Warum KI Softwareentwickler nicht ersetzt hat und nicht ersetzen wird

Dieser Beitrag analysiert den Artikel “Why AI hasn’t replaced software engineers, and won’t” von Arvind Narayanan und Sayash Kapoor. Den Originalbeitrag findest du unter normaltech.ai.

Die Autoren sind keine KI-Skeptiker. Arvind Narayanan ist Professor an der Princeton University und Co-Autor des Buches “AI Snake Oil”. Sayash Kapoor forscht ebenfalls in Princeton zu KI-Evaluierungen. Ihr Essay ist der erste einer Serie, die KI-Auswirkungen auf die Softwareentwicklung evidenzbasiert analysiert. Die Kernthese ist klar: Es gibt genug Belege, um das Narrativ der bevorstehenden Massenentlassungen durch KI zu widerlegen. Selbst im Bereich Software, wo KI-Adoption am weitesten fortgeschritten ist und regulatorische Hürden minimal sind, tritt dieser Effekt nicht ein. Die meisten anderen Berufe sind demnach noch stärker abgefedert.

Die Autoren liefern zudem ein konkretes Erklärungsmodell. Wissensarbeit, darunter Softwareentwicklung, funktioniert wie ein Sandwich aus drei Schichten: Entscheiden, Ausführen, Ausliefern. KI komprimiert die mittlere Schicht. Die beiden äußeren widerstehen der Automatisierung auf eine Weise, die nicht allein durch bessere KI-Fähigkeiten überwunden werden kann.

KI-getriebene Massenentlassungen sind klassisches AI-Washing

Die Autoren untersuchen drei prominente Fälle von angeblich KI-getriebenen Entlassungen und zeigen, dass die Realität jeweils eine völlig andere war.

Block (Cash App, Square, Afterpay). Im Februar entließ Block 4.000 Mitarbeiter. Gründer Jack Dorsey begründete das mit KI, die eine neue Arbeitsweise ermögliche und kleinere, flachere Teams erlaube. Spätere Recherchen zeichneten ein radikal anderes Bild. Block hatte die Belegschaft während der Pandemie mehr als verdreifacht und stand unter massivem finanziellem Druck. Eine Data Scientistin im Cash-App-Team, Naoko Takeda, schrieb öffentlich, Block habe KI allen aufgezwungen, sie selbst habe aber nur sehr begrenzte Produktivitätsgewinne gesehen. Sie lehnte eine 75-prozentige Gehaltserhöhung zur Bindung ab und kündigte. Wie Aaron Levie anmerkte, sind CEOs besonders anfällig für KI-Illusionen, weil sie schnelle Prototypen bauen können, aber 90 Prozent der Arbeit nicht sehen, die nötig ist, um daraus ein fertiges Produkt zu machen.

Snap. Im April entließ Snap rund 1.000 Mitarbeiter. CEO Evan Spiegel nannte KI als Hauptgrund und sagte, dass KI 65 Prozent des neuen Codes generiere. In Wirklichkeit folgten die Entlassungen auf die Kampagne eines aktivistischen Investors, der Kostensenkungen forderte. Snap hatte seit dem Börsengang 2017 in jedem vollen Geschäftsjahr Verluste geschrieben und die Aktie war 2026 über 30 Prozent gefallen. Die Art der Streichungen, wie 150 Jobs quer durch verschiedene Rollen in der Augmented-Reality-Abteilung, korrelierte nicht mit dem Muster, das man bei KI-getriebenen Entlassungen erwarten würde.

Intuit. Im Mai kündigte Intuit 3.000 Stellen an, parallel zu Deals mit Anthropic und OpenAI. Die Presse verknüpfte beides und stellte die Entlassungen als KI-getriebene Umstrukturierung dar. In diesem Fall widersprach der CEO selbst dem Narrativ und sagte, dass die Streichungen nichts mit KI zu tun hätten, sondern auf koordinierungsintensive Rollen und zu viele Management-Ebenen abzielten.

