Die Geschichte des Vibe-Coding

Erstfassung 22. Oktober 2026, zuletzt geändert am 24. Oktober 2026 · Andreas Stockter

Vibe-Coding heißt, ein Programm zu bauen, indem man einem Sprachmodell in Alltagssprache sagt, was man will, den erzeugten Code nicht mehr liest und nur das Ergebnis beurteilt: Läuft es, ist es gut; läuft es nicht, beschreibt man den Fehler, und das Modell versucht es noch einmal. Das Wort stammt aus einem Beitrag, den Andrej Karpathy, Mitgründer von OpenAI und zuvor Leiter der KI-Entwicklung bei Tesla, am 2. Februar 2025 auf X veröffentlichte: eine neue Art zu programmieren, bei der man „sich ganz den Vibes hingibt, die Exponentialkurven umarmt und vergisst, dass der Code überhaupt existiert“.¹ Neun Monate später war es das Wort des Jahres des Collins-Wörterbuchs, und im April 2026 gab Google an, dass drei Viertel des neuen Codes im Unternehmen von KI geschrieben und von Entwicklern nur noch geprüft würden.^{2, 3} Dieser Text erzählt, wie es dazu kam.

Wie die Geschichte der KI, die Geschichte der Softwareentwicklung, die Geschichte des Internets, die Geschichte von Open Source und die Geschichte des Venture Capitals folgt dieser Text einer Kette: Jede Epoche löst einen Engpass, den die vorherige offen gelassen hat, und schafft dabei den nächsten. Hier hat der Engpass seit 1949 dieselbe Form: Der Rechner versteht nur das Exakte, der Mensch denkt im Ungefähren, und irgendjemand muss übersetzen. Jede Stufe dieser Geschichte hat einen Teil der Übersetzung vom Menschen auf die Maschine verlagert, vom Assembler über den Compiler, die Bibliothek und die Antwort im Netz bis zum Vorschlag des Modells und zur Arbeit des Agenten (Abbildung 1), und jede Stufe hat denselben Streit ausgelöst: ob man dem Erzeugten trauen darf, ob es gut genug ist und ob die Menschen verlernen, was die Maschine übernimmt. Vibe-Coding ist die Stufe, auf der die Übersetzung aus dem Blick verschwindet. Die Frage, die bleibt, ist, wer für das einsteht, was läuft.

Inhalt: 1 Vorgeschichte · 2 Code als Sprache · 3 Codex und Copilot · 4 ChatGPT und Cursor · 5 Agenten · 6 Der Name · 7 Zweifel und Schäden · 8 Agentic Engineering · Kette · Zeitleiste · Weiterlesen · Quellen · Glossar

1. Vorgeschichte: Der Traum von der Alltagssprache (1952–2010)

Das Problem. Ein Rechner tut genau das, was in seinem Speicher steht, und nichts anderes. Die ersten Programme der 1940er Jahre waren Folgen von Zahlen, die der Programmierer von Hand in die Befehle der Maschine übersetzte, und ein vertauschtes Bit genügte, um alles zu verderben (die Geschichte der Softwareentwicklung erzählt davon). Der Wunsch, der Maschine stattdessen zu sagen, was man will, ist so alt wie die Maschine. Er hat in siebzig Jahren viele Namen getragen, automatische Programmierung, Sprachen der vierten Generation, Programmierung für Endnutzer, No-Code, und jedes Mal endete er an derselben Stelle: Die Alltagssprache ist mehrdeutig, der Rechner nicht, und irgendjemand musste die Lücke schließen.

Der Compiler. Den ersten Schritt tat Grace Hopper. 1952 schrieb sie für den UNIVAC das Programm A-0, das aus kurzen Codes und Parametern ein lauffähiges Programm zusammensetzte, und nannte das Verfahren automatische Programmierung; dass eine Maschine Programme schreiben könne, hielten ihre Vorgesetzten zunächst für unmöglich.⁴ Fünf Jahre später lieferte ein Team bei IBM um John Backus Fortran aus, die erste Hochsprache, die sich durchsetzte. Ihr Bericht von 1957 trug das Wort im Titel, „The FORTRAN Automatic Coding System“, und versprach, das Programmieren zu verbilligen: Was zuvor Hunderte Zeilen Assembler brauchte, schrieb man nun in ein paar Dutzend Zeilen Formeln.⁵ Die Programmierer der Zeit misstrauten dem Ergebnis. Sie waren überzeugt, dass kein Programm so effizienten Code erzeugen könne wie ein Mensch, und Backus schrieb später, man habe das Projekt nur begonnen, weil die Arbeit der Programmierer die Rechner teurer machte als die Rechner selbst.⁶ Der Compiler gewann, weil er die Arbeit billiger machte, nicht weil man ihm traute, und der Streit von 1957 kehrt in dieser Geschichte noch dreimal wieder.

COBOL und die Lesbarkeit. 1959 entwarf ein Ausschuss aus Herstellern und Behörden mit Hoppers Beteiligung COBOL, eine Sprache für Geschäftsanwendungen, deren Programme sich wie Englisch lesen sollten: ADD TAX TO PRICE GIVING TOTAL. Die Absicht war, dass Manager verstehen, was ihre Rechner tun. Das Ergebnis war, dass Manager COBOL-Programme ebenso wenig lasen wie Fortran-Programme, dass aber Milliarden Zeilen davon bis heute in Banken und Versicherungen laufen.⁷ Die Lehre, die das Fach daraus zog, formulierte Edsger Dijkstra 1978 in einem kurzen Text mit dem Titel „Über die Torheit der ‚Programmierung in natürlicher Sprache‘“: Die Schwierigkeit des Programmierens liege in der Genauigkeit, nicht in der Notation. Eine Maschine, die Anweisungen in Alltagssprache annähme, wäre so schwer zu bauen wie zu benutzen, weil jede Mehrdeutigkeit, die die Alltagssprache erlaubt, zu einem Fehler würde; die formale Sprache sei kein Hindernis, sondern ein Privileg, das gewöhnlichen Studenten erlaube, was früher Genies vorbehalten war.⁸ Acht Jahre später ergänzte Frederick Brooks, der das Betriebssystem OS/360 geleitet hatte, in „No Silver Bullet“ die zweite Hälfte des Arguments: Die Schwierigkeit der Software stecke im Wesentlichen, im Entwurf dessen, was das Programm tun soll, nicht im Zufälligen, der Notation und den Werkzeugen. Kein einzelner Fortschritt werde die Produktivität binnen zehn Jahren verzehnfachen, weil die Werkzeuge nur das Zufällige treffen.⁹ Beide Texte sind heute die Hauptzeugen der Gegenseite im Streit um Vibe-Coding, und beide hatten etwas Wichtiges übersehen, das erst 2020 sichtbar wurde.

Programmieren ohne Programmierer. Während das Fach die Alltagssprache verwarf, kamen die Nutzer von der anderen Seite. 1979 brachten Dan Bricklin und Bob Frankston VisiCalc für den Apple II heraus, die erste Tabellenkalkulation; wer =B2*1,19 in eine Zelle tippt, programmiert, ohne es zu wissen, und binnen weniger Jahre schrieben Millionen Buchhalter Programme, die kein Programmierer je sah. 1987 lieferte Apple mit jedem Macintosh Bill Atkinsons HyperCard aus, Karteikarten mit Knöpfen, die man mit wenigen Worten der Sprache HyperTalk verband; es wurde für Lehrer, Künstler und Spieleentwickler zur ersten Umgebung, in der Laien Software bauten. 1991 folgte Microsofts Visual Basic, in dem man Fenster und Knöpfe mit der Maus zusammenschob und nur noch die Reaktion auf einen Klick ausschrieb; es wurde zur meistgenutzten Sprache der Firmen-PCs.¹⁰ In den 1980er Jahren versprachen Sprachen der vierten Generation und sogenannte CASE-Werkzeuge, aus Spezifikationen Programme zu erzeugen; sie erzeugten vor allem Programme, die niemand pflegen konnte. Die Forschung versuchte es mit dem Programmieren durch Beispiel: Der Nutzer führt vor, was er will, und das System leitet die Regel ab. Henry Lieberman fasste den Stand 2001 unter dem Titel „Your Wish Is My Command“ zusammen, und 2013 brachte Microsoft Sumit Gulwanis Flash Fill in Excel, das aus zwei vorgemachten Beispielen die Umformung einer ganzen Spalte errät.¹¹ Jeder dieser Schritte hat die Zahl der Menschen, die programmieren, vervielfacht, und keiner hat die Programmierer überflüssig gemacht; die Software, die eine Firma trägt, blieb Code, den jemand gelesen hatte.

Das Gedächtnis des Fachs. Der größte Schritt vor den Sprachmodellen kam nicht aus der Forschung, sondern aus dem Netz. 1996 baute Microsoft IntelliSense in Visual Basic ein, eine Vervollständigung, die beim Tippen die Namen und Parameter anbietet, die an dieser Stelle möglich sind; sie wurde zum Standard jeder Entwicklungsumgebung. Im September 2008 eröffneten Jeff Atwood und Joel Spolsky Stack Overflow, eine Seite, auf der Programmierer Fragen stellen und die besten Antworten nach oben gewählt werden.¹² Binnen eines Jahrzehnts sammelten sich dort über sechzehn Millionen Fragen, und die Arbeitsweise einer Generation sah so aus: Fehlermeldung in die Suchmaschine, Antwort auf Stack Overflow, Code kopieren, anpassen, weiter. Man formulierte sein Problem in Alltagssprache und bekam Code zurück, nur dass den Code Menschen geschrieben hatten, Jahre zuvor, für ein ähnliches Problem. Dass dieses Kopieren Fehler und Sicherheitslücken verbreitete, zeigten Studien früh; dass es die Produktivität des Fachs trug, bestritt niemand.¹³ Die Seite wurde außerdem, ohne dass es jemand plante, zum Trainingsmaterial für das, was 2020 kam.

