Beliebte Suchanfragen
//

Fünf Ebenen, ein Stack: Was hinter „Ich nutze Cursor“ steckt

19.11.2026 | 16 Minuten Lesezeit

„Ich nutze Cursor." „Ich nutze Claude." „Wir haben Copilot eingeführt."

Solche Sätze fallen oft und sie klingen wie Aussagen über ein einziges Werkzeug. Im Detail trifft das nicht zu. Wer „Cursor" sagt, hat meist eine Kombination aus fünf Entscheidungen getroffen, manchmal ohne das zu wissen.

Probleme entstehen, sobald sich eine dieser fünf Entscheidungen ändert: Ein neues Modell erscheint, der Datenschutzbeauftragte fragt nach oder die Rechnung wird zu teuer. Dann zeigt sich oft, dass gar nicht klar war, was da eigentlich zusammensteckt.

Dieser Artikel macht die fünf Ebenen sichtbar und zeigt, wie du sie weitgehend unabhängig voneinander tauschst. Wenn du LLMs einsetzt, wählst du nicht nur ein Modell oder ein Produkt aus. Du entscheidest auch, wo du arbeitest, wie der Kontext verarbeitet wird, wo das Modell läuft und wer den Zugang kontrolliert.

Inhalt

  1. Die fünf Ebenen der LLM-Nutzung
  2. Warum sich Alternativen auf jeder Ebene lohnen
  3. So wechselst du Modell, Harness und Anbieter
  4. LLM-Stack vergleichen: Der Stack-Swap-Moment
  5. Was das für dich bedeutet
  6. Fazit: Den eigenen LLM-Stack verstehen

Die fünf Ebenen der LLM-Nutzung

Bei der Nutzung von LLMs lässt sich das Setup gedanklich in fünf Ebenen aufteilen. Je nach Produkt und Konfiguration können einzelne Ebenen austauschbar sein; andere sind miteinander gekoppelt oder vorgegeben. Hier sind die fünf Ebenen, sortiert nach ihrer Nähe zu den Nutzenden.

  1. 🖥️ Umgebung – wo tippe ich? Zum Beispiel Terminal, VS Code, IntelliJ, Cursor oder Claude Desktop.
  2. 🪢 Harness – was orchestriert Prompts, Tools und Kontext? Zum Beispiel Claude Code, opencode, Cline, Aider oder Copilot Agent.
  3. 🧠 Modell – wer denkt? Zum Beispiel Opus 5, Sonnet 5, GPT-5.5, Gemini 2.5 Pro oder DeepSeek V4.
  4. 🏭 Laufzeitort – wo rechnet das Modell? Zum Beispiel Vertex AI, AWS Bedrock, Azure oder lokal mit Ollama.
  5. 🔑 Zugang – wer gibt mir den Schlüssel und zahlt? Zum Beispiel Requesty, Portkey, OpenRouter oder ein Claude-Abo.

Für mich bilden diese fünf Ebenen das CHARM-Modell, eine Eselsbrücke für den eigenen Stack:

  • C wie Console: 🖥️ Umgebung
  • H wie Harness: 🪢 Harness
  • A wie Access: 🔑 Zugang
  • R wie Runtime: 🏭 Laufzeitort
  • M wie Model: 🧠 Modell

Die Reihenfolge des Akronyms ist eine Eselsbrücke, keine Hierarchie. Eine Ebene zu tauschen heißt nicht, das ganze Setup neu anzufangen. Oft reicht es, einzelne Ebenen neu zu bewerten und je nach Aufgabenstellung auszuwechseln.

🖥️ Ebene 1: Die Umgebung — wo du tippst

Die Umgebung muss keine große Entwicklungsumgebung sein. Ein Terminal (für Claude Code oder opencode) ist genauso eine Umgebung wie eine Desktop-App (Claude Desktop) oder ein klassischer Editor mit Plugins (VS Code, IntelliJ).

Die Umgebung entscheidet über den Tastatur-Workflow und darüber, wie Prompts aussehen. Sie legt auch fest, ob du Side-Panels hast oder alles im Terminal läuft. Sie ist die sichtbarste Ebene und prägt die User Experience am stärksten.

