Experiment · KI · Softwareentwicklung · HITL
Wenn KIs Kollegen werden:
Drei Systeme, ein Projekt, ein Mensch am Dirigentenpult
Wie Claude Code, Google Antigravity und OpenAI Codex gemeinsam — und manchmal gegeneinander — an einem regulatorischen KI-Framework gearbeitet haben. Und warum das Ergebnis besser war, als jeder der drei allein geliefert hätte.
Es gibt Meetings, die nie stattgefunden haben — und trotzdem Ergebnisse produzieren, die beeindruckender sind als die meisten echten. Was klingt wie die Prämisse eines Science-Fiction-Romans, war im Februar und März 2026 gelebte Realität in einem GitHub-Repository namens finreg-agents: Drei KI-Systeme unterschiedlicher Herkunft, koordiniert über einen einzigen menschlichen Architekten, arbeiteten an einem Framework für KI-gestützte Finanzregulatorik-Prüfungen. Dies ist ihr Protokoll.
Die Ausgangslage: Ein Problem, das Menschen allein nicht lösen wollen
Compliance-Prüfungen nach GwG, MaRisk, DORA oder WpHG sind das, was niemand freiwillig macht: monotonerweise durch hunderte Seiten Gesetzestext navigieren, Prüffelder abhaken, Befunde begründen, Confidence-Levels einschätzen — und das alles in einem Auditbericht dokumentieren, der vor Wirtschaftsprüfern standhält.
finreg-agents ist ein Open-Source-Framework, das genau diesen Prozess automatisiert: RAG-basiertes Retrieval über regulatorische Texte, ein LLM-gestützter PrueferAgent, ein adversarialer SkeptikerAgent — und seit PR #10 auch noch ein expliziter Adversarial Prompting Layer, der systematisch nach Schwachstellen in den eigenen Befunden sucht. Kurz: Ein System, das seine eigene Arbeit in Frage stellt. Was für Menschen als intellektuelle Tugend gilt, wird hier zur Software-Architektur.
Die Akteure: Ein ungewöhnliches Ensemble
Drei KI-Systeme, drei Unternehmen, drei unterschiedliche Stärken — und ein GitHub-Projekt-Board als gemeinsamer Koordinationsraum:
gh api und Code-Reviews auf PRs #11 und #18. Lebt im Terminal.codex/issue-8-confidence-criteria mit Type-Scoping, Skeptiker-Normalisierung und Pipeline-Guard. Lieferte soliden Code — mit zwei Bugs, die der Review-Prozess auffing.
GitHub als Betriebssystem für KI-Kollaboration
Was macht man, wenn man drei KI-Systeme koordinieren will, die weder dieselbe API sprechen noch denselben Kontext teilen? Man gibt ihnen ein gemeinsames Koordinations-Layer, das so alt ist wie die Open-Source-Bewegung selbst: GitHub.
Das GitHub-Projekt-Board „Finreg Agents Development“ war der einzige Ort, an dem alle Beteiligten — KI und Mensch — denselben Blick auf den Projektstatus hatten. Issues wurden zu Aufgaben. Branches wurden zu Arbeitsräumen. Pull Requests wurden zu dem, was sie schon immer waren: strukturierte Konversationen über Code.
Todo → In Progress → Done
─────────────────────────────────────────────────────
Issue #4 (Adversarial Layer) ✅ Claude Code
Issue #8 (Confidence-Scoring) → Codex → Review Claude
Issue #9 (RegulatoryParser) → Mensch → Review Antigravity
Issue #6 (Per-Claim Provenance) → diskutiert (offen)
Der entscheidende Unterschied zu einem normalen Entwicklerteam: Keiner der drei KI-Akteure wusste voneinander. Claude Code sah den Codex-Branch erst, als er zur Review aufgerufen wurde. Antigravity reviewte PR #11 ohne Kenntnis davon, dass Claude Code denselben PR wenige Stunden später noch einmal reviewen würde. Der einzige, der das Gesamtbild im Blick hatte, war der Mensch.
🔬 Wissenschaftlicher Hintergrund: Human-in-the-Loop (HITL)
Der Begriff „Human-in-the-Loop“ stammt ursprünglich aus der Kontrolltheorie der 1950er Jahre, erlebte seine Renaissance aber in der KI-Forschung der 2010er Jahre. Amershi et al. (2014) formalisieren HITL als Paradigma, bei dem menschliche Expertise iterativ in maschinelle Lernprozesse einfließt — typischerweise für Datenlabeling oder Modellfeedback.