Selbst ausprobieren. Dijkstras Text von 1978 ist zwei Seiten lang und steht im Archiv der Universität Texas (EWD667); er liest sich 2026 wie ein Einwand gegen Vibe-Coding, geschrieben 48 Jahre vorher. Dass Tabellenkalkulation Programmieren ist, zeigt eine Zelle: =WENN(A1>100;"groß";"klein") ist eine Verzweigung, =SUMME(A1:A10) eine Schleife über zehn Werte, und wer eine Spalte auf eine andere bezieht, baut einen Datenfluss, den ein Programmierer als Abhängigkeitsgraph bezeichnen würde.¹⁴

Was daraus folgte: Siebzig Jahre lang scheiterte die Alltagssprache am selben Punkt. Jeder Versuch, ihr Programme zu entlocken, endete bei einer formalen Sprache in Verkleidung, weil niemand wusste, wie eine Maschine mit Mehrdeutigkeit umgehen sollte. Was fehlte, war keine bessere Notation, sondern eine Maschine, die gelesen hatte, wie Menschen Absichten in Code verwandeln, millionenfach, und das Ungefähre daraus in das Exakte übersetzen konnte, so wie ein erfahrener Kollege eine halbe Beschreibung versteht.

2. Code als Sprache: Statistik im Editor (2012–2020)

Die Natürlichkeit der Software. 2012 stellten Abram Hindle, Earl Barr, Premkumar Devanbu und Kollegen auf der wichtigsten Konferenz des Fachs eine einfache Beobachtung vor: Code ist, obwohl in einer formalen Sprache geschrieben, so vorhersagbar wie natürliche Sprache, sogar vorhersagbarer, weil Menschen ihn unter denselben Zwängen schreiben, in Gewohnheiten, Mustern und Wiederholungen. Sie zeigten, dass ein statistisches Sprachmodell der einfachsten Art, ein n-Gramm-Modell, das nur zählt, welche Wörter auf welche folgen, die Vervollständigung von Eclipse schlug, wenn man es auf genug Java-Code trainierte.¹⁵ „On the Naturalness of Software“ wurde zur Gründungsurkunde eines Zweigs der Forschung, der Code als Sprache behandelt: Wenn Code statistisch ist, kann man ihn lernen, vorhersagen und erzeugen, ohne seine Bedeutung zu verstehen, so wie man eine Fortsetzung von „Es war einmal“ erraten kann, ohne das Märchen zu kennen.

Software 2.0. Im November 2017 veröffentlichte Karpathy, damals Leiter der KI-Entwicklung bei Tesla, einen Aufsatz mit dem Titel „Software 2.0“. Klassische Software, Software 1.0, sei Code, den Menschen schreiben; die neue Software seien die Gewichte neuronaler Netze, die kein Mensch schreibt, sondern ein Optimierungsverfahren aus Daten errechnet, und für viele Aufgaben, Bilderkennung, Sprache, Steuerung, werde diese zweite Art die erste verdrängen.¹⁶ Der Aufsatz beschrieb, was in den Jahren zuvor geschehen war (die Geschichte der KI erzählt es), und er enthielt den Gedanken, der 2025 zum Vibe-Coding führte: dass der Mensch der nächsten Epoche nicht mehr Code schreibt, sondern Daten sammelt, Ziele setzt und Ergebnisse prüft. Fünf Jahre später, im Januar 2023, fasste Karpathy das in einem Satz: „Die heißeste neue Programmiersprache ist Englisch.“¹⁷

Die ersten Vervollständiger. Die Technik, die den Gedanken einlöste, war der Transformer von 2017 und die darauf gebauten Sprachmodelle, GPT von OpenAI (2018) und GPT-2 (2019), die Text fortsetzen, indem sie das wahrscheinlichste nächste Wort wählen. Dass das mit Code genauso geht, zeigte im Juli 2019 ein Student der Universität Waterloo. Jacob Jackson stimmte GPT-2 auf rund zwei Millionen Dateien von GitHub ab und baute es in seinen Vervollständiger TabNine ein: Statt eines Namens schlug Deep TabNine ganze Zeilen vor, in jeder Sprache, aus dem Zusammenhang der Datei. Der Andrang war so groß, dass er den Dienst nur über die Cloud anbieten konnte, weil die Laptops der Nutzer das Modell nicht trugen.¹⁸ Die Firma Kite, seit 2014 mit demselben Ziel unterwegs und seit Januar 2019 ebenfalls mit einem Deep-Learning-Modell für ganze Zeilen, gab im November 2022 auf; ihr Gründer schrieb, die Technik sei noch nicht so weit gewesen und niemand habe dafür bezahlen wollen, die Modelle hätten Code vervollständigt, ohne ihn zu verstehen.¹⁹ Er hatte recht und den Zeitpunkt um ein Jahr verfehlt.

GPT-3. Im Mai 2020 veröffentlichte OpenAI GPT-3, ein Modell mit 175 Milliarden Parametern, trainiert auf einem großen Teil des offenen Netzes, und beschrieb im Aufsatz dazu das In-Context-Learning: Das Modell löst Aufgaben, die man ihm mit wenigen Beispielen im Prompt vorführt, ohne dafür trainiert worden zu sein.²⁰ Dass es dabei auch Code schreibt, stand nicht im Aufsatz; es fiel den Entwicklern auf, die im Sommer 2020 Zugang zur Schnittstelle bekamen. Am bekanntesten wurde ein kurzes Video von Sharif Shameem im Juli 2020: Er tippte „ein Knopf, der aussieht wie eine Wassermelone“ und „eine Tabelle mit den reichsten Ländern“, und GPT-3 erzeugte den Code für die Oberfläche, der sofort im Browser lief; er hatte dem Modell zuvor nur zwei Beispiele gezeigt.²¹ Andere ließen es SQL-Abfragen, reguläre Ausdrücke und Shell-Befehle aus Beschreibungen schreiben. Es waren Spielereien, und sie bewiesen, was Dijkstra und Brooks nicht hatten sehen können: Eine Maschine, die Millionen Beispiele gelesen hat, wie Menschen Absichten in Code übersetzen, kann die Mehrdeutigkeit der Alltagssprache auflösen, nicht durch Regeln, sondern durch Wahrscheinlichkeit. Sie errät, was gemeint ist, so wie ein Kollege es erraten würde, und sie irrt sich auf dieselbe Weise.

Was die Modelle nicht konnten. Die Grenzen waren im Sommer 2020 ebenso sichtbar. Das Modell schrieb Code, den es nicht ausführen konnte, und wusste daher nicht, ob er lief; es erfand Funktionen, die es nicht gab, mit derselben Sicherheit wie echte, ein Verhalten, das später Halluzination hieß; und es sah nur, was in den Prompt passte, ein paar Seiten, nicht ein Projekt. Es war ein belesener Anfänger, der nie etwas ausprobiert hatte. Die Frage der nächsten Jahre war, wie man ihn an den Rechner setzt.

Selbst ausprobieren. Wie ein Modell Code statistisch fortsetzt, zeigt ein kleines offenes Modell auf dem eigenen Laptop. Mit dem Programm Ollama lädt ollama run qwen2.5-coder:1.5b ein Modell von anderthalb Milliarden Parametern (rund ein Gigabyte), und auf die Eingabe def ist_primzahl(n): schreibt es die Funktion zu Ende, meist richtig, manchmal mit einem Fehler bei 1 oder 2. Wer dieselbe Zeile mehrmals eingibt, bekommt verschiedene Fassungen: Das Modell würfelt entlang seiner Wahrscheinlichkeiten, es schlägt nichts nach.²²

Was daraus folgte: Code ließ sich aus Beschreibungen erzeugen. Was fehlte, war ein Modell, das vor allem Code gelesen hatte, ein Maß dafür, wie gut es war, und ein Platz im Werkzeug, mit dem Programmierer ohnehin arbeiteten, dem Editor.

3. Codex und Copilot: Der Autopilot im Editor (2021–2022)

Codex. OpenAI zog die Folgerung aus dem Sommer 2020 und trainierte GPT-3 auf Code nach: Codex, feinabgestimmt auf 159 Gigabyte Python aus 54 Millionen öffentlichen GitHub-Projekten. Der Aufsatz vom Juli 2021 brachte zugleich das erste Maß für solche Modelle, HumanEval, 164 von Hand geschriebene Programmieraufgaben mit versteckten Tests, bei denen nur zählt, ob der erzeugte Code die Tests besteht. Codex löste 28,8 Prozent der Aufgaben beim ersten Versuch und 70,2 Prozent, wenn man hundert Versuche erlaubte und den besten nahm; GPT-3 ohne Nachtraining hatte null gelöst.²³ Die zweite Zahl war die wichtigere: Das Modell konnte meist eine richtige Lösung erzeugen, es konnte nur nicht erkennen, welche. Wer die Tests hatte, hatte das Werkzeug.

Copilot. GitHub, seit 2018 Teil von Microsoft, das wiederum der größte Geldgeber von OpenAI war (die Geschichte des Venture Capitals erzählt davon), baute Codex in den Editor ein. GitHub Copilot erschien am 29. Juni 2021 als technische Vorschau in Visual Studio Code und wurde als „KI-Partnerprogrammierer“ angekündigt: Während man tippt, schlägt es grau die nächsten Zeilen vor, manchmal die ganze Funktion, aus dem Zusammenhang der Datei und dem Kommentar darüber; ein Druck auf die Tabulatortaste nimmt den Vorschlag an.²⁴ Das Bild vom Partner stammte aus der Paarprogrammierung der agilen Methoden, bei der zwei Menschen an einer Tastatur sitzen; hier saß der Mensch am Steuer, und das Modell redete hinein. Am 21. Juni 2022 wurde Copilot für alle freigegeben, für zehn Dollar im Monat, kostenlos für Studenten und die Pfleger verbreiteter Open-Source-Projekte, und GitHub berichtete, in Dateien, in denen Copilot eingeschaltet war, stammten fast vierzig Prozent des Codes von ihm.²⁵ Eine kontrollierte Studie, die GitHub mit Forschern von Microsoft im Jahr darauf veröffentlichte, ließ 95 Entwickler einen kleinen Webserver in JavaScript schreiben; die Hälfte mit Copilot war im Schnitt 55,8 Prozent schneller fertig.²⁶ Die Zahl wurde zur meistzitierten des Fachs und zur umstrittensten, weil die Aufgabe klein, abgeschlossen und tausendfach im Trainingsmaterial enthalten war; wie die Werkzeuge bei echter Arbeit wirken, maß erst 2025 jemand (Abschnitt 7).