Wer ein terminal-basiertes Harness wie Claude Code nutzt, kann heute in IntelliJ arbeiten und morgen in VS Code weitermachen: derselbe Agent, dasselbe Modell, derselbe Zugang. Auch die entstehenden Artefakte, sei es Code, Dokumentation oder Präsentationen, bleiben die gleichen.

Anders verhält es sich bei einer integrierten AI-IDE wie Cursor. Dort sind Umgebung und Harness gekoppelt: Wer die Umgebung wechselt, tauscht das Harness gleich mit. Damit sind wir bei der zweiten Ebene.

🪢 Ebene 2: Das Harness — Kontext, Tools und Orchestrierung

Das Harness ist eine unsichtbare Ebene mit großem Einfluss auf das Verhalten des LLMs und damit auf die Ergebnisse. Es ist das Gerüst um das Modell und entscheidet, welche Dateien das Modell sieht, wie Prompts zusammengesetzt werden, welche Tools aufgerufen werden und wann eine Aufgabe abbricht. Hier steckt der eigentliche Unterschied zwischen den Produkten. Die Aussage „Claude Code funktioniert für mich viel besser als andere" bezieht sich daher oft auf das Harness und weniger auf das genutzte Modell.

Mit demselben Modell, aber einem anderen Harness entstehen teils deutlich andere Ergebnisse, und auch der Weg zum Ziel weicht ab. Das Harness bestimmt, wie intensiv Tests eine Rolle spielen und wie stark das Modell selbst reflektiert und nachbessert. Ein wesentlicher Teil davon läuft über den Prompt, der im Hintergrund an das Modell geht. In LM Studio lässt sich das mitloggen: Dort siehst du, was tatsächlich beim LLM ankommt. Das Harness ist damit ein großer Hebel, der wenig bewusst beachtet wird.

Immerhin sind einige Harness-Regeln portabel, zumindest inhaltlich. Dateien wie .cursorrules, AGENTS.md und CLAUDE.md können Arbeitsvereinbarungen und Projektkonventionen enthalten; opencode.json dient dagegen der Konfiguration von OpenCode. Beim Transfer in ein anderes Harness musst du Inhalte und Einstellungen prüfen und anpassen, denn Formate, Fähigkeiten und Konventionen unterscheiden sich. Die Arbeitsvereinbarungen können also mitwandern, aber fast nie ohne Verhaltensänderung.

🧠 Ebene 3: Das Modell — Reasoning, Kontextfenster und Preis

Das LLM selbst. Hier entscheiden sich Reasoning-Tiefe, Geschwindigkeit, Kontextfenster und Preis, und spürbar auch die Qualität des Outputs. Diese Ebene wird oft mit dem Harness verwechselt. Die Aussage „Claude ist gut im Coden" bezieht sich manchmal auf Claude Code als Harness, manchmal auf das Modell Opus.

Die Preise für Cloud-Modelle unterscheiden sich teils erheblich. Dabei zählen nicht nur Modell und Anbieter, sondern auch Eingabe- und Ausgabe-Token, Cache-Nutzung und gegebenenfalls die gewählte Region. Bei lokaler Inferenz fällt zwar üblicherweise kein API-Preis pro Token an, dafür entstehen Kosten für Hardware, Strom und Betrieb.

Der Preis pro Token ist allerdings nicht der Preis pro Aufgabe. Ein Modell, das eine Aufgabe in weniger Schritten und mit weniger Rückfragen löst, kann trotz höherem Tokenpreis günstiger sein. Umgekehrt kann ein günstigeres Modell ausreichen, wenn die Aufgabe klar begrenzt ist und das Ergebnis wenig Nacharbeit benötigt. Vergleiche deshalb möglichst die erledigte Aufgabe einschließlich Prüf- und Nacharbeitsaufwand.

Benchmarks wie SWE-bench Verified können eine erste Orientierung bieten. Ihre Ergebnisse hängen aber unter anderem von Modellversion, Harness und Testbedingungen ab. Zahlen aus unterschiedlichen Veröffentlichungen sind deshalb nicht automatisch vergleichbar. Wie gut ein Stack für deine Aufgaben funktioniert, findest du am besten mit eigenen, nachvollziehbaren Tests heraus.

