Seit Januar 2026 teste ich Codex als IT Recruiter ohne Entwickler-Background. Memory-Game.net war mein bewusst klein gewählter Praxistest, um Agentic Coding zu verstehen, ein MVP zu bauen und die Auswirkungen von KI auf Recruiting, Rollenprofile und Skill-Bewertung besser einordnen zu können.
Seit Januar 2026 teste ich Codex und das Thema Agentic Coding sehr bewusst aus der Perspektive eines IT Recruiters. Mein Ziel war dabei nicht, mich in wenigen Wochen in einen Entwickler zu verwandeln. Ich wollte verstehen, wie weit man als Nicht-Developer mit einem starken Tool heute realistisch kommt, wenn man sauber fragt, konsequent testet und bereit ist, sich in neue Themen einzuarbeiten.
Ich schreibe diesen Artikel am 9. April 2026. Seit dem Jahreswechsel habe ich viele Abende mit VS Code, Terminal, GitHub, Deployment-Fragen und natürlich mit Codex verbracht. Das Ergebnis ist kein großes SaaS-Produkt, sondern etwas viel Wertvolleres für den Einstieg: ein reales kleines Projekt, an dem ich lernen konnte. Herausgekommen ist Memory-Game.net.
Dieser Beitrag ist der erste Teil meiner Reihe zu Codex, KI und Agentic Coding. Ich teile hier keine allgemeine KI-Meinung, sondern meine ersten konkreten Erfahrungen aus der Praxis. Gerade für HR- und Recruiting-Verantwortliche halte ich diese Perspektive für relevant, weil KI nicht nur Recruiting-Prozesse verändert, sondern auch die Arbeit der Teams, für die wir rekrutieren.
Mein Vorsatz zum Jahreswechsel war simpel: neue Dinge lernen, die in den nächsten Jahren relevant werden. Agentic Coding gehört für mich klar dazu.
Mein minimaler Wunsch war, das Thema zu verstehen und es wirklich auszuprobieren. Mein idealer Wunsch war größer: eigene Ideen als MVP anstoßen, Product-Market-Fit grob testen und mittelfristig auch interne Prozesse oder kleine Tools umsetzen, die uns im Alltag helfen.
Für mich als Selbstständigen gehört genau das dazu. Mein Main-Fokus bleibt natürlich die Arbeit bei Die Tech Recruiter. Gleichzeitig halte ich es für fahrlässig, neue Tools nur von außen zu kommentieren, statt sie selbst zu testen. Wenn sich Arbeitsweisen, Rollenprofile und Produktivität durch KI verändern, will ich das nicht nur aus zweiter Hand verstehen.
Wer heute nach Themen wie KI im Recruiting, Recruiting KI oder KI im HR sucht, landet oft bei Automatisierung, Matching, Screening oder Chatbots. Das ist auch relevant. Aus meiner Sicht greift es aber zu kurz. KI verändert nicht nur den Recruiting-Prozess, sondern parallel auch die Art, wie digitale Produkte gebaut, getestet und schneller in den Markt gebracht werden.
Bevor ich überhaupt mit dem Bauen angefangen habe, stand erst einmal eine sehr klassische Frage im Raum: Welche Idee eignet sich als erster Test?
Step 0 war deshalb kein Coding, sondern Recherche. Ich habe mir über den Google Keyword Planer angeschaut, welche Themen Suchvolumen haben und wo der Wettbewerb überschaubar wirkt. Daraus sind mehrere Ideen entstanden, die ich priorisiert habe.
Am Ende ist es ein Memory geworden, und zwar aus mehreren Gründen:
Genau deshalb war Memory-Game.net für mich ein guter Start. Das Projekt war klein genug, um nicht direkt an Komplexität zu scheitern, aber konkret genug, um echte Produkt- und Umsetzungsfragen zu erzeugen.
Rückblickend waren meine ersten Baustellen nicht React, JavaScript oder Architekturfragen. Die ersten Hürden waren deutlich grundlegender: VS Code verstehen, mit dem Terminal klarkommen, GitHub einordnen und überhaupt einen sinnvollen Workflow aufsetzen.