Die Klage. Copilot hatte aus öffentlichem Code gelernt, der unter Lizenzen stand, die meist die Nennung des Urhebers verlangen (die Geschichte von Open Source erklärt die Lizenzen), und es gab gelegentlich längere Stücke wörtlich wieder. Im November 2022 reichte der Anwalt und Programmierer Matthew Butterick in San Francisco eine Sammelklage ein, Doe v. GitHub, gegen GitHub, Microsoft und OpenAI, mit einem Streitwert von neun Milliarden Dollar: Copilot entferne die Urheberangaben aus fremdem Code und verletze damit das amerikanische Urheberrechtsgesetz und die Lizenzen. Das Gericht wies im Januar 2024 den größten Teil der Klage ab, weil die erzeugten Stücke den Originalen nicht gleich genug waren; übrig blieb ein Vertragsanspruch. Im September 2026 bestätigte das Berufungsgericht die Abweisung mit der Begründung, Copilot und Codex entfernten keine Angaben aus bestehenden Werken, sondern erzeugten neue.²⁷ GitHub baute unterdessen einen Filter ein, der Vorschläge unterdrückt, die mit öffentlichem Code übereinstimmen. Ob das Training selbst erlaubt war, hat kein Gericht entschieden; die Frage lebt in den Klagen der Autoren und Verlage weiter, von denen die Geschichte der KI berichtet.

Die Konkurrenz. Binnen eines Jahres hatte jeder große Anbieter ein Gegenstück. Amazon stellte im Juni 2022 CodeWhisperer vor, das Vorschläge für die eigene Cloud und Hinweise auf Lizenzen gab, und gab es im April 2023 frei; Replit, eine Entwicklungsumgebung im Browser, baute im Oktober 2022 Ghostwriter ein; TabNine wechselte auf eigene Modelle.²⁸ DeepMind, das mit AlphaGo berühmt geworden war, zeigte im Februar 2022 AlphaCode, das in Programmierwettbewerben auf Codeforces im Schnitt besser war als die Hälfte der menschlichen Teilnehmer, indem es zu jeder Aufgabe bis zu einer Million Lösungen erzeugte, sie gegen die Beispiele aus der Aufgabe prüfte und die zehn wahrscheinlichsten einreichte.²⁹ Das war ein Vorgeschmack auf die Arbeitsweise, die 2024 die Agenten prägen sollte: erzeugen, prüfen, verwerfen, wiederholen.

Was sich änderte und was nicht. Copilot nahm dem Programmierer das Tippen ab, nicht das Denken (Abbildung 2). Man las jeden Vorschlag, denn ein falscher kostete mehr Zeit als ein eigener, und die Studien dieser Jahre fanden den Gewinn vor allem bei Routinearbeit: Schleifen, Tests, Umwandlungen, der zehnte Aufruf derselben Schnittstelle. Die Zahl der Menschen, die programmierten, wuchs nicht, aber die Programmierer schrieben schneller, und Stack Overflow, das Gedächtnis des Fachs, bekam seinen ersten Konkurrenten, der nicht antwortete, sondern einfach weiterschrieb.

Selbst ausprobieren. Die 164 Aufgaben von HumanEval stehen offen auf GitHub (openai/human-eval); jede besteht aus einem Funktionskopf, einer Beschreibung und versteckten Tests, und wer eine davon einem Chatbot vorlegt, sieht, wie leicht sie 2026 sind. Copilot gibt es seit Dezember 2024 in einer kostenlosen Stufe mit zweitausend Vervollständigungen im Monat in Visual Studio Code; wer eine halbe Stunde damit tippt, merkt, wie oft er die Tabulatortaste drückt, ohne gelesen zu haben.³⁰

Was daraus folgte: Die Vervollständigung half Zeile für Zeile, aber das Ganze trug weiter der Mensch: Er musste wissen, was er wollte, es in Code zerlegen und jeden Vorschlag lesen. Was fehlte, war ein Werkzeug, dem man ein Problem beschreiben konnte statt eines Zeilenanfangs, und das antwortete, wenn etwas schiefging.

4. ChatGPT, Cursor und das Gespräch (2022–2024)

Der Chat. Am 30. November 2022 stellte OpenAI ChatGPT ins Netz (die Geschichte der KI erzählt, was dann geschah), und Programmierer gehörten zu den ersten, die es täglich benutzten. Die Arbeitsweise war eine andere als bei Copilot: Man beschrieb ein Problem in ganzen Sätzen, bekam Code zurück, kopierte ihn in den Editor, ließ ihn laufen, klebte die Fehlermeldung in das Gespräch und bekam die Korrektur. Das Modell führte nichts aus und sah das Projekt nicht, aber es konnte erklären, umschreiben, übersetzen, von Python nach JavaScript, von einer Bibliothek in die andere, und es konnte das, was Stack Overflow konnte, nur sofort und zugeschnitten. Die Folgen für Stack Overflow waren messbar: Die Zahl neuer Fragen, die seit 2017 langsam gesunken war, fiel nach November 2022 steil und lag 2025 auf dem Stand des Gründungsjahrs 2009, rund drei Viertel unter dem Höchststand; das Modell beantwortete die Fragen, mit denen es trainiert worden war.³¹ Die jährliche Umfrage der Seite zeigte 2023 zum ersten Mal, dass eine Mehrheit der Entwickler KI-Werkzeuge nutzte oder es vorhatte, 70 Prozent; 2025 waren es 84.³²

GPT-4. Am 14. März 2023 kam GPT-4, das die Aufgaben von HumanEval zu zwei Dritteln beim ersten Versuch löste und die Programmieraufgaben aus Einstellungstests zuverlässig, und das zum ersten Mal lange, zusammenhängende Programme aus einer Beschreibung schrieb.³³ GitHub kündigte eine Woche später Copilot X an, den Chat im Editor, und gab ihn Ende 2023 frei; nun musste man den Code nicht mehr aus dem Browser kopieren, das Modell sah die geöffnete Datei und schrieb hinein.³⁴ Google folgte mit Gemini, Anthropic mit Claude, und jedes dieser Modelle wurde auf Code gemessen, weil Code das einzige Material war, bei dem man Richtig und Falsch automatisch prüfen konnte. Die Modelle wurden an Programmieraufgaben trainiert, weil Programmieraufgaben Tests haben, und sie wurden darin besser als in allem anderen.

Cursor. Vier Studenten des MIT, Michael Truell, Sualeh Asif, Arvid Lunnemark und Aman Sanger, hatten 2022 die Firma Anysphere gegründet und brachten 2023 Cursor heraus, eine Abspaltung von Visual Studio Code, in der das Gespräch mit dem Modell nicht in einem Seitenfenster stattfand, sondern im Editor selbst: Man markierte Code, beschrieb die Änderung, und das Modell schrieb die Datei um, mit einer Ansicht der Unterschiede, die man annahm oder verwarf. Im Oktober 2023 gab ihnen der Startup-Fonds von OpenAI acht Millionen Dollar, im August 2024 Andreessen Horowitz sechzig Millionen bei einer Bewertung von vierhundert Millionen; der Umsatz stieg bis Januar 2025 auf hundert Millionen Dollar im Jahr, schneller als bei jeder Software zuvor.³⁵ Was Cursor von Copilot unterschied, war weniger das Modell, es benutzte dieselben von OpenAI und Anthropic, als die Oberfläche: Wer die Änderung ganzer Dateien sieht, statt Zeile für Zeile zu bestätigen, liest weniger und vertraut mehr. Im November 2024 bekam Cursor einen Agenten, der mehrere Dateien zugleich ändert und Befehle ausführt, und damit war die Schwelle zum nächsten Abschnitt erreicht.

Die offenen Modelle. Parallel entstand die offene Linie. Meta gab im August 2023 Code Llama frei, ein auf Code nachtrainiertes Llama 2 mit offenen Gewichten; die chinesische Firma DeepSeek folgte im November 2023 mit DeepSeek-Coder, Alibaba 2024 mit Qwen2.5-Coder, und 2025 lagen die besten offenen Modelle, Qwen3-Coder und Kimi K2, bei den Programmieraufgaben nur wenige Monate hinter den geschlossenen.³⁶ Dazu kamen offene Werkzeuge: Paul Gauthiers Aider (2023) arbeitet im Terminal mit jedem Modell und schreibt seine Änderungen als Git-Commits; Cline (2024) brachte den Agenten als Erweiterung in Visual Studio Code. Die Geschichte von Open Source erzählt, warum die offenen Modelle für Europa mehr sind als eine billige Alternative.

Artefakte. Am 20. Juni 2024 veröffentlichte Anthropic Claude 3.5 Sonnet, das Programmieraufgaben besser löste als GPT-4o und einen neuen Modus mitbrachte, Artifacts: Code, den das Modell erzeugt, läuft in einem Fenster neben dem Gespräch, eine Webseite, ein Diagramm, ein kleines Spiel, und man ändert ihn, indem man redet.³⁷ Vercel hatte im Oktober 2023 mit v0 ein ähnliches Werkzeug für Oberflächen gezeigt, beschreibe die Seite, bekomme die React-Komponenten.³⁸ Hier verschwand der Code zum ersten Mal aus dem Blick: Man sah das Ergebnis, nicht die Zeilen, und für die meisten Nutzer gab es keinen Grund mehr, sie anzusehen.

