Jules

Jules ist Googles Antwort auf eine Frage, die sich beim Programmieren mit KI aufdrängt: Muss man eigentlich daneben sitzen? Bei Cursor, Cline oder Claude Code arbeitet man mit dem Agenten — man schaut zu, greift ein, korrigiert. Jules dreht das um: Man übergibt eine Aufgabe und geht weg.

Der Ablauf ist schnell erzählt. Man wählt ein GitHub-Repository und einen Branch, beschreibt die Aufgabe möglichst genau, und Jules klont das Projekt in eine eigene virtuelle Maschine in der Cloud. Dort liest der Agent sich ein und legt zunächst einen Plan vor: welche Dateien er anfassen will und was er vorhat. Nach der Bestätigung arbeitet er, und am Ende bekommt man einen Diff zur Durchsicht und daraus einen Pull Request auf GitHub. Besonders charmant ist der Einstieg über GitHub selbst: Ein Ticket mit dem Label jules zu versehen genügt, um die Aufgabe zu übergeben.

Für welche Arbeit eignet sich das? Für genau die Sorte, die niemand gern macht und die deshalb liegenbleibt: Abhängigkeiten aktualisieren, ein Versionssprung mit vielen kleinen Anpassungen, fehlende Tests nachrüsten, überschaubare Fehler beheben, Aufräumarbeiten. Der Anbieter bewirbt das selbst mit „die Programmieraufgaben, die du nicht machen willst" — eine für Produktseiten erfrischend ehrliche Positionierung.

Die kostenlose Stufe ist ungewöhnlich brauchbar: 15 Aufgaben pro Tag bei drei gleichzeitigen Vorgängen reichen für gelegentliche Nutzung problemlos aus. Wer mehr braucht, bekommt es nicht als eigenes Abo, sondern über die allgemeinen Google-KI-Abonnements: Pro hebt auf 100 Aufgaben täglich und 15 gleichzeitige Vorgänge mit besserem Modellzugriff, Ultra auf 300 Aufgaben und 60 gleichzeitige Vorgänge. Wer ohnehin eines dieser Abonnements hat, bekommt Jules also faktisch dazu.

Der entscheidende Punkt für dieses Verzeichnis ist aber ein anderer. Jules klont den Quelltext auf Google-Infrastruktur und verarbeitet ihn dort. Anders als bei clientseitigen Werkzeugen wie Cline oder OpenCode, bei denen der Code vom eigenen Rechner direkt an ein frei gewähltes Modell geht, ist hier der Verarbeitungsort festgelegt — und es ist nicht der eigene. Deshalb steht der Eintrag auf DSGVO „bedingt", konsistent mit Antigravity, Gemini und den übrigen gehosteten Agenten im Verzeichnis.

Das ist keine Warnung vor dem Werkzeug, sondern eine Angabe zur Eignung. Für ein quelloffenes Nebenprojekt ist es belanglos. Für ein Repository mit Geschäftsgeheimnissen oder Kundendaten im Testbestand ist es eine Entscheidung, die man bewusst und mit Blick auf die vertraglichen Zusagen des eigenen Google-Vertrags treffen sollte — nicht nebenbei durch Anklicken eines GitHub-Labels. Wer diese Daten nicht aus dem Haus geben darf, braucht ein Werkzeug mit Selbstbetrieb; im Verzeichnis adressiert das etwa die Enterprise-Variante von OpenCode.

Weitere Grenzen, die man kennen sollte. Jules ist an GitHub gebunden — wer GitLab, Bitbucket oder etwas Eigenes nutzt, bleibt außen vor. Es gibt keine Programmierschnittstelle, der Agent lässt sich also nicht in eigene Abläufe einbetten. Und es laufen ausschließlich Gemini-Modelle; auf der kostenlosen Stufe zudem nicht die jeweils stärksten, was bei anspruchsvollen Aufgaben spürbar ist.

Der grundsätzlichste Vorbehalt betrifft aber die Arbeitsweise selbst. Asynchrones Arbeiten ist nur dann ein Gewinn, wenn die Aufgabe gut genug beschrieben ist, dass sie ohne Rückfragen gelingt. Ist sie das nicht, bekommt man nach zwanzig Minuten einen Pull Request, der am Ziel vorbeigeht — und hat mehr Zeit verloren als mit einem Editor-Agenten, bei dem man nach zwei Minuten korrigierend eingreift. Jules belohnt präzise Aufgabenstellungen und bestraft vage. Für enge Rückkopplung beim Entwerfen ist es schlicht das falsche Werkzeug.

Richtig eingesetzt ist der Gewinn aber real: Man schiebt drei liegengebliebene Wartungsaufgaben an, arbeitet an etwas Wichtigem weiter und prüft später drei fertige Pull Requests. Das ist eine andere Art, mit KI zu programmieren — und für einen Teil der täglichen Arbeit die passendere.