Die Autoren betonen, dass sie diese Beispiele nicht selektiv ausgewählt haben. In jeder Geschichte über KI-getriebene Entlassungen, die sie untersuchten, zeigte sich dasselbe Muster. AI-Washing von Stellenstreichungen ist ein branchenübergreifendes Phänomen.

Die Datenlage ist eindeutig. 59 Prozent der US-Personalverantwortlichen geben offen zu, KI bei Entlassungsbegründungen zu betonen, weil es bei Stakeholdern besser ankommt als finanzielle Engpässe. Forrester-Analyst J. P. Gownder sagt über Unternehmen mit angeblich KI-getriebenen Entlassungen, dass in neun von zehn Fällen keine einsatzreife KI-Anwendung existiert, die die gestrichenen Stellen ersetzen könnte. Eine HBR-Umfrage unter über 1.000 globalen Führungskräften ergab, dass 21 Prozent große Stellenstreichungen in Erwartung von KI vorgenommen hatten, aber nur 2 Prozent aufgrund tatsächlicher KI-Implementierung. Diese Zehnfach-Lücke zeigt, dass Führungskräfte ebenso anfällig für irreführende Narrative über KI-Arbeitsplatzverluste sind wie alle anderen. Dass Unternehmen nun wieder gezielt Entwickler einstellen, nachdem der Hype abgeflaut ist, bestätigt dieses Bild. Die Gründe dafür analysiert der Beitrag Unternehmen stellen wieder Entwickler ein im Detail.

Ein weiterer Datenpunkt kommt vom WARN Act. Dieser schreibt bestimmte Offenlegungen bei Massenentlassungen von über 100 Mitarbeitern vor. New York führte im März 2025 als erster US-Bundesstaat ein KI-Kontrollkästchen in den WARN-Act-Meldungen ein. Im gesamten ersten Jahr reichten über 160 Unternehmen Meldungen ein. Kein einziges setzte das KI-Häkchen. Die Autoren kontaktierten das New Yorker Arbeitsministerium, das bestätigte, dass bis Ende Mai nur ein Unternehmen, Nespresso, das Häkchen gesetzt hatte. Wenn diese Meldungen korrekt sind, waren nur 46 von rund 25.000 entlassenen Arbeitnehmern im Bundesstaat New York von KI betroffen. Das sind etwa zwei Zehntel Prozent.

Noch vernichtender für das Narrativ der KI-Massenentlassungen ist ein grundsätzliches Argument: Entlassungen sind das falsche Signal für die potenziellen Produktivitätsvorteile von KI. Die Forschung zeigt klar, dass der Effekt über langsameres Einstellen wirkt, nicht über vermehrte Trennungen. Bestehende Mitarbeiter zu entlassen bedeutet den Verlust genau des impliziten Wissens und Organisationskapitals, das die effektive Nutzung von KI erst ermöglicht. Zudem ist es teuer durch Abfindungen, Moralschäden und das Risiko, später wieder einstellen zu müssen.

Was sagen die Daten, wenn man über Entlassungen hinausblickt? Ein wichtiges Paper von Ökonomen der Federal Reserve fasst die Evidenz für den US-Kontext zusammen. Die Beschäftigung wächst weiterhin, aber langsamer als in einem kontrafaktischen Szenario ohne KI, um etwa 3 Prozentpunkte pro Jahr. Eine wichtige Einschränkung: Die Methodik erfasst keine Selbstständigkeit. Es ist möglich, dass ein Teil des verlangsamten Wachstums durch Unternehmertum aufgefangen wird. Studien zeigen, dass KI Unternehmertum erleichtert. Das reale Bild ist vermutlich gesünder als die Fed-Studie nahelegt.

Zwei Arten indirekt KI-getriebener Jobverluste in der Softwareentwicklung sind allerdings real. Erstens dezimiert KI manchmal die Nachfrage nach dem Produkt. Fälle wie Chegg (Hausaufgabenhilfe) oder Stack Overflow (technische Hilfe) zeigen das. KI erledigt nicht direkt die Arbeit dieser Mitarbeiter, sondern macht sie überflüssig. Die historische Parallele ist stark: Von den 270 Berufen im US-Zensus von 1950 wurde nur einer direkt automatisiert: der Fahrstuhlführer. Aber viele andere wurden durch neue Technologie obsolet, wie der Telegrafist.