🏭 Ebene 4: Laufzeitort und Anbieter — wo das Modell rechnet

Manche Modelle sind über verschiedene Anbieter verfügbar, mit unterschiedlichen Eigenschaften. Claude-Modelle gibt es beispielsweise direkt bei Anthropic sowie über AWS Bedrock, Google Vertex AI und Microsoft Foundry. Welche Modellversion, Region und Infrastruktur jeweils verfügbar sind, hängt vom konkreten Angebot ab.

Die Frage „Dürfen wir das mit Kundendaten?" betrifft unter anderem den Verarbeitungsort: in der EU, in den USA oder auf eigener Hardware? Sie betrifft aber ebenso die beteiligten Dienstleister, Verträge, Speicherfristen und weiteren Datenflüsse. Eine Region in einer Modell-ID oder ein regionaler Endpunkt ist ein Hinweis zur Konfiguration, ersetzt aber nicht die Prüfung der konkreten Verarbeitung und vertraglichen Zusagen.

Ollama, vLLM oder LM Studio können Modelle lokal auf dem eigenen Rechner ausführen. Bei tatsächlich lokaler Inferenz muss der Modell-Prompt dafür nicht an einen externen Inferenzanbieter gesendet werden. Das bedeutet aber nicht automatisch, dass das gesamte Setup offline ist: Websuche, Plugins, MCP-Server, Telemetrie, Modell-Downloads oder andere Funktionen können Netzwerkverkehr erzeugen. Auch die verwendete Konfiguration entscheidet darüber, ob wirklich ein lokales Modell läuft.

Das löst nicht automatisch alle Datenschutzfragen: Wer personenbezogene Daten verarbeitet, braucht auch lokal eine Rechtsgrundlage, ein Löschkonzept und einen Blick darauf, was Logs und Caches auf der Platte speichern. Prüfe deshalb Datenflüsse und Einstellungen des gesamten Stacks, statt allein aus „lokal“ auf Netzwerkfreiheit oder DSGVO-Konformität zu schließen.

Geschwindigkeit und Qualität lokaler Modelle hängen stark von Modell, Hardware und Aufgabe ab. Bei anspruchsvollen Coding-Aufgaben kann der Abstand zu großen Cloud-Modellen spürbar sein; für kleinere Aufgaben und Routinearbeiten können lokale Modelle dagegen gut geeignet sein. Ob das für deinen Fall ausreicht, zeigt ein eigener Vergleich.

🔑 Ebene 5: Der Zugang — Gateways, Kosten und Abrechnung

Wer gibt dir den Schlüssel und zahlt? Hier entscheiden sich Kosten, Rechtslage und die Frage, welche Modelle überhaupt verfügbar sind.

Ein Gateway wie Requesty, Portkey oder OpenRouter sitzt zwischen Harness und Anbieter. Je nach Dienst und Konfiguration kann es Authentifizierung, Routing, Caching, Protokollierung und Abrechnung übernehmen. Der Unterschied zwischen „ich nutze die Anthropic-API direkt“ und „ich nutze ein Gateway“ ist deshalb nicht nur technisch.

Gateways unterscheiden sich in Latenz, verfügbaren Modellen und Routing-Logik. Rechtlich und finanziell ist wichtig, welche Daten Gateway und Anbieter erhalten, welche Regionen für Gateway und Inferenz tatsächlich gelten und wie abgerechnet wird. Was sich davon einstellen lässt, hängt vom jeweiligen Dienst, der Konfiguration und den Verträgen ab.


Warum sich Alternativen auf jeder Ebene lohnen

Auf jeder Ebene gibt es Alternativen. Ein gezielter Austausch kann Kosten, Datenschutz, Performance oder Modellverfügbarkeit verändern. Ob sich dabei nur eine Ebene ändert, hängt aber vom gewählten Produkt und dessen Schnittstellen ab.

Zwei Kopplungen sind besonders wichtig: Integrierte AI-IDEs wie Cursor verbinden Umgebung und Harness eng; ein Umgebungswechsel kann daher auch das Harness verändern. Laufzeitort und Zugang hängen häufig zusammen, weil ein Gateway nur bestimmte Anbieter und Regionen unterstützt. Auch zwischen Modell und Harness gibt es Grenzen, etwa bei Tool-Calling oder unterstützten API-Funktionen. Das Modell hilft, diese Abhängigkeiten sichtbar zu machen — es verspricht keine beliebige Kombinierbarkeit.