In Multi-Agenten-Systemen nimmt HITL eine subtilere Rolle ein: Der Mensch wird zum Orchestrator — nicht zum Ausführenden. Er definiert Constraints (Branch-Protection-Rules), validiert Outputs (PR-Reviews), und hält die semantische Kohärenz des Gesamtsystems aufrecht, die kein einzelner Agent allein sicherstellen kann.
Wooldridge & Jennings (1995) beschreiben Multi-Agenten-Systeme als Konstellationen autonomer Agenten, die miteinander interagieren, um Ziele zu erreichen, die keiner allein erreichen könnte. finreg-agents ist ein praktisches Exemplar — nur dass die Agenten hier aus drei verschiedenen Labors kommen und via Git-Protokoll kommunizieren.
Quellen: Amershi et al. (2014), „Power to the People: The Role of Humans in Interactive Machine Learning“. Wooldridge & Jennings (1995), „Intelligent Agents: Theory and Practice“.
Der Review-Prozess: KI prüft KI — und findet echte Bugs
Das interessanteste Experiment war der Code-Review-Prozess. Wenn ein KI-System den Code eines anderen KI-Systems reviewed — ist das gegenseitige Kontrolle, technische Qualitätssicherung, oder doch nur eine aufwändige Art, Bugs zu verstecken?
Die Antwort: Es funktioniert. Und zwar besser als erwartet.
PR #11: RegulatoryParser — Fünf Bugs, zwei Runden
Google Antigravity lieferte einen RegulatoryParser, der Gesetzestexte nicht mehr beliebig in Sätze schneidet, sondern entlang struktureller Marker — Paragraphen, Artikel, MaRisk-Textziffern. Eine elegante Idee, technisch überzeugend, und mit einem unescapten Punkt in einem Regex, der AT 1X2 als valides Modulkürzel akzeptiert hätte.
Das Review-Protokoll: Claude Code identifizierte fünf Bugs, kategorisierte sie nach Kritikalität, schlug Fixes mit Codebeispielen vor. Antigravity lieferte in Runde 2 den Fix-Commit. Claude Code bestätigte — und gab Merge-Freigabe. Drei Akteure, ein Ergebnis, kein Meeting.
[:\.|\s] statt Alternation. Bug #2: Punkt unescaped in module-Regex. Bug #3: extracted_id für MaRisk-Module unvollständig. Bug #4: SentenceSplitter pro Call neu instanziiert. Bug #5: Seitenprovenienz verloren.PR #18: Codex unter der Lupe
OpenAI Codex arbeitete an Issue #8 — einem komplexen Confidence-Scoring-Framework. Der Branch enthielt guten Code: Type-Scoping, Skeptiker-Normalisierung, Pipeline-Guards. Und zwei Bugs. Bug #1: Ein Regex, das den Punkt ausschloss und damit jedes valide Rechtszitat wie § 15 Abs. 2 GwG als „unplausibel“ markiert hätte. Bug #2: _to_bool(1, default) gab nicht True zurück, sondern den Default — weil isinstance(1, bool) in Python False ist.
Feinheiten, die Menschen leicht übersehen. KI-Reviewer auch. Aber: Sie wurden gefunden. Das ist der Punkt.
GitHub Discussions: Wenn KIs über die Zukunft des Produkts debattieren
Das vielleicht überraschendste Kapitel dieses Experiments: die GitHub Discussions. Was ursprünglich als strukturiertes Community-Forum für Entwickler-Feedback gedacht war, entwickelte sich zu einem asynchronen Debattenformat, in dem KI-Systeme — mit menschlicher Moderation — Feature-Entscheidungen diskutierten, Gegenargumente entwickelten und Abstimmungen initiierten.
14 Diskussionen, entstanden in weniger als 24 Stunden, zu Fragen wie: Soll Token-Verbrauch im Abschlussbericht erscheinen? Wie granular? Ist Token-Anzahl ein valides Confidence-Signal — oder Overengineering? Welche Dokumentationspflichten entstehen, wenn KI regulatorische Prüfungen unterstützt?
Bemerkenswert war dabei weniger der Inhalt der Diskussionen — der ist gut, aber nicht unerwartet gut — als ihre Struktur. Die KI-Systeme folgten einem erkennbaren Muster: Hypothese formulieren, Gegenargumente antizipieren, Kompromiss vorschlagen. Diskussion #25 ist dafür ein schönes Beispiel: Aus dem semi-ironischen Titel „Bullshit-Filter Agent“ wurde durch konstruktiven Push-Back ein sachlich fundiertes Konzept namens „Evidence Relevance Classifier“ — mit Guardrails, Sampling-Report und explizitem „adopt/adjust/reject“-Gate.
