LLM-basiertes Programmieren gleicht eher einem `Mech Suit`, der die Fähigkeiten von Entwicklern verstärkt

• LLM-Tools ersetzen Programmierer nicht, sondern verstärken die Fähigkeiten von Entwicklern
• Aus der Nutzung von Claude Code wurde deutlich, dass sich die Coding-Geschwindigkeit drastisch erhöht hat, menschliche architektonische Entscheidungen und kontinuierliche Aufsicht aber weiterhin unverzichtbar sind
• Mit der Einführung von LLMs wird Problemdefinition und Design wichtiger als das eigentliche Coding
• Weil AI Fehler verstärkt, besteht für unerfahrene Entwickler das Risiko, Fehler der AI nicht zu bemerken
• Im Programmieren der Zukunft werden die Fähigkeit zur Zusammenarbeit mit AI, Urteilsvermögen und die Entschlossenheit zum Verwerfen zentrale Kompetenzen sein

---

LLM-Programmierung ist kein Ersatz für Menschen, sondern ein Mittel zur Verstärkung

• LLM-basierte Programmier-Tools sind wie ein Mech Suit, der die Fähigkeiten von Entwicklern verstärkt
• Der Autor entwickelte kürzlich mit Claude Code eine Backend-Agentenplattform und eine Frontend-SaaS-App
• Dabei entstanden insgesamt mehr als 30.000 Zeilen Code, wodurch die praktische Wirkung von LLMs direkt erfahrbar wurde
• Claude Code ersetzt den Nutzer nicht, sondern ist ein Tool, das ähnlich wie Ripleys Power Loader die Fähigkeiten von Entwicklern verstärkt
• Architekturentscheidungen, Qualitätskontrolle und Richtungsgebung werden weiterhin vom Menschen geführt
• AI ist bei Geschwindigkeit und wiederholbaren Aufgaben im Vorteil, aber eine falsche Richtung kann zu fatalen Ergebnissen führen

Vigilance: AI-Coding erfordert ständige Aufmerksamkeit

• Claude Code trifft gelegentlich seltsame Entscheidungen und ignoriert mitunter grundlegende Probleme oder hardcodet Dinge, nur um Tests zu bestehen
• Es kommt auch vor, dass Frameworks überhastet ausgetauscht oder unnötige Abhängigkeiten hinzugefügt werden
• Wie bei einem Piloten ist in entscheidenden Momenten menschliches Eingreifen zwingend erforderlich
• In einem Moment der Unachtsamkeit lief die AI in die falsche Richtung, sodass der Backend-Code gleich dreimal vollständig neu geschrieben werden musste
• LLMs verringern die Coding-Last, aber die Last von Aufsicht und dem Erhalt der Architektur wächst

Veränderung der Ökonomie der Programmierzeit

• Programmierzeit lässt sich traditionell in drei Bereiche unterteilen: Warum (Ziel), Was (Design) und Wie (Coding)
• Seit der Einführung von Claude Code ist die für das „Wie“ benötigte Zeit fast auf null gesunken
• Dafür wird das Nachdenken über „Warum“ und „Was“ noch wichtiger
• Da sich Code leicht erzeugen lässt, braucht es nun den Mut, bestehenden Code konsequent zu verwerfen und einen besseren Ansatz zu wählen
• Diese Entschlusskraft ist vielen Entwicklern noch nicht vertraut; wir leben nun in einer Zeit, in der Design-Urteilskraft wichtiger ist als Implementierungszeit

Der Unterschied, den Erfahrung macht

• Um AI effektiv zu nutzen, braucht es die Einsicht und Urteilskraft aus 30 Jahren Erfahrung
• Selbst wenn Code funktioniert, ist die Fähigkeit wichtig, Antipatterns zu erkennen, die für Skalierung oder Wartbarkeit ungeeignet sind
• Unerfahrene Entwickler übersehen die Probleme von AI-generiertem Code leichter und laufen Gefahr, sich nur mit dem unmittelbaren Effekt zufriedenzugeben
• AI verstärkt nicht nur Fähigkeiten, sondern auch Fehler; ohne Urteilsvermögen steigt daher das Risiko

Der Zentaur-Effekt: Zusammenarbeit von Mensch und AI

• Wie beim aus dem Schach bekannten Zentaur-Schach erzielt die Kombination aus AI und Mensch bessere Ergebnisse als AI allein
• Die Zusammenarbeit mit Claude Code funktioniert ähnlich: Der Mensch gibt die strategische Richtung vor, die AI übernimmt taktische Aufgaben
• Am effektivsten war der Ansatz: „Spezifikation entlang des Gedankenflusses schreiben → gemeinsam mit Claude verfeinern“
• Da Claude keine kontextangemessenen Urteile fällen kann, braucht es immer menschliche Überwachung und Bewertung

Balance finden: Delegation und Kontrolle austarieren

• Lässt man die AI unbeaufsichtigt, versucht sie häufig, Probleme unnötig kompliziert zu lösen
• Beispiele: doppelter Code, falsche Technologieentscheidungen und andere Fehlfunktionen der AI, die reale Probleme verursachen
• Auch im Frontend wiederholten sich Situationen, in denen eigentümliche JavaScript-Implementierungen in Richtung Elixir- oder LiveView-Ansatz korrigiert werden mussten
• Für einfache, repetitive Aufgaben sollte delegiert werden; bei Teilen, die komplexe Urteile erfordern, braucht es einen Kooperationsrhythmus mit direktem Eingreifen
• Dank AI war schnelle Entwicklung möglich, aber ohne menschliches Eingreifen hätte es nicht richtig funktioniert

Die Zukunft ist Augmentation

• LLMs werden Programmierer nicht vollständig ersetzen, aber die Arbeitsweise und die erforderlichen Fähigkeiten stark verändern
• Strukturelles Denken, Mustererkennung und technisches Urteilsvermögen werden wichtiger als bloße Coding-Fähigkeiten
• Schon die Fähigkeit, mit AI zusammenzuarbeiten, entwickelt sich zu einer neuen technischen Kernkompetenz
• Erfolgreiche Entwickler der Zukunft werden AI nicht fürchten, sondern sowohl ihre Grenzen als auch ihre Möglichkeiten verstehen und mit ihr umgehen können
• AI ist kein Werkzeug, das den Menschen beseitigen will, sondern eines, das menschliche Möglichkeiten erweitert

[bus710]

Ich bin weder Amuro, noch habe ich einen Gundam zugeteilt bekommen ...?