Drei Gründe, warum das relevant ist:

1. Kosten

Die Preise pro Token unterscheiden sich zwischen Modellen und Anbietern. Dieselbe Aufgabe kann je nach Modellwahl, Kontextmenge und Zahl der Anfragen sehr unterschiedlich viel kosten. Das Harness beeinflusst, wie viel Kontext übertragen wird und wie viele Schritte anfallen; das Modell beeinflusst unter anderem die Länge seiner Antworten. Auch Prüf- und Nacharbeitszeit gehören zum Vergleich. Forschungsansätze wie FrugalGPT und RouteLLM untersuchen zudem, wann Routing zwischen Modellen Kosten sparen kann; wie viel das bringt, hängt vom jeweiligen Einsatzfall ab.

2. Datenschutz und Compliance

„Dürfen wir das mit Kundendaten?“ ist nicht allein eine Frage an das Modell. Sie richtet sich an Anbieter, Laufzeitort, Zugang und die weiteren Werkzeuge im Stack. Entscheidend sind die tatsächlichen Datenflüsse, beteiligte Dienstleister, Vereinbarungen und die Vorgaben des jeweiligen Projekts.

3. Lock-in

Wer die einzelnen Ebenen nicht unterscheidet, hält jede Änderung leicht für einen kompletten Produktwechsel. Tatsächlich unterscheidet sich der Aufwand: Ein Modellwechsel kann einfach sein, sofern Harness und Zugang das neue Modell unterstützen. Ein Anbieterwechsel kann zusätzlich Verträge und Datenflüsse betreffen. Ein neues Harness verändert die Arbeitsweise spürbar und will eingeübt werden. Die Umgebung prägt vor allem den Arbeitsablauf, während der Zugang unter anderem Kostenkontrolle und verfügbare Anbieter beeinflusst.


So wechselst du Modell, Harness und Anbieter

Einige Wechsel lassen sich mit wenigen Einstellungen ausprobieren; andere hängen von Berechtigungen, Schnittstellen und Vorgaben ab. Gehen wir die Ebenen einzeln durch. Die folgenden Konfigurationsbeispiele zeigen das Prinzip und müssen vor produktivem Einsatz mit den aktuellen Versionen und Projektvorgaben geprüft werden.

Ebene 1 tauschen: Umgebung und Benutzerschnittstelle

Der direkteste Zugang ist ein Terminal. Solche Terminals gibt es auch in VS Code und IntelliJ; andere Anwendungen können eines über Erweiterungen bereitstellen. Wenn das gleiche CLI-Harness in beiden Umgebungen verfügbar und gleich konfiguriert ist, kannst du es dort jeweils starten, etwa mit opencode. Arbeitsverzeichnis, Berechtigungen und verfügbare Tools solltest du dabei mitprüfen.

Ebene 2 tauschen: Das Harness

Im gewählten Tool der Ebene 1 rufst du das Harness deiner Wahl auf, zum Beispiel claude oder opencode. Je nach Harness verhält sich das System anders. Regeln und Arbeitsvereinbarungen kannst du inhaltlich übernehmen; Dateiformate, Konfiguration und tatsächliches Verhalten musst du für das neue Harness prüfen und gegebenenfalls anpassen.

Ebene 3 tauschen: Das Modell

Die Modelle sind im Harness konfiguriert und werden dort mit dessen Mitteln getauscht. In einer laufenden Claude-Code-Session geht das über einen Befehl:

/model

Welche Modelle zur Auswahl stehen, entscheiden Harness, Zugang und Konfiguration. Bei Drittanbieter-Gateways kann es nötig sein, ein Modell über die Konfiguration oder beim Start statt über den Modellpicker zu wählen. Oft lohnt es sich, mit einem günstigeren Modell zu starten und erst bei unbefriedigenden Ergebnissen auf ein leistungsfähigeres zu wechseln. Ob und wie der Kontext beim Wechsel erhalten bleibt, hängt vom Harness und der konkreten Session ab.

