„AI removed the speed limit“ – mit diesem Satz beschreibt ein vielbeachteter Blogpost die aktuelle Entwicklung in der Softwareentwicklung. Gemeint ist nicht, dass jetzt alles schneller fertig wird und wir alle mehr Freizeit haben. Im Gegenteil: KI-gestützte Code-Erstellung gefährdet die Qualität ganzer Codebasen, weil die Geschwindigkeit des Erzeugens die Fähigkeit des Verstehens übersteigt. Das klingt provokant, spiegelt aber viele aktuelle Erfahrungen in Entwicklerteams wider.
Arbeitest du in einem Team, das KI-Tools wie Copilot, Claude oder ähnliche Agenten einsetzt, kennst du das vielleicht: Pull Requests werden größer, Review-Prozesse dauern länger, und die Entscheidungen hinter dem Code sind oft nicht mehr nachvollziehbar. Der Autor beschreibt diese Entwicklung anhand eines fiktiven, aber realistischen Beispiels aus dem Jahr 2026 – und zeigt, warum dies kein temporäres Problem ist, sondern strukturelle Auswirkungen auf die Rollen von Entwicklern haben wird.
Das Szenario 2026: Wenn KI die Code-Erstellung beschleunigt
Das Bild, das der Autor malt, dürfte vielen bekannt vorkommen: Ein Entwickler öffnet an einem Montagmorgen sieben Pull Requests, die seit Freitag eingegangen sind. Früher war das die Menge nach einem zweiwöchigen Urlaub. Jetzt passiert das über ein Wochenende. Die erste PR umfasst 25.000 Zeilen Code, begleitet von einer KI-generierten Beschreibung, die vage klingt und keine wirkliche Erklärung liefert. Auf Nachfrage verweist der Kollege auf ein Gespräch mit einem LLM – ein Chatverlauf, in dem die Architekturentscheidung irgendwo zwischen 15 Änderungsvorschlägen begraben liegt.
Das beschriebene Phänomen beobachten viele Teams bereits: Die Werkzeuge ermöglichen enorme Produktivitätssteigerung, aber ohne tiefes Verständnis des Kontexts entsteht Code, der funktioniert, den aber niemand durchschaut. Der Autor vergleicht das mit einem Luxusauto auf Kredit: Man sieht den schönen Wagen, aber die Schulden – die technischen Schulden – sind unsichtbar. Während man die monatliche Rate zahlt, türmen sich die Zinsen auf.
Die Situation führt zu einer paradoxen Entwicklung: Das Team produziert mehr, aber das System wird zunehmend unwartbar. Ein einfacher Bug lässt sich nicht mehr anhand von Logik, sondern nur durch erneutes Fragen an die KI beheben. Der Autor erzählt von einem Feature, bei dem niemand mehr weiß, woher die Daten kommen. Der Entwickler, der es gebaut hat, schlägt vor, einfach die KI zu fragen. Das Problem: Die KI gibt Antworten, die selbstsicher klingen, aber nicht verifiziert sind.
Technische Schulden auf Kredit: Die unsichtbare Gefahr
Technische Schulden sind nicht per se schlecht, betont der Autor. Entscheidend ist, dass man sie bewusst eingeht und weiß, dass es sich um einen Kompromiss handelt. Doch mit der Geschwindigkeit, die KI-generierter Code ermöglicht, entstehen Schulden unkontrolliert. Ein Entwickler kann 20.000 Zeilen an einem Nachmittag erzeugen – aber die Zeit, diese Zeilen zu verstehen, ist nicht mitgewachsen. Die Folge: Entscheidungen basieren auf vagen Annahmen, und die Auswirkungen zeigen sich erst Monate später.
Besonders tückisch sind Datenmodell-Änderungen. Wenn ein LLM in zehn Minuten ein paar Tabellen und Spalten zur Datenbank hinzufügt, ist das schnell erledigt. Aber sobald diese Tabellen mit echten Daten gefüllt sind, lässt sich das nicht einfach rückgängig machen. Man braucht Migrationspläne, muss auf laufende Systeme achten und Risiken absichern. Während man also versucht, einen Fehler zu beheben, kommen fünf neue PRs dazu – und der Berg wächst.
Das betrifft nicht nur unerfahrene Entwickler. Auch erfahrene Ingenieure geraten in den Sog der Beschleunigung. Die Verlockung, einfach mal schnell etwas ausprobieren zu lassen, ist groß. Aber die Verantwortung für die Entscheidung bleibt beim Menschen – und wenn er die Entscheidung nicht nachvollziehen kann, dann wäre es besser, sie nicht zu treffen. Genau diese Reflexion geht in der Routine des täglichen Arbeitens verloren.
Gute und schlechte Ingenieure: Die Schere öffnet sich
Die KI vergrößert die Lücke zwischen guten und schlechten Entwicklern. Vorher gab es eine natürliche Begrenzung: Ein schlechter Entwickler konnte vielleicht viel Code schreiben, aber nicht zu viel davon war ein echtes Problem, weil er Zeit brauchte. Heute kann er mit Hilfe von KI in einer Woche so viel produzieren wie früher in einem Jahr – mit entsprechend mehr Gelegenheiten, Unsinn zu verzapfen. Der Schaden, den ein einzelner unkritischer Entwickler anrichten kann, ist heute ungleich größer.
Gleichzeitig werden die guten Entwickler wertvoller, weil sie die KI als Werkzeug nutzen, ohne die Kontrolle zu verlieren. Sie können die Outputs bewerten, fundierte Entscheidungen treffen und die Architektur im Blick behalten. Diese Fähigkeit, das Gesamtbild zu verstehen und Verantwortung zu übernehmen, wird zum entscheidenden Differenzierungsmerkmal. Die hohen Gehälter in Tech-Zentren wie London oder San Francisco sind ein Indikator: Unternehmen zahlen nicht für die reine Umsetzung, sondern für Entscheidungskompetenz.
Das hat Konsequenzen für den Arbeitsmarkt. Der Autor prognostiziert, dass die Gehaltsspreizung weiter zunehmen wird: Die besten Ingenieure werden noch besser bezahlt, weil sie mit KI-Unterstützung immense Produktivität entfalten und gleichzeitig für Stabilität sorgen. Diejenigen, die nur implementieren, ohne zu verstehen, werden ersetzbar – nicht durch bessere KI, sondern durch andere, die die KI besser beherrschen. Die Mittelschicht, die früher durchschnittliche Leistung erbrachte, wird ausgedünnt.
Warum jemand das Gesamtbild verstehen muss
Im Zentrum des Artikels steht die These: „Jemand muss wissen, was gerade passiert.“ Gemeint ist, dass in jedem Projekt eine Person existieren muss, die die Zusammenhänge überblickt – nicht jede Codezeile kennt, aber die Architektur, die Datenflüsse und die Abhängigkeiten. In der Vergangenheit war das der Senior-/Lead-Entwickler. Heute stellt sich die Frage, wie diese Rolle unter den Bedingungen der KI-gestützten Entwicklung ausgeübt werden kann.
Der Autor schildert die Situation, in der ein Entwickler auf die Frage nach der Datenquelle einfach einen Link zu einem Claude-Chatverlauf schickt. Das ist ehrlich, aber auch ein Zeichen dafür, dass er selbst nicht mehr weiß, warum das System so funktioniert, wie es funktioniert. Genau da liegt das Problem: Wenn niemand mehr das Warum kennt, dann gibt es auch niemanden, der erklären kann, warum eine Änderung nötig ist oder welche Auswirkungen sie haben wird. Die Wartbarkeit leidet massiv.
Das Verständnis des Kontexts ist eine nicht delegierbare menschliche Fähigkeit. Man kann die KI bitten, einen Code zu erklären, aber man kann ihr nicht die Verantwortung für die Entscheidung übertragen, ob diese Lösung richtig ist. Diese Verantwortung bleibt beim Menschen – und diejenigen, die sie übernehmen, werden unverzichtbar. Die anderen werden zu reinen Ausführungsgehilfen degradiert – mit deutlich geringerer Wertschätzung und geringerem Gehalt.
Über Software hinaus: Der Trend in der Wissensarbeit
Die Beobachtungen des Autors beschränken sich nicht auf die Softwareentwicklung. Er sieht eine ähnliche Dynamik in anderen Bereichen der Wissensarbeit: überall dort, wo KI eingesetzt wird, um Ergebnisse zu erzeugen, wird die Fähigkeit, diese Ergebnisse zu beurteilen, zum kritischen Faktor. Ob in der Rechtsberatung, im Finanzwesen oder in der medizinischen Diagnostik – überall entsteht die Spaltung zwischen denen, die KI nutzen, um bessere Entscheidungen zu treffen, und denen, die sich von der KI treiben lassen.
Früher konnte ein gewisses Maß an Inkompetenz toleriert werden, weil die Geschwindigkeit der Arbeit limitiert war. Ein schlechter Analyst konnte nicht allzu viel Schaden anrichten, wenn er nur wenige Berichte pro Monat erstellen konnte. Heute kann er hunderte generieren lassen – und wenn niemand die Qualität prüft, entstehen falsche Entscheidungen, die teuer werden. Die KI verstärkt also nicht nur positive Effekte, sondern auch negative.
Das führt zu einer radikalen Konsequenz: Die Anforderungen an diejenigen, die in Wissensberufen arbeiten wollen, werden steigen. Es reicht nicht mehr, die Werkzeuge zu bedienen; man muss die dahinterliegenden Prinzipien verstehen und kritisch hinterfragen können. Der Autor formuliert es klar: „Wenn dir das Urteilsvermögen fehlt, um die Empfehlung des LLM zu bewerten, dann löst das Nachfragen mehr Urteilsvermögen nicht das Problem.“ Eine einfache, aber tiefgreifende Einsicht.
Was das konkret für deine Karriere bedeutet
Wenn du jetzt in der Softwareentwicklung arbeitest oder dich darauf vorbereitest, solltest du die Warnung des Autors ernst nehmen. Die KI wird nicht alle Jobs ersetzen, aber sie wird die Wertigkeit bestimmter Fähigkeiten verschieben. Reines Code-Schreiben wird immer weniger wert sein, weil es die Maschine günstiger und schneller kann. Was einen Entwickler unersetzlich macht, ist das Verständnis für das System als Ganzes – die Fähigkeit, Trade-offs zu erkennen, Risiken abzuwägen und Entscheidungen zu treffen, die auf einem soliden mentalen Modell basieren.
Das bedeutet nicht, dass du jede Zeile selbst schreiben musst. Die KI kann dir die Implementierung abnehmen – das ist ein Segen. Aber du musst verstehen, was sie da tut, und du musst in der Lage sein, ihre Vorschläge zu hinterfragen. Ein gutes Training dafür ist, regelmäßig Refactoring zu üben, Architektur-Dokumentationen zu erstellen und dich in Reviews nicht nur auf die Logik, sondern auch auf die konzeptionelle Passung zu konzentrieren. Wer das beherrscht, wird in der neuen Ökonomie nicht nur überleben, sondern florieren.
Der Autor endet mit einer nüchternen Prognose: Die Mittelschicht der Softwareentwickler wird verschwinden, weil die KI die Produktivität einzelner erhöht und gleichzeitig die Fehlerkosten für Untaugliche explodieren. Das ist keine Katastrophe, sondern eine Bereinigung. Für diejenigen, die bereit sind, Verantwortung zu übernehmen und ihre Urteilsfähigkeit zu schärfen, eröffnen sich Chancen. Für alle anderen wird es eng. Also nutze die KI als Werkzeug, aber lass dich nicht von ihr ersetzen – indem du selbst zum Experten für das große Ganze wirst.
Quelle: blog.florianherrengt.com