Zweitens gibt es eine glaubwürdige KI-Entlassungsstory bei Unternehmen, die KI verkaufen, nicht kaufen. Wenn IBM oder SAP Entlassungen wegen KI ankündigen, ist die korrekte Einordnung: Sie verlagern Stellen von Legacy-Funktionen zu ihrer am schnellsten wachsenden Produktlinie. Das ist gewöhnliche Unternehmensumstrukturierung, keine Verdrängung durch Technologie.

Das Decide-Execute-Deliver-Sandwich

Viele Tech-Führungskräfte berichten den Prozentsatz des von KI geschriebenen Codes parallel zu Entlassungen oder Vorhersagen künftiger Jobverluste. Das nährt das vereinfachende Modell, dass es keine Codierer mehr braucht, sobald KI den gesamten Code schreibt. Dieses Modell ist falsch. Die Metrik des KI-geschriebenen Codes hat fast keinen Zusammenhang mit dem, was für die Arbeitsplatzverdrängung relevant ist.

Code zu schreiben war nie der Engpass. Ein Paper von 2019 fasste bestehende Studien zusammen mit dem Ergebnis, dass Entwickler überraschend wenig Zeit mit dem eigentlichen Codieren verbringen: 9 bis 61 Prozent je nach Studie. Als Coding-Agenten aufkamen, erschienen Ende 2025 zahlreiche Blogposts mit der Erkenntnis, dass die KI-gestützte Codegenerierung kaum Auswirkungen auf die Gesamtproduktivität hatte.

Wenn Code schreiben nicht der Engpass ist, was dann? Die Aufgabenanalysen verweisen auf Meetings und Debugging. Das wirft weitere Fragen auf: Was tun Entwickler in diesen Meetings und warum kann KI das nicht übernehmen? Die qualitative Analyse der Autoren identifiziert drei echte Engpässe: Erstens das Entscheiden und Spezifizieren dessen, was gebaut werden soll. Zweitens das Verifizieren und die Verantwortung für das Ausgelieferte. Drittens das tiefe menschliche Verständnis der Codebasis, des Geschäfts und der Umgebung, das für beides erforderlich ist.

Softwareentwicklung besteht aus einem Decide-Execute-Deliver-Sandwich. Verständnis ist die Voraussetzung für alle drei Ebenen. KI hat die Mitte komprimiert, aber die beiden Enden weitgehend unverändert gelassen. Solange Entwicklungsteams für Entscheidungen zuständig und für das Ausgelieferte verantwortlich sind, müssen Ingenieure weiterhin Zeit in tiefes Systemverständnis investieren.

Evidenz für dieses Modell liefert ein aktuelles Paper über den Unterschied zwischen Code schreiben und Code ausliefern. Über 100.000 Entwickler auf GitHub zeigten, dass KI-Agenten zu einer achtfachen Steigerung der geschriebenen Codezeilen führten. Das entspricht der Idee, dass KI die Ausführungsebene nahezu vollständig komprimiert. Aber das Ergebnis waren nur 30 Prozent mehr Releases. Das deutet stark darauf hin, dass die menschlichen Engpässe der Entscheidungs- und Auslieferungsebene bestehen bleiben.

Kann das Sandwich weiter komprimiert werden? Die Autoren glauben nicht. Am einen Ende müssen Entwicklungsteams entscheiden, was gebaut wird. Eine der wichtigsten Lektionen für Junior-Entwickler ist, dass die Anforderungsspezifikation überraschend lange dauert und ihre Kompression zu weit größeren Problemen führt. Diese Ebene ist schwer zu automatisieren, weil sie Nachdenken über Nutzerbedürfnisse, Marktsignale, organisatorische Prioritäten und teilweise regulatorische Einschränkungen erfordert.