Ebene 4 und 5 tauschen: Der Gateway-Wechsel

Ein Gateway-Wechsel kann den Zugang und auch den Laufzeitort verändern. Claude Code spricht das Anthropic-API-Protokoll; kompatible Gateways können Anfragen entgegennehmen und weiterleiten. Die Umgebungsvariable ANTHROPIC_BASE_URL legt zunächst den angesprochenen Endpunkt fest. Welcher Anbieter, welches Modell und welche Region tatsächlich genutzt werden, hängt zusätzlich vom Routing und der Modellkonfiguration ab.

Ein Beispiel mit Requestys EU-Gateway. Voraussetzung ist ein eigener, für den Einsatz freigegebener Zugang. Stelle den Schlüssel zunächst über einen geeigneten Secret-Manager für die aktuelle Shell als REQUESTY_API_KEY bereit; schreibe ihn nicht in die Konfigurationsdatei oder ins Repository.

Die Modell-ID ist ein Beispiel aus der Requesty-Dokumentation: Prüfe vorab, ob sie für deinen Zugang verfügbar und für deinen Anwendungsfall freigegeben ist. Der EU-Gateway-Endpunkt und die gewählte Inferenzregion sind zwei getrennte Einstellungen. Für Datenschutz und Compliance musst du außerdem die tatsächlichen Datenflüsse und vertraglichen Zusagen prüfen. Umgebungsvariablen sind kein vollständiger Schutz vor Zugriff durch andere Prozesse; nutze die für dein System vorgesehenen Schutzmaßnahmen.

Portkey bietet ebenfalls eine Anleitung für Claude Code; dort werden Gateway-Zugang und Provider-Routing separat konfiguriert. Das Harness kann beim Gateway-Wechsel gleich bleiben. Ob auch exakt dieselbe Modellversion und Funktionalität verfügbar ist, hängt vom neuen Zugang ab.

Ebene 4 auf „lokal“ umstellen: Zugang ohne Cloud-Gateway

Du kannst ein geeignetes Modell auch auf deinem Rechner ausführen. Dann entfällt für die lokale Inferenz ein externer API-Zugang; die Frage nach dem Zugang bleibt als Teil des Modells trotzdem bestehen. Ein API-Preis pro Token fällt dabei üblicherweise nicht an, wohl aber Kosten für Hardware, Strom und Betrieb. Netzwerkfreiheit für den gesamten Stack musst du gesondert sicherstellen.

Ein Beispiel mit Ollama und Claude Code: Installiere und starte beide Werkzeuge gemäß ihren Anleitungen. Mit dem folgenden Aufruf wählst du ausdrücklich ein lokales Modell. Ollama lädt es bei Bedarf herunter; dafür ist zunächst eine Netzwerkverbindung nötig.

Das Modell benötigt ausreichend Arbeitsspeicher und Speicherplatz; die Ollama-Modellseite nennt die jeweilige Downloadgröße. Berücksichtige zusätzlichen Speicher für Kontext und Laufzeit. Die Ollama-Anleitung für Claude Code empfiehlt für größere Repositories ein Kontextfenster von mindestens 64k. Prüfe, ob deine Hardware das in der gewählten Konfiguration unterstützt.

Wie gut und schnell das Modell arbeitet, hängt von Hardware, Aufgabe und Kontext ab. Teste es mit repräsentativen, freigegebenen Aufgaben und vergleiche Ergebnis, Laufzeit und Nacharbeit. Wer regelmäßig wechselt, kann unterschiedliche Konfigurationen als Profile verwalten; Zugangsdaten sollten dabei nicht ungeschützt mitkopiert werden.


LLM-Stack vergleichen: Der Stack-Swap-Moment

Der Tausch einer Ebene ist kein Selbstzweck. Du tauschst das Modell, weil die Kosten zu hoch sind oder die Qualität nicht reicht. Du wechselst den Laufzeitort, weil bestimmte Daten nicht in eine Region oder zu einem Anbieter dürfen. Du probierst ein anderes Harness, weil der aktuelle Agent den Kontext schlecht auswählt oder zu viele manuelle Korrekturen erzwingt. In jedem Fall willst du wissen, was der Tausch für deine Arbeit bedeutet.

