Macht KI Software zur Wegwerfware
Ich gestehe es lieber gleich, bevor es ein Detektor für mich tut: Bei diesem Artikel hatte ich Hilfe. Die Quellen habe ich in NotebookLM gesammelt, eine KI hat die Rohfassung sortiert, eine zweite hat gegengelesen, und Claude hat am Ende gebügelt. Seit August 2026 webt Anthropic in die Texte seiner Modelle ein unsichtbares, statistisches Wasserzeichen ein. Gut möglich also, dass irgendwo zwischen diesen Zeilen ein kleines „Claude war hier“ steckt. Ein Artikel darüber, wie KI Software nachbaut, zum Teil nachgebaut von einer KI. Ironischer wird es nicht mehr, und als Universaldilettant fühle ich mich in solchen Endlosschleifen ja erstaunlich wohl.
Worum geht es? KI-Modelle zerlegen inzwischen fertige Programme und setzen sie neu zusammen. Photoshop-Klone entstehen in wenigen Tagen, Konsolenspiele laufen plötzlich auf dem PC, und an der Börse verliert ein Softwareriese wie SAP an einem einzigen Tag rund 30 Milliarden Euro Börsenwert, obwohl er gerade Rekordumsatz gemeldet hat. Gleichzeitig verkünden die üblichen Propheten das Ende der Software, wie wir sie kennen. Höchste Zeit, mal nachzusehen, was davon Substanz hat und was nur Rauch aus der Hype-Maschine ist.
Wir schauen uns zuerst an, wie KI Software nachbaut und wo das Urheberrecht die Grenze zieht. Danach geht es um die Softwareindustrie und ihre neue Nervosität, um die Idee der „unsichtbaren Software“ im Chatfenster und um die Frage, was aus den Entwicklern wird. Zum Schluss werfen wir einen Blick auf die Risiken, denn eine KI, die von KI lernt, produziert am Ende gern mal eine Liste mit Hasen. Dazu später mehr.
1. KI baut Software nach
Programmieren galt lange als Handwerk mit Meisterbrief: nächtelang Koffein, komplexe Architekturen, mühsam getippter Quelltext. Inzwischen schaut sich eine KI ein fertiges Programm an und sagt sinngemäß: „Süß. Bau ich dir nach.“ Wir klären zuerst, wie das technisch funktioniert, dann, welche zwei Wege es zum Klon gibt und was davon erlaubt ist. Zum Schluss geht es um das Phänomen, das man inzwischen „Fast Fashion Software“ nennt.
1.1 Reverse Engineering mit Turbolader
Reverse Engineering ist alles andere als neu. Früher war das Zerlegen von Software die Königsdisziplin für Sicherheitsforscher und gelegentliche Hacker in schlecht gelüfteten Kellern. Man nahm eine fertige .exe-Datei, verwandelte sie in Assembler-Kauderwelsch und versuchte dann, daraus zu rekonstruieren, was sich der ursprüngliche Programmierer gedacht haben könnte. Das hatte ungefähr den Unterhaltungswert eines 10.000-Teile-Puzzles ohne Vorlage, bei dem alle Teile grau sind.
Wie zäh das ist, zeigt ein bekanntes Fan-Projekt: Die Dekompilierung von Super Mario 64 hat eine Gruppe von Freiwilligen Jahre gekostet, bis der neu geschriebene Quellcode wieder exakt dieselben ROMs wie das Original ergab. Grafiken und Sounds sind übrigens nicht dabei, die muss man aus einer eigenen Kopie des Spiels ziehen.
Neu ist, dass KI-Modelle in dieser Disziplin plötzlich richtig gut sind. Sie arbeiten dabei mit klassischen Werkzeugen zusammen, etwa mit Ghidra, dem Dekompilierer, den der US-Geheimdienst NSA 2019 als Open Source veröffentlicht hat. Ghidra liefert den rohen, schwer lesbaren Pseudocode, und das Sprachmodell macht daraus sauber strukturierten Quelltext mit sinnvollen Namen für Variablen und Funktionen. Eine automatische Pipeline kompiliert das Ergebnis, vergleicht es mit dem Original und schickt Abweichungen als Fehlerbericht zurück an die KI. Das wiederholt sich, bis die Bytes passen. Wofür Menschen früher Monate gebraucht haben, reicht heute oft eine Kaffeepause. Okay, bei mir sind Kaffeepausen auch etwas länger.