Mit besseren KI-Fähigkeiten wächst die Zahl delegierbarer Entscheidungen. Aber das macht die Entscheidungsebene nicht dünner. Sobald eine Entscheidung an KI delegiert werden kann, ist sie kein Wettbewerbsvorteil mehr. Der Wert menschlicher Entscheidungsfindung wandert nach oben. Software wird über die Zeit komplexer, es gibt keine Obergrenze für diesen Prozess.

Am anderen Ende des Sandwichs müssen menschliche Teams für das Ausgelieferte verantwortlich sein. Vielleicht werden Teams eines Tages missionskritischen Code ausliefern, ohne ihn vollständig zu testen und zu verstehen. Aber die heutige KI ist so unzuverlässig, dass solche Praktiken eine existenzielle Bedrohung für Softwareteams und ihre Kunden darstellen würden. Selbst wenn die technischen Barrieren in Zukunft wegfallen, müssen wir die Kontrolle nicht an KI abgeben. Eine zentrale Erkenntnis des Buches “AI as Normal Technology” ist, dass wir kollektiv entscheiden können, Menschen durch geteilte Normen, Gesetze und Richtlinien verantwortlich zu halten. Diese Geschwindigkeitsbremsen existieren bereits durch Haftungsgesetze und sektorspezifische Regulierung.

In dieser Vision wird die Rolle des Softwareentwicklers mit zunehmender Delegation der Ausführungsebene an KI analog zum Kranführer. KI-Agenten erledigen die kognitive Schwerstarbeit. Die Aufsicht über den Agenten und seine Kontrolle wird zum Hauptteil der menschlichen Arbeit. Dass genau diese Aufsicht den Kern der Herausforderung bildet, zeigt auch die Analyse zu Agentic Coding als Falle, in der das Paradox beschrieben wird, dass die Fähigkeiten zur KI-Kontrolle durch KI-Nutzung erodieren.

Manche Kommentatoren argumentieren, eine Zukunft mit menschlicher Kontrolle sei unwahrscheinlich, weil es zu teuer sei, Menschen dafür zu bezahlen. Es gab bereits virale Geschichten über schlecht beaufsichtigte Coding-Agenten, die Produktionsdatenbanken löschten. Die Autoren sehen diese als seltene Ausnahmen, nicht als aufkommende Norm. Sie gehen viral, gerade weil sie so unverantwortliches und ungewöhnliches Verhalten darstellen. Sie dienen als regelmäßige Erinnerungen, die der Community helfen, sich vor übermäßiger KI-Abhängigkeit zu schützen.

Übrigens ist die Komprimierung des Sandwichs kein neuer Trend und nicht allein auf KI zurückzuführen. Vor über zwei Jahrzehnten begann das Bureau of Labor Statistics, Programmierung getrennt von Software Engineering zu erfassen. Programmierer sind im Wesentlichen nur für die Ausführung zuständig, während Software Engineers einen größeren Teil des Sandwichs abdecken. Nicht nur schrumpft die Programmierung, sie wird auch deutlich schlechter bezahlt, weil sie als reine Handarbeit gilt. KI beschleunigt diesen langbestehenden Trend und entwertet rein technische Fähigkeiten weiter.

Vibe Coding ist nicht Agentic Engineering

Ein Grund für die Verwirrung über das Ausmaß der Veränderung ist der unsaubere Gebrauch des Begriffs Vibe Coding für ein breites Spektrum von Praktiken, deren Enden konzeptionell verschieden und sich weniger ähnlich als unähnlich sind.

Bei echtem Vibe Coding sagt der Nutzer dem Agenten einfach, was er tun soll, beaufsichtigt ihn nicht während der Ausführung, prüft den Code nicht, hat möglicherweise nicht einmal die Fähigkeiten dazu, und evaluiert das Ergebnis nicht, abgesehen davon, dass sichtbar kaputte Dinge auffallen. Ein konkretes Beispiel für die Konsequenzen dieser Arbeitsweise zeigt die Vibe-Coding-Falle, in der ein Kubernetes-Tool unter einem God-Object mit 1.690 Zeilen und 110 Switch-Cases kollabierte.

