Code mit KI auszuliefern erfordert Disziplin
Ohne die richtige Einrichtung birgt KI-Programmierung echte Risiken: Wie konfigurieren Sie die KI und ihre Agenten so, dass sie nie bereits funktionierende Logik und Struktur beschädigen? Die Pipeline von AITM ist genau auf dieses Problem ausgelegt.
Prompt-Qualität und kleinere Schritte
Je genauer eine Anforderung beschrieben ist, desto besser setzt die KI sie um. Die Aufteilung der Arbeit in kleinere, unabhängig geprüfte Teile schlägt durchweg einen einzigen riesigen Prompt.
Weniger Halluzinationen
Ein einfacher KI-Agent neigt dazu, die am nächsten klingende Antwort zu wählen statt der, die das Geschäft wirklich braucht. Geschäftslogik und ausdrückliche Muss-nicht-brechen-Vorgaben in den Prompt einzuspeisen, nicht nur nachträglich zu testen, hält ihn auf Kurs.
Verifizierung, die den Wirkungsbereich eingrenzt
Unit-, Integrations- und End-to-End-Tests belegen, dass eine Änderung nichts außerhalb ihrer eigenen Aufgabe beschädigt hat.
Kontext, bevor sich eine einzige Zeile ändert
Der Architect-Schritt liest Contracts, DOM-Elemente und Verhaltensketten, bevor das Programmieren beginnt. So wird der erzeugte Prompt darauf zugeschnitten, die Stellen zu meiden, die sich nicht ändern dürfen. Und jede Aufgabe (Bug, Feature oder Enhancement) wird bewusst anders verifiziert, passend zur Art des Risikos.
AITM wird von Entwicklungsteams und Einzelentwicklern genutzt, die Routine-Programmierung an KI-Agenten abgeben und sich selbst auf Architektur und Entscheidungen konzentrieren möchten. Es löst das Chaos paralleler Tasks, verlorenen Kontexts zwischen Gesprächen und der Notwendigkeit, jede Codeänderung manuell zu prüfen. Sie brauchen ein Tool, das Worktree-Isolation, automatisierte Tests und einen nachvollziehbaren Verlauf garantiert, ohne die Entwicklungsgeschwindigkeit zu opfern. AITM gibt ihnen die Sicherheit, dass KI-generierter Code dieselbe Disziplin durchläuft wie von Menschen geschriebener Code, und spart ihnen jeden Tag Stunden.
Vom Prompt zum gemergten Code: vollautomatisch
Submit a Task.
Ship Tested, Merged Code.
Describe what you need once. AITM designs the approach, writes the code, reviews it, fixes what's broken, tests it end-to-end, updates the docs, and merges it into your dev integration branch — without you touching a keyboard again until it's done.
v1.0.0 jetzt verfügbar AITaskManager in Aktion
Klicken Sie auf einen Tab, um mehr zu entdecken. Klicken Sie auf das Bild, um zu zoomen.
Dev Dashboard - Ihre Kommandozentrale
Sehen Sie alle Ihre Projekte, aktiven Pipelines, den Git-Status und die Task-Warteschlange auf einen Blick. Das Live-Konsolen-Streaming zeigt die KI in Echtzeit bei der Arbeit. Ziehen Sie Tasks per Drag-and-drop, um die Priorität zu ändern.
So funktioniert es
Eine 12-stufige Pipeline: von einem isolierten Branch über Compliance, Review und Tests bis zu Dokumentation und Chain-Audit. Die Merge-Queue bringt das Ergebnis anschließend in dev.
Branch
Erstellt einen isolierten Branch und worktree für die Aufgabe.
Architect
Plant die Änderung anhand von Projektcode und Contracts.
Code
Setzt die geplanten Änderungen um.
Compliance-Check
Prüft komplexe Aufgaben gegen ihre Anforderungen; bei einfacheren Aufgaben übersprungen.
Review
Prüft die Umsetzung und gibt ein Urteil ab.
Fix
Behebt bei Bedarf die Befunde aus dem Review.
Test
Führt automatisierte Projekttests aus.
E2E
Testet Benutzerabläufe in der Anwendung.
Verify
Prüft das Ergebnis anhand der Akzeptanzkriterien.
Snapshot
Erfasst optional die Oberfläche für den visuellen Vergleich.
Docs
Aktualisiert Dokumentation und Verhaltens-Contracts.
Chain-Audit
Prüft frühere Aufgaben am Ende einer Aufgabenkette erneut.
Benutzerhandbuch
Erfahren Sie, wie Sie jede Funktion nutzen. Zum Aufklappen klicken.
