KI
Kritische Analysen zu Modellen, Kosten und Praxisauswirkungen von KI im Software Engineering. Fakten und Benchmarks jenseits des Hypes.
Agentic Workflows verschieben den Kontrollfluss von deterministisch auf probabilistisch. Die Strafe für schlechtes Engineering steigt dadurch exponentiell. Wer das LLM als magische Blackbox behandelt, baut Systeme, die er nicht debuggen kann.
Unternehmen entlassen massenhaft Mitarbeiter, um sie durch KI zu ersetzen. Doch die versprochene Effizienz entpuppt sich als astronomisches Verlustgeschäft mit toxischen Folgen.
Tech-CEOs versprechen, dass KI in 18 Monaten alle White-Collar-Jobs ersetzt. Gleichzeitig dauern Turbinen-Lieferungen 5 bis 7 Jahre. Ein Verfahrenstechnik-Ingenieur zerlegt das Narrativ mit einer simplen Leistungsbilanz.
Als Quarzuhren die Schweizer Uhrenindustrie fast zerstörten, überlebten die Hersteller, die ihren wahrgenommenen Wert veränderten. Für Softwareentwickler gilt dieselbe Lektion: Wenn Code billig wird, verschiebt sich der Wert.
Vier unabhängige Disziplinen kommen zum selben Ergebnis: Unter endlichen Ressourcen schlägt Spezialisierung immer Generalität. Ein Paper von Goldfeder, Wyder, LeCun und Shwartz-Ziv liefert die mathematische und empirische Grundlage.
Agenten können in drei Ebenen lernen: Model, Harness und Context. Für jede Ebene zeigt dieser Guide, was sie kostet, wer sie baut und ob sie sich für reale Produkte eignet. Die wichtigste Erkenntnis: Das stärkste Signal kommt von den Nutzern, nicht vom Agenten selbst.
Die Tokenkosten für KI-gestütztes Coding werden laut Gartner bis 2028 den globalen Durchschnittslohn eines Entwicklers übersteigen. Die Produktivitätsrevolution wird zur Kostenfalle, wenn Unternehmen ihre Token-Budgets nicht aktiv steuern.
Ein Softwarearchitekt hat vier Monate lang eine komplette Microservice-Anwendung mit KI entwickelt. 420.000 Zeilen Code, 0 Prozent strukturelle Schulden, 85 Prozent Testabdeckung. Die Ergebnisse sind ernüchternd und lehrreich zugleich.