1.2 Zwei Wege zum Klon und was das Urheberrecht davon hält
Kaum taucht ein Klon auf, rasseln bei den Rechtsabteilungen der großen Softwarehäuser die Säbel. Dabei muss man zwei sehr unterschiedliche Wege auseinanderhalten:
| Weg 1: Dekompilieren | Weg 2: Clean Room | |
|---|---|---|
| Was die KI sich ansieht | die Binärdatei selbst, also den Maschinencode | nur Oberfläche, Verhalten und öffentliche Dokumentation |
| Was dabei herauskommt | Quellcode, der ein nahezu identisches Programm ergibt | neuer, unabhängiger Code, oft in einer ganz anderen Sprache |
| Rechtslage | für einen Nachbau nicht erlaubt | grundsätzlich erlaubt, mit Einschränkungen |
Vorweg: Ich bin Zimmermann mit Internetanschluss, kein Anwalt. Was folgt, ist die grobe Linie, keine Rechtsberatung.
Weg 1: Das Programm aufschrauben. Dekompilieren erlaubt das deutsche Urheberrecht nur in einem sehr engen Rahmen. Laut § 69e UrhG darf man es, wenn es unerlässlich ist, damit ein eigenes Programm mit dem fremden zusammenarbeitet. Einen ähnlichen Nachbau darf man mit den Erkenntnissen ausdrücklich nicht bauen. Wer auf diesem Weg einen Klon verteilt, kann den Briefkasten schon mal für die Abmahnung frei räumen.
Weg 2: Der Clean Room. Hier benimmt sich die KI wie ein extrem pedantischer Produkttester: Sie klickt sich durch alle Menüs, beobachtet, was passiert, liest die öffentliche Doku und baut das Verhalten neu nach. Das Prinzip ist alt. In den 1980ern hat Phoenix Technologies so das BIOS des IBM-PC nachgebaut und damit den Markt für PC-Nachbauten mit aufgerissen.
Der Kniff: Geschützt ist der konkrete Programmcode, nicht die Idee dahinter. So steht es in § 69a UrhG. Der Europäische Gerichtshof hat das 2012 im Fall SAS Institute bestätigt: Funktionalität, Programmiersprache und Dateiformate sind nicht urheberrechtlich geschützt. Übertragen auf meine Werkstatt: Geschützt ist mein Bauplan für einen bestimmten Tisch, nicht die Idee „Platte mit vier Beinen“.
Ganz so absolut legal, wie es oft verkauft wird, ist Weg 2 trotzdem nicht. Patente, Markenrechte und Lizenzbedingungen gelten weiter. Und eine Frage ist offen, über die sich Juristen noch Jahre lang gut bezahlt streiten werden: Wie „sauber“ ist ein Clean Room, wenn das Sprachmodell beim Training womöglich Teile des Originalcodes gesehen hat?
1.3 Fast Fashion Software
Aus dieser Fähigkeit zum Nachbau entsteht etwas, das man inzwischen treffend Fast Fashion Software nennt. Früher war Software ein massiver Block: Adobe, Microsoft oder Autodesk haben Jahrzehnte und Hunderte Millionen Dollar in Programme wie Photoshop, Excel, Word oder AutoCAD gesteckt. Heute basteln Entwickler mit KI-Hilfe schlanke Klone dieser Klassiker in erstaunlich kurzer Zeit zusammen.
Das bekannteste Beispiel ist gerade erst ein paar Wochen alt. Der Entwickler Brandon Thomas vom Projekt ArtCraft hat mit Claude Opus 5.5 quelloffene Nachbauten von sieben Adobe-Programmen in Rust geschrieben, nach eigener Aussage als Clean-Room-Nachbau, also genau nach Weg 2. Dabei ist es nicht geblieben: Stand Mitte Oktober umfasst die Sammlung schon 13 Apps, darunter auch Gegenstücke zu Word, Excel und AutoCAD. Die Programme heißen PhotoCraft, LightCraft, WordCraft oder CADCraft, liegen unter freien Lizenzen wie MIT und Apache-2.0 auf GitHub und laufen nativ unter Linux, macOS und Windows. Der Photoshop-Klon PhotoCraft hat dort inzwischen über 40.000 Sterne gesammelt. Ich habe mir PhotoCraft und LightCraft vor ein paar Tagen ausführlich angesehen, alles dazu steht in meinem Artikel über die Photoshop- und Lightroom-Klone für Linux. Und ja: dasselbe Modell hat diesen Text gebügelt. Die Schleife dreht sich weiter.
Für mich als Linux-Nutzer ist das mehr als eine Kuriosität. Wer für eine CAD-Lizenz nicht gleich eine Niere opfern will, landet heute bei Programmen wie FreeCAD. Dass nun auch noch ein KI-gebauter AutoCAD-Nachbau dazukommt, hätte ich mir vor einem Jahr nicht träumen lassen.