[jsh5782]

Dass Leistungsunterschiede bei Mobile Suits keinen entscheidenden Unterschied in der Kampfkraft ausmachen …

[GN⁺]

Hacker-News-Meinung

Wichtiger als das Coding sind Problemverständnis und Design

• Traditionell lässt sich Coding in drei Zeitbereiche einteilen
  • Warum machen wir diese Arbeit? Das Geschäftsproblem und den Wert verstehen
  • Was muss getan werden? Die Lösung konzeptionell entwerfen
  • Wie wird es umgesetzt? Den Code tatsächlich schreiben
• Der letzte Schritt hat früher viel Zeit gekostet, doch dank Claude dauert er heute fast keine Zeit mehr
  • Wenn man für den letzten Schritt viel Zeit aufwendet, kann das bedeuten, dass die ersten beiden Schritte falsch waren oder man mit dem Tool nicht vertraut ist
  • Manuelles Editieren von Code ist umständlich, wird aber in vielen Sprachen durch IDEs und Indexer automatisiert
  • In Programmierprojekten wurde mehr Zeit dafür aufgewendet, das Problem zu verstehen
• Das heißt, Problemverständnis und Design beanspruchen mehr Zeit
  • Coding gehört zum einfachsten Schritt
  • Wenn es lange dauert, kann das an mangelnder Vertrautheit mit den Tools oder unzureichendem Design liegen
• Das Entwerfen von Datenstrukturen ist der Schlüssel
  • Wenn die Struktur gut steht, ist Coding nur noch eine einfache Implementierung
  • In diesem Punkt sind Menschen LLMs überlegen

Grenzen und Vorsichtspunkte bei LLMs

• LLMs treffen oft falsche Entscheidungen
  • Zum Beispiel: unnötige Abhängigkeiten hinzufügen, anfälligen Code erzeugen
  • Menschen müssen sie unbedingt überprüfen und korrigieren
• Sicherheitsprobleme erkennen sie nicht von selbst
  • Zum Beispiel: injection, falsch gesetzte Berechtigungen
• Leistungseinbußen in großen Codebases
  • Wegen der Begrenzung des Kontextfensters scheitern sie daran, die Gesamtstruktur zu verstehen

Produktivitätssteigerung durch LLMs

• Bei wiederholenden und einfachen Aufgaben sind sie sehr effektiv
  • Bei Boilerplate, Testcode usw. spart das Zeit
• Der Einsatz in der Planungsphase ist effizienter
  • Nützlich für Entwürfe von System Design, Funktionszerlegung usw.
• Hervorragend beim Lernen unbekannter Sprachen oder Frameworks
  • Man kann den grundlegenden Ablauf schneller erfassen als mit herkömmlicher Dokumentation

Die Bedeutung von Erfahrung und technischem Urteilsvermögen

• Um LLMs gut zu nutzen, ist Erfahrung noch wichtiger
  • Man braucht die Fähigkeit, Probleme strukturiert zu beurteilen und zu filtern
• Auch wenn LLMs Code erzeugen, bleiben Review und Refactoring Sache des Menschen
  • „Funktioniert“ und „ist richtig“ sind nicht dasselbe

LLMs ersetzen Entwickler nicht, sondern unterstützen sie als Werkzeug

• LLMs kommen der Rolle eines Junior-Entwicklers nahe
  • Ohne klare Richtungsangabe liefern sie leicht abwegige Ergebnisse
• Die Kombination aus Mensch und LLM ist einem LLM allein überlegen
  • Die Strategie kommt vom Menschen, die wiederholenden Aufgaben übernimmt die AI

Je nach Nutzungsweise von LLMs unterscheiden sich die Ergebnisse

• Wer sich nur auf automatische Codegenerierung verlässt, wird eher langsamer
  • Vor allem in vertrauten Sprachen sind Menschen schneller
• Autocomplete-basierte Interfaces (Copilot usw.) sind am natürlichsten
  • Man kann sich leicht helfen lassen, ohne den Flow zu unterbrechen

Veränderungen im Berufsbild und Sorgen durch LLMs

• Statt Code zu schreiben verlagert sich die Kernrolle von Entwicklern zu Design und Review
• Wer sich nur auf LLMs verlässt, verliert Lern- und Wachstumschancen
  • Es besteht die Gefahr, keine technische Tiefe aufzubauen und zu einem passiven Nutzer zu werden

Die Zukunft von LLMs und ihre gesellschaftlichen Auswirkungen

• In einer Umgebung, in der alle AI nutzen können, machen Menschen den Unterschied
  • Urteilsvermögen und Kommunikationsfähigkeit entscheiden über die Wettbewerbsfähigkeit
• LLMs sind ein „Werkzeug wie ein Auto“
  • Leistungsstark, aber mit wachsender Abhängigkeit und schwieriger Reaktion bei Problemen