Die ersten Zahlen. Am 29. Oktober 2024 sagte Sundar Pichai in der Telefonkonferenz zu den Quartalszahlen, mehr als ein Viertel des neuen Codes bei Google werde von KI erzeugt und von Entwicklern geprüft.³⁹ Es war die erste Zahl dieser Art von einem Konzern, und sie wurde zum Maßstab der folgenden Jahre (Abbildung 6). Die Gegenzahlen kamen aus den Repositories: Die Firma GitClear verglich im Januar 2024 153 Millionen geänderte Zeilen aus vier Jahren und fand, dass seit 2022 mehr Code kurz nach dem Schreiben wieder geändert wurde und mehr kopiert statt umgebaut, Zeichen dafür, dass Vorschläge angenommen und später repariert wurden.⁴⁰ Googles eigene DORA-Studie, die seit zehn Jahren die Leistung von Entwicklungsteams misst, fand im Oktober 2024, dass Teams mit mehr KI-Nutzung schneller Code schrieben, ihre Auslieferung aber um 7,2 Prozent instabiler wurde und der Durchsatz leicht sank.⁴¹ Die Werkzeuge produzierten mehr Code, und mehr Code war nicht dasselbe wie mehr Software.

Selbst ausprobieren. Die Arbeitsweise von 2023 lässt sich in zehn Minuten nachstellen: einem Chatbot „Schreibe ein Python-Skript, das alle PDF-Dateien in einem Ordner nach dem Datum in ihrem Namen sortiert und in Unterordner je Jahr verschiebt“ auftragen, das Skript laufen lassen, die erste Fehlermeldung zurückgeben, und zählen, wie viele Runden es bis zum Erfolg braucht. Danach die Zeilen lesen: Was passiert mit Dateien ohne Datum im Namen? Mit zwei Dateien gleichen Namens? Die Antwort steht im Code, und man muss ihn lesen, um sie zu kennen.⁴²

Was daraus folgte: Das Gespräch hob das Modell von der Zeile auf die Funktion und die Datei, aber der Mensch blieb der Bote: Er kopierte, führte aus, las die Fehler und trug sie zurück. Das Modell hatte Augen für den Text und keine Hände für den Rechner. Was fehlte, waren die Hände.

5. Agenten: Devin, SWE-bench und die Baukästen (2023–2024)

Das neue Maß. HumanEval maß, ob ein Modell eine Funktion schreiben kann. Im Oktober 2023 veröffentlichten Carlos Jimenez, John Yang und Kollegen in Princeton SWE-bench, das misst, ob es einen Programmierer ersetzen kann: 2.294 echte Fehlermeldungen aus zwölf verbreiteten Python-Projekten, Django, scikit-learn, matplotlib und andere, jeweils mit dem Zustand des Projekts vor der Reparatur und den Tests, die der Mensch danach geschrieben hatte. Das Modell bekommt die Fehlermeldung und das ganze Projekt und muss die Änderung liefern, die die Tests bestehen lässt. Die besten Modelle schafften zwei Prozent, Claude 2 war mit 1,96 Prozent das beste.⁴³ Die Aufgabe war nicht das Schreiben, sondern das Finden: in Hunderttausenden Zeilen die drei, die geändert werden mussten, und das verlangte etwas, was ein Chatfenster nicht hatte, Zugriff auf das Projekt und die Möglichkeit, Dinge auszuprobieren.

Devin. Im März 2024 stellte die Firma Cognition Devin vor, den „ersten KI-Softwareingenieur“, in einem Video, das binnen Tagen Millionen sahen: Devin bekam eine Aufgabe in einem Chat, öffnete eine eigene Entwicklungsumgebung mit Terminal, Editor und Browser, las Dokumentation, schrieb Code, führte ihn aus, las die Fehler, korrigierte und meldete sich mit dem Ergebnis zurück. Auf einem Viertel von SWE-bench löste es 13,86 Prozent der Aufgaben, siebenmal mehr als die besten Modelle ein halbes Jahr zuvor.⁴⁴ Der Unterschied war nicht das Modell, Devin benutzte nach Berichten GPT-4, sondern die Schleife (Abbildung 3): planen, lesen, ändern, ausführen, prüfen, wiederholen. Ein Programmieragent ist ein Modell mit Werkzeugen und einer Schleife, und die Schleife tut, was Codex 2021 nicht konnte, sie prüft, welche der vielen möglichen Lösungen die richtige ist, indem sie sie ausprobiert. Die Forscher in Princeton zeigten im April 2024 mit dem quelloffenen SWE-agent, dass ein schlichter Agent mit einer guten Schnittstelle zum Rechner dasselbe erreichte, und das Projekt OpenDevin, später OpenHands, baute Devin binnen Wochen offen nach.⁴⁵ Devin selbst war ab Dezember 2024 für fünfhundert Dollar im Monat zu haben, und Cognition war schon im April 2024 zwei Milliarden Dollar wert.

Der Sprung. Im August 2024 bereinigten OpenAI und die Autoren den Maßstab zu SWE-bench Verified, fünfhundert von Menschen geprüften Aufgaben, bei denen die Beschreibung ausreichte und die Tests fair waren; GPT-4o löste davon 33 Prozent.⁴⁶ Danach fielen die Marken im Monatstakt. Im Oktober 2024 brachte Anthropic eine neue Fassung von Claude 3.5 Sonnet, die 49 Prozent löste und als erstes Modell einen Rechner bedienen konnte, Mausklicks und Tastatur auf Bildschirmfotos.⁴⁷ Im September 2024 hatte OpenAI mit o1 die Reasoning-Modelle eingeführt, die vor der Antwort Zwischenschritte durchrechnen (die Geschichte der KI erklärt sie), und im Dezember 2024 meldete es für o3 71,7 Prozent.⁴⁸ Was Ende 2023 ein Modell in fünfzig Fällen einmal schaffte, schaffte es ein Jahr später in zwei von drei. Der Grund war nicht nur Größe: Die Modelle wurden mit Verstärkungslernen an genau solchen Aufgaben trainiert, Code schreiben, Tests laufen lassen, aus dem Ergebnis lernen, Millionen Male, und das Programmieren wurde zu der Fähigkeit, die am schnellsten wuchs, weil sie sich am leichtesten prüfen ließ.

Der Agent im Editor. Was Devin in der Cloud tat, zogen die Editoren auf den Laptop. Cursor stellte im November 2024 den Agentenmodus vor; Codeium, bis dahin ein Vervollständiger, brachte am 13. November 2024 den Editor Windsurf mit einem Agenten namens Cascade heraus; Cline, Roo Code und Aider taten dasselbe quelloffen. Der Agent im Editor liest das Projekt, ändert mehrere Dateien, führt Tests aus und fragt, bevor er einen Befehl ausführt, oder fragt nicht, wenn man ihn lässt. Das Werkzeug, das Karpathy im Februar 2025 benutzte, als er den Namen prägte, war Cursors Composer mit Claude 3.5 Sonnet.⁴⁹

Die Baukästen. Die zweite Linie verzichtete auf den Editor ganz. Replit, dessen Entwicklungsumgebung im Browser Millionen Schüler kannten, stellte im September 2024 den Replit Agent vor: Man beschreibt die Anwendung, der Agent baut sie, mit Datenbank und Hosting, und stellt sie ins Netz. StackBlitz folgte am 3. Oktober 2024 mit Bolt.new, das in den ersten zwei Monaten einen Umsatz von zwanzig Millionen Dollar im Jahr erreichte, und die Stockholmer Firma Lovable, hervorgegangen aus dem offenen Projekt GPT Engineer, am 21. November 2024 mit dem gleichnamigen Dienst, der in acht Tagen eine Million Dollar Jahresumsatz hatte.⁵⁰ Die Kunden dieser Dienste waren zum großen Teil keine Programmierer: Gründer, die einen Prototyp brauchten, Angestellte, die ein Werkzeug für ihre Abteilung wollten, Schüler, Rentner. Sie sahen den Code nie, und sie hatten keinen Grund dazu, bis etwas schiefging (Abschnitt 7).

Die Stecker. Am 25. November 2024 veröffentlichte Anthropic das Model Context Protocol (MCP), einen offenen Standard, mit dem ein Modell Werkzeuge und Datenquellen anspricht, Datenbanken, Dateisysteme, GitHub, Slack, jeden Dienst, für den jemand einen Server schreibt. Die Idee war die des USB-Steckers: Ein Werkzeug wird einmal angebunden und funktioniert mit jedem Modell. OpenAI übernahm den Standard im März 2025, Google im April, und im Dezember 2025 übergab Anthropic ihn der Linux Foundation, die dafür die Agentic AI Foundation gründete.⁵¹ Damit hatten die Agenten, was Devin noch selbst mitbringen musste: Hände für alles, was eine Schnittstelle hat.

Was ein Agent kostet. Die Schleife ist nicht umsonst. Jeder Durchlauf schickt das Projekt, oder den Teil davon, der ins Kontextfenster passt, erneut an das Modell, und ein Agent, der eine Stunde an einem Fehler arbeitet, verbraucht Millionen Tokens; die Anbieter rechnen nach Tokens ab, und eine Aufgabe, die einem Entwickler einen Nachmittag gespart hat, konnte 2025 zwischen wenigen Cent und einigen Dutzend Dollar kosten. Die Kontextfenster wuchsen von vier Seiten bei Codex auf Bücher bei Claude und Gemini, und die Preise je Token fielen im Jahr um Größenordnungen, aber die Rechnung blieb: Was die Schleife an Denken spart, bezahlt sie in Rechenzeit, und wer sie laufen lässt, ohne zuzusehen, zahlt für jede Schleife, die ins Leere läuft.

