Andrej Karpathy: Es gibt zwei Arten von Programmierern -- die, die mit KI programmieren, und die, die zurückgelassen werden

Andrej Karpathy weiß, wovon er spricht. Ehemaliger Director of AI bei Tesla, früher OpenAI-Forscher, Schöpfer von Stanfords legendarem Computer-Vision-Kurs -- er schreibt seit über einem Jahrzehnt Code und bringt KI-Systeme in die Produktion. Wenn er sagt, dass sein Entwicklerworkflow gerade die größte Transformation seit 20 Jahren durchlaufen hat, sollte man zuhören.

Sein Kernargument: Tools wie Deep Code sind nicht nur schickes Autocomplete. Sie sind ein Hebelmultiplikator. In der gleichen Zeit, die du früher investiert hast, kannst du zehnmal so viel liefern. Noch wichtiger: Du kannst Projekte angehen, die sich früher komplett unerreichbar anfühlten. Die KI macht immer noch Fehler -- sie over-engineered, trifft schlechte Annahmen und widerspricht nicht, wenn sie sollte -- aber der Nettogewinn ist unbestreitbar. Je früher du dich anpasst, desto größer dein Vorteil.

In den letzten Wochen habe ich eine Menge Code mit Claude Code geschrieben. Hier ist, was ich gelernt habe.

Coding-Workflow

Die neueste Welle von LLM-Coding-Verbesserungen hat meinen Workflow komplett auf den Kopf gestellt. Im November war ich ungefähr 80% manuelles Tippen mit IDE-Autocomplete, 20% Agent. Bis Dezember war es umgekehrt: 80% agent-geschriebener Code, 20% ich räume auf.

Ich rede mir den Code großteils einfach herbei. Ich beschreibe auf Englisch, was ich will, und schaue zu, wie es materialisiert. Das kratzt etwas am Programmierer-Ego, ehrlich gesagt. Aber die Fähigkeit, gleichzeitig über eine gesamte Codebase zu arbeiten -- Refactoring, Scaffolding, Dinge zusammenklemmen -- ist zu gut, um sie nicht zu nutzen. Besonders wenn man den Rhythmus raus hat: die Config feinjustieren, ein Gefühl dafür bekommen, was funktioniert und wo es auf die Nase fällt.

Das ist die größte Veränderung in meinem Entwicklerworkflow in etwa 20 Jahren Code schreiben. Und sie passierte innerhalb weniger Wochen. Ich wette, ein signifikanter Anteil an Ingenieuren (hohe einstellige bis zweistellige Prozentzahlen) durchlebt gerade dasselbe. Die breite Öffentlichkeit? Vielleicht niedrige einstellige Prozentzahlen haben überhaupt eine Ahnung, was hier passiert.

IDEs / Agent-Schwärme / Die Unvermeidbarkeit von Fehlern

Zwei Narrative machen die Runde: "IDEs sind tot" und "Schwärme autonomer Agenten werden alles erledigen." Ich denke, beides ist derzeit übertrieben.

Modelle machen immer noch Fehler. Wenn dir das Projekt wirklich am Herzen liegt, behalte die Dinge im Blick. Ich halte eine volle IDE in einem Seitenfenster offen und beobachte sie wie ein Falke.

Die Fehler sind jetzt allerdings andere. Keine Syntaxfehler. Diese sind heimtückischer -- konzeptuelle Fehler, die Art, die ein gehetzter Junior-Dev machen würde. Das Modell füllt stillschweigend Annahmen für dich aus, liegt falsch, überprüft nie nach und baut die ganze Zeit auf dieser fehlerhaften Prämisse auf.

Es geht auch nicht gut mit seiner eigenen Unsicherheit um. Es hält nicht an und fragt "Hey, willst du hier A oder B?" Es kennzeichnet keine Inkonsistenzen. Es widerspricht selten. Es ist etwas zu eifrig, es recht zu machen. Zuerst einen Plan schreiben lassen, dann gegen diesen Plan arbeiten, hilft enorm. Ich glaube tatsächlich, dass es einen echten Bedarf an einem leichten, inline Planning-Mode gibt.

Es liebt auch Over-Engineering. Abstraktionsschichten überall. Code, der sich aufgebläht anfühlt. Und es räumt fast nie den Dead Code auf, den es erzeugt.

Ich habe zugesehen, wie es eine weitläufige tausendzeilige Implementierung ausspuckt -- langsam, brüchig, voller unnötiger Umwege. Dann frage ich: "Können wir das nicht einfacher machen?" und es sagt sofort "Oh, natürlich!" und komprimiert das Ganze auf hundert Zeilen.

Manchmal löscht oder überschreibt es Kommentare und Code, die nichts mit der Aufgabe zu tun haben, einfach weil es sie nicht verstanden oder nicht gemocht hat. Ich habe buchstäblich Notizen in meiner CLAUDE.md hinzugefügt, die ihm sagen, das nicht zu tun, und es passiert trotzdem. Aber trotz all dem ist die Nettoverbesserung gewaltig. Ich kann mir tatsächlich nicht vorstellen, zurückzugehen.

Jeder findet seinen eigenen Flow. Meiner: ein paar Claude Code Sessions in Ghostty links, IDE rechts zum Lesen von Code und chirurgischen Edits.

Zähigkeit

Einem Agent dabei zuzusehen, wie er an einem Problem knabbert, ist ehrlich faszinierend. Er wird nicht müde. Er lässt sich nicht entmutigen. Ein Mensch hätte vor einer Stunde gesagt "Scheiß drauf, ich versuche es morgen weiter." Er macht einfach... weiter.

Manchmal siehst du, wie er sich anfühlt, als würde er ewig kämpfen. Dann, nach 30 Minuten, knackt er es endlich. In diesem Moment bekommt man dieses echte Gefühl von "Wow, das hat einen AGI-Vibe."