Wechsle dafür nicht den ganzen Stack auf einmal. Sonst siehst du zwar, dass sich etwas verändert hat, aber nicht, woran es lag. Aussagekräftiger ist ein kleines, kontrolliertes Experiment. Nimm eine konkrete Aufgabe aus deinem Alltag und halte fest, woran du ein gutes Ergebnis erkennst. Bei einer Programmieraufgabe sind das etwa bestandene Tests, bestimmte Akzeptanzkriterien und eine begrenzte Zahl manueller Nacharbeiten. Notiere zusätzlich Bearbeitungsdauer, Zahl der Eingriffe und entstandene Kosten. Die Kriterien müssen vor dem Vergleich feststehen, sonst bewertest du im Nachhinein vor allem den Ausgang, der dir besser gefällt.

Willst du den Einfluss des Modells verstehen, bleiben Umgebung, Harness, Zugang und möglichst auch der Laufzeitort unverändert. Nur das Modell wird getauscht. Aufgabe, Kontext, Regeln und verfügbare Werkzeuge bleiben gleich. Vergleiche anschließend nicht nur den fertigen Code, sondern auch die Zahl der Korrekturschleifen, die Bearbeitungszeit, die Kosten und die Zuverlässigkeit. Ein niedrigerer Tokenpreis kann durch mehr Nacharbeit oder längere Laufzeit wieder aufgezehrt werden. Umgekehrt kann ein teureres Modell günstiger sein, wenn es die Aufgabe schneller und mit weniger Fehlern erledigt. Ein konkretes Beispiel für einen solchen Modellvergleich beschreibt Nils Geistmann in „Lokale LLMs im Entwickler-Alltag“.

Den Einfluss des Harness untersuchst du auf ähnliche Weise: dasselbe Modell, derselbe Zugang und, soweit möglich, derselbe Laufzeitort.

Verglichen werden dann der Umgang mit dem Kontext, die Auswahl der Dateien, die verwendeten Werkzeuge, die Häufigkeit der Nachbesserungen und der eigene Kontrollaufwand. Ein Harness-Wechsel ist kein reiner Modellvergleich, denn die Arbeitsweise ändert sich mit: Ein System fragt häufiger nach, ein anderes führt mehr Schritte selbstständig aus. Das gehört zum Ergebnis und sollte nicht hinter einer möglichst ähnlichen Oberfläche verschwinden.

Auch bei Laufzeitort und Zugang gilt: Verändere möglichst nur die betreffende Ebene. Ist dieselbe Modellversion über verschiedene Anbieter oder Zugänge verfügbar, lassen sich so Kosten, Latenz, Verfügbarkeit, Limits und Datenflüsse vergleichen. Ein lokaler Vergleich ist nur mit Modellen möglich, die lokal bereitgestellt werden können; ist das Modell ein anderes, ändert sich mehr als eine Ebene. Halte genaue Modellversion, Region und Konfiguration fest. Anbieter können trotz gleicher Modellbezeichnung unterschiedliche Defaults, Filter oder Versionen verwenden. Für Datenschutzfragen reicht ein praktischer Test mit Beispieldaten ohnehin nicht. Dafür brauchst du zusätzlich die technische Dokumentation, die Speicher- und Löschfristen, die beteiligten Dienstleister und die vertraglichen Regelungen.

Das Ergebnis ist kein allgemeines Ranking der Ebenen, sondern eine Entscheidung für deinen Anwendungsfall: Dieses Modell liefert bei unseren Aufgaben genug Qualität zu geringeren Kosten. Dieser Laufzeitort erfüllt unsere Anforderungen an die Datenverarbeitung. Dieses Harness spart uns trotz Einarbeitung genügend manuelle Arbeit. Erst mit solchen Vergleichen wird aus dem Stack-Swap eine begründete Änderung statt eines Produktwechsels.


Was das für dich bedeutet

Die fünf Ebenen sind für alle Rollen dieselben. Die Fragen, die sich daraus ergeben, unterscheiden sich.

In der Entwicklung ist zuerst interessant, an welcher Stelle ein schlechtes Ergebnis entsteht. Fehlt dem Modell wichtiger Kontext, liest es die falschen Dateien oder bleiben Tests aus, liegt die Ursache eher beim Harness als beim Modell. Ist die Aufgabe klar beschrieben und der Kontext stimmt, lohnt sich ein Modellwechsel. In Claude Code kannst du das bei unterstützten Modellen mit /model in der laufenden Session ausprobieren; je nach Zugang kann stattdessen eine Konfigurationsänderung nötig sein.

