Du öffnest deinen Editor. Du beschreibst eine Aufgabe. Du wartest. Du reviewst. Du korrigierst. Du committest. Jedes KI-Coding-Tool auf dem Markt — Cursor, Claude Code, OpenAIs Codex — beginnt mit demselben Ritual: Ein Mensch tippt einen Prompt. Die KI ist schnell, klar. Aber du bist immer noch der Flaschenhals. Du bist derjenige, der zwischen Issue-Tracker und Editor hin- und herwechseln, das Problem in natürlicher Sprache formulieren und den Output beaufsichtigen muss. Dein Backlog schrumpft nicht, weil jede KI-Interaktion die eine Ressource kostet, die KI nicht herstellen kann: deine Aufmerksamkeit.

In den ersten zehn Tagen des April 2026 hat GitHub diesen gesamten Loop stillschweigend umgebaut — und dich aus der Startposition entfernt.

Am 1. April hat GitHub seinen "Copilot coding agent" in Copilot cloud agent umbenannt und über Pull Requests hinaus erweitert. Der Agent kann jetzt eigenständig auf Branches arbeiten, eine Codebase recherchieren, bevor er irgendetwas anfasst, und Implementierungspläne erstellen, bevor er eine einzige Zeile schreibt. Am 3. April kamen organisationsweite Runner-Controls dazu — damit können Admins die Standard-Infrastruktur für den Agenten über alle Repos hinweg festlegen und sperren, sodass einzelne Teams nichts überschreiben können. Am selben Tag: kryptographisches Commit-Signing, was bedeutet, dass jeder Agent-Commit jetzt ein "Verified"-Badge zeigt — das entsperrt Repos, die signierte Commits als Sicherheitsrichtlinie verlangen. Am 8. April landete das Ganze auf GitHub Mobile. Du kannst jetzt in der U-Bahn ein Issue an @copilot zuweisen und hast einen fertigen Pull Request, wenn du im Büro ankommst.

Sechs Changelog-Einträge in zehn Tagen. Das ist kein Feature-Launch — das ist ein Plattform-Buildout.

Der architektonische Fork, über den niemand redet

Hier wird es wichtiger als jeder Modell-Benchmark. Jeder andere Coding-Agent ist prompt-driven: Du öffnest Cursor, tippst, was du willst, Cursor macht es. Du rufst Claude Code im Terminal auf und beschreibst die Aufgabe. Du stellst einen Job in Codex' Cloud-Dashboard ein. In jedem Fall initiiert ein Mensch die Interaktion.

Copilots Cloud-Agent ist event-driven. Du weist @copilot einem GitHub Issue zu — das war's. Der Agent liest die Issue-Beschreibung, zerlegt sie in eine Checkliste, öffnet einen Branch, schreibt Code, pusht iterative Commits, lässt deine automatisierten Tests und Linter laufen und öffnet einen Pull Request, der nach menschlichem Review fragt. Keine Editor-Session. Kein Terminal. Kein Prompt. Das Issue selbst ist der Prompt.

Der Unterschied liegt nicht im Modell, das den Agenten antreibt. GitHub routet zu denselben OpenAI- und Anthropic-Modellen, die auch Konkurrenten nutzen. Der Unterschied liegt in der Workflow-Position. Issues, Pull Requests, Actions, Code Review und das Repository selbst sind alles GitHub-Oberflächen. Copilot braucht keine Integrationsschicht, weil es bereits im System of Record lebt. Es verbindet sich nicht mit deinem Workflow — es ist dein Workflow.

Der Preis, wenn man den menschlichen Auslöser entfernt

Aber machen wir uns nichts vor — das ist nicht alles Sonnenschein.

Event-driven Agents erzeugen ein neues Problem: Review-Fatigue. Wenn jemand am Montagmorgen zehn niedrig priorisierte Issues an @copilot zuweist, landen diese PRs in der Review-Queue — egal ob das Team die Kapazität hat, sie zu verarbeiten. Autonomer Output kann die Review-Kapazität schneller überfluten, als er den Backlog schrumpft. Du hast einen Flaschenhals — das Prompting — gegen einen anderen getauscht: Code reviewen, den du in dem Moment, in dem er auftaucht, gar nicht angefordert hast.

GitHub scheint den Druck zu spüren. Am 10. April wurden neue Rate-Limits für Pro+-Nutzer durchgesetzt, begründet mit "einem Anstieg von Mustern hoher Parallelität und intensiver Nutzung". Außerdem wurde das Opus 4.6 Fast-Modell sofort eingestellt und neue kostenlose Testanmeldungen pausiert — wegen Missbrauchs. Übersetzung: Die Leute haben den autonomen Coding-Loop entdeckt und ihn geflutet, bis er zusammenbrach.

Mittlerweile schläft Cursor nicht. Am 2. April launchte Cursor 3 mit paralleler Agent-Orchestrierung — mehrere Agenten arbeiten gleichzeitig an Refactoring, Tests und Dokumentation — plus ein dediziertes "Agents Window" für das Management von Mehrstufen-Projekten. Prompt-driven, ja — aber das Prompt-Interface wurde dramatisch mächtiger.

Was das für dich bedeutet

Wenn dein Team bereits auf GitHub lebt — Issues, PRs, Actions, der ganze Stack — ist Copilots Cloud-Agent heute der reibungsloseste Weg zu autonomem Coding. Kein neues Tool installieren. Kein neues Interface lernen. Issue zuweisen, PR reviewen. Der Agent arbeitet innerhalb des Governance-Modells, das deine Org bereits durchsetzt: Branch-Protection-Rules, erforderliche Reviews, signierte Commits, Runner-Policies.

Wenn du Wert auf Modellauswahl legst, granulare Kontrolle darüber haben willst, was der Agent in jedem Schritt tut, oder schlicht Code nicht vertraust, den du nicht explizit angefordert hast — prompt-driven Tools wie Cursor 3 oder Claude Code bieten mehr Transparenz und engere Feedback-Loops.

Beide Ansätze werden koexistieren. Aber die Richtung ist klar.

Der Prompt war der letzte menschliche Flaschenhals

Drei Jahre lang haben wir KI-Coding um bessere Prompts herum optimiert. Klarere Anweisungen. Größere Context Windows — die Textmenge, die die KI im Arbeitsspeicher hält. Smarteres Autocomplete. All das ging davon aus, dass der Mensch den ersten Knopf drückt.

GitHub hat den Knopf entfernt. Die Hauptaufgabe des Entwicklers hat sich gerade verschoben — still und leise, über sechs Changelog-Einträge in zehn Tagen — von "sag der KI, was sie bauen soll" zu "review, was die KI bereits gebaut hat".

Ob das Befreiung ist oder eine neue Art von Hölle, hängt einzig davon ab, wie gut dein Code-Review-Prozess ist. Und wenn du jemals in einem Team mit einem 200-PR-Backlog gearbeitet hast... naja. Du kennst die Antwort bereits.