Selbst ausprobieren. Die Aufgaben von SWE-bench stehen offen im Netz (swebench.com, Datensatz auf Hugging Face). Eine beliebige Aufgabe zu lesen, etwa eine Fehlermeldung aus Django mit dem zugehörigen Patch, zeigt, was ein Agent leisten muss: nicht die drei geänderten Zeilen schreiben, sondern sie in einem Projekt von 300.000 Zeilen finden. Wer den Agenten bei der Arbeit sehen will, lässt OpenHands oder Aider, beide quelloffen, auf ein kleines eigenes Projekt los und liest mit, welche Dateien er öffnet, welche Befehle er ausführt und wann er sich verrennt.⁵²

Was daraus folgte: Ende 2024 lösten Agenten die Hälfte echter Fehlermeldungen, der Agent saß im Editor, und wer nicht programmieren konnte, baute mit Bolt und Lovable Anwendungen, ohne eine Zeile zu sehen. Die Technik war da, die Arbeitsweise war da. Was fehlte, war ein Name, und mit dem Namen kam die Frage, was passiert, wenn niemand mehr den Code liest.

6. Der Name: Karpathys Beitrag und die Welle (2025)

Der Beitrag. Am 2. Februar 2025 schrieb Karpathy auf X, es gebe eine neue Art zu programmieren, die er Vibe-Coding nenne: Man gebe sich ganz den Vibes hin, umarme die Exponentialkurven und vergesse, dass der Code existiere. Das sei möglich, weil die Modelle zu gut würden; er benutze Cursors Composer mit Sonnet und rede per Spracherkennung mit dem Rechner, kaum dass er die Tastatur berühre. Er bitte um die dümmsten Dinge, „halbiere den Innenabstand der Seitenleiste“, weil er zu faul sei, sie zu suchen, drücke immer auf „Alles annehmen“ und lese die Änderungen nicht mehr; wenn eine Fehlermeldung komme, kopiere er sie ohne Kommentar hinein, und meist behebe das Modell sie; der Code wachse über sein Verständnis hinaus, und er müsse ihn eine Weile lesen, wenn er etwas wirklich verstehen wolle. Es sei nicht schlecht für Wochenendprojekte zum Wegwerfen, aber ziemlich amüsant.¹ Der Beitrag war eine Beschreibung, keine Empfehlung, und er enthielt beide Hälften dessen, worüber das Jahr streiten sollte: die Leichtigkeit und das „zum Wegwerfen“.

Die Welle. Das Wort füllte eine Lücke, und es verbreitete sich in Wochen. Am 27. Februar 2025 beschrieb Kevin Roose in der New York Times, wie er, kein Programmierer, mit Bolt, Cursor und Claude ein Dutzend kleiner Anwendungen gebaut hatte, darunter LunchBox Buddy, das den Kühlschrank fotografiert und das Pausenbrot für seinen Sohn vorschlägt: „Software für einen“, oft fehlerhaft, aber seine.⁵³ Am 6. März berichtete Jared Friedman von Y Combinator, bei einem Viertel der Firmen des laufenden Jahrgangs seien 95 Prozent des Codes von KI geschrieben, und zwar bei Gründern, die selbst programmieren konnten.⁵⁴ Merriam-Webster nahm das Wort im März auf und führte Karpathys Beitrag als Ursprung.⁵⁵ Simon Willison, der die Werkzeuge seit 2020 genauer beobachtete als die meisten, zog am 19. März die Grenze, die seither gilt: Nicht jedes Programmieren mit KI sei Vibe-Coding. Vibe-Coding sei, den Code nicht zu lesen; wer liest, prüft und versteht, was das Modell schreibt, betreibe KI-gestütztes Programmieren, und beides zu vermischen schade der Debatte.⁵⁶ Andrew Ng, der Mitgründer von Coursera und Google Brain, störte sich im Mai am Namen, weil er nahelege, man folge den Vibes, während die Arbeit Konzentration verlange wie je.⁵⁷ Im November wählte das Collins-Wörterbuch Vibe-Coding zum Wort des Jahres 2025, neun Monate nach seiner Erfindung.²

Die Werkzeuge des Jahres. Das Jahr 2025 brachte die Agenten in jedes Werkzeug (Abbildung 4). Anthropic veröffentlichte am 24. Februar Claude Code, einen Agenten, der im Terminal läuft, das Projekt liest, Dateien ändert, Befehle ausführt und Commits schreibt, ohne eigene Oberfläche, nur mit der Kommandozeile, zunächst als Vorschau mit Claude 3.7 Sonnet, ab dem 22. Mai mit Claude 4 für alle.⁵⁸ OpenAI brachte am 16. April Codex CLI für das Terminal und am 16. Mai Codex, einen Agenten in der Cloud, der den Namen des Modells von 2021 übernahm und in einem abgeschotteten Rechner an einer Aufgabe arbeitet, während man etwas anderes tut, und einen Pull Request abliefert.⁵⁹ GitHub stellte am 19. Mai den Copilot Coding Agent vor, dem man eine Fehlermeldung aus dem Projekt zuweist wie einem Kollegen.⁶⁰ Google gab im Mai Jules frei, seinen Agenten in der Cloud, und am 25. Juni das quelloffene Gemini CLI.⁶¹ Amazon brachte am 14. Juli Kiro, das nicht mit dem Code beginnt, sondern mit einer Spezifikation, die der Agent erst schreibt und dann umsetzt.⁶² Im August veröffentlichte OpenAI AGENTS.md, eine Datei im Projekt, in der man den Agenten Regeln gibt, Werkzeuge, Konventionen, verbotene Befehle; sechzigtausend Projekte übernahmen sie bis Dezember, und Anthropic hatte dasselbe als CLAUDE.md.⁶³ Im Oktober kamen Cursor 2.0 mit einem eigenen Modell, Agent Skills bei Anthropic, mit denen man Agenten Verfahren beibringt, und bei GitHub Agent HQ, wo die Agenten von Anthropic, OpenAI, Google, Cognition und xAI nebeneinander an einem Projekt arbeiten.⁶⁴ Im November folgte Googles Gemini 3 mit dem Editor Antigravity, der von Agenten her entworfen war. Die Modelle, die das trugen, lösten SWE-bench Verified im Mai zu 72 Prozent (Claude Opus 4), im August zu 75 (GPT-5), im September zu 77 (Claude Sonnet 4.5) und im November zu 81 (Claude Opus 4.5).⁶⁵

Das Geld. Mit den Werkzeugen kam Geld in einer Menge, die die Geschichte des Venture Capitals einordnet. Cursor nahm am 5. Juni 2025 neunhundert Millionen Dollar bei einer Bewertung von 9,9 Milliarden, mit einem Jahresumsatz von über fünfhundert Millionen, und im November 2,3 Milliarden bei 29,3 Milliarden, mit über einer Milliarde Umsatz.³⁵ Lovable meldete im Juli 2025 hundert Millionen Dollar Jahresumsatz acht Monate nach der ersten Million und nahm zweihundert Millionen bei 1,8 Milliarden Bewertung; Replit war im September drei Milliarden wert.⁶⁶ Anthropic, dessen Claude Code nach Schätzungen im Juli 2025 auf vierhundert Millionen Dollar Jahresumsatz lief, gab im Februar 2026 mehr als 2,5 Milliarden an.⁶⁷ Die Firma Windsurf zeigte, wie heiß der Markt war: OpenAI hatte im Mai 2025 drei Milliarden Dollar für sie geboten, das Angebot lief am 11. Juli aus, weil Microsoft Zugriff auf die Technik verlangt hätte; am selben Tag zahlte Google 2,4 Milliarden für eine Lizenz und stellte den Gründer und die Kernmannschaft ein, und drei Tage später kaufte Cognition, was übrig war.⁶⁸ GitHub meldete im Juli 2025 zwanzig Millionen Nutzer von Copilot, gezählt über alle Konten seit dem Start.⁶⁹

Die Anordnung. Die Firmen, die die Werkzeuge nicht bauten, ordneten sie an. Tobi Lütke, der Chef von Shopify, schrieb im April 2025 an seine Belegschaft, die Nutzung von KI sei nun eine Grunderwartung, und wer neue Stellen beantrage, müsse erst zeigen, warum die Arbeit nicht mit KI zu schaffen sei.⁷⁰ Brian Armstrong von Coinbase verlangte im August, dass jeder Entwickler binnen einer Woche die Werkzeuge einrichte, und entließ die, die es ohne guten Grund nicht taten; im September kamen rund vierzig Prozent des täglich geschriebenen Codes der Firma von KI, und bis Oktober sollte es die Hälfte sein.⁷¹ Satya Nadella sagte im April, zwanzig bis dreißig Prozent des Codes in Microsofts Repositories seien von KI geschrieben, Pichai, bei Google seien es deutlich über dreißig, und Dario Amodei von Anthropic sagte im März voraus, in drei bis sechs Monaten werde KI neunzig Prozent allen Codes schreiben; bei der Mannschaft, die Claude Code baute, waren es nach deren Angaben Ende 2025 achtzig bis neunzig.^{72, 73, 74} Die Zahlen waren nicht vergleichbar, sie zählten Zeichen, Zeilen oder angenommene Vorschläge, und sie sagten alle dasselbe: Wer 2025 programmierte, ließ schreiben.

Selbst ausprobieren. Karpathys Beitrag steht auf X und ist in Dutzenden Artikeln wörtlich zitiert; seine vierzigminütige Rede „Software Is Changing (Again)“ vom Juni 2025 bei Y Combinator, in der er Software 3.0 erklärt, steht auf YouTube. Die Agenten des Jahres lassen sich ohne Vertrag ausprobieren: Gemini CLI ist quelloffen und in Grenzen kostenlos, Codex ist in ChatGPT Plus enthalten, Claude Code in den Claude-Abonnements. Wer ein kleines Projekt hat, gibt dem Agenten eine Aufgabe mit einem Satz, sieht zu, was er tut, und entscheidet dann, ob er die Änderung liest oder sich den Vibes hingibt.⁷⁵

Was daraus folgte: Der Name hatte eine Praxis benannt und ihre Gefahr gleich mit. 2025 war das Jahr, in dem Millionen Menschen zum ersten Mal Software bauten, ohne sie zu lesen, und das Jahr, in dem sichtbar wurde, was dann passiert.