In vielen Unternehmen sind allerdings nicht alle Ebenen frei wählbar. Häufig stehen Harness, Zugang und Laufzeitort fest, oft auch das Modell. Dann bleibt in der Praxis vor allem die Umgebung. Das CHARM-Modell macht solche Einschränkungen trotzdem sichtbar: Es hilft dir zu unterscheiden, ob du gerade eine technische Entscheidung triffst, eine Unternehmensvorgabe erfüllst oder dich nur an eine bestimmte Oberfläche gewöhnt hast. Und es zeigt, an welcher Stelle du nachfragen musst, wenn dich eine Vorgabe blockiert.

Für Projektleitung, Product Owner und Entscheidende stehen andere Fragen im Vordergrund. Hohe Kosten entstehen durch das Modell, durch den Zugang oder durch die Menge der vom Harness übertragenen Token. Bei Kundendaten zählt vor allem, wo die Verarbeitung stattfindet, welche weiteren Dienstleister beteiligt sind und welche Daten dort gespeichert werden. Und bei einem Anbieterwechsel lohnt der Blick über das Modell hinaus: Auch Harness und Umgebung erzeugen Wechselkosten.

Die Arbeit muss dabei nicht aus Programmcode bestehen. Ein Ordner mit Protokollen, Angebotstexten oder Markdown-Notizen ist genauso ein Arbeitskontext für ein Harness. Dafür brauchst du keine IDE. Am Ebenen-Modell ändert das nichts, es zeigt nur: Die erste Ebene muss keine Entwicklungsumgebung sein.


Fazit: Den eigenen LLM-Stack verstehen

„Ich nutze Claude Code" ist im Alltag eine ausreichende Antwort. Sobald ich aber etwas an meinem Setup ändern will, wird sie zu grob. Dann muss ich genauer hinschauen: Welches Modell läuft dort? Über welchen Zugang? In welcher Region? Was übernimmt das Harness, und welche Umgebung nutze ich dafür?

Das CHARM-Modell ist für mich deshalb keine weitere Produktbeschreibung, sondern eine Möglichkeit, diese Fragen zu sortieren. Sind die Kosten zu hoch, schaue ich auf Modell, Tokenverbrauch und Zugang. Geht es um Kundendaten, entscheiden Laufzeitort und Zugang. Passen die Ergebnisse nicht, prüfe ich zuerst, ob das Modell den richtigen Kontext bekommt und ob das Harness sinnvoll mit Dateien, Werkzeugen und Tests arbeitet.

Die Ebenen lassen sich nicht alle gleich leicht tauschen. Ein Modell ist oft mit einer Konfigurationszeile geändert. Bei einem anderen Zugang kommen Fragen zu Kosten, Verträgen und Datenverarbeitung dazu. Ein neues Harness muss ich kennenlernen und meine Regeln dorthin übertragen. Das ist Aufwand, aber ein anderer als ein kompletter Neustart. Genau diese Unterschiede werden sichtbar, wenn ich die fünf Ebenen getrennt betrachte und Veränderungen gezielt ausprobiere.

Darin liegt für mich der praktische Wert des Modells: Ich muss nicht behaupten, dass alle Kombinationen gleich gut sind. Ich kann herausfinden, welche Kombination zu meiner Aufgabe, meinen Daten und meiner Arbeitsweise passt. Ändert sich eine dieser Bedingungen, entscheide ich gezielter, was ich tatsächlich anfassen muss.


Quellen

Hinweis: Modellverfügbarkeit, Preise und technische Schnittstellen ändern sich. Die verlinkten Dokumentationen und Konfigurationsbeispiele sollten vor dem Einsatz erneut geprüft werden.

//

Weitere Artikel in diesem Themenbereich

Entdecke spannende weiterführende Themen und lass dich von der codecentric Welt inspirieren.

//
Jetzt für unseren Newsletter anmelden

Alles Wissenswerte auf einen Klick:
Unser Newsletter bietet dir die Möglichkeit, dich ohne großen Aufwand über die aktuellen Themen bei codecentric zu informieren.