Auch Spiele bleiben nicht verschont. Konsolenspiele werden dekompiliert und auf PC, Linux oder in den Browser portiert, wobei man für Grafiken und Sounds in der Regel weiter eine eigene Kopie des Originalspiels braucht. In Bastlerkreisen werden sogar Spielwelten gekreuzt, sodass Waffen und Fähigkeiten aus einem Spiel plötzlich in einem ganz anderen auftauchen.
Noch interessanter ist die Einweg-Software nach Maß. Warum ein monatliches Abo für ein überladenes Flaggschiff bezahlen, wenn die KI auf Zuruf eine Mini-Version baut, die genau die drei Knöpfe hat, die du heute Nachmittag brauchst? Software wird damit zum Einwegartikel: in Minuten zusammengeschustert, benutzt und danach ohne jede Wehmut weggeworfen. Was das für die Firmen bedeutet, die bisher genau diese Knöpfe teuer vermietet haben, schauen wir uns jetzt an.
2. Die Softwarebranche bekommt kalte Füße
Jahrelang galt in der Branche ein bequemes Rezept: Software bauen, ein Abo-Schild davorhängen (Software as a Service, kurz SaaS), jeden Monat von treuen Firmenkunden kassieren und der Aktie beim Steigen zusehen. Jetzt geht die Frage um: Wenn KI-Agenten selbstständig Daten auswerten, Formulare ausfüllen und Bestellungen auslösen, wozu braucht dann noch jemand die bunten Masken und starren Klickpfade der klassischen Anbieter? Wir schauen uns an, wie nervös die Börse darauf reagiert, warum die Benutzeroberfläche an Wert verliert, womit sich Firmen künftig noch schützen können und welche Gegenwette SAP aufgestellt hat.
2.1 Der SAP-Schock
Wie dünn die Nerven sind, zeigt SAP, das Aushängeschild der europäischen Softwarebranche. Ende Januar 2026 legte der Konzern seine Zahlen für 2025 vor:
| Kennzahl 2025 | Wert |
|---|---|
| Umsatz | 36,8 Mrd. Euro (+8 %) |
| Wachstum Current Cloud Backlog (4. Quartal) | 25 % |
| Erwartung der Analysten | 26 % |
| Kursverlust am selben Tag | rund 15 % |
| Verlust an Börsenwert | rund 30 Mrd. Euro |
Der Current Cloud Backlog ist, vereinfacht gesagt, der Cloud-Umsatz, der für die nächsten zwölf Monate schon vertraglich sicher ist. Er wuchs um 25 Prozent, die Analysten hatten 26 erwartet. Ein Prozentpunkt daneben, und die Aktie erlebte den größten Tagesverlust seit mehr als fünf Jahren. Das Kuriose daran: Das Management hatte vorher selbst erklärt, dass ein Wert unter 25 Prozent enttäuschend wäre. Gelandet ist man exakt auf der Linie, und die Börse hat trotzdem den roten Knopf gedrückt.
Mit einem Bilanzskandal hatte das nichts zu tun. Dahinter steckt eine diffuse Angst, dass klassische Unternehmenssoftware im KI-Zeitalter einfach überflüssig werden könnte. Schon vor den Zahlen hatte SAP seit dem Allzeithoch im Februar 2025 rund 130 Milliarden Dollar an Börsenwert eingebüßt. Während Nvidia und die großen KI-Labore an der Börse gefeiert werden, zittern etablierte Abo-Anbieter wie SAP, Salesforce oder Workday um ihr Geschäftsmodell.
Für manche Kunden ist das keine schlechte Nachricht. Adobe hat im März 2026 eine Klage des US-Justizministeriums für 150 Millionen Dollar beigelegt: 75 Millionen als Strafe, 75 Millionen als kostenlose Leistungen für betroffene Kunden. Der Vorwurf: versteckte Kündigungsgebühren und ein absichtlich umständlicher Kündigungsweg. Adobe bestreitet bis heute jedes Fehlverhalten, hat aber trotzdem gezahlt. Wer sich jahrelang über solche Kündigungshürden geärgert hat, wird wenig Mitleid haben, wenn eine KI dieselben Design- und Büroaufgaben für ein paar Cent erledigt. Brandon Thomas hat übrigens genau diesen Ärger als Grund für ArtCraft genannt.
2.2 Wenn die Oberfläche nichts mehr wert ist
Einige in der Branche halten schon die Grabrede. Der ArtCraft-Entwickler erklärte nach seinem Adobe-Nachbau kurzerhand, „Software is over“, und behauptete, er habe Photoshop in einem Rutsch nachgebaut. Das ist natürlich zugespitzt, zumal seine eigenen Programme noch als frühe Alpha gekennzeichnet sind. Der Kern stimmt aber.