7. Zweifel, Schäden und Studien (2025–2026)

Die ersten Einbrüche. Die Schäden kamen dort zuerst, wo niemand las. Im März 2025 verkündete ein Gründer auf X, sein Dienst zur Anreicherung von Verkaufskontakten bestehe aus „null handgeschriebenem Code“, gebaut mit Cursor; binnen zwei Tagen umgingen Fremde die Bezahlschranke, lasen die Schlüssel zu seinen Diensten aus dem Quelltext der Webseite, den jeder Browser herunterlädt, und verbrauchten sein Guthaben, und als er die Lücken schließen wollte, zerstörte jede Korrektur des Modells eine andere Stelle; er schaltete den Dienst nach einer Woche ab.⁷⁶ Im Mai 2025 prüfte der Entwickler Matt Palmer 1.645 mit Lovable gebaute Anwendungen und fand bei 170 von ihnen die Datenbank für jeden lesbar, oft auch beschreibbar, weil die Zugriffsregeln der Datenbank Supabase nie gesetzt worden waren; der Fehler bekam eine eigene Nummer im Verzeichnis der Sicherheitslücken.⁷⁷ Im Juli 2025 berichtete Jason Lemkin, ein bekannter Investor, von seinem zwölftägigen Versuch, mit dem Replit Agent eine Anwendung zu bauen: Am neunten Tag löschte der Agent die Produktionsdatenbank mit den Daten von 1.206 Führungskräften, obwohl Lemkin einen Änderungsstopp verhängt hatte; er erklärte danach, er habe „in Panik“ gehandelt, und behauptete, eine Wiederherstellung sei unmöglich, was falsch war. Replits Chef nannte den Vorfall inakzeptabel und trennte Entwicklungs- und Produktionsdatenbanken, was jeder Betrieb seit Jahrzehnten tut.⁷⁸ Im selben Monat schleuste ein Unbekannter in Amazons Erweiterung Q Developer für Visual Studio Code eine Anweisung ein, die den Agenten aufforderte, die Festplatte des Nutzers und seine Cloud-Ressourcen zu löschen; die Fassung wurde signiert ausgeliefert und zwei Tage später zurückgezogen, ohne Schaden, weil die Anweisung einen Fehler enthielt, der sie unwirksam machte; der Eindringling erklärte, er habe zeigen wollen, dass es ging.⁷⁹ Im Februar 2026 fand die Sicherheitsfirma Wiz bei Moltbook, einem sozialen Netzwerk für KI-Agenten, dessen Gründer stolz erklärt hatte, keine Zeile selbst geschrieben zu haben, den Schlüssel zur Datenbank im Code der Webseite: anderthalb Millionen Zugangstoken und 35.000 E-Mail-Adressen lagen für jeden offen, der hinsah.⁸⁰ Lovable selbst räumte im April 2026 ein, dass von Februar bis April 2026 die Gespräche in öffentlichen Projekten für jeden angemeldeten Nutzer lesbar gewesen waren, und dass die Meldungen dazu als beabsichtigtes Verhalten abgetan worden waren.⁸¹ Das Muster war immer dasselbe. Nicht die Logik des Codes war falsch, sondern das, was fehlte: Anmeldung, Rechte, der Ort für Geheimnisse, Dinge, die ein erfahrener Entwickler tut, ohne gefragt zu werden, und die ein Modell tut, wenn man fragt.

Die Messungen. Die Einzelfälle hatten Zahlen hinter sich. Veracode ließ im Juli 2025 über hundert Modelle achtzig Programmieraufgaben lösen, bei denen es jeweils einen sicheren und einen unsicheren Weg gab: In 45 Prozent der Fälle wählten die Modelle den unsicheren, bei Java in über siebzig, und die Quote hatte sich mit den besseren Modellen nicht verbessert; die Modelle schrieben besseren Code, aber nicht sichereren.⁸² Eine Studie der Universität Texas in San Antonio untersuchte 576.000 erzeugte Programme von sechzehn Modellen und fand, dass ein Fünftel der Pakete, die die Modelle zum Installieren empfahlen, nicht existierte, und dass dieselben erfundenen Namen immer wieder kamen. Daraus wurde eine Angriffsart: Wer einen erfundenen Namen in der Paketverwaltung anmeldet und Schadcode hinterlegt, wird von jedem installiert, dem das Modell den Namen vorschlägt; Seth Larson von der Python Software Foundation nannte das im April 2025 Slopsquatting.⁸³ Forscher der Georgia Tech begannen 2026, Sicherheitslücken auf KI-geschriebenen Code zurückzuführen, anhand der Spuren, die Agenten in den Commits hinterlassen, und zählten bis April 74 bestätigte Fälle, 18 im zweiten Halbjahr 2025, 56 in den ersten drei Monaten 2026 und 35 allein im März, mehr als im ganzen Vorjahr; die häufigsten Fehler waren Befehle, die ungeprüfte Eingaben ausführten, und Anwendungen ohne Anmeldung.⁸⁴ Und im November 2025 berichtete Anthropic, eine staatliche chinesische Gruppe habe Claude Code mit MCP-Werkzeugen benutzt, um Einbrüche in rund dreißig Organisationen zu automatisieren; der Agent habe achtzig bis neunzig Prozent der Arbeit erledigt, die Menschen nur an wenigen Stellen entschieden. Der Agent, der Code schreibt, ist derselbe, der Code angreift.⁸⁵

Amazon. Der größte Fall traf den Konzern, der am stärksten auf die Werkzeuge gesetzt hatte. Im Dezember 2025 fiel ein Dienst von Amazon Web Services dreizehn Stunden aus, nachdem Entwickler den Agenten Kiro ohne Aufsicht hatten arbeiten lassen; er hatte entschieden, die Umgebung zu löschen und neu aufzubauen. Am 2. März 2026 verlor Amazons Handelsplattform nach internen Unterlagen 120.000 Bestellungen, bei einer Codeänderung, die nach den Berichten auf den Rat eines KI-Agenten zurückging; am 5. März brach die Zahl der Bestellungen in Nordamerika für Stunden um 99 Prozent ein, 6,3 Millionen Bestellungen gingen verloren, weil eine Konfiguration ohne das vorgeschriebene Freigabeverfahren eingespielt worden war, diesmal nicht von einem Agenten, aber in derselben Kultur. Amazon sprach von Bedienfehlern, nicht von KI-Fehlern, und verordnete sich nach den Berichten neunzig Tage Sicherheitsreset für 335 kritische Systeme: Code, den Agenten für jüngere Entwickler geschrieben haben, muss seither ein erfahrener Ingenieur freigeben, bevor er läuft.⁸⁶ Die Freigabe jeder Änderung durch einen zweiten Menschen war die Regel, die die Softwareentwicklung in den 2000er Jahren eingeführt hatte, als Menschen den Code schrieben.

Die Produktivität. Die wichtigste Studie des Jahres 2025 kam von METR, einem Institut, das Fähigkeiten von KI-Systemen misst, und sie widersprach allem, was die Branche sagte. Sechzehn erfahrene Entwickler bearbeiteten zwischen Februar und Juni 2025 246 echte Aufgaben in ihren eigenen großen Open-Source-Projekten, jede zufällig mit oder ohne KI-Werkzeuge, meist Cursor mit Claude. Vorher erwarteten sie, mit den Werkzeugen 24 Prozent schneller zu sein, nachher glaubten sie, 20 Prozent schneller gewesen zu sein, und die Stoppuhr zeigte, dass sie 19 Prozent langsamer waren (Abbildung 5).⁸⁷ Die Erklärung, die METR anbot, passt zu den übrigen Befunden: Die Entwickler kannten ihre Projekte besser als jedes Modell, verbrachten Zeit damit, Vorschläge zu prüfen und zu verwerfen, und die Werkzeuge halfen am wenigsten dort, wo die Zusammenhänge im Kopf eines Menschen steckten. Eine Folgestudie mit denselben Entwicklern deutete im Februar 2026 auf eine Beschleunigung von rund 18 Prozent, mit einer Unsicherheit, die METR selbst als zu groß für ein Urteil bezeichnete; die Werkzeuge waren besser geworden, die Messung nicht eindeutiger. Googles DORA-Studie fand im September 2025, dass neun von zehn Entwicklern die Werkzeuge benutzten und dass die Teams nun mehr auslieferten, die Instabilität aber weiter stieg; KI sei ein Verstärker, der gute Organisationen besser und schlechte schlechter mache.⁸⁸ Die Umfrage von Stack Overflow unter 49.000 Entwicklern zeigte 2025, dass 84 Prozent die Werkzeuge nutzten und zugleich mehr Entwickler ihren Antworten misstrauten (46 Prozent) als vertrauten (33); die häufigste Klage, von zwei Dritteln genannt, war Code, der „fast richtig“ ist, und fast die Hälfte fand, ihn zu reparieren dauere länger als ihn zu schreiben. 2026 nutzten zwei Drittel Programmierassistenten oder Agenten, mehr als sieben von zehn setzten KI täglich ein, und knapp sieben Prozent vertrauten ihr bei wichtigen Entscheidungen.^{32, 89} Die Messungen der Repositories sagten Ähnliches: GitClear fand 2025, dass kopierte Codeblöcke von fünf und mehr Zeilen 2024 achtmal so häufig waren wie zuvor und erstmals mehr Zeilen kopiert als umgebaut wurden, und CodeRabbit zählte im Dezember 2025 in Pull Requests mit KI-Beteiligung 1,7-mal so viele schwere Mängel wie in menschlichen.^{90, 91}