Man realisiert: mentale und körperliche Ausdauer ist ein zentraler Engpass bei der Arbeitserledigung. LLMs haben einfach die Decke davon gesprengt.

Beschleunigungen

Es ist schwer, eine Zahl dafür zu nennen, wie viel schneller LLMs einen machen. Ich bin definitiv schneller bei den Dingen, die ich sowieso gemacht habe. Aber die größere Veränderung ist, dass ich jetzt Dinge tue, die ich früher nie versucht hätte.

Zwei Gründe:

1. Massenhaft kleine Aufgaben, die sich früher "nicht lohnten", sind jetzt trivial einfach.
2. Codebases, die ich gemieden hätte -- weil mir das Wissen oder die Skills fehlten -- fühlen sich plötzlich machbar an.

Also ja, es ist Beschleunigung. Aber mehr noch ist es Expansion. Die Bandbreite der Dinge, zu denen ich fähig bin, ist gewachsen.

Hebelwirkung

Hier ist eine der stärksten Eigenschaften von LLMs: Sie sind wirklich gut darin, in einer Schleife zu iterieren, bis sie ein definiertes Ziel erreichen. Viele dieser "AGI-flavoured" Momente kommen genau daher.

Der Schlüssel: Nicht mikromanagen. Sag ihr, wie Erfolg aussieht, und lass sie den Weg finden.

Du kannst sie zuerst Tests schreiben lassen, dann ihre eigenen Tests bestehen lassen. Du kannst sie über MCP mit einem Browser verbinden und sie loopen lassen. Einen einfachen, offensichtlich korrekten Algorithmus schreiben lassen und sagen "Jetzt optimiere die Performance, während du exakt die gleichen Ergebnisse beibehältst."

Die mentale Verschiebung ist von imperativ zu deklarativ. Anstatt "Tu A, dann B, dann C" sagst du "So sollte das Ergebnis aussehen." Der Agent iteriert ein paar Runden allein, und du bekommst eine zusätzliche Schicht Hebelwirkung geschenkt.

Spaß

Das habe ich nicht erwartet, aber programmieren ist tatsächlich spaßiger geworden. All die langweilige Lückenfüller-Arbeit wird vom Agent absorbiert. Übrig bleiben die kreativen Teile.

Ich komme auch viel seltener festzustecken. Feststecken ist grausam. Jetzt gibt es fast immer einen Weg, "mit ihm zusammenzuarbeiten und zumindest etwas weiterzukommen", was es einfacher macht, einfach anzufangen.

Trotzdem habe ich Leute getroffen, die das Gegenteil fühlen -- LLM-Coding macht sie unglücklicher.

Langfristig denke ich, dass dies Ingenieure in zwei Lager spaltet: Leute, die den Akt des Code-Schreibens lieben, und Leute, die es lieben, Dinge gebaut zu bekommen.

Atrophie

Ich kann es schon fühlen: meine Fähigkeit, Code von Grund auf zu schreiben, schwindet langsam. Im Gehirn sind "Generierung" (Code schreiben) und "Diskriminierung" (Code lesen und reviewen) zwei unterschiedliche Fähigkeiten. Code schreiben erfordert, sich massenhaft granulare Syntax zu merken. Code lesen geht um Logik und Struktur verstehen. Selbst wenn also dein Generierungs-Muskel schwächer wird, kannst du immer noch effektiv Code reviewen -- erkennen, was komisch aussieht, Bugs finden.

Slopa-Kalypse

Ich rüste mich vor: 2026 könnte das Jahr der großen Content-Slop-Explosion werden.

GitHub, Substack, arXiv, YouTube, Reddit -- jede digitale Content-Plattform wird mit KI-generiertem Material überschwemmt werden. Wir werden eine Welle von KI-getriebener Produktivitätstheater sehen, spektakuläre Demos, die fantastisch aussehen, aber nicht halten, was sie versprechen. Eingestreut werden echte, greifbare Produktivitätsgewinne sein. Aber man wird danach graben müssen.

Fragen

Wie sieht der 10x-Ingenieur in Zukunft aus? Wird die Kluft zwischen durchschnittlichen und Top-Ingenieuren noch breiter? Meine Vermutung: Deutlich breiter.

Werden Generalisten beginnen, Spezialisten zu überholen? LLMs sind außerordentlich gut darin, Details zu füllen (das Mikro), aber schwächer beim übergreifenden Denken und langfristigen Strategie (das Makro). Diese Schieflage begünstigt Leute, die das ganze Brett überblicken können.

Wie wird sich Coding mit LLMs in fünf Jahren anfühlen? StarCraft? Factorio? Ein Musikstück aufführen?

Wie viel der Gesellschaft ist tatsächlich durch digitale Wissensarbeit eingeengt?

Fazit: Wohin führt uns das?

LLM-Agent-Fähigkeiten -- insbesondere Claude Code -- haben im Dezember 2025 eine Schwelle der gesamten Kohärenz überschritten. Das löste einen Phasenübergang in der Softwareentwicklung aus. Die Art, wie Dinge erledigt werden, verschob sich um eine Größenordnung, praktisch über Nacht.

Im Moment fühlt es sich so an, als hätte die Intelligenz alles um sie herum überholt. Die Tool-Integration hat nicht Schritt gehalten. Teams brauchen neue Workflows und Kollaborationsmuster. Die Industrie verdaut noch, was gerade passiert ist.

2026 wird intensiv. Alle rangeln darum, diese neue Fähigkeit zu absorbieren und zu verinnerlichen. Das Fenster ist gerade offen. Diejenigen, die das früh durchschauen, werden einen massiven Vorsprung haben.