KI, die Pull Requests aus Ihren Fehlerberichten erstellt

TL;DR. Wenn in der Produktion ein Fehler auftritt (Sentry, Rollbar, Log-Aggregator), triagieren die meisten Teams manuell: Stacktrace lesen, Datei finden, Kontext verstehen, Fix schreiben, PR öffnen. Ein KI-Teamkollege der all dies automatisch erledigt und Ihnen statt einer Benachrichtigung einen prüfbaren PR liefert, reduziert Ihr Bug-Backlog drastisch. Im Jahr 2026 bieten drei Optionen genau das: Qualia (Portfolio-Umfang, ein KI-Teamkollege über alle Produkte hinweg), Viktor (als Teil seiner Engineer-Rolle) sowie DIY-Setups auf Cursor oder Claude Code plus individuelle Automatisierung.

Der Workflow, für den Sie tatsächlich bezahlen.

Manuelle Bug-Triage im Jahr 2026 sieht so aus:

1. Sentry-Alarm wird ausgelöst.
2. Jemand erhält die Benachrichtigung (wartet außerhalb der Arbeitszeiten bis zum Morgen).
3. Engineer öffnet Sentry, liest den Stacktrace, öffnet die Codebasis.
4. Liest den umgebenden Code, um zu verstehen, was passiert.
5. Wenn der Fix offensichtlich ist, schreibt er ihn.
6. Wenn nicht, öffnet Slack, um nachzusehen, wer diese Datei zuletzt bearbeitet hat.
7. Öffnet einen PR mit Kontext.
8. Merge.

Best-Case: 30 Minuten pro Fehler. Realistischer Fall für einen Portfolio-Betreiber: 2 Stunden pro Fehler, weil "Codebase öffnen" bedeutet, Kontext zu einem Produkt aufzubauen, das man seit Wochen nicht angesehen hat.

Bei 15 Produkten mit Dutzenden von Fehlern pro Tag ist das eine Vollzeitstelle. Oder ein Backlog, der jede Woche wächst.

Was ein KI-Teamkollege stattdessen tut.

1. Sentry-Alarm wird ausgelöst.
2. Der KI-Teamkollege liest Alarm, Stacktrace, umgebenden Code, Git Blame, aktuelle Commits und Slack-Kontext.
3. Entscheidet: Echter Bug oder Rauschen? (Filtert Flaky Tests, Aussetzer von Drittanbieter-APIs, bekannte Duplikate heraus.)
4. Wenn es ein echter Bug ist: entwirft den Fix, öffnet einen PR gegen den richtigen Branch, fügt Kontext zur PR-Beschreibung hinzu, taggt den Reviewer.
5. Entwickler prüft (meist 5 bis 20 Zeilen), gibt frei oder passt an.
6. Merge.

Zeitersparnis: 90 % bei einfachen Fixes, 60 % bei komplexen Fixes.

Im Portfolio-Maßstab ist das der Unterschied zwischen "wir haben eine dedizierte Bug-Triage" und "wir liefern die Fixes aus, sobald sie reinkommen." Siehe autonome Abläufe für das übergeordnete Muster.

Worauf es bei einer KI ankommt, die PRs erstellt.

• 1. Liest den tatsächlichen Code, nicht nur den Fehler. Produkte, die nur die Fehlermeldung sehen, erzeugen halluzinierte Fixes.
• 2. Liest die Git-Historie. Wer hat diese Datei zuletzt geändert? Produkte ohne Git-Verständnis führen bereits behobene Bugs erneut ein.
• 3. Verwendet die PR-Muster Ihres Teams. Aussagekräftige Commit-Nachrichten, Tests wo erforderlich.
• 4. Filtert Rauschen. Nicht jeder Alert ist ein echter Bug.
• 5. Portfolio-übergreifend, nicht nur Repo-bezogen. Für ein einzelnes Produkt funktioniert jede Coding-KI (Cursor, Claude Code, Codex). Bei einem Portfolio von 5+ Produkten muss die KI verstehen, welches Produkt, welches Repo und welches Team gemeint ist.
• 6. Geht souverän mit falsch-positiven PRs um. Falsche PRs zu schließen, sollte mit einem Klick erledigt sein.

Produkte, die das 2026 können.

Qualia

Portfolio-weiter AI Teammate. Liest Sentry über all Ihre Produkte hinweg und erstellt PRs für die richtigen Repos. Entwickelt für Teams von 2 bis 10 Personen, die 3 bis 20 Produkte betreiben.

Viktor

Teil seiner AI-employee-Rolle "Engineer". Am besten für Teams, die einen namentlich benannten KI-Engineer pro Team wollen. Nicht auf Portfolio-Ebene. Siehe Qualia vs Viktor.

Cursor / Claude Code plus individuelle Automatisierung

DIY-Setup. Funktioniert, wenn Sie die nötige Entwicklungszeit haben, um es aufzubauen.

Sentry AI Autofix

Sentrys eigene Beta. Beschränkt auf Sentry, an die Roadmap dieses Produkts gebunden.

GitHub Copilot Workspace

Gut für Lösungsvorschläge; erfordert menschliche Initiierung. Nicht autonom.

Devin / Cognition

Autonomer Allzweck-Coding-Agent. Overkill für die meisten Workflows zur PR-Erstellung.

So evaluieren Sie, bevor Sie sich festlegen.

• Schritt 1. Wählen Sie 10 echte Sentry-Fehler aus den letzten 30 Tagen aus. Mischen Sie einfache und komplexe.
• Schritt 2. Geben Sie jeden davon an das KI-Teammitglied weiter. Bitten Sie es, einen PR zu entwerfen.
• Schritt 3. Bewerten Sie jeden PR: Korrektheit, Vollständigkeit, Konventionen, Kontext.
• Schritt 4. Vergleichen Sie die Produkte. Ein Produkt, das 8 von 10 Fällen richtig löst und die anderen 2 sauber abfängt, ist besser als eines, das bei einfachen Fehlern 10 von 10 trifft, bei komplexen jedoch halluziniert.

Häufige Fehler.

• Bereitstellung ohne Review-Gate. Lassen Sie von der KI erstellte PRs niemals automatisch mergen.
• Die KI nicht mit der Git-Historie verknüpfen. Eine KI, die nur den Fehler sieht, führt bereits behobene Bugs erneut ein.
• Zu aggressives Filtern. "Nur echte Bugs" übersieht Edge Cases. "Alles" erzeugt Rauschen. 2 Wochen lang iterieren.
• Portfolio-Umfang von einem Produkt auf Repo-Ebene erwarten. Single-Repo-Tools (Cursor, Copilot) beherrschen "welches Produkt, welches Repo" nicht nativ.

Weiterlesen.