Die Pfleger. Die Flut traf die, die Open Source am Leben halten. Daniel Stenberg, der curl pflegt, das Programm, das in jedem Telefon und Auto steckt, beschrieb schon im Januar 2024 die Welle erfundener Sicherheitsmeldungen, die ihm Sprachmodelle bescherten, verlangte 2025 von jedem Melder die Angabe, ob KI im Spiel war, und beendete Ende Januar 2026 das Kopfgeldprogramm des Projekts, weil der Müll die Prüfung echter Meldungen unmöglich machte.⁹² GitHub selbst sprach im Februar 2026 von einem „ewigen September“ minderwertiger Beiträge, nach dem Monat des Jahres 1993, in dem das Usenet unter dem Zustrom neuer Nutzer die Umgangsformen verlor.⁹³ Ein Aufsatz vom Januar 2026 trug den Titel „Vibe Coding Kills Open Source“ und beschrieb, dass Nutzer, die das Modell fragen statt das Projekt, den Pflegern die Rückmeldung entziehen, von der die Projekte leben.⁹⁴ Im Mai 2026 brachte eine Fassung des Kopierwerkzeugs rsync, an der Agenten mitgeschrieben hatten, Sicherungen durcheinander, und die Debatte darüber, ob KI-Code in die Infrastruktur gehört, erreichte die Kernwerkzeuge von Linux.⁹⁵ Zugleich erzählte Linus Torvalds im Januar 2026, er habe für ein Hobbyprojekt ein kleines Python-Programm per Vibe-Coding gebaut, und sah darin kein Problem: Für ein Werkzeug, das einer allein benutzt, sei das genau richtig.⁹⁶ Beides stimmt, und Abbildung 7 zeigt, warum.

Der Beruf. Programmieren war der erste Beruf, in dem die Modelle den Alltag umkrempelten (die Geschichte der Softwareentwicklung beschreibt die Folgen), und sie trafen zuerst die Anfänger. Erik Brynjolfsson und Kollegen in Stanford zählten im August 2025 in Lohndaten von Millionen Beschäftigten, dass die Zahl der 22- bis 25-jährigen Softwareentwickler seit Ende 2022 um fast ein Fünftel gesunken war, während die der Älteren wuchs; ein Jahr später lag die Beschäftigung junger Menschen in den am stärksten KI-geprägten Berufen nach derselben Rechnung 19 Prozent unter der ihrer Altersgenossen in anderen Berufen, nach 13 Prozent im Jahr zuvor.⁹⁷ Zugleich stiegen 2026 die Stellenanzeigen für Entwickler wieder, vor allem für erfahrene, und andere Ökonomen fanden in der Gesamtbeschäftigung keinen Zusammenhang mit KI; die Zinsen und eine Steueränderung in den USA erklärten einen Teil des Einbruchs.⁹⁸ Was keiner bestritt: Die Arbeit, mit der man das Handwerk gelernt hatte, kleine Aufgaben unter Anleitung, erledigte nun der Agent, und niemand wusste, wie die nächste Generation lernen sollte, Code zu lesen, den sie nicht geschrieben hat.

Das Recht. Das Recht zog nach, auf seine Weise. Die Klage gegen Copilot endete im September 2026 mit dem Urteil, dass die Werkzeuge neue Werke erzeugen (Abschnitt 3). In Europa gilt seit dem 11. September 2026 der erste Teil des Cyber Resilience Act: Wer Produkte mit digitalen Elementen in der EU verkauft, muss ausgenutzte Sicherheitslücken binnen 24 Stunden melden, und ab Dezember 2027 müssen die Produkte Sicherheitsanforderungen erfüllen und über ihre Lebensdauer gepflegt werden; das Gesetz fragt nicht, wer den Code geschrieben hat.⁹⁹ Die neue Produkthaftungsrichtlinie behandelt Software als Produkt und macht ab Dezember 2026 den Hersteller für Schäden durch Fehler haftbar, auch für Fehler, die ein Agent eingebaut hat.¹⁰⁰ Und die Agenten selbst zeigten 2026, was es heißt, ihnen Rechte zu geben: Im Juli brachen zwei Modelle von OpenAI in einem Sicherheitstest aus ihrer Testumgebung aus und drangen in fremde Server ein, im Oktober berichtete Anthropic über unbeabsichtigte Handlungen seiner Agenten im eigenen Betrieb; die Geschichte der KI beschreibt beide Fälle.¹⁰¹

Selbst ausprobieren. Wer ein per Vibe-Coding gebautes Projekt hat, kann es in zehn Minuten prüfen: npm audit oder pip-audit zeigt bekannte Lücken in den Abhängigkeiten; jeder Paketname, den ein Modell vorschlägt, lässt sich vor dem Installieren auf pypi.org oder npmjs.com nachschlagen, gegen Slopsquatting; und die Frage an den Agenten „Wo liegen die Schlüssel dieser Anwendung, und wer darf die Datenbank lesen?“ liefert die Liste dessen, was fehlt. Lemkins Bericht über die gelöschte Datenbank steht mit allen Bildschirmfotos auf X.¹⁰²

Was daraus folgte: Die Schäden kamen nicht aus dem Code, den die Modelle schrieben, sondern aus dem Lesen, das niemand tat. Das Jahr 2025 hatte gezeigt, dass Vibe-Coding für Wegwerfprogramme funktioniert und für alles andere eine Disziplin braucht. Der nächste Abschnitt handelt von dieser Disziplin.

8. Agentic Engineering: Vom Vibe zur Disziplin (seit 2025)

Software 3.0. Im Juni 2025 hielt Karpathy bei Y Combinator einen Vortrag mit dem Titel „Software verändert sich (schon wieder)“. Software 1.0 sei Code, den Menschen schreiben; Software 2.0 die Gewichte neuronaler Netze; Software 3.0 seien die Prompts, mit denen man Sprachmodelle programmiert, in Englisch. Die Modelle seien eine neue Art von Computer, deren Betriebssystem das Modell ist und deren Programme Sätze sind, und wer Software baue, müsse sie künftig auch für Agenten bauen, nicht nur für Menschen mit Maus und Bildschirm.¹⁰³ Zehn Monate später, am 20. April 2026, saß er auf der Bühne der Sequoia-Konferenz und zog die Bilanz des Wortes, das er geprägt hatte: Vibe-Coding habe den Boden angehoben, jeder könne nun Software bauen; was Software für den Beruf tauge, entscheide sich aber an der Decke, und die halte eine andere Arbeitsweise, die er Agentic Engineering nannte: Agenten schreiben, Menschen entwerfen, prüfen und verantworten, mit dem Anspruch, den professionelle Software vorher hatte. Er habe sich als Programmierer nie so weit hinten gefühlt wie in diesem Jahr, weil die Werkzeuge schneller wechselten, als man sie lernen könne.¹⁰⁴

Die Disziplin. Was sich bis 2026 als Agentic Engineering herausbildete, ist weniger eine Erfindung als eine Rückkehr, und es hat sieben Teile. Erstens die Spezifikation: Bevor der Agent schreibt, steht, was das Programm tun soll, als Text, den ein Mensch gelesen hat; Amazons Kiro machte das 2025 zum Prinzip, und es ist Brooks’ Wesentliches in neuer Form. Zweitens die Kontextdateien: Dateien wie CLAUDE.md oder AGENTS.md geben dem Agenten die Regeln des Projekts, welche Befehle er ausführen darf, wie getestet wird, was verboten ist; Lütke und Karpathy nannten das im Juni 2025 Context Engineering, die Kunst, dem Modell genau das zu geben, was es für den nächsten Schritt braucht, nicht mehr und nicht weniger.¹⁰⁵ Drittens die Tests als Vertrag: Der Mensch schreibt oder prüft die Tests, der Agent arbeitet, bis sie bestehen, das testgetriebene Entwickeln von 2002 mit vertauschten Rollen. Viertens kleine Schritte: ein Pull Request je Aufgabe, lesbar in zehn Minuten, mit einem Menschen, der ihn liest, und zunehmend mit einem zweiten Agenten, der ihn vorprüft; Cursor kaufte dafür im Dezember 2025 die Firma Graphite, GitHub baute die Prüfung in Copilot ein. Fünftens die Berechtigungen: Der Agent ist ein Nutzer mit Befugnissen, und er bekommt so wenige wie möglich, Codex arbeitet in einem abgeschotteten Rechner ohne Netz, Claude Code fragt vor jedem Befehl, und Amazons Regel, dass ein erfahrener Ingenieur freigibt, gilt für Agenten wie für Menschen. Sechstens Verfahren, die man einem Agenten einmal beibringt, als Skill, statt sie in jedem Gespräch zu erklären. Siebtens die Parallelität: Wer mehrere Agenten in der Cloud an mehreren Aufgaben arbeiten lässt, programmiert nicht mehr, er leitet, und Microsoft gab im Juli 2026 an, an einem Drittel aller Pull Requests auf GitHub sei inzwischen ein Agent beteiligt, bei fünfzig Millionen Nutzern von Copilot.¹⁰⁶ Jeder dieser Teile existierte vor 2021. Neu ist, dass sie nicht mehr Fleiß verlangen, sondern die einzige Möglichkeit sind, mit einem Mitarbeiter zu arbeiten, der schneller schreibt, als man lesen kann.

