AI-Müdigkeit ist real, aber niemand spricht darüber
(siddhantkhare.com)- Seit der Einführung von AI verbreitet sich unter Ingenieuren das Phänomen, dass die Produktivität steigt, aber auch die Erschöpfung zunimmt
- Die Arbeitsgeschwindigkeit ist gestiegen, doch Arbeitsmenge und Erwartungen wachsen gleichzeitig, wodurch die menschliche Koordinations- und Prüfungsbelastung zunimmt
- Durch die wiederholte Prüfung und Beurteilung von AI-Code häufen sich Entscheidungsmüdigkeit und kognitive Erschöpfung
- Die ständige Jagd nach neuen Technologien, die Müdigkeit durch Werkzeugwechsel und nichtdeterministische AI-Ausgaben verursachen Angst und Burnout
- Für eine nachhaltige Nutzung von AI sind klare Grenzen, Zeitmanagement und weniger Perfektionismus unerlässlich
Das Paradox von AI-Produktivität und Erschöpfung
- AI verkürzt die Zeit für einzelne Aufgaben, aber das Gesamtvolumen der Arbeit und die Erwartungen steigen gleichzeitig
- Im Vergleich zu früher, als man einen ganzen Tag für eine Aufgabe aufwendete, werden heute mehrere Probleme gleichzeitig bearbeitet, wodurch die Kosten des Kontextwechsels steigen
- Die Produktionskosten sind gesunken, aber die Kosten für Koordination, Prüfung und Beurteilung sind gestiegen, und diese Last wird vollständig auf Menschen abgewälzt
- Auch wenn AI schnell Code generiert, steigt die kognitive Erschöpfung des Menschen in dieser Struktur eher noch an
Vom Schöpfer zum Prüfer
- Nach der Einführung von AI hat sich die Rolle von Ingenieuren vom Schöpfer zum Bewerter verschoben
- Das wiederholte Bewerten von Prompt-Eingaben, Ergebnisprüfung sowie Einschätzung von Genauigkeit und Sicherheit rückt in den Mittelpunkt
- Generative Arbeit erzeugt Flow, bewertende Arbeit erzeugt Erschöpfung
- Wegen der mangelnden Verlässlichkeit von AI-Code wächst die Belastung, jede einzelne Zeile prüfen zu müssen
- Dadurch nimmt die Bedeutung von Systemen für Sicherheit und Berechtigungsverwaltung zu, und es braucht Ansätze, die die kognitive Last des Menschen verringern
Das Problem der Nichtdeterministik
- AI ist ein nichtdeterministisches System, das selbst bei gleicher Eingabe unterschiedliche Ausgaben liefert, was mit der Denkweise von Ingenieuren kollidiert
- Derselbe Prompt kann zu unterschiedlichen Ergebnissen führen und eine nicht debuggbare Instabilität verursachen
- Um dies abzumildern, wurde das deterministische Kontextbereinigungs-Tool Distill entwickelt, das für konsistente Eingaben sorgt
- Einige Ingenieure betrachten AI-Ausgaben als „unvollständigen Entwurf“ und kalkulieren die Zeit für Nachbearbeitung bewusst mit ein
FOMO und Tool-Müdigkeit
- In den vergangenen Monaten sind unzählige AI-Agenten, Frameworks und SDKs in rasantem Tempo erschienen
- Der Versuch, mit neuen Tools Schritt zu halten, führt zu einem Teufelskreis aus dauerhaftem Lernen und ständigem Wechsel
- Es entstehen Wissensverlust und doppelte Arbeit, und in manchen Fällen sind diejenigen effizienter, die nicht sofort zu den Early Adopters gehörten
- Der Autor konzentriert sich auf die Infrastrukturebene (Berechtigungen, Kontext, Sicherheit) und verfolgt damit einen Ansatz, der weniger anfällig für Tool-Wechsel ist
Die Falle von „nur noch ein Prompt“
- Weil AI-Ausgaben nicht perfekt sind, geraten Nutzer leicht in eine Schleife aus wiederholten Prompt-Anpassungen
- Wiederholte Versuche wirken produktiv, verschwenden aber mehr Zeit mit Prompt-Tuning als mit echter Problemlösung
- Um effizient zu bleiben, wird eine „3-Versuche-Regel“ angewendet: Wenn das Ergebnis nach drei Anläufen nicht zu mindestens 70 % nützlich ist, wird direkt selbst geschrieben
Wenn Perfektionismus auf probabilistische Ausgaben trifft
- AI-Ausgaben sind immer nur „fast richtig“, was für perfektionistisch veranlagte Ingenieure großen Stress bedeutet
- Wiederholte kleine Korrekturen führen zu emotionaler Erschöpfung und Zeitverschwendung
- Effizienter ist es, AI-Ergebnisse als „Entwurf“ zu betrachten und sie zügig weiterzuverarbeiten
Der Abbau der Denkfähigkeit
- Durch die Abhängigkeit von AI kommt es zu einem Rückgang von Problemlösungsdenken und Designfähigkeit
- Die Gewohnheit, nicht mehr selbst zu denken, führt dazu, dass der „Denkmuskel“ verkümmert
- Um das zu verhindern, wird täglich eine feste Zeit für Denken und Entwurf ohne AI eingeplant
Die Falle des Vergleichs
- In sozialen Netzwerken werden meist nur Beispiele für schnelle Erfolge mit AI geteilt, während persönliches Scheitern oder Erschöpfung unsichtbar bleiben
- Da AI-Erfolge nur schwer reproduzierbar sind, ist schon der Vergleich selbst wenig sinnvoll
- Sinnvoller ist es, den Informationskonsum zu reduzieren und sich auf vertrauenswürdige Quellen mit Fokus auf tatsächlichen Aufbau und Betrieb zu konzentrieren
Strategien für eine nachhaltige AI-Nutzung
- Zeitlimits für AI-Sessions, um übermäßige Wiederholung zu vermeiden
- Trennung von Denkzeit und AI-Nutzungszeit, um das kognitive Gleichgewicht zu wahren
- 70 % Fertigstellungsgrad akzeptieren, Perfektionismus abbauen
- Zeitpunkt der Einführung neuer Technologien hinauszögern und vor allem bewährte Tools nutzen
- Ein Log zur AI-Effizienz führen, um den tatsächlichen Nutzen und die Grenzen besser zu verstehen
- Den Prüfungsumfang verkleinern und sich nur auf Kernbereiche konzentrieren
Nachhaltigkeit und Burnout
- AI hebt die natürlichen Grenzen der Arbeitsgeschwindigkeit auf und beschleunigt Überarbeitung
- Wenn Menschen ihre kognitiven Grenzen überschreiten, entsteht Burnout, der sich nicht nur individuell, sondern als systemisches Problem ausbreitet
- Der Schlüssel zur Erholung liegt nicht in der Menge der AI-Nutzung, sondern in einer Neugestaltung der Nutzungsweise
- Inmitten dieser Erschöpfung entstanden praktische Problemlösungs-Tools wie Distill, agentic-authz und AgentTrace
Die echte Kernkompetenz: wissen, wann man aufhören muss
- Die wichtigste Fähigkeit im AI-Zeitalter ist das Urteilsvermögen zu wissen, wann man aufhören sollte
- Die Fähigkeit, bei einem ausreichend guten Ergebnis zu stoppen und zu erkennen, wann man selbst schreiben oder eine Pause machen sollte
- Das menschliche Gehirn als endliche Ressource zu schützen, ist wahres Engineering
- AI ist mächtig, aber kognitiv das erschöpfendste Werkzeug; kluger Einsatