Die meisten Entwickler nutzen KI immer noch so, wie sie 2023 ChatGPT verwendet haben.
Chat öffnen. Frage stellen. Code kopieren. In den Editor einfügen. Wiederholen.
Es funktioniert. Niemand behauptet, dass es nicht funktioniert.
Aber es wird bereits auf eine Weise veraltet, die die meisten noch nicht bemerkt haben. Und die Entwickler, die es früh bemerken, bauen sich leise einen Vorteil auf, der später nur sehr schwer wieder aufzuholen sein wird.
Gerade entsteht eine neue Kategorie von Entwicklern. Sie nutzen KI nicht als Codierungs-Assistenten wie alle anderen. Sie bauen ganze Betriebssysteme darum herum. Strukturierte Systeme mit Gedächtnis, Kontext, spezialisierten Agenten, Verifikationsschleifen und Workflows, die sich im Laufe der Zeit verstärken.
Der Abstand zwischen diesen beiden Ansätzen entwickelt sich zu einem der bedeutendsten Wettbewerbsvorteile in der Softwareentwicklung. Nicht, weil die eine Gruppe schlauer wäre als die andere. Sondern weil die eine Gruppe früher verstanden hat, dass die wirkliche Hebelwirkung nie im Modell selbst lag. Sie lag immer im System um das Modell herum.
Die Entwickler, die diesen Wandel heute verstehen, werden einen Vorteil haben, der in den nächsten Jahren immer weiter wächst. Denn die Zukunft der Softwareentwicklung dreht sich nicht darum, schneller Code zu schreiben. Es geht darum, Intelligenz in großem Maßstab zu orchestrieren.
Die Diskussion, die alle führen, ist die falsche
In den letzten zwei Jahren wurde die gesamte KI-Diskussion von einer Frage dominiert, die sich in immer neuen Varianten wiederholt.
Welches Modell ist besser?
Claude gegen GPT. GPT gegen Gemini. Gemini gegen DeepSeek. Open-Source gegen proprietär. Jeder vergleicht Benchmarks, Code-Bewertungen, Kontextfenster und Reasoning-Auswertungen, als ob das Modell selbst das Ziel des Wettbewerbs sei.
Diese Diskussion wird langsam weniger wichtig, als die Beteiligten glauben.
Eine wertvollere Frage zeichnet sich leise unter all dem Lärm ab.
Wie verwandelt man ein Sprachmodell in einen produktiven Softwareentwickler?
Keinen Chatbot, der Fragen beantwortet. Keine Autovervollständigungs-Engine, die Tastenanschläge spart. Keinen Codegenerator, der auf Abruf Funktionen produziert. Ein echtes Engineering-System, das in der Lage ist, Arbeit zu planen, Lösungen zu recherchieren, Code zu überprüfen, Fehler zu finden, Tests zu schreiben, Dokumentationen zu aktualisieren, Kontext über lange Projekte hinweg zu verwalten, aus früheren Entscheidungen zu lernen und seine eigenen Ergebnisse im Laufe der Zeit zu verbessern.
Diese Transformation geschieht gerade rund um Tools wie Claude Code. Und sie ist viel größer, als die Benchmark-Debatten vermuten lassen.
Die erste Welle von KI-Codierungswerkzeugen hat das falsche Problem gelöst
Die erste Generation von KI-Codierungswerkzeugen konzentrierte sich fast ausschließlich auf die Codegenerierung. Das war das offensichtliche Problem, das es zu lösen galt, und es war ein echtes Problem, das sich zu lösen lohnte.
GitHub Copilot zeigte, dass KI Code auf wirklich nützliche Weise automatisch vervollständigen kann. ChatGPT machte Softwareentwicklung zum ersten Mal dialogorientiert. Modelle verbesserten sich rasant. Kontextfenster wurden größer. Die Codequalität stieg so weit, dass die Ausgaben oft mit minimaler Bearbeitung produktionsreif waren.
Eine Zeitlang hatte man das Gefühl, die gesamte Branche würde auf ein einziges klares Ziel zusteuern: Mehr Code generieren, schneller, mit weniger Fehlern.
Aber erfahrene Ingenieure entdeckten schnell etwas, das von Anfang an hätte klar sein sollen.
Code zu schreiben ist selten der schwierigste Teil der Softwareentwicklung.
Die eigentliche Arbeit, die den Großteil der Zeit eines Senior Engineers und den Großteil der Energie eines Teams beansprucht, sieht meist so aus: Anforderungen verstehen, die unvollständig oder widersprüchlich sind. Lösungen in einer Codebasis recherchieren, die Jahre an Historie und Entscheidungen in sich trägt. Architekturentscheidungen treffen, die sich entweder in Vorteile oder in technische Schulden verwandeln, je nachdem, wie gut sie durchdacht sind. Technische Schulden verwalten, sobald sie sich anhäufen. Grenzfälle testen, an die während der Planung niemand gedacht hat. Implementierungen auf Korrektheit, Sicherheit und Wartbarkeit prüfen. Produktionsprobleme unter Druck debuggen. Dokumentation pflegen, die immer leicht veraltet ist. Komplexe Projekte über Menschen hinweg koordinieren, die unterschiedliche mentale Modelle dessen haben, was gebaut wird.
Der Großteil des Engineering-Lebenszyklus findet außerhalb des Editors statt.
Und genau dort begannen die traditionellen KI-Workflows – der „Chat öffnen, Code kopieren“-Ansatz – völlig zu versagen.
Warum sich Claude Code wirklich anders anfühlt als alles davor
Claude Code führte eine grundlegend andere Idee ein, und es lohnt sich, das genau zu benennen, weil der Unterschied leicht zu unterschätzen ist.
Statt KI als etwas zu betrachten, das man gelegentlich um Hilfe bittet, platziert es KI direkt in den Arbeitsablauf selbst – als aktiven Teilnehmer an der Ausführung.
Das klingt nach einer subtilen Unterscheidung. Sie ist überhaupt nicht subtil.
Ein Chatbot wartet auf Anweisungen und reagiert darauf. Ein Operator nimmt an der Ausführung teil und führt Aktionen in Ihrer tatsächlichen Umgebung aus. Diese Unterscheidung verändert die gesamte Art der Beziehung zwischen Entwickler und Werkzeug.
Als Entwickler ernsthaft mit Claude Code arbeiteten, verlagerte sich die Diskussion von der Frage, ob KI eine bestimmte Funktion schreiben kann, hin zur Frage, ob KI einen gesamten Workflow von Anfang bis Ende bewältigen kann. Sobald diese Frage in Ihrem Kopf auftaucht, hören Sie auf, Codegenerierung als Ziel zu betrachten. Sie beginnen, über Systeme nachzudenken. Und Systeme sind der Ort, an dem die wirkliche Hebelwirkung im Engineering schon immer existiert hat.
Die Entwickler, die heute am meisten aus Claude Code herausholen, sind nicht diejenigen, die die cleversten einzelnen Prompts schreiben. Es sind diejenigen, die die durchdachtesten Systeme darum herum gebaut haben.
Der Engpass ist fast nie die Intelligenz
Die meisten Menschen nehmen an, dass mittelmäßige KI-Ausgaben daher rühren, dass das Modell nicht intelligent genug ist. Diese Annahme führt zu einer ständigen Suche nach einem besseren Modell, das endlich die Ergebnisse liefert, auf die alle warten.
In Wirklichkeit ist der Engpass fast immer der Kontext. Nicht die Intelligenz. Der Kontext.
Stellen Sie sich vor, Sie stellen den besten Softwareentwickler ein, den Sie sich vorstellen können, und geben ihm dann keine Dokumentation, keine Projekthistorie, keine Codierungsstandards, keine Aufzeichnungen früherer Architekturentscheidungen und kein Wissen über die Fehler, die bereits gefunden und behoben wurden. Dieser Entwickler würde enorm zu kämpfen haben. Nicht, weil er unfähig ist. Sondern weil er ohne den Kontext arbeitet, der die Fähigkeiten erst nutzbar macht.
KI-Modelle stehen vor dem exakt gleichen Problem in jeder Unterhaltung, die frisch beginnt, ohne Erinnerung an das, was zuvor war.
Das erklärt etwas, das Menschen verwirrt, wenn sie zum ersten Mal damit in Berührung kommen. Zwei Entwickler können das exakt gleiche Modell verwenden und Ergebnisse erzielen, die aussehen, als kämen sie von völlig unterschiedlichen Werkzeugen. Der eine erhält Ausgaben, die wirklich nützlich und produktionsreif sind. Der andere erhält mittelmäßige Ausgaben, die mehr Korrekturen erfordern, als der ursprüngliche Code gebraucht hätte.
Der Unterschied ist fast nie das Modell. Der Unterschied ist das Kontextmanagement. Der eine Entwickler gab dem Modell, was es brauchte, um gut zu arbeiten. Der andere tat das nicht.
Das ist eines der praktisch wichtigsten Dinge, die man über die ernsthafte Arbeit mit KI verstehen muss. Sie wählen nicht nur ein Modell aus. Sie bauen eine Umgebung auf, in der dieses Modell effektiv arbeiten kann. Die Umgebung bestimmt die Ausgabe weit mehr als die rohe Fähigkeit des darin befindlichen Modells.
Kontext wird zur neuen Infrastruktur
Die meisten KI-Diskussionen konzentrieren sich auf Prompts, weil Prompts die sichtbare Schicht sind. Sie sind das, was Sie tippen. Sie sind das, was Sie sehen. Sie fühlen sich an wie das, was Sie kontrollieren.
Aber Prompts sind nur die Oberfläche.
Unter jedem konsequent erfolgreichen KI-Workflow sitzt eine viel größere Infrastruktur, über die die meisten Menschen nie explizit nachdenken und über die fast nie öffentlich gesprochen wird.
Diese Infrastruktur umfasst Gedächtnissysteme, die Informationen über Sitzungen hinweg speichern, anstatt jedes Mal bei Null anzufangen. Wissensspeicher, der Entscheidungen, Standards und Muster in einer Form erfasst, auf die das Modell zugreifen kann. Kontextabruf, der die richtigen Informationen zum richtigen Zeitpunkt an die Oberfläche bringt, ohne das Modell auf einmal zu überfordern. Workflow-Orchestrierung, die Aufgaben in der richtigen Reihenfolge mit den richtigen Eingaben dazwischen sequenziert. Evaluierungsschleifen, die Ausgaben gegen Standards prüfen, bevor sie zur nächsten Stufe gelangen. Sicherheitskontrollen, die definieren, was das Modell berühren darf und was nicht. Verifikationspipelines, die Fehler abfangen, bevor sie sich auswirken. Leistungsüberwachung, die Punkte identifiziert, an denen das System schlechte Ausgaben produziert, damit diese Punkte verbessert werden können.
Diese Systeme bestimmen, ob KI für eine Engineering-Organisation wirklich nützlich wird oder eine teure Autovervollständigungs-Engine bleibt, die ein paar Tastenanschläge spart und in Demos beeindruckt.
Die Unternehmen und einzelnen Entwickler, die diese Schichten heute aufbauen, bauen im Grunde die Betriebssysteme der KI-Ära. Sie nutzen nicht nur die vorhandenen Werkzeuge. Sie bauen die Infrastruktur, auf der die nächste Generation von Werkzeugen laufen wird.
Der Aufstieg der agentischen Entwicklung und warum er dem Aufbau großartiger Teams ähnelt
Hierhin bewegt sich die Softwareentwicklung, und es ist leichter zu verstehen, wenn man es mit etwas verbindet, das bereits intuitiv Sinn ergibt.
Denken Sie daran, wie eine wirklich effektive Engineering-Organisation funktioniert. Sie stellen nicht eine Person ein und bitten sie, alles zu erledigen. Sie haben Spezialisten, die in bestimmten Bereichen sehr erfahren sind. Forscher, die den Problemraum verstehen. Architekten, die strukturelle Entscheidungen treffen. Prüfer, die Probleme in der Implementierung erkennen. Sicherheitsingenieure, die darüber nachdenken, was schiefgehen kann, auf eine Weise, die produktionsorientierte Ingenieure übersehen. QA-Ingenieure, die Annahmen an der Realität testen. Technische Redakteure, die das System für alle verständlich machen, die damit arbeiten. Betreiber, die alles in Produktion am Laufen halten.
Das gleiche Muster entsteht in fortschrittlichen KI-Workflows.
Ein gut gestaltetes agentisches System könnte heute einen Research Agent durchlaufen, der den Problemraum untersucht, bevor Entscheidungen getroffen werden, dann einen Architecture Agent, der den strukturellen Ansatz basierend auf dieser Recherche entwirft, dann einen Implementation Agent, der den Code gemäß der Architekturspezifikation schreibt, dann einen Testing Agent, der die Implementierung gegen Anforderungen und Grenzfälle prüft, dann einen Security Agent, der auf Schwachstellen überprüft, dann einen Documentation Agent, der festhält, was gebaut wurde und warum, dann einen Deployment Agent, der den Release-Prozess verwaltet.
Jedes System hat eine spezifische Verantwortung. Jedes System konzentriert sich auf ein spezifisches Problem. Zusammen verhalten sie sich weniger wie ein Chatbot und mehr wie eine Engineering-Organisation mit definierten Rollen und klaren Übergaben zwischen ihnen.
Deshalb verbringen die anspruchsvollsten Claude-Code-Nutzer nicht mehr die meiste Zeit damit, einzelne Prompts zu verfassen. Sie verbringen ihre Zeit damit, Workflows zu entwerfen. Der Prompt ist nur die Eingabe für eine Stufe in einem größeren System. Das System ist das, was konstant gute Ergebnisse liefert.
Gedächtnis könnte letztlich wichtiger sein als die Modellfähigkeit
Dies ist die Verschiebung, die die meisten Menschen nicht ernst genug nehmen, und es ist diejenige, von der ich glaube, dass sie in den nächsten Jahren am wichtigsten sein wird.
Modelle verbessern sich rasant, und die Lücke zwischen den besten verfügbaren Modellen schrumpft. Die Benchmarks zwischen den führenden Modellen kommen sich näher, nicht weiter auseinander. Die Modellkriege, die die Diskussion dominieren, werden über Unterschiede ausgetragen, die schrumpfen.
Aber Gedächtnis schafft sich verstärkende Vorteile, die nicht schrumpfen. Sie wachsen.
Denken Sie daran, was einen Senior Engineer im Vergleich zu einem Junior Engineer mit ähnlicher roher Intelligenz wirklich wertvoll macht. Erfahrung. Und Erfahrung ist wichtig, weil Erfahrung Gedächtnis schafft. Gedächtnis schafft Intuition darüber, was funktioniert und was nicht. Intuition schafft bessere Entscheidungen, die schneller und mit weniger Energie getroffen werden. Diese besseren Entscheidungen verstärken sich im Laufe der Zeit zu einer Erfolgsbilanz und einer Urteilstiefe, die nicht schnell repliziert werden kann.
Ohne Gedächtnis beginnt jedes Projekt bei Null, unabhängig davon, was zuvor passiert ist. Jeder Fehler wird wiederholt, weil es keine Aufzeichnung darüber gibt, dass er gemacht wurde. Jede gelernte Lektion verschwindet am Ende der Sitzung. Jeder gut funktionierende Workflow muss beim nächsten Bedarf neu aufgebaut werden. Das ist eine enorme Ineffizienz, die sich unsichtbar über jedes Projekt hinweg ansammelt.
Deshalb konzentrieren sich die zukunftsorientiertesten KI-Systembauer stark auf Sitzungspersistenz, die Kontext über Gespräche hinweg trägt, Langzeitgedächtnis, das Muster und Entscheidungen in einer abrufbaren Form erfasst, Wissensakkumulation, die auf sich selbst aufbaut, anstatt zurückzusetzen, und Workflow-Evolution, die das System basierend auf dem verbessert, was zuvor funktioniert hat.
Die Zukunft, die tatsächlich kommt, sind nicht einfach intelligentere Modelle. Es sind intelligentere Systeme, die sich erinnern und verbessern. Der sich verstärkende Vorteil gehört dem, der diese Systeme zuerst baut.
Die versteckte Schicht, die die meisten völlig ignorieren
Hier ist die Beobachtung, zu der ich immer wieder zurückkomme, wenn ich darüber nachdenke, wo der wirkliche Vorteil liegt.
Drei Entwickler können heute das exakt gleiche Claude-Modell verwenden. Einer erhält durchschnittliche Ergebnisse, die marginal besser sind als das manuelle Schreiben des Codes. Einer erhält hervorragende Ergebnisse, die seine Ausgabe sinnvoll beschleunigen. Einer baut ein ganzes Softwareunternehmen um das Modell herum und produziert Dinge, die vor ein paar Jahren mit keinem Team irgendeiner Größe möglich gewesen wären.
Der Unterschied zwischen diesen drei Ergebnissen ist nicht Intelligenz. Es ist nicht einmal Anstrengung, zumindest nicht direkt. Es ist Infrastruktur.
Der erfolgreiche technische Stack sieht zunehmend aus wie eine Schichttorte, bei der das Modell oben sitzt, sichtbar und ständig diskutiert, und alles darunter der Ort ist, an dem der tatsächliche Wettbewerbsvorteil liegt. Gedächtnis unter dem Modell. Workflow-Orchestrierung darunter. Evaluierungssysteme, die Ausgaben prüfen. Sicherheitskontrollen, die Grenzen definieren. Automatisierung, die sich wiederholende Schritte entfernt. Ausführungspipelines, die alles miteinander verketten.
Die meisten Menschen konzentrieren sich nur auf die oberste Schicht. Sie konzentrieren sich auf das Modell, weil das Modell das ist, womit sie direkt interagieren und worauf das Marketing den Schwerpunkt legt.
Die größte Hebelwirkung, der Ort, an dem gerade die größten Vorteile aufgebaut werden, existiert in allem unterhalb der sichtbaren Schicht.
Warum mich dieser Moment an die Cloud-Revolution erinnert
Der Vergleich ist ernst zu nehmen, weil er sich im Nachhinein immer wieder als zutreffend erweist, obwohl er im Moment immer optional aussieht.
Die meisten Entwickler sehen agentische Workflows heute als interessantes Experiment oder als Produktivitätssteigerung, die es zu erkunden gilt, wenn Zeit ist. Genauso sah Cloud Computing in den Jahren 2008 und 2009 aus. Die Leute dachten, sie könnten einfach ihre eigenen Server betreiben. Die Entwickler, die früh auf Cloud-Infrastruktur setzten, sahen aus, als würden sie unnötig komplexe Systeme bauen. Dann wurde Cloud zum Standard, und diejenigen, die den Wechsel nicht vollzogen hatten, waren plötzlich in einer Weise im Rückstand, die teuer zu korrigieren war.
Das gleiche Muster zeigte sich bei Versionskontrolle, bei Containern, bei Continuous Integration und Deployment. Jede Infrastrukturverschiebung sieht zunächst aus wie ein optionaler Produktivitäts-Hack für Leute, die Zeit zum Experimentieren haben. Dann wird sie zu einem Wettbewerbsvorteil für die Organisationen, die sie früh eingeführt haben. Dann wird sie zur Standard-Arbeitsweise, und alle anderen sind in der Aufholjagd.
Agentische Entwicklung folgt dem gleichen Verlauf. Heute ist sie experimentell und wird von einer Minderheit von Entwicklern praktiziert, die überdurchschnittlich begeistert davon sind. Morgen wird sie von Engineering-Organisationen erwartet werden, die wettbewerbsfähig bleiben wollen. Das Zeitfenster, in dem frühe Einführung einen dauerhaften Vorteil schafft, ist jetzt geöffnet und wird nicht unbegrenzt offen bleiben.
Das Entwickler-Know-how entwickelt sich in eine bestimmte Richtung
Für den größten Teil der Geschichte der Softwareentwicklung war Erfolg stark mit der Implementierungsfähigkeit korreliert. Wie schnell konnten Sie korrekten Code schreiben. Wie tief war Ihr Verständnis bestimmter Sprachen und Frameworks. Wie viele Algorithmen konnten Sie abrufen und anwenden. Diese Fähigkeiten waren enorm wichtig, und sie sind es immer noch.
Aber die Entwickler mit der größten Hebelwirkung im nächsten Jahrzehnt werden sich zunehmend auf eine andere Reihe von Fähigkeiten konzentrieren.
Entwerfen von Workflows, die KI-Agenten in der richtigen Reihenfolge mit den richtigen Eingaben und Ausgaben auf jeder Stufe durch komplexe Aufgaben sequenzieren. Verwalten von Kontext, damit Modelle das haben, was sie für gute Leistung brauchen, ohne überlastet zu werden. Aufbauen von Evaluierungssystemen, die Ausgaben verifizieren, bevor sie verwendet werden. Erstellen von Gedächtnisarchitekturen, die Wissen ansammeln und sich im Laufe der Zeit verbessern. Koordinieren spezialisierter Agenten, die sich jeweils auf spezifische Probleme konzentrieren. Definieren von Verifikationsprozessen, die die Qualität aufrechterhalten, wenn das Ausgabevolumen steigt. Strukturieren von Ausführungspipelines, die zu zuverlässigen automatisierten Systemen verketten.
Die Aufgabe entwickelt sich vom Bauen von Dingen hin zum Lenken von Intelligenz. Vom Schreiben von Code hin zum Entwerfen der Systeme, die Code produzieren. Von der Implementierung zur Orchestrierung.
Das ist eine bedeutende Verschiebung dessen, wie Meisterschaft aussieht. Die Entwickler, die dies früh erkennen und jetzt beginnen, diese Fähigkeiten aufzubauen, werden ganz anders positioniert sein als diejenigen, die weiterhin für die alte Definition von Engineering-Exzellenz optimieren.
Wohin das führt und wie weit es noch entfernt sein mag
Die Entwicklung der Beziehung zwischen Entwickler und KI scheint durch erkennbare Phasen zu verlaufen.
Die erste Phase war ein Entwickler, der mit einem Editor arbeitete, alles manuell produzierte mit Werkzeugen, die den Code organisierten und anzeigten, aber nicht zu seinem Schreiben beitrugen.
Die zweite Phase ist ein Entwickler, der mit einem KI-Assistenten arbeitet, der Fragen beantwortet, Code auf Anfrage generiert und spezifische Aufgaben beschleunigt, während der Entwickler der primäre Produzent bleibt.
Die dritte Phase, in der sich die fortgeschrittensten Praktiker heute befinden, ist ein Entwickler, der mit etwas arbeitet, das näher an einem KI-Team ist. Mehrere spezialisierte Systeme kümmern sich um verschiedene Teile des Workflows, wobei der Entwickler eher lenkt und prüft, als jede Ausgabe direkt zu produzieren.
Die vierte Phase, die am Horizont sichtbar wird, ist ein Entwickler, der mit einem KI-Betriebssystem arbeitet. Eine vollständige Infrastruktur, die Forschung, Planung, Implementierung, Test, Sicherheit, Dokumentation und Bereitstellung als integrierte Funktionen handhabt, wobei der Entwickler als Architekt und Entscheidungsträger fungiert, nicht als Ausführender.
Die meisten aktiven Entwickler befinden sich heute irgendwo zwischen Phase zwei und Phase drei. Die Bewegung in Richtung Phase drei beschleunigt sich. Phase vier ist nicht so weit entfernt, wie es scheinen mag.
Worauf es wirklich zu achten lohnt
Der Großteil der KI-Diskussion konzentriert sich derzeit auf die Modellkriege. Claude gegen GPT. Open-Source gegen proprietär. Benchmark-Ergebnisse bei Evaluierungen, die möglicherweise nicht die reale Leistung widerspiegeln.
Diese Debatten sind interessant und nicht völlig wertlos. Aber sie könnten viel weniger wichtig sein, als die Beteiligten glauben.
Die größere Geschichte ist, dass die Softwareentwicklung selbst agentisch wird. Die Struktur, wie Software gebaut wird, verändert sich auf einer grundlegenden Ebene, nicht nur, dass sie am Rand schneller wird.
Die Gewinner in dieser Welt werden nicht unbedingt die Entwickler mit Zugang zum intelligentesten einzelnen Modell sein. Sie werden die Entwickler sein, die die intelligentesten Systeme um diese Modelle herum gebaut haben. Diejenigen, die verstanden haben, dass Kontextmanagement wichtiger ist als rohe Modellfähigkeit. Dass Gedächtnis sich verstärkende Vorteile schafft. Dass Workflow-Design der Ort ist, an dem die wirkliche Hebelwirkung liegt. Dass das Orchestrieren von Intelligenz eine wertvollere Fähigkeit ist als das Generieren von Code.
Claude Code ist wichtig als Signal, nicht nur als Werkzeug. Es ist einer der klarsten frühen Einblicke darin, wie Softwareentwicklung aussieht, wenn Intelligenz zu programmierbarer Infrastruktur wird, nicht zu einer gelegentlichen Konsultation.
Sobald dieser Wandel vollständig vollzogen ist, stellt sich nicht mehr die Frage, ob KI Code schreiben kann. Jeder weiß bereits, dass sie Code schreiben kann.
Die Frage wird sein, wie viel des gesamten Softwareentwicklungslebenszyklus von gut gestalteten KI-Systemen übernommen werden kann, die von Entwicklern gesteuert werden, die verstehen, wie man sie baut und betreibt.
Die Antwort auf diese Frage wächst jeden Monat. Und die Menschen, die gerade an dieser Antwort arbeiten, tun dies mit einem Vorteil, der sich leise verstärkt und nur sehr schwer wieder einzuholen ist, sobald er groß genug geworden ist.
Wir befinden uns immer noch in den frühesten Kapiteln davon. Die Entscheidungen, die in den nächsten zwei oder drei Jahren getroffen werden, werden noch lange danach von Bedeutung sein.