Das steht im Gegensatz dazu, wie die meisten Softwareentwickler Agenten tatsächlich einsetzen: als Werkzeug, bei dem der Mensch die Kontrolle behält und für das Ergebnis verantwortlich ist. Der Begriff Agentic Engineering gewinnt zunehmend an Verbreitung als Beschreibung dieser Praxis.

Da Agentic Engineering zur Norm wird, stellen Ingenieure fest, dass die Aufsicht über Coding-Agenten überraschend zeitaufwändig ist. Simon Willison, ein prominenter Entwickler und Chronist der KI-Transformation, berichtete, dass er um 11 Uhr morgens mental erschöpft ist vom Beaufsichtigen von Agenten. Das deckt sich mit der Erfahrung der Autoren.

Quantitativere Evidenz liefert SWE-chat, ein Datensatz von Coding-Agent-Interaktionen aus Open-Source-Entwicklern. Die Studie ergab, dass nur 44 Prozent des agenten-generierten Codes in die tatsächlichen Commits der Nutzer übernommen werden. Vibe-codierte Commits führen Sicherheitslücken mit neunfacher Rate im Vergleich zu rein menschlichem Code ein. Die häufigste Nutzerintention ist das Verstehen bestehenden Codes, nicht das Generieren neuen Codes (19 Prozent gegenüber 13 Prozent).

Die Autoren betonen, dass Vibe Coding und Agentic Engineering keine zwei getrennten Kategorien sind, sondern zwei Enden eines Spektrums mit einer unscharfen Mitte. Nicht jedes Projekt ist entweder ein Wegwerfprodukt oder missionskritisch. Aber die Kernimplikation für die Arbeitsplatzfrage bleibt: Unternehmen können keine Produktionssoftware ausliefern, indem sie unqualifizierte Vibe Codierer statt Softwareentwickler einstellen.

Was bringt die Zukunft?

KI-Optimisten könnten behaupten, Massenentlassungen stünden bevor, sie seien nur noch nicht eingetreten, weil menschenähnliche Software-Engineering-Fähigkeiten erst kürzlich erreicht wurden. Aber wenn das Sandwich-Modell korrekt ist, werden diese Vorhersagen nicht eintreffen. KI hat die Mitte des Sandwichs bereits weitgehend komprimiert, und die Kompression begann tatsächlich vor Jahrzehnten. Selbst eine sofortige und perfekte Ausführungsebene wäre nur eine kleine Veränderung gegenüber dem Status quo. Die Gründe, warum die beiden anderen Ebenen der KI widerstehen, liegen nicht an Fähigkeitsgrenzen.

Tatsächlich verschwinden Softwareentwickler-Jobs nicht nur nicht wegen KI. Es könnte sogar einen Nachfrageanstieg geben. Wenn Software durch technologische Produktivitätsverbesserungen billiger wird, kaufen Menschen deutlich mehr Software. Ökonomen sprechen von hoher Preiselastizität. Und da KI Softwareentwickler nicht ersetzt, sondern die Substitutionselastizität niedrig ist, führt die Nachfrage nach mehr Software zu einer abgeleiteten Nachfrage nach mehr Softwareentwicklern. Der wirtschaftswissenschaftliche Begriff “Jevons’ Paradoxon” wird im KI-Diskurs häufig für dieses Konzept verwendet.

Historisch war genau das das Muster. Die Beschäftigung von Programmierern in den USA wuchs von nahe null um 1950 auf Millionen heute. Das unterscheidet sich fundamental von Berufen wie der Landwirtschaft, wo die Arbeitsnachfrage durch Mechanisierung und Automatisierung dezimiert wurde. Der Unterschied ist, dass die Menge der konsumierten Kalorien relativ fix ist, während die Menge der produzierten Software um das Millionenfache gewachsen ist. Moderne Autos haben rund hundert Millionen Codezeilen auf ihren On-Board-Computern.

Wenn es eine Obergrenze für die Nachfrage nach Code gibt, sind wir nirgendwo in ihrer Nähe. Praktisch jede kognitive Arbeit profitiert von Software. Da KI das Programmieren billiger macht, erstellen Menschen alle möglichen Einmal-Werkzeuge, ob beruflich oder privat, deren Erstellung vorher keinen Sinn ergab.