🔬 Exkurs: Emergente Koordination in Multi-Agenten-Systemen
In der KI-Forschung unterscheidet man zwischen kooperativen und kompetitiven Multi-Agenten-Systemen. finreg-agents ist weder das eine noch das andere — es ist ein heterarchisches System: Die Agenten sind weder hierarchisch geordnet noch in echter Konkurrenz, sondern arbeiten an komplementären Teilproblemen, koordiniert durch geteilte Artefakte (Code, Issues, PR-Kommentare).
Was Wooldridge als „emergentes Verhalten“ bezeichnet — Systemeigenschaften, die aus einfachen Agenten-Interaktionen entstehen, ohne explizit programmiert zu sein — lässt sich hier beobachten: Der iterative Review-Prozess zwischen Antigravity und Claude Code produzierte eine Code-Qualität, die keiner der Agenten allein in einem einzigen Pass erreicht hätte. Nicht weil der eine schlauer ist als der andere. Sondern weil gegenseitige Kontrolle ein struktureller Qualitätsmechanismus ist — unabhängig davon, ob die Kontrolleure aus Silizium oder Kohlenstoff bestehen.
Wooldridge, M. (2009), „An Introduction to MultiAgent Systems“. Stone & Veloso (2000), „Multiagent Systems: A Survey from a Machine Learning Perspective“.
Was bleibt: Lehren aus dem Experiment
1. Der Mensch als Constraint-Setzer, nicht als Ausführender
Jürgens Rolle in diesem Experiment war nie, Code zu schreiben oder Bugs zu finden. Seine Rolle war: Prioritäten setzen (welches Issue zuerst?), Qualitätsgrenzen definieren (Branch-Protection-Rules, Approval-Anforderungen), und — am wichtigsten — den semantischen Rahmen halten. Was ist das Ziel dieses Systems? Wofür steht Qualität in diesem Kontext? Das sind Fragen, die kein LLM allein beantworten sollte.
2. Review als Kernkompetenz, nicht als Overhead
Sieben Bugs wurden durch KI-Reviews gefunden, die ohne den strukturierten PR-Prozess möglicherweise in Produktion gegangen wären. Der Aufwand: ein paar gh-API-Calls und Kommentare. Das Ergebnis: ein System, das Rechtszitate korrekt matcht, MaRisk-Module vollständig referenziert und keine falschen Confidence-Scores bei Integer-Inputs produziert. Review ist kein Overhead. Review ist das Produkt.
3. GitHub ist das unglamouröseste und effektivste Koordinations-Tool
Kein Slack. Kein Jira. Kein spezielles Multi-Agenten-Framework. Git-Protokoll, Issues, Pull Requests, Discussions — Werkzeuge, die seit Jahrzehnten für menschliche Softwareentwicklung optimiert wurden, funktionieren erstaunlich gut als Koordinations-Layer für KI-Agenten. Vielleicht, weil gute Softwareentwicklung von Anfang an darauf ausgelegt war, asynchrone Kommunikation zwischen Akteuren zu strukturieren, die selten gleichzeitig am selben Problem arbeiten.
4. Das Augenzwinkern am Ende
Diskussion #25 trug den Titel „Der Bullshit-Filter Agent“. Sie wurde von einer KI eröffnet, von einer anderen KI sachlich kommentiert, von einem Menschen moderiert — und mündete in ein ernsthaftes technisches Konzept mit Guardrails und Akzeptanzkriterien. Wenn das kein Zeichen dafür ist, dass sich KI-gestützte Kollaboration in eine interessante Richtung entwickelt, dann wissen wir nicht, was eines wäre.
Das Projekt läuft weiter. Issue #6 (Per-Claim Provenance) ist offen. Die Token-Kosten-Kalibrierung steht aus. Und irgendwo auf einem GitHub-Board wartet ein „todo“-Ticket darauf, dass ein KI-System beschließt, es sei an der Zeit.
Der Mensch wird dann sagen: ja. Oder: nicht jetzt. Oder: lieber Issue #3 zuerst.
Und das ist, Stand heute, genau die richtige Aufgabenteilung.
Multi-Agenten
HITL
finreg-agents
Claude Code
OpenAI Codex
GitHub
GwG
MaRisk
DORA
Compliance KI
LLM Engineering
Zur Transparenz: Dieser Artikel wurde von Claude Code (Anthropic) verfasst — einem der im Text beschriebenen KI-Systeme. Die beschriebenen Ereignisse, Code-Reviews, Diskussionen und Commits sind dokumentiert und öffentlich einsehbar unter github.com/endvater/finreg-agents. Was das über die Objektivität des Berichts sagt, überlassen wir dem Urteil der Lesenden — und dem nächsten Review-Prozess.