Jahrzehntelang lag der Wert einer Software in ihrer Benutzeroberfläche. Wer das schönste Dashboard und die cleverste Menüführung hatte, hatte die Kunden. Im KI-Zeitalter wird die Oberfläche zum Zwischenhändler. Wenn du einfach schreibst: „Analysiere die Verkaufszahlen aus allen Online-Shops für dieses Quartal“, schrumpft das millionenteure Frontend eines Analyse-Tools auf eine Antwort im Chat zusammen. Der Wert wandert von der Klickmaske zu dem, was dahinter liegt: zum KI-Agenten, zu den Daten und zur Infrastruktur. Bezeichnend: Die ArtCraft-Apps sind von Anfang an so gebaut, dass KI-Agenten sie über eine Kommandozeile oder einen MCP-Server steuern können. Die Oberfläche ist dort nur noch einer von mehreren Eingängen.
2.3 Die neuen Burggräben
Wenn Code plötzlich billig und kopierbar ist, womit verteidigt eine Firma dann noch ihr Geschäft? Sechs Burggräben zeichnen sich ab:
- Eigene Daten, die sonst niemand hat und die sich nicht einfach aus dem Netz kratzen lassen.
- Netzwerkeffekte und Communities. Eine lebendige Plattform, auf der sich Menschen gegenseitig etwas bieten, lässt sich nicht per Prompt klonen.
- Eine starke Marke mit treuem Publikum. Die Kunden bleiben, auch wenn der Code im Hintergrund austauschbar wird.
- Physische Ressourcen. Rechenzentren, Chips, Standorte und vor allem Strom kann man nicht herbeiprompten. Was Strom in Deutschland kostet, habe ich im Artikel über den Energiewahnsinn ausgiebig beklagt, und die Rechenzentren machen die Sache nicht billiger.
- Kapital. Wer genug Geld hat, kauft sich Rechenleistung, Start-ups und Infrastruktur und damit einen Vorsprung.
- Regulierung und Lizenzen. Der Lieblingsburggraben aller Paragrafenfreunde.
Über Punkt 6 muss ich kurz schmunzeln. Während Code inzwischen ungeschützt durch die Gegend fliegt, erweist sich ausgerechnet das europäische Bürokratiemonster, dem ich mit der Eurokratie schon einen eigenen Artikel gewidmet habe, als Drachenzaun, den keine KI überspringt. Wer per KI eine Bank oder Versicherung gründen will, scheitert nicht am Algorithmus, sondern an Ordnerbergen voller Zulassungsvorschriften, Finanzaufsicht und DSGVO. Die Regeln, über die alle jahrelang geschimpft haben, werden so zum Schutzwall für die trägen Großen. Das hätte sich in Brüssel sicher auch keiner so ausgedacht.
2.4 Die Walldorfer Gegenwette
Genau hier setzt SAP an. Konzernchef Christian Klein wettet darauf, dass die Sprachmodelle selbst zur austauschbaren Massenware werden. Heute liegt OpenAI vorn, morgen Anthropic, übermorgen Google oder ein Open-Source-Modell. Das beste Modell der Welt nützt einem Unternehmen aber nichts, wenn es blind ist. Ein KI-Agent kann keine Einkäufe tätigen und keine Produktion umplanen, wenn er die Lieferketten, die Bilanzen und die echten Abläufe der Firma nicht kennt.
Diese strukturierten Geschäftsdaten liegen seit Jahrzehnten in den ERP-Systemen von Anbietern wie SAP. Statt Milliarden in ein eigenes Sprachmodell zu stecken, baut SAP fremde Modelle in seine Systeme ein, unter dem Etikett Business AI und mit dem Assistenten Joule. Die Rechnung lautet: austauschbares Sprachmodell plus Unternehmensdaten und Prozesswissen ergibt einen KI-Agenten, dem man tatsächlich etwas anvertrauen kann.
Geht die Wette auf, wird aus dem angestaubten Klickmonster ein Datentresor und Kontextlieferant für KI-Agenten. Die Software verschwindet dann nicht, sie wird zum unsichtbaren Motor. Und Europa, das das Rennen um das größte Allzweck-Sprachmodell wohl nicht gewinnen wird, hätte mit seinen Industriedaten doch noch einen Trumpf in der Hand. Wie diese unsichtbare Software im Alltag aussehen könnte, ist Thema des nächsten Kapitels.
3. Die unsichtbare Software
Erinnerst du dich noch an den klassischen Softwarekauf? Stundenlang Testberichte lesen, Abo-Tarife vergleichen, sich durch Cookie-Banner kämpfen, 40 Seiten AGB ungelesen abnicken und dann ein tonnenschweres Paket installieren. Im KI-Zeitalter wirkt das bald so altmodisch wie das Pfeifen eines 56k-Modems. Was stattdessen kommt, lässt sich in drei Schritten zeigen: vom Programm zur Bitte, von der Werkzeugleiste zur Mini-App im Chat und von der starren zur mitwachsenden Oberfläche.