Für viele Entwickler klingt das banal. Für mich war das komplettes Neuland. Chris hat mir beim Setup und bei den ersten Schritten sehr geholfen, damit ich überhaupt sauber in das Thema reinkomme.
Danach wurde die Idee Schritt für Schritt konkreter:
codex init ausführen
Bild 1: Ein Blick ins Repository von Memory-Game.net. Für mich war genau das ein Teil des Lernprozesses: nicht nur mit Codex chatten, sondern auch GitHub, Projektstruktur und Änderungen besser verstehen.
Spätestens ab diesem Punkt wurde es für mich wirklich spannend. Denn jetzt ging es nicht mehr um Theorie, sondern um Zusammenarbeit.
Ich habe mir die Arbeit mit Codex über Wochen sehr einfach gemacht. Nicht im Sinne von bequem, sondern im Sinne von klar.
Genau so sahen viele meiner Abende im Januar aus.
Für mich war das der eigentliche Aha-Moment. Codex war in meiner Nutzung weder magische Blackbox noch Autopilot. Viel treffender ist: Das Tool wird dann stark, wenn man Anforderungen beschreiben, Rückfragen zulassen, Entscheidungen treffen und Ergebnisse testen kann.
Irgendwann stand das erste Spielfeld lokal im Browser. Für jemanden mit Entwickler-Erfahrung ist das wahrscheinlich kein besonderer Moment. Für mich war es einer.
Ich klicke auf die erste Karte und es passiert: nichts.
Also zurück zu Codex. Ich habe beschrieben, was ich gemacht habe und was ich erwartet hatte: Die Karte soll sich drehen und ein Symbol zeigen.
Codex arbeitet.
Ich teste erneut.
Und plötzlich funktioniert es.
Die Karte dreht sich und zeigt ein Symbol.
Bild 2: Die Live-Version von Memory-Game.net. Kein riesiges Produkt, aber für meinen ersten echten Praxistest mit Codex genau die richtige Größenordnung.
Das klingt banal. Für mich war genau das der Punkt, an dem aus einem abstrakten KI-Thema ein greifbarer Lernprozess wurde. Bis dahin waren die Schritte sehr kleinteilig. Genau das war aber auch richtig. Erst durch diese kleinen Schleifen habe ich mehr Routine bekommen und mich schrittweise an Begriffe, Abläufe und Entscheidungen herangearbeitet.
Mein bisher wichtigstes Learning ist nicht, dass jetzt plötzlich jeder Software bauen kann. Mein Learning ist ein anderes: Die Einstiegshürde ist deutlich niedriger geworden, aber Denken, Einordnen und Testen bleiben entscheidend.
Was mir bisher besonders auffällt:
Ich bin weiterhin kein Entwickler, kein DevOps und auch kein Designer. Aber ich kann heute deutlich besser beurteilen, welche Schritte nötig sind, wo Komplexität entsteht und an welchen Stellen ein starkes Tool echten Fortschritt bringt.
Für mich endet das Thema nicht bei einem kleinen Spiel. Agentic Coding ist auch deshalb relevant, weil es Rollenprofile, Skill-Bewertung und Zusammenarbeit in Tech-Teams verändern wird.
Wenn HR-Verantwortliche oder Recruiting-Leads nach KI im Recruiting suchen, denken viele zuerst an operative Recruiting-Themen: Automatisierung, Sourcing, Candidate Experience oder Sichtbarkeit in ChatGPT und anderen LLMs. Diese Themen sind real und wichtig. Dazu habe ich bereits einen eigenen Beitrag zu mehr Sichtbarkeit in KI und LLMs im IT-Recruiting veröffentlicht.
Meine Erfahrung mit Codex zeigt aber eine zweite Ebene, die aus meiner Sicht genauso wichtig wird: KI verändert auch die Arbeit auf der Fachseite. Und genau das wirkt direkt in Recruiting, Anforderungsprofilen und Skill-Bewertung hinein.
Wenn Nicht-Developer kleine MVPs, Skripte oder interne Tools schneller anstoßen können, dann verändert das nicht automatisch die Notwendigkeit guter Entwickler. Aber es verändert sehr wohl:
Aus Recruiter-Sicht ist das hochrelevant. Wir werden Rollen nicht mehr nur über klassische Tech-Stacks betrachten können. Wichtiger wird auch, wie jemand Probleme strukturiert, Anforderungen übersetzt, Tools nutzt, Ergebnisse validiert und mit KI-gestützten Workflows arbeitet.
Für mich ist genau das eine der spannendsten Fragen rund um Recruiting KI: Wie verändert generative KI und Agentic AI die tatsächliche Leistung in Produkt-, Engineering- und Delivery-Teams? Wer diese Verschiebung nicht versteht, wird in den nächsten Jahren Stellenprofile zwar weiter ausschreiben, aber immer schlechter bewerten können.
Genau an diesem Punkt wird die Übersetzungsleistung zwischen Business, Recruiting und Tech wichtiger. Unternehmen, die ihre Suchprofile, Anforderungen und Prozesse an diese Realität anpassen wollen, unterstützen wir im Rahmen unserer IT Personalberatung und IT Personalvermittlung. Und wenn Recruiting-Teams ihr technisches Grundverständnis und ihre Einordnung von Rollen weiter schärfen wollen, ist auch unser IT Recruitment Training ein sinnvoller Hebel.
Wer das Thema breiter betrachten möchte, findet bei uns außerdem bereits eine grundsätzliche Einordnung zu IT-Recruiting im digitalen Zeitalter. Dieser Codex-Artikel ergänzt die Perspektive nun um den praktischen Blick auf Agentic Coding.
Für mich war Memory-Game.net nicht nur ein Coding-Test, sondern auch ein kleiner Sichtbarkeits-Test. Die ersten Google-Zahlen bestätigen bereits, dass das Thema funktioniert: Die Impressions steigen und die ersten organischen Klicks kommen rein.
Gerade deshalb bleibe ich bei einer Überzeugung, die wir auch bei Die Tech Recruiter in den letzten 1,5 Jahren immer wieder bestätigt gesehen haben: SEO ist auch 2026 nicht erledigt. Wer sauber strukturiert, Suchintention ernst nimmt und Inhalte technisch wie inhaltlich ordentlich aufsetzt, kann weiterhin organische Reichweite aufbauen.
Genau zu diesem Thema haben wir bei DTR in den letzten 18 Monaten viel Know-how aufgebaut, unter anderem rund um SEO für Stellenanzeigen, Google for Jobs und planbare Reichweite. Wer sich dafür interessiert, kann sich gerne unsere Seite zum IT-Stellenanzeige schalten anschauen.
Ich halte das Fazit bewusst nüchtern: Codex ist für mich ein starkes Werkzeug, aber kein Ersatz für Verständnis.
Wer gar keine Lust hat zu lernen, wird auch mit Agentic Coding keine guten Ergebnisse bekommen. Wer aber bereit ist, Begriffe zu klären, Entscheidungen sauber zu treffen, kleine Schleifen zu akzeptieren und Scope bewusst klein zu halten, kann heute Dinge umsetzen, die vor kurzer Zeit noch deutlich weiter weg wirkten.
Genau deshalb bin ich mit dem Ergebnis von Memory-Game.net zufrieden. Nicht, weil es technisch das komplexeste Projekt der Welt ist, sondern weil es für mich ein echter Praxistest war.
Ich bleibe an dem Thema dran und werde auch weiter teilen, was ich baue, wie ich vorgehe und was aus meiner Sicht wirklich funktioniert. Gerade im Spannungsfeld aus KI im Recruiting, veränderten Rollenprofilen und Agentic Coding steckt aus meiner Sicht in den nächsten Jahren sehr viel Bewegung.
Wenn du ähnliche Erfahrungen gemacht hast oder gerade selbst mit Codex und Agentic Coding startest, schreib mir gerne: br@dietechrecruiter.de