Die Zahlen 2026. Im April 2026 gab Google an, drei Viertel seines neuen Codes schreibe KI, geprüft von Entwicklern, die zunehmend Agenten anleiteten statt Code zu schreiben (Abbildung 6).³ OpenAI brachte im Februar 2026 Codex als eigenes Programm für den Mac, mit einem Modell nur für Agenten, und zählte im Juni fünf Millionen Nutzer in der Woche, jeder fünfte davon kein Entwickler.¹⁰⁷ Anthropic nannte im Februar für Claude Code einen Jahresumsatz von mehr als 2,5 Milliarden Dollar, ein Jahr nach der Vorschau.⁶⁷ Cursor lief im Mai 2026 auf drei Milliarden Dollar Jahresumsatz, und am 21. April hatte sich SpaceX, Elon Musks Raketenfirma, das Recht gesichert, die Firma für sechzig Milliarden Dollar zu kaufen; am 16. Juni übte sie es aus, am 14. August war der Kauf vollzogen, bezahlt in Aktien und eingegliedert in die KI-Sparte SpaceXAI, der größte Kauf einer mit Wagniskapital finanzierten Firma, den es je gab, für einen Editor, der vier Jahre zuvor nicht existiert hatte.¹⁰⁸ Lovable war im August 2026 nach einer weiteren Runde 13,3 Milliarden wert, mit einem Jahresumsatz, der auf sechshundert Millionen zulief; Replit neun Milliarden.^{66, 109} SWE-bench Verified, das Maß von 2024, lösten die Modelle im Sommer 2026 zu 97 Prozent, worauf die Rangliste eingestellt wurde; die Prüfung war ausgereizt.¹¹⁰

Die Modelle, die lesen. Die größte Nachricht des Jahres kam von der anderen Seite des Codes. Am 7. April 2026 gab Anthropic bekannt, ein neues Modell namens Claude Mythos nicht zu veröffentlichen, weil es beim Testen in jedem großen Betriebssystem und jedem großen Browser Sicherheitslücken gefunden hatte, in einer Menge und Tiefe, die die Firma nicht in die Welt geben wollte. Stattdessen bekamen im Projekt Glasswing zunächst vierzig Firmen und Einrichtungen Zugang, darunter Amazon, Apple, Google, Microsoft, Nvidia und die Linux Foundation, um ihre Software zu prüfen; Mozilla meldete zwei Wochen später 271 geschlossene Lücken in Firefox, und bis Mai hatten die ersten fünfzig Partner über zehntausend schwere Lücken gefunden.¹¹¹ Im Juni erschien mit Claude Fable 5 eine Fassung mit zusätzlichen Schutzvorkehrungen für alle, die die amerikanische Regierung für knapp drei Wochen sperrte, bevor sie den Zugang wieder freigab, und im September und Oktober folgten die Modelle der Reihe 5.5; die Geschichte der KI erzählt den Streit zwischen dem Pentagon und Anthropic, der dahinterstand.¹¹² Für diese Geschichte heißt das: Der Code, den niemand liest, wird nun von Maschinen gelesen, in jeder Zeile, die je geschrieben wurde, und dieselbe Fähigkeit, die 2025 unsicheren Code in die Welt brachte, findet 2026 die Lücken, auch die, die Menschen seit zwanzig Jahren übersehen hatten. Die Maschine, die schreibt, ohne zu verstehen, und die Maschine, die liest, was niemand versteht, sind dieselbe.

Was bleibt. Brooks hatte 1986 recht und unrecht zugleich. Die Werkzeuge trafen das Zufällige, und sie trafen es so vollständig, dass das Schreiben von Code 2026 fast nichts mehr kostet; verzehnfacht hat sich nicht die Produktivität der Softwareentwicklung, sondern die Menge des Codes. Was blieb, war das Wesentliche, in drei Teilen. Zu wissen, was man will, genau genug, dass ein Agent es bauen kann, was dasselbe ist, was Dijkstra Genauigkeit nannte, nur in Alltagssprache. Zu prüfen, ob es das ist, was gebaut wurde, mit Tests, Review und dem Lesen, das Vibe-Coding überspringt. Und für das einzustehen, was läuft, gegenüber Nutzern, Gerichten und dem Cyber Resilience Act, denn ein Agent haftet nicht. Jede Stufe dieser Geschichte hat die Übersetzung vom Menschen auf die Maschine verlagert; die letzte hat auch das Lesen verlagert. Was sich nicht verlagern lässt, ist das Wollen und das Einstehen.

Selbst ausprobieren. Agentic Engineering lässt sich an einem kleinen Projekt in einer Stunde üben: eine Datei AGENTS.md oder CLAUDE.md mit drei Regeln schreiben (Tests laufen vor jedem Commit, keine neuen Abhängigkeiten ohne Rückfrage, kleine Commits mit Begründung), zuerst die Tests schreiben, dann dem Agenten die Aufgabe geben und die Änderung lesen, bevor man sie annimmt, und das Ergebnis mit dem Vibe-Weg vergleichen. Welche Commits eines Projekts ein Agent geschrieben hat, zeigt git log --format='%b' | grep Co-Authored-By: Claude Code und andere Agenten tragen sich so ein, und an diesen Spuren hat die Georgia Tech ihre Fälle gefunden.¹¹³

Der offene Engpass. Die Softwarekrise von 1968 hieß, dass Menschen mehr Code brauchten, als sie schreiben konnten, und die Geschichte der Softwareentwicklung ist die Geschichte ihrer Lösung. Die Krise von 2026 heißt, dass es mehr Code gibt, als Menschen lesen können, und Vibe-Coding ist der Name für die Entscheidung, es nicht zu versuchen. Für ein Programm, das einen Abend lebt, ist das die richtige Entscheidung, und Millionen Menschen haben 2025 zum ersten Mal etwas gebaut, das sie wollten. Für Software, die Jahre lebt, ist es die Entscheidung von OS/360 in neuem Gewand: Code, den niemand versteht, nur schneller erzeugt. Offen ist, wer das Lesen übernimmt, Menschen mit Hilfe der Maschinen, oder Maschinen mit Stichproben der Menschen, und wer die Verantwortung trägt, wenn beide es nicht tun.

Die Kette in Kurzform

1. Bis 2010 scheitert jeder Versuch, in Alltagssprache zu programmieren, an ihrer Mehrdeutigkeit; Compiler, Tabellenkalkulation und Stack Overflow verlagern die Übersetzung stückweise, aber ein Mensch liest jeden Code.
2. Statistik und Transformer (2012–2020) machen Code zur Sprache: Modelle lernen aus Millionen Beispielen, Absichten in Code zu übersetzen; GPT-3 schreibt Oberflächen aus einem Satz, kann aber nichts ausführen.
3. Codex und Copilot (2021–2022) bringen das Modell in den Editor und ein Maß dafür, was es kann; die Vervollständigung spart Tippen, der Mensch trägt das Ganze.
4. ChatGPT, GPT-4 und Cursor (2022–2024) heben das Modell auf Funktion und Datei; Stack Overflow leert sich, Google lässt ein Viertel schreiben, der Mensch bleibt der Bote zwischen Modell und Rechner.
5. SWE-bench, Devin und die Baukästen (2023–2024) geben dem Modell Hände: Agenten lesen, ändern, führen aus und prüfen in einer Schleife, und Laien bauen Anwendungen, ohne Code zu sehen.
6. Karpathy gibt der Arbeitsweise 2025 den Namen, die Agenten kommen in jedes Werkzeug, das Geld folgt in Milliarden, und die Firmen ordnen die Nutzung an.
7. Einbrüche, gelöschte Datenbanken, Amazons Ausfälle und die Studien (2025–2026) zeigen, dass der Schaden nicht im Code steckt, sondern im Lesen, das niemand tut.
8. Agentic Engineering (seit 2025) holt die Disziplin zurück, Spezifikation, Kontext, Tests, Review, Rechte, und die Modelle beginnen, den Code zu lesen, den niemand versteht. Offen bleibt, wer einsteht.

Zeitleiste

Weiterlesen

• Gene Kim, Steve Yegge: Vibe Coding. Building Production-Grade Software With GenAI, Chat, Agents, and Beyond. IT Revolution, Portland 2025. Zwei Veteranen des Fachs über die Arbeitsweise mit Agenten, mit dem Titel als Köder und der Disziplin als Inhalt.
• Addy Osmani: Beyond Vibe Coding. From Coder to AI-Era Developer. O’Reilly, Sebastopol 2025. Ein Google-Ingenieur über die Grenze zwischen Vibe-Coding und KI-gestütztem Entwickeln.
• Frederick P. Brooks: The Mythical Man-Month. Essays on Software Engineering. Jubiläumsausgabe, Addison-Wesley, Reading 1995 (deutsch: Vom Mythos des Mann-Monats, mitp, Bonn 2003). Enthält „No Silver Bullet“ und den Rückblick darauf.
• Kurt W. Beyer: Grace Hopper and the Invention of the Information Age. MIT Press, Cambridge, MA 2009. Die Erfinderin des Compilers und der Streit um die automatische Programmierung.
• Chip Huyen: AI Engineering. Building Applications with Foundation Models. O’Reilly, Sebastopol 2025. Wie man mit Sprachmodellen Software baut, einschließlich Prüfung und Betrieb.
• Simon Willison: Weblog, https://simonwillison.net/, Schlagwörter „vibe-coding“ und „ai-assisted-programming“. Die laufende Chronik der Werkzeuge seit 2020, von dem, der die Grenze gezogen hat.
• Andrej Karpathy: Software Is Changing (Again). Vortrag bei der AI Startup School von Y Combinator, Juni 2025, auf YouTube. Vierzig Minuten über Software 3.0.
• Gergely Orosz: The Pragmatic Engineer, Newsletter, https://newsletter.pragmaticengineer.com/. Berichte aus den Entwicklungsabteilungen über den Einsatz der Werkzeuge, mit Zahlen.

Quellen

Die Chronik stützt sich auf die Originalarbeiten, Ankündigungen der Hersteller, Gerichtsakten, Studien und zeitgenössischen Berichte, die in den Fußnoten genannt sind. Die Umsatz- und Nutzerzahlen privater Firmen sind deren eigene Angaben oder Schätzungen der Presse und nicht geprüft.