte. Gewohnheiten zählen also.

## Steps

1. Entscheiden Sie, ob die Aufgabe den Assistenten braucht oder ob Sie sie schneller selbst tippen.
2. Wählen Sie für Routine-Vervollständigungen und -Änderungen ein kleineres oder schnelleres Modell.
3. Verweisen Sie den Assistenten auf die relevanten Dateien statt auf das ganze Repository.
4. Teilen Sie eine schwierige Aufgabe in kleine Schritte und prüfen Sie jeden, bevor Sie weitermachen.
5. Legen Sie für Agenten-Modi Schritt- oder Kostengrenzen fest und stoppen Sie Läufe, die in Schleifen geraten.
6. Erfassen Sie die Assistenten-Nutzung Ihres Teams zusammen mit den Kosten.

**Nutzen Sie den Assistenten bewusst, nicht reflexartig, und halten Sie klein, was er liest.** Coding-Assistenten
sind nützlich, aber ihr Energieverbrauch bleibt für die Person, die sie nutzt, unsichtbar.

## Warum ist das wichtig? {#why-does-it-matter}

Cheung und Kollegen verglichen manuelle und KI-gestützte Entwicklung bei einer Reihe von Programmieraufgaben und
stellten fest, dass das KI-gestützte Vorgehen etwa den 33-fachen CO₂-Fußabdruck des manuellen hatte, wobei der
Abstand mit schwierigeren Aufgaben wuchs. Das heißt nicht, dass Sie nie Assistenten nutzen sollten; es heißt, sie
dort zu nutzen, wo sie echte Zeit sparen.

Agenten-Modi kosten noch mehr. Anthropic berichtete, dass seine Agenten typischerweise etwa viermal so viele Tokens
wie ein Chat verbrauchten und Multi-Agenten-Systeme etwa fünfzehnmal so viele.

## Was bringt am meisten? {#what-makes-the-biggest-difference}

- **Kontext.** Jede Datei, die der Assistent liest, wird in jeder Runde erneut verarbeitet. Öffnen oder referenzieren
  Sie nur die Dateien, auf die es ankommt, und beginnen Sie für eine neue Aufgabe eine neue Sitzung.
- **Modellwahl.** Viele Tools lassen Sie ein Modell wählen. Ein kleines, schnelles reicht meist für
  Vervollständigungen, Umbenennungen und Boilerplate-Code; heben Sie das große für Design und Debugging auf.
- **Grenzen für Agenten.** Geben Sie Agenten ein klares Ziel, eine Abbruchbedingung und eine Schrittgrenze. Siehe
  [verhindern, dass KI-Agenten Tokens verschwenden](/de/wie/wie-verhindere-ich-dass-ki-agenten-tokens-verschwenden/).
- **Kleine Schritte mit Prüfung.** Wenn ein Mensch jeden Schritt prüft, laufen lange Durchgänge nicht in die falsche
  Richtung.

## Häufige Fehler {#common-mistakes}

- Einen Agenten in einer offenen Schleife „die Tests reparieren“ lassen.
- Eine ganze Datei neu generieren, um eine Zeile zu ändern.
- Code übernehmen, ohne seine Effizienz zu prüfen: siehe
  [KI dazu bringen, energieeffizienten Code zu schreiben](/de/wie/wie-bringe-ich-ki-dazu-energieeffizienten-code-zu-schreiben/).

Für das große Ganze lesen Sie [agentische KI und Token-Verschwendung](/de/artikel/agentische-ki-und-token-verschwendung/).

## Quellen

- [Comparative analysis of carbon footprint in manual vs. LLM-assisted code development](https://doi.org/10.1145/3711919.3728678), Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system), Anthropic (2025)
- [GreenCode Constitution: agent principles for optimizing code and LLM inference energy use](https://greencode.ai/publications/greencode-constitution-agent-principles-for-optimizing-code-and-llm-inference-en/), Kapenekakis, Kim, Ionescu, Thomsen and Albano, GreenAI workshop, ECML PKDD 2026 (2026)