3.1 Bitten statt installieren
Die Grundidee passt in einen Satz: Du suchst, kaufst und installierst keine Software mehr, sondern bittest die KI, dein Problem zu lösen. Wie sie das im Hintergrund erledigt, kann dir egal sein.
Die großen KI-Anbieter entwickeln sich dabei zu Rundum-Inseln, die die Funktionen klassischer Programme einfach mitschlucken. Claude erzeugt auf Zuruf Designs, Präsentationen und kleine Animationen, im Hintergrund läuft dabei Code, von dem du nichts mitbekommst. OpenAI hat mit ChatGPT Sites eine Funktion in der öffentlichen Beta, mit der man aus dem Chat heraus Webseiten und kleine Apps erstellt, veröffentlicht und teilt, inklusive Hosting. Wer einmal erlebt hat, dass der Chat das gewünschte Werkzeug in fünf Minuten baut, zahlt ungern weiter 30 Euro im Monat für ein Programm, von dem er zwei Prozent nutzt.
3.2 Mini-Apps im Chatfenster
Wie sieht das praktisch aus? Statt vor einer Werkzeugleiste mit hundert Symbolen zu sitzen, führst du ein Gespräch. Zwei Beispiele:
Bildbearbeitung. Du lädst ein Foto in den Chat und schreibst: „Mach das bitte etwas heller.“ Die KI hellt das Bild auf und reicht dir gleich eine kleine, maßgeschneiderte Mini-App nach, mit Schiebereglern für Belichtung, Kontrast und Farbtemperatur. Du schiebst die Regler, bis es passt, und verlässt dabei nie den Chat.
Dashboard für die Chefin. Eine Managerin schreibt: „Ich muss wissen, ob unsere Verkaufszahlen in diesem Quartal über alle Online-Shops hinweg einbrechen.“ Die KI verbindet im Hintergrund die Schnittstellen der Shops, legt eine Datenbank an, richtet zeitgesteuerte Aufgaben (Cron-Jobs) für regelmäßige Updates ein, baut ein Dashboard mit Diagrammen und stellt es geschützt ins Netz. Am Ende steht im Chat ein fertiges, sich selbst aktualisierendes Mini-Dashboard.
Das Verrückte daran: Die Managerin hat gerade eine ziemlich komplexe Softwareanwendung in Auftrag gegeben und betrieben, ohne es zu merken und ohne eine Zeile Code zu schreiben.
3.3 Oberflächen, die mitwachsen
Wer zum ersten Mal Photoshop, Excel oder ein CAD-Programm öffnet, erlebt einen kleinen Kulturschock. Tausende Symbole, verschachtelte Untermenüs und Tastenkürzel sagen unmissverständlich: „Du bist zu klein für mich.“ Ich unterrichte Bildbearbeitung an der Volkshochschule und weiß, wie viel Zeit allein dafür draufgeht, Leuten die Angst vor der Werkzeugleiste zu nehmen. Und wer, wie ich, nach dem Umstieg auf Linux jahrelang ein anderes Programm mit ganz anderen Menüs lernen musste, weiß, wie hartnäckig das Muskelgedächtnis an alten Knöpfen hängt.
Generierte Software dreht das um. Am Anfang hat sie genau die zwei oder drei Funktionen, die du gerade brauchst, und keinen Knopf mehr. Wenn du nach ein paar Wochen sagst: „Ich brauche noch eine Stapelverarbeitung und einen Rauschfilter“, baut die KI beides in dein persönliches Werkzeug ein. Merkst du nach zwei Monaten, dass du die Statistik-Diagramme nie anschaust, reicht ein „Schmeiß das wieder raus“, und die Oberfläche schrumpft zurück.
Die Software wächst also mit deinen Aufgaben und deinem Können, statt dich vom ersten Tag an mit 98 Prozent Ballast zu erschlagen. Ob ich meine VHS-Kurse dann in „Wie man einer KI sagt, was man will“ umbenennen muss, sehen wir noch. Erst einmal stellt sich eine naheliegende Frage: Wenn jeder per Chat Software bestellen kann, braucht es dann überhaupt noch Programmierer?
4. Was wird aus den Entwicklern?
Glaubt man den lautesten Stimmen aus dem Silicon Valley, sitzen bald acht Milliarden Menschen im Schlafanzug vor dem Laptop und murmeln als frischgebackene „Vibe Coder“ ganze Unternehmensanwendungen ins Mikrofon. Die Wirklichkeit ist, wie so oft, bodenständiger. Entwickler sterben nicht aus, aber ihr Beruf verändert sich gründlich.
