Warum die meisten mit KI in der Softwareentwicklung scheitern

Fast jeder Entwickler hat es inzwischen ausprobiert: ein Chat-Fenster öffnen, eine kleine Funktion generieren lassen, kurz staunen. Eine Klasse, ein Model, ein kleines Skript – es funktioniert erstaunlich gut, fast magisch. Man wird neugierig und versucht, immer größere Aufgaben an die KI zu delegieren. Man rutscht in den sogenannten Vibe-Coding-Modus: ein Prompt nach dem anderen, immer größere Teile einer Anwendung am Stück erzeugt.

Und dann, ab einem bestimmten Punkt, passiert fast immer dasselbe. Die KI beginnt zu halluzinieren. Sie vergisst wichtige Details aus vorherigen Schritten. Sie denkt Probleme nicht zu Ende. Sie greift zu Mock-Implementierungen, wo eigentlich echte Logik gefragt wäre. Am Ende entsteht Code, der für niemanden mehr nachvollziehbar ist – am wenigsten für die KI selbst.

Die naheliegende Reaktion lautet dann oft: „KI ist für echte Softwareentwicklung einfach noch nicht reif.“ Oder: „Die Technologie macht zu viele Fehler.“

Das ist eine bequeme Schlussfolgerung. Es ist auch die falsche.

Die interessantere Frage ist nicht ob das passiert, sondern warum. Und wenn man sich das ernsthaft ansieht, lassen sich die Ursachen fast immer auf drei grundlegende Probleme zurückführen.

1. Fehlende Struktur und Architektur

KI ist heute nicht in der Lage, komplexe Architektur über viele Schritte hinweg eigenständig zu entwickeln und konsistent zu halten. Das ist keine Geschmacksfrage, sondern eine technische Grenze: begrenzte Kontextfenster, Kosten, Energiebedarf. Selbst Modelle mit sehr großen Kontextfenstern lösen das Problem nicht grundsätzlich – sie verschieben nur, wie früh man an die Grenze stößt.

Wenn niemand der KI eine Struktur vorgibt, improvisiert sie eine eigene – Prompt für Prompt, ohne übergeordneten Plan. Genau das ist der Moment, in dem ein Projekt anfängt, sich anzufühlen, als würde es ohne Architekt gebaut. Die Konsequenz ist nicht, dass man KI deshalb meiden sollte. Die Konsequenz ist, dass die Architekturarbeit – Schnittstellen, Verantwortlichkeiten, Konventionen – vorher von einem Menschen geleistet werden muss. Die KI füllt diese Struktur aus. Sie erfindet sie nicht.

2. Fehlender Kontext oder zu kleine Kontextfenster

Eine KI hat kein Gedächtnis im menschlichen Sinne. Jede Anfrage ist im Grunde isoliert, sofern man nicht aktiv dafür sorgt, dass relevanter Kontext wieder mitgegeben wird – Entscheidungen aus vorherigen Schritten, Namenskonventionen, bereits getroffene Architekturentscheidungen, Domänenwissen. Fehlt dieser Kontext, fängt die KI an, Lücken mit Plausiblem zu füllen statt mit Richtigem. Das ist die Halluzination, von der so oft die Rede ist – kein Defekt, sondern eine logische Folge fehlender Information.

Wer erfolgreich mit KI entwickelt, behandelt Kontext deshalb nicht als Nebensache, sondern als eigene Disziplin: Wissen muss greifbar, wiederauffindbar und in der richtigen Form bereitstehen, wenn die KI es braucht.

3. Unklare oder ungeeignete Anweisungen

Der dritte Punkt wird oft unterschätzt, ist aber vielleicht der wirkungsvollste: die Qualität der Anweisung bestimmt die Qualität des Ergebnisses. Ein vager Prompt führt zu einem vagen, in sich inkonsistenten Ergebnis – nicht weil die KI unfähig ist, sondern weil sie genau das umsetzt, was tatsächlich verlangt wurde: nichts Genaues.

Klare, vollständige, in sich geschlossene Anweisungen – mit konkretem Code, konkreten Beispielen, konkreten Randbedingungen – führen zu einem völlig anderen Ergebnis als ein „bau mir mal eine Lösung für X“. Der Unterschied liegt nicht in der KI. Er liegt in der Spezifikation.

Kein Technologie-Problem

Alle drei Punkte haben eines gemeinsam: Sie liegen nicht an der KI, sondern an der Rolle, in der sie eingesetzt wird. Wer KI wie einen autonomen Junior-Entwickler ohne Architektur, ohne Kontext und ohne klare Aufgabenstellung behandelt, wird scheitern – nicht weil die Technologie zu schwach ist, sondern weil die Vorarbeit fehlt, die früher genauso nötig war, nur eben unsichtbar im Kopf des Entwicklers selbst stattfand.

Das ist der Kern eines größeren Gedankens, den ich gerade in einem eigenen Buchprojekt mit dem Arbeitstitel Agirum ausarbeite: KI in der Entwicklung ist kein Tool-Thema. Es ist ein Rollen- und Denkweise-Shift. Mehr dazu in einem der nächsten Artikel.