> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/de/2025/w30-full-stack-development-in-the-ai-wave.md).

# W30-Full-Stack-Entwicklung in der KI-Welle

Bei Full Stack bleibe ich vorsichtig optimistisch.

Full-Stack-Entwicklung gibt es lange. Einzelentwickler arbeiten im Grunde fast immer so. In China wurde sie dennoch nie zum Hauptmodell. Große Unternehmen bevorzugen technische Tiefe, und viele Interviewer halten wenig von breit aufgestellten Generalisten. Dass ihr Wert nun neu betrachtet wird, verdient aus meiner Sicht vorsichtigen Optimismus.

Die Technologien dieser generativen KI-Welle stehen fast alle am Gipfel des Hype Cycle, darunter Vibe Coding und Software Engineering. In dieser Phase gehen überhöhte Erwartungen oft mit unrealistischen Einsatzentscheidungen einher.

Vibe Coding unterscheidet sich von Software Engineering. Beim Vibe Coding erzeugt KI gut einmaligen Prototypcode. Damit lassen sich schnell lauffähige Produkte bauen und Design sowie Akzeptanz prüfen. Weil es nur Prototypen sind, spielen spätere Wartung und Codequalität keine Rolle. Im Software Engineering ist Programmieren dagegen nur ein Teil der täglichen Auslieferungsarbeit. Untersuchungen von METR und anderen zeigen nur begrenzte Effizienzgewinne für erfahrene Entwickler.

Wer die Grundlagen beherrscht, kann 99 % der Aufgaben bewältigen. Sie bleiben wichtig. Bei einer Diagnose vergangene Woche bemerkte ich deutliche Lücken bei Netzgrundlagen wie Nginx und HTTP sowie bei unternehmenseigener Middleware auf der PaaS-Ebene. Läuft das System, erscheint alles einfach. Sobald ein Fehler auftritt, beginnt eine ungezielte Suche überall. Ohne tragfähige Grundlagen bauen auch die besten intelligenten Werkzeuge kein verlässliches System.

Vertrauen zwischen Ingenieuren und KI muss wachsen. Daraus entsteht ein zutreffendes Verständnis ihrer Grenzen. Drei Grenzen müssen wir praktisch erkunden: Wann darf KI an einer Aufgabe mitarbeiten? Wann darf sie zuerst liefern, während der Ingenieur nur prüft? Und wann muss man sie abschalten und sich selbst konzentriert mit dem Problem befassen?

Diese Grenzen verschieben sich natürlich schnell. Die Intelligenz steigt weiter. Über die positiven Folgen für Geschäftsanwendungsentwicklung in den kommenden drei bis fünf Jahren sollten wir optimistisch bleiben. Vergangene Woche meldete OpenAI, dass ein unveröffentlichtes LLM erstmals Goldmedaillenniveau bei der Internationalen Mathematik-Olympiade erreicht habe. Zuvor hatten nur eigens für Mathematik optimierte Modelle von Google DeepMind Silberniveau erreicht.