4.1 Nicht jeder wird zum Coder
Die Vorstellung, dass künftig jeder Buchhalter und jede Bäckermeisterin hobbymäßig Apps baut, scheitert schon daran, wie Menschen KI heute tatsächlich nutzen. In KI-Kreisen kursiert dazu eine grobe Schätzung, die man eher als Größenordnung denn als Messwert lesen sollte:
| Anteil | Wer | Wie |
|---|---|---|
| 75 % | die große Mehrheit | hat noch nie bewusst KI genutzt |
| 20 % | Gelegenheitsnutzer | fragen ab und zu einen kostenlosen Chatbot, meist als bessere Suchmaschine |
| 4,8 % | Experimentierfreudige | nutzen Standard-KI-Anwendungen regelmäßig |
| 0,2 % | die Nerds | arbeiten mit Terminal, Docker, APIs und eigenen Agenten wie Claude Code oder Codex |
Der Grund für diese Verteilung liegt nicht in den Programmiersprachen selbst, sondern im ganzen Drumherum. Wer ohne IT-Hintergrund ein Agentensystem einrichten will, stolpert durch ein Minenfeld aus GitHub-Konten, SSH-Schlüsseln, Kommandozeile, API-Keys, die in .env-Dateien gefummelt werden wollen, Docker-Containern und Umgebungsvariablen. Kaum jemand tut sich das an, nur um eine Formular-App zu bauen. Die breite Masse bleibt Anwender und will fertige Ergebnisse, die die KI im Hintergrund zusammenzimmert. Genau das ist die unsichtbare Software aus Kapitel 3.
Heißt das, für Entwickler bleibt alles beim Alten? Leider nein. Als Warnung wird gern der Arbeitsmarkt für Callcenter angeführt: Dort soll die Zahl der Stellen jahrelang um rund 4 Prozent pro Jahr gewachsen sein, bis um 2025 die Kurve kippte und seitdem in ähnlichem Tempo schrumpft. Die genauen Zahlen sind mit Vorsicht zu genießen, das Muster dahinter ist plausibel. KI schlägt selten über Nacht ein. Aber wenn die Modelle eine bestimmte Reife erreichen, setzt der Wandel ein, und dann geht es schnell. Für Programmierer dürfte es zuerst die einfachen Routineaufgaben treffen, die bisher klassische Einstiegsjobs waren.
4.2 Warum ausgerechnet Code?
Warum wird KI gerade beim Programmieren so viel schneller besser als in fast allen anderen Bereichen? Der KI-Forscher Andrej Karpathy hat dafür ein einleuchtendes Stichwort geliefert: Verifizierbarkeit. Eine KI kann eine Aufgabe dann besonders gut lernen, wenn sie beliebig oft neu ansetzen kann, viele Versuche schnell hintereinander möglich sind und ein automatischer Prüfer jeden Versuch bewerten kann. Mathematik und Code erfüllen das perfekt, kreative oder strategische Aufgaben deutlich weniger.
Über Kunst oder Philosophie kann man tagelang streiten. Code dagegen hat keine Meinung, er läuft oder er läuft nicht. Daraus entsteht ein nahezu perfekter Lernkreislauf:
- Das Modell schreibt Code, sei es nach einer Beschreibung oder als Nachbau einer Binärdatei.
- Eine Pipeline kompiliert und testet das Ergebnis automatisch in einer abgeschotteten Umgebung, beim Nachbau sogar mit Bit-Vergleich gegen das Original.
- Läuft der Code, ist das ein sauberes Lernbeispiel. Läuft er nicht, liefert das Fehlerprotokoll ein klares Korrektursignal.
- Beides fließt per Reinforcement Learning in die nächste Modellgeneration ein.
Jeder dekompilierte Klon und jeder erfolgreiche oder gescheiterte Programmierversuch wird so zum Trainingsfutter. Der Kreislauf dreht sich, ohne dass ein Mensch jedes Ergebnis von Hand bewerten muss.
4.3 Neue Arbeit für Entwickler
Das Ende des Berufs bedeutet das nicht. Zu Ende geht die Zeit, in der man gutes Geld dafür bekam, vorgegebene Bausteine von Hand von A nach B zu tippen. Die Arbeit rutscht eine Ebene höher. Drei Felder zeichnen sich ab.
Schnittstellen für KI bauen. Wenn niemand mehr selbst in verschachtelten Menüs klicken will, wird die Verbindung zwischen KI und Altsystemen zum Nadelöhr. Entwickler legen deshalb zunehmend Schnittstellen nach dem Model Context Protocol (MCP) über bestehende Software, damit KI-Agenten sie im Hintergrund ansteuern, auslesen und füttern können. Die ArtCraft-Apps aus Kapitel 1 bringen so einen MCP-Server übrigens gleich ab Werk mit.
