Hinweis: Das Beitragsbild wurde mit künstlicher Intelligenz erzeugt.
Viele Entwicklungsteams setzen auf Kontextdateien, um KI-Coding-Agenten an ihre Projekte anzupassen. Die Praxis gilt als etablierter Standard. Eine Studie der ETH Zürich, veröffentlicht am 28. August 2026, stellt diesen Standard in Frage: Kontextdateien verbessern die Ergebnisqualität nicht messbar. Gleichzeitig treiben sie die Betriebskosten um mehr als 20 Prozent in die Höhe.
Was Kontextdateien leisten sollen
Kontextdateien wie Agents.md sind kurze Steuerdokumente innerhalb eines Code-Repositorys. Sie beschreiben dem KI-Agenten die Projektstruktur, Konventionen und Standards. Die Hersteller der Agenten empfehlen diese Vorgehensweise ausdrücklich. Das Ziel: Der Agent soll schneller produktiv werden und seltener Fehler machen.
In der Praxis nutzen Teams diese Dateien vor allem als Repository-Übersicht. Sie listen Verzeichnisstrukturen, Coding-Richtlinien und typische Fehlermuster auf. Der Aufwand für Erstellung und Pflege ist nicht unerheblich.
ETH Zürich testet vier Agenten systematisch
Forscher der ETH Zürich und des Startups Logicstar.ai haben die Wirksamkeit dieser Praxis systematisch untersucht. Sie testeten vier Kombinationen aus Agent und Sprachmodell: Claude Code von Anthropic mit Sonnet 4.5, Codex von OpenAI mit GPT-5.2 sowie GPT-5.1 Mini und Qwen Code von Alibaba mit Qwen3-30B-Coder.
Für die Bewertung nutzten sie zwei Testumgebungen. Zum einen den etablierten SWE-Bench, der misst, wie gut Agenten reale Softwareprobleme in großen, bekannten Projekten lösen. Zum anderen entwickelten sie einen eigenen Benchmark namens CTXbench. Dieser konzentriert sich auf 138 reale GitHub-Probleme aus zwölf kleineren, weniger bekannten Repositorys, die bereits über eigene Kontextdateien verfügten.
Jede Aufgabe lief in drei Varianten: ohne Kontextdatei, mit einer vom Agenten selbst generierten Datei und mit der Originaldatei der Entwickler. Ein automatisierter Test prüfte jeweils, ob die Lösung korrekt funktionierte.
Kosten steigen, Qualität stagniert
Das zentrale Ergebnis ist eindeutig. Die Kontextdateien verbesserten die Erfolgsrate bei der Aufgabenlösung nicht. Weder die vom Agenten selbst erzeugten noch die von Menschen geschriebenen Originaldateien zeigten einen positiven Effekt auf die Lösungsqualität.
Gleichzeitig stieg der Ressourcenverbrauch messbar. Die Inferenzkosten, also die Kosten für den Betrieb des Sprachmodells je Anfrage, lagen im Durchschnitt über 20 Prozent höher als ohne Kontextdatei. Der Agent verarbeitet mehr Token, braucht mehr Rechenzeit, liefert aber kein besseres Ergebnis.
Die Forscher unterscheiden dabei zwischen verschiedenen Inhalten. Operative Anweisungen, etwa die Vorgabe, mehr Tests zu schreiben oder bestimmte Prüfschritte einzuhalten, werden von den Agenten befolgt. Die beschriebenen Verhaltensänderungen führen jedoch nicht zu einer höheren Lösungsrate. Repository-Übersichten hingegen, also strukturierte Beschreibungen des Projekts, erwiesen sich als wirkungslos.
Was das für Betriebe bedeutet
Unternehmen, die KI-Coding-Agenten einsetzen, zahlen deren Betriebskosten meist über API-Tarife nach Tokenverbrauch. Wer mehrere Entwickler mit solchen Werkzeugen ausstattet und Kontextdateien verwendet, erhöht seinen monatlichen API-Aufwand ohne nachweisbaren Gegenwert.
Für IT-Leiter und Einkaufsverantwortliche ergibt sich daraus eine konkrete Prüfaufgabe. Bestehende Workflows mit Kontextdateien sollten auf ihren tatsächlichen Kosteneffekt hin analysiert werden. Herstellerempfehlungen ersetzen keine unabhängige Bewertung.
Die Studie betrifft ausschließlich den Einsatz von Kontextdateien zur Steuerung von Coding-Agenten. Andere Anwendungen von Kontextsteuerung, etwa in Produktionssystemen oder Datenauswertungen, sind nicht Gegenstand dieser Untersuchung.
Fazit
Die ETH-Zürich-Studie liefert einen klaren Befund. Eine weit verbreitete Praxis in der KI-gestützten Softwareentwicklung erhöht die Kosten nachweisbar, ohne die Ergebnisse zu verbessern. Betriebe sollten den tatsächlichen Nutzen ihrer KI-Werkzeugkonfigurationen regelmäßig messen, statt sich auf Herstellerempfehlungen zu verlassen.
