> 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/w44-formulating-next-years-technical-decisions-for-ai-coding.md).

# W44-Technische Entscheidungen für KI-Programmierung im kommenden Jahr

Ich überlege derzeit, welche Ziele wir nächstes Jahr bei KI-Programmierung setzen und wie viel wir investieren sollten. Dazu skizziere ich einen Entscheidungsrahmen. Dieses Jahr geht es noch vor allem um persönliche Effizienz. Aus Sicht organisatorischer Fähigkeiten liegt unser Ressourceneinsatz ungefähr bei null.

**Zuerst prüfen, welchen Kostenspielraum das innere und äußere Umfeld zulässt.**

Der finanzielle Spielraum des Geschäfts ist entscheidend. KI wird nächstes Jahr wahrscheinlich nicht mehr so viel Aufmerksamkeit erhalten wie dieses Jahr. Die Toleranz für Kosten dürfte innen wie außen sinken. Was wir dieses Jahr verpasst haben, wird nächstes Jahr nicht einfach wiederkommen.

Full-Stack-Ingenieure sollten wir differenziert betrachten. Jemanden in jedem einzelnen Stack auf das durchschnittlich erwartete Niveau zu bringen kostet viel Zeit und Aufwand. Realistischer ist, ein Szenario abzugrenzen und erreichbare Ziele zu setzen. Können wir etwa innerhalb eines halben Jahres Full-Stack-Ingenieure für einen verallgemeinerbaren Geschäftsfall entwickeln? Um welchen Faktor verkürzt das gegenüber der Zusammenarbeit spezialisierter Stacks die Auslieferung, oder wie viel Personal spart es?

**Danach die Grenzen des Engineering verstehen.**

Wir müssen die Grenzen einer Technologiegruppe und ihrer Umsetzung fortlaufend genauer kennen. Wir müssen wissen, wie viel unser Werkzeug bewältigen kann. Die Engineering-Grenzen heutiger LLMs und Agenten zeichnen sich zunehmend ab.

Aus vielen Informationen leite ich ab, dass Modellfähigkeiten an eine Grenze stoßen. Dafür sehe ich drei Gründe.

Erstens Suttons jüngste Unterscheidung zwischen großer und kleiner Welt. Große Modelle sind keine echte Intelligenz, sondern kleine Welten. Sie können nicht durch Beobachtung dauerhaft weiterlernen.

Zweitens scheint Grok eine Grenze des Scaling Law zu zeigen. Grok 4 wurde bereits mit 200.000 GPUs entwickelt, und Musk glaubt uneingeschränkt an Engineering. Trotzdem blieb die Marktreaktion mäßig. Die Modellfähigkeiten hoben sich nicht klar ab. Bei ähnlicher Leistungsfähigkeit ist xAI offenbar schwächer als OpenAI und Claude darin, diese Leistung Nutzern zugänglich zu machen.

Drittens erfüllt sich die Hoffnung auf einen Ausbruch aus der Transformer-Pfadabhängigkeit weiterhin nicht. Auch das von vielen erwartete Thinking Machines hat nach mehr als einem halben Jahr keinen Durchbruch gezeigt.

Deshalb glaube ich, dass der Raum für sprunghafte Modellfortschritte enger wird. Wir können etwas abwarten. Der Sprung von Intel zu M1 ist gewissermaßen vorbei. Nun folgen M2, M3 und so weiter. In einigen Jahren wird kaum jemand noch wissen, bei welcher M-Nummer wir gerade stehen.

Viele Forschungsarbeiten dieses Jahres haben Modellgrenzen verständlicher gemacht: Warum zählen sie die r in strawberry nicht richtig? Warum entstehen Halluzinationen und Nichtdeterminismus? Was passiert bei Context Rot?

Auch die Engineering-Grenzen von Agenten werden klarer. Zwischen ihnen und realen Aufgaben bleibt eine große Lücke. Bei Codefehlern kann KI einfache Probleme wie Syntaxfehler selbst beheben. Bei komplexen Logikfehlern oder unerwarteten Fehlern muss ein Mensch zuerst das Problem verstehen und klar sagen, wie es zu beheben ist. Alle Fehlermeldungen ungeordnet an KI zu geben hilft nicht. Wenn man selbst nicht weiß, was zu tun ist, und nur „KI, repariere das“ sagt, ändert sie womöglich wahllos und macht alles schlimmer.

Nächstes Jahr wird die Branche stärker auf Nutzen und Anwendungen schauen. Ein Thema könnten Kosten sein. Modellaufrufe sind noch teuer, langfristig könnten die Grenzkosten jedoch sinken, etwa wenn Arbeiten wie DeepSeek-OCR häufiger werden. Ein anderes ist ein möglicherweise deutlich größerer Wachstumsschub beim Agentenökosystem.

**Zum Schluss passende Szenarien und Wege finden.**

KI-Programmierung übernimmt zwar Teile der Arbeit und beschleunigt Lernen. Wer am Ende kompetent handeln will, muss sein Wissen dennoch vervollständigen und neue Vorstellungen aufbauen. Dieser Prozess entfällt nicht. Pragmatische Ingenieure wissen, dass er Zeit braucht. Jede Erkundung ist eine Auseinandersetzung zwischen Neuem und Bestehendem. Daraus entstehen die eigenen Szenarien und Rollen mit dem besten Verhältnis von Aufwand und Nutzen. Das Frontend erlebte schon die Welle von Full Stack mit Node. Sie wurde nicht zum Hauptmodell, doch wofür Node eingesetzt werden sollte, muss heute kaum noch diskutiert werden. Das dauerte drei bis fünf Jahre. Wie tief man gehen kann, hängt außerdem vom tatsächlichen Backend-Verständnis ab. Mit manchen Problemfeldern hat das Frontend wenig Erfahrung: Prozessmodelle und Nebenläufigkeitskontrolle, Datenbanken und Transaktionen, Authentifizierung und Sicherheitsmodelle, Skalierung und Ausfallsicherung. Full Stack ist deshalb kein plötzlicher Sprung, sondern ein Spektrum fortlaufender Abwägungen.