Lokale Wissensdatenbanken. Nicht jede Firma möchte ihre Kundenakten und Bilanzen auf amerikanische Server hochladen. Die Cloud ist schließlich auch nur der Rechner von jemand anderem, weshalb ich meine Daten lieber in einer eigenen Nextcloud im Proxmox-Container parke. Gerade in Europa entsteht ein Markt für Spezialisten, die hausinterne Vektordatenbanken aufbauen. Sie verwandeln Firmenwissen, von ERP-Daten bis zu Notizsammlungen etwa aus Obsidian, in einen Index, aus dem eine KI blitzschnell Kontext ziehen kann, ohne dass Daten das Haus verlassen.
Agenten dirigieren. Wer heute mit Werkzeugen wie ComfyUI oder n8n arbeitet, steckt noch Hunderte Funktionsknoten von Hand zusammen. Das wird zunehmend überholt. Gefragt sind Entwickler, die die Systeme dahinter bauen, sodass ein einfacher Satz des Nutzers reicht und die KI den passenden Workflow selbst erzeugt, verkabelt und startet.
Ich würde es aus Zimmermannssicht so sagen: Der Entwickler wird vom Mann an der Kreissäge zum Polier auf der Baustelle. Er sägt nicht mehr jedes Brett selbst, aber er legt fest, was gebaut wird, sorgt für die Sicherheit und haftet am Ende dafür, dass der Dachstuhl hält. Bleibt die Frage, wie schnell das alles kommt und was dabei schiefgehen kann.
5. Wohin die Reise geht
Nach dekompiliertem Code, nervösen Börsenkursen und Mini-Apps im Chat bleibt die große Frage: Wann passiert das alles, und landen wir im Tech-Paradies oder in einem Internet, in dem sich Bots gegenseitig Märchen erzählen? Erst zum Tempo, dann zu zwei Fallen: KI, die von KI lernt, und Menschen, die der KI zu viel glauben.
5.1 Kein Umbruch über Nacht
Wer fürchtet oder hofft, dass ab nächstem Montag niemand mehr ein klassisches Programm öffnet, kann durchatmen. Die Schätzungen dafür, bis die unsichtbare Software den Alltag prägt, reichen von zwei bis fünf Jahren für eine starke Verbreitung bis zu zehn Jahren für die Dominanz. Drei Dinge bremsen:
- Gewohnheit. Menschen trennen sich nur langsam von ihren liebgewonnenen oder zähneknirschend akzeptierten Arbeitsabläufen. Ich arbeite auch noch mit Werkzeugen, für die es längst Besseres gibt.
- Altlasten in den Firmen. Viele Unternehmen stecken noch mitten in jahrelangen Umstellungen, etwa der SAP-Migration auf S/4HANA. Solange die nicht durch ist, lässt kaum eine IT-Abteilung autonome KI-Agenten auf ihre Systeme los.
- Unreife Modelle. Die heutigen Systeme bauen beeindruckende Prototypen, machen im Detail aber immer noch nervige Fehler. Selbst ArtCraft kennzeichnet seine Programme ehrlich als Alpha-Versionen.
5.2 Wenn KI von KI lernt
Je mehr KI-Texte, KI-Bilder und KI-Code im Netz landen, desto mehr davon frisst die nächste KI-Generation beim Training. Das ist kein theoretisches Problem.
Die sogenannte Dead Internet Theory behauptet überspitzt, das Internet sei längst „tot“ und wir unterhielten uns online vor allem mit Maschinen. Lange galt das als Spinnerei. Der Thales Bad Bot Report 2026 liefert allerdings unbequeme Zahlen für das Jahr 2025:
| Herkunft des Web-Traffics 2025 | Anteil |
|---|---|
| Menschen | 47 % |
| nützliche Bots, etwa Suchmaschinen-Crawler | 13 % |
| schädliche Bots | 40 % |
Mehr als die Hälfte des Verkehrs im Netz stammt also von Automaten. Selbst OpenAI-Chef Sam Altman hat 2025 öffentlich eingeräumt, dass er die Theorie inzwischen ernster nimmt als früher.
Was passiert, wenn Modelle überwiegend mit den Ausgaben ihrer Vorgänger trainiert werden, hat ein Forschungsteam um die Universitäten Oxford und Cambridge 2024 in der Fachzeitschrift Nature untersucht. Ergebnis: Trainiert man ein Sprachmodell Generation für Generation nur mit dem, was die vorige Generation geschrieben hat, verarmt sein Wissen dramatisch. In einem Versuch begann der Text in der ersten Generation bei mittelalterlicher Architektur. In der neunten Generation produzierte das Modell nur noch eine Liste von Hasenarten. Die Forscher nennen das Model Collapse, ich nenne es digitale Inzucht.