Die Autoren stellen klar: Mehr Software und wahrscheinlich mehr Softwareentwickler bedeuten nicht, dass Big-Tech-Unternehmen noch größer werden. Die Mehrheit der Softwareentwickler arbeitet heute bereits intern in Nicht-Software-Unternehmen, und dieser Anteil könnte weiter wachsen.

Manche prophezeien, dass die Nachfrage nach Software-Engineering-Fähigkeiten durch Demokratisierung sinken werde. Sie räumen ein, dass mehr Software als je zuvor produziert wird, und dass mehr menschliche Zeit in die Softwareproduktion fließen wird, aber dass diese Arbeit von Nicht-Softwareentwicklern erledigt wird. Die Autoren wetten dagegen. Das fällt in dieselbe Falle der Verwechslung von Vibe Coding mit Agentic Engineering und der Ausführungsebene mit dem gesamten Sandwich. Die Geschichte der Programmierung zeigt: Es gab immer Behauptungen, wir stünden an der Schwelle zur Demokratisierung. Alte Sprachen wie FORTRAN, COBOL und SQL wurden alle von prominenten Hoffnungen dieser Art begleitet. Es ist nie passiert. Die Barriere ist nicht das Erlernen der Syntax. Es ist das nötige Urteilsvermögen für gute Entscheidungen bei gleichzeitiger Verantwortlichkeit.

Letztlich mag die Unterscheidung semantisch sein. Es scheint klar, dass die Zeit, die Menschen damit verbringen, Computer dazu zu bringen, neue Dinge zu tun, zunehmen wird. Das kann die Form von Softwareentwicklung annehmen, von der Verwaltung komplexer Agent-Workflows oder etwas anderem. Es erfordert eine Mischung aus Software-Fähigkeiten, KI-Fähigkeiten und Domänenexpertise. Ob es die heutigen Softwareentwickler sind, die sich am besten an diese neuen Rollen anpassen, bleibt abzuwarten.

Was wir daraus lernen

Der letzte Punkt über die Notwendigkeit der Anpassung leitet die nächsten Fragen ein. Die Tatsache, dass die aggregierte Arbeitsnachfrage in Software voraussichtlich robust bleibt, bedeutet nicht, dass die meisten individuellen Entwickler unberührt bleiben. KI wird massive strukturelle Verschiebungen in der Softwareproduktion erzeugen. Diese haben große Auswirkungen darauf, welche Softwareentwickler gewinnen oder verlieren, abhängig von Unternehmenstyp, Geografie, Seniorität und Anpassungsgeschwindigkeit.

Fred Brooks unterschied in seinem berühmten Essay “No Silver Bullet” vor 40 Jahren zwischen der essenziellen und der zufälligen Komplexität von Software. Zufällige Komplexität entsteht durch Limitierungen aktueller Technologie und kann durch bessere Werkzeuge reduziert werden. Essenzielle Komplexität existiert, weil das korrekte Verhalten von Software zu spezifizieren an sich schwer ist. Brooks argumentierte, dass KI oder jede andere Technologie nur zufällige Komplexität reduziert und daher keine Produktivitätsverbesserung um eine Größenordnung bringen wird. Das war vor 40 Jahren. Die Hoffnungen auf KI-getriebene Produktivitätssteigerungen für Programmierer waren schon damals prominent.

Die Analyse von Narayanan und Kapoor liefert das solideste evidenzbasierte Framework, das ich bisher zur Frage der KI-Auswirkungen auf Softwareentwickler gelesen habe. Es bestätigt, was die Praxis zeigt: KI beschleunigt die Ausführung, aber die eigentliche Arbeit liegt in Entscheidungen und Verantwortung. Diese Erkenntnis zieht sich als roter Faden durch alle Analysen dieser Artikelserie, von der Vibe-Coding-Falle über die Erosion kognitiver Fähigkeiten durch Agentic Coding bis zur Frage, warum Unternehmen wieder Entwickler einstellen.