AITM generiert Ihren Code
KI übernimmt die Routinearbeit beim Programmieren, damit Teams schneller vorankommen. Die KI schreibt den Code mit den Modellen, die Sie wählen. Ihr Team verteilt die Arbeit, prüft sie und entscheidet.
Neue Funktionen und ganze Module aus einer Beschreibung in einfacher Sprache
Fehlerbehebungen mit verpflichtender Reproduktion: Die Aufgabe beweist zuerst den Fehler und nach der Korrektur, dass er behoben ist
Refactoring und Modernisierung großer, langlebiger Codebasen ohne Risiko für den Hauptbranch
Unit-Tests, End-to-End-Szenarien und Dokumentation, die sich selbst erzeugen und pflegen
Dutzende Aufgaben parallel, jede in ihrer eigenen isolierten Kopie des Projekts
Alles auf dem Server, nichts auf den Arbeitsplätzen
AITM läuft auf Ihrem Server, und Benutzer arbeiten über den Browser. Quellcode, Worktrees und Daten verlassen den Server nie.
Der Server trägt die Last
Builds, Tests und KI-Agenten laufen auf dem Server. Die Arbeitsplätze bleiben schlank, und darauf wird nichts installiert.
Abgeschottete Docker-Umgebung
AITM läuft in Containern, die von anderen Systemen getrennt sind, mit eigenem Speicher für Projekte, Worktrees und Daten.
Verschlüsselt gespeichert
Datenbanken, Aufgabenergebnisse, Prompts, Artefakte und Backups sind mit AES-256 verschlüsselt. Eine gestohlene Festplatte oder ein durchgesickertes Backup ist unlesbar.
Ihr Code bleibt in Ihrem Netzwerk
AITM ist selbst gehostet. Sie wählen den KI-Anbieter für jeden Schritt, auch ein lokales Ollama-Modell, sodass ein sensibles Projekt Ihre Infrastruktur nie verlassen muss.
Jede Änderung isoliert
Jede Aufgabe erhält einen eigenen git Branch und worktree. Sie erreicht den Hauptbranch erst nach Review, Tests und einer Build-Prüfung.
Lückenloser Prüfpfad
Jeder Schritt hat ein Log, ein Urteil und eine Begründung. Sie können jederzeit nachvollziehen, wer was angefordert hat, was die KI geändert hat und warum es bestanden wurde.
KI, die Ihr Projekt kennt
AITM lässt die KI das Repository nicht blind lesen. Contracts, die UI-Map und der Knowledge Graph werden in jede Aufgabe eingespeist, damit an der richtigen Stelle geändert wird. Architect, Coder, Reviewer und Fix-Agent arbeiten in einem Durchlauf; Sie lesen das Ergebnis, keinen Chat. Die Merge-Queue löst Konflikte für Sie.
Lieferung, der Sie vertrauen können
Jede Änderung wird geprüft, getestet, dokumentiert und ist nachvollziehbar. Die Entwicklung läuft rund um die Uhr weiter, und die Pipeline repariert sich selbst, statt auf einen Menschen zu warten. Die Kosten steuern Sie über die Modellwahl für jeden Schritt. Sicherheit ist Teil des Designs, kein Zusatz.
Sie entscheiden, WAS. AITM kümmert sich um das WIE.
Warum AITaskManager?
Alles, was Sie mit einem einfachen KI-Coding-Tool von Hand erledigen müssten - automatisiert.
Nie wieder ein Terminal anfassen
Branch, Architect, Code, Compliance-Check, Review, Fix, Test, E2E, Verify, Snapshot, Docs, Chain-Audit: Eine Pipeline führt jeden Schritt für Sie aus und merged das Ergebnis dann in dev. Überspringen Sie beliebige Schritte oder setzen Sie nach einem Fehler fort.
Die beste KI für jede Aufgabe
Claude für Code, Gemini oder OpenAI für Reviews, DeepSeek oder NVIDIA-gehostete Modelle für Tests, ein lokales Ollama-Modell für mechanische Schritte: Wählen Sie Anbieter und Modell für jeden Pipeline-Schritt unabhängig und senken Sie die Kosten, ohne an Qualität einzubüßen.
Schluss mit halluzinierten APIs
Jedes Feature ist ein testbarer Behavioral Contract. Die KI liest ihn vor dem Programmieren, sodass sie keine Dateipfade mehr errät und keine nicht existierenden Methoden erfindet.
Ihr Hauptbranch ist immer sicher
Jeder Task läuft in seinem eigenen Worktree und Branch. Nichts berührt dev bevor es getestet und geprüft ist.
Ausliefern ohne manuelles Testen
Unit-Tests und Playwright-E2E laufen bei jeder Aufgabe automatisch, und ein optionaler Snapshot-Schritt kann Screenshots erfassen, damit UI-Fehler leichter auffallen.
Sehen Sie genau, wie Ihre Codebasis aussieht
Ein interaktiver Abhängigkeitsgraph zeigt Datei-Communities, God Nodes und Import-Beziehungen - Schluss mit dem Raten, was eine Datei berührt.
Aus einer Konversation mit einem Klick einen Task machen
Chatten Sie mit vollem Projektkontext, entwickeln Sie den Ansatz im Brainstorm und senden Sie ihn direkt in die Warteschlange.
Es erholt sich, damit Sie es nicht müssen
Ein Hintergrund-Watchdog erkennt hängende Tasks und Zombie-Prozesse und startet fehlgeschlagene Schritte automatisch neu.
Ihre KI lernt die Muster Ihrer Codebasis
Wiederverwendbare Hints fügen projektspezifische Konventionen in jeden Prompt ein - tippen Sie ~hint für sofortigen Kontext.
Jedes Projekt von einem Bildschirm aus steuern
Wechseln Sie sofort den Kontext, reihen Sie Aufgaben projektübergreifend ein und verfolgen Sie den Fortschritt überall gleichzeitig.
Sehen Sie der KI in Echtzeit bei der Arbeit zu
Volle Transparenz über jeden Befehl, jede Dateiänderung und jede Entscheidung, während sie geschieht.
Heute Abend einreihen, morgen früh fertig gemergte Features vorfinden
Reihen Sie vor dem Schlafengehen 20 Aufgaben mit Prioritäten und Abhängigkeiten ein - AITM arbeitet sie nacheinander ab, während Sie schlafen.
AITM lernt Ihr Projekt kennen
Je länger AITM an Ihrer Codebasis arbeitet, desto weniger muss es jedes Mal neu herausfinden.
Verhaltensverträge erfassen, was Ihr Code tut - vor jeder Änderung geprüft, nach jedem Merge synchronisiert.
Ein Wissensgraph verknüpft Variablen, Verträge, DOM-Elemente, Tests und Dokumentation in einer einzigen Abfrage.
Importieren Sie ein Repository, und AITM erfasst Stack, Code und Oberfläche, noch bevor die erste Aufgabe läuft.
Gemeinsame Agent-Vorlagen und strukturierte Übergaben halten jede KI-Sitzung - und jeden Anbieter - auf demselben Stand.
Welche KI-Modelle AITM antreiben
AITM ist eine Erweiterungsschicht, kein Modell - es orchestriert die KI, die Sie wählen.
Sie bringen das Modell mit
AITM benötigt ein kostenpflichtiges KI-Modell eines Drittanbieters - Claude, OpenAI oder DeepSeek - oder ein selbst gehostetes lokales Modell. Lokale Modelle erreichen noch nicht die Codequalität, die die Pipeline von AITM braucht, und eignen sich daher eher für leichtere Aufgaben. Claude Sonnet auf niedriger Stufe ist die am häufigsten genutzte und leistungsstärkste Wahl für Coding, Review und Fix. Fable wird gelegentlich für Aufgabenplanung und Brainstorming verwendet. Von OpenAI und DeepSeek wird nur das jeweils beste verfügbare Modell genutzt.
Warum weniger Halluzinationen
Ein einfaches agentisches System leitet bei jeder Aufgabe von Grund auf neu ab, wie sich Ihre Codebasis verhält. AITM führt dagegen eine dauerhafte, laufend aktualisierte Karte Ihres Projekts - Verhaltensverträge, Variablen, die DOM-Karte und einen Wissensgraphen -, gegen die jeder Pipeline-Schritt prüft, statt zu raten. Diese Genauigkeit verbessert sich, je länger AITM in einem Projekt eingesetzt wird, und ist bei einem frisch importierten Projekt, in dem Verträge noch aufgebaut werden, geringer.
Warum geringere Kosten
Der Kostenvorteil von AITM entsteht dadurch, dass verschiedene Pipeline-Schritte je nach Komplexität an unterschiedliche Modelle geleitet werden, auch an günstigere Modelle, wo ein einfacherer Schritt kein Spitzenmodell braucht. Das senkt die Kosten pro abgeschlossener Aufgabe - es ist eine Senkung der Modellkosten durch Routing, keine Senkung des Tokenverbrauchs.
Warum AITM zuverlässiger ist als ein einfacher KI-Agent
Im Vergleich zum manuellen Prompten der KI in einem Chatfenster.
Stop Babysitting Your AI. Start Shipping.
Every night you skip is a night of merged features you didn't ship. Queue your backlog now — AITM starts orchestrating the moment it launches.
v1.0.0 jetzt verfügbar Pick a duration and a time that works for you — we'll send a confirmation link to your email.
Check your email
We've sent a confirmation link to your email address. Click it to confirm your call.
Wie AITM mit KI arbeitet
Wie Prompt-Größe und Kontext in der Pipeline verwaltet werden.
Prompt-Größe pro Pipeline-Schritt
Jeder Pipeline-Schritt (Architect, Code, Review, Fix, Test, Docs) startet mit einem fokussierten, schrittspezifischen Prompt statt mit einem riesigen Universal-Prompt. Spätere Schritte, die mehr Kontext brauchen (etwa Code), bauen beim Erkunden der Aufgabe einen größeren Arbeitskontext auf; frühere oder engere Schritte (etwa Docs) bleiben vergleichsweise klein. In jedem Fall bleibt der Arbeitskontext deutlich innerhalb des Token-Fensters des konfigurierten Modells.
Wiederverwenden statt erneut senden
Der stabile Teil jedes Prompts (Rolle, Regeln, Tools) ist über alle Schritte identisch und wird daher aus dem Prompt-Cache des KI-Anbieters bedient - typischerweise wird pro Schritt nur wenig neue Eingabe benötigt, während der Großteil des Kontexts wiederverwendet statt erneut gesendet wird.
Projektwissen statt Dateilesen
Die KI schlägt zuerst Projektwissen nach (Variablen, Business-Logic-Contracts, die UI-Map, dann Code), bevor sie Dateien liest, sodass jeder Schritt auf verifizierten Projektfakten aufbaut.
Pro KI-Modell abgestimmt
| Anbieter | Kontextfenster |
|---|---|
| Claude | 200K |
| Gemini | 1M |
| OpenAI | 128K |
| NVIDIA | 128K |
| DeepSeek | 64K |
| Lokales Ollama (Standard) | 8K |
Modelle mit kleineren Kontextfenstern oder schwächerem Reasoning erhalten eine kompaktere Version des Prompts, die dieselben Arbeitsregeln enthält, sodass selbst ein lokales Modell denselben Prozess befolgt.
Ein System - GUI, Pipeline, Daten und Contracts
AITM ersetzt weder Claude Code noch Cursor noch Ihr bevorzugtes KI-Coding-Tool - es orchestriert sie. Richten Sie es auf dieselben Modelle, die Sie bereits nutzen; es ergänzt Pipeline, Sicherheitsnetz und Projektgedächtnis drumherum.
Eine visuelle Ebene, die Sie wirklich sehen
Ein Live-Dashboard zeigt jedes Projekt, jede laufende Pipeline und jeden wartenden Task in Echtzeit. Der DOM Explorer ordnet jedes UI-Element seinem data-aitm Code zu, und der Screenshot-Verlauf dokumentiert visuell, wie sich jeder Bildschirm im Lauf der Zeit verändert hat.
Eine Pipeline, kein Chatfenster
Ein Prompt startet die komplette 12-stufige Pipeline: Branch → Architect → Code → Compliance-Check → Review → Fix → Test → E2E → Verify → Snapshot → Docs → Chain-Audit, und danach merged die Merge-Queue die Änderung in dev. Jede Aufgabe erhält ihren eigenen isolierten git worktree, sodass Ihr Hauptbranch mitten im Lauf nie angetastet wird, und ein Watchdog erkennt hängende Schritte und wiederholt sie automatisch.
Alles wird gespeichert, nichts wird geraten
Jedes Projekt hat eine eigene Datenbank mit Behavioral Contracts und Task-Verlauf. Eine globale Datenbank enthält Einstellungen, Hints und das projektübergreifende Variablenregister. Jeder Task behält seinen eigenen Log-Ordner und sein archiviertes Ergebnis, sodass Sie später zu jedem Lauf zurückkehren können.
Strikte Datentrennung zwischen Projekten
Die Daten eines Projekts vermischen sich nie mit denen eines anderen - jedes Projekt hat seine eigene Datenbankdatei. Laufende Arbeit bleibt in ihrem eigenen Worktree, bis sie geprüft, getestet und gemergt ist, sodass nichts Halbfertiges in den Hauptbranch gelangt.
Daten, Geschäftslogik und GUI sind verknüpft
Jedes UI-Element trägt einen data-aitm Code, der an einen Behavioral Contract gebunden ist, der das erwartete Verhalten beschreibt und auf die genaue Quelldatei und Variable im Code verweist. KI-Agenten lesen diese verifizierte Spezifikation, statt die Absicht aus dem rohen Quellcode zu erraten.