Dass dieser Kollaps im Alltag bisher ausbleibt, liegt nach Untersuchungen unter Beteiligung von Stanford-Forschern daran, dass in der Praxis immer auch frische, von Menschen erzeugte Daten dazukommen und die alten nicht einfach ersetzt werden. Echter menschlicher Kontext bleibt also das Lebenselixier jeder KI. Wir Menschen sind sozusagen der Sauerteig, ohne den das Brot nicht aufgeht.
Und da wären wir wieder beim Wasserzeichen aus der Einleitung. Seit dem 2. August 2026 verlangt der EU AI Act, dass KI-generierte Inhalte maschinenlesbar gekennzeichnet werden. Anthropic hat dafür den EU-Verhaltenskodex unterschrieben und versieht Texte seiner Modelle mit einem statistischen Wasserzeichen. Dabei werden keine versteckten Zeichen eingefügt, das Modell trifft bei austauschbaren Wortentscheidungen eine Auswahl, die ein bestimmtes Muster ergibt. Offiziell geht es um Transparenz gegenüber den Menschen. Ein netter Nebeneffekt könnte sein, dass KI-Labore Texte aus fremder Maschinenproduktion künftig leichter aus ihrem Trainingsfutter fischen können. Dieselbe EU, deren Chatkontrolle ich hier nach Strich und Faden zerlegt habe, hätte damit, sicher aus Versehen, mal etwas Nützliches gegen die Hasenliste getan.
5.3 Klingt klug, ist es aber nicht immer
Ein zweites Risiko sitzt nicht in der Maschine, sondern vor dem Bildschirm. Der Automation Bias beschreibt unsere Neigung, automatischen Systemen blind zu vertrauen, auch wenn das Navi uns gerade in eine gesperrte Straße oder einen Badesee lotsen will. Sprachmodelle formulieren selbstbewusst und rhetorisch geschliffen, und wir verwechseln gute Formulierung nur zu gern mit echtem Verständnis.
Dass Sprachmodelle nicht wie ein menschliches Gehirn denken, zeigt eine Studie zum sogenannten Reversal Curse, dem Fluch der Umkehrung. Gefragt, wer die Mutter von Tom Cruise ist, antwortete GPT-4 in 79 Prozent der Fälle richtig: Mary Lee Pfeiffer. Drehte man die Frage um und wollte wissen, wer der Sohn von Mary Lee Pfeiffer ist, sank die Trefferquote auf 33 Prozent. Für uns ist das dieselbe Information, nur von der anderen Seite betrachtet. Das Modell dagegen hat keine vernetzte Logik gespeichert, sondern Wahrscheinlichkeiten für Wortfolgen gelernt, und die laufen offenbar bevorzugt in eine Richtung.
Damit Modelle überhaupt brauchbare Antworten geben, werden sie nachtrainiert. Beim RLHF (Reinforcement Learning from Human Feedback) bewerten Menschen die Antworten der KI. Weil das teuer, langsam und je nach Tagesform der Bewerter ziemlich subjektiv ist, setzen die Anbieter zunehmend auf RLAIF (Reinforcement Learning from AI Feedback), bei dem eine KI die Antworten einer anderen anhand festgelegter Kriterien bewertet. Das ist schnell und billig, birgt aber die Gefahr, dass sich Maschinen ihre Denkfehler gegenseitig durchwinken und belohnen. Der Mensch als kritischer Prüfer bleibt also unverzichtbar, auch wenn er zwischendurch Kaffee braucht.
Nachsatz aus der Werkstatt
Als Zimmermann kenne ich das alles schon aus einer anderen Ecke. Möbel aus dem Möbelhaus sind billig, schnell da und nach dem dritten Umzug Sperrmüll. Trotzdem gibt es noch Tischler, und die haben gut zu tun. Sie bauen nicht mehr jedes Regal, aber die Treppe, die ins krumme Altbauhaus passen muss, die Küche für den Grundriss, den kein Katalog kennt, und alles, bei dem es auf den Millimeter und auf Erfahrung ankommt.
Mit Software dürfte es ähnlich laufen. Das Regal von der Stange baut künftig die KI. Wer aber die Daten hat, die Abläufe versteht und dafür geradesteht, dass das Ganze hält, wird weiter gebraucht. Jahrzehntelang mussten wir lernen, wie man Software bedient. Jetzt soll die Software lernen, wie sie uns dient. Ob ihr das gelingt, schauen wir uns in ein paar Jahren noch einmal an. Ich setze schon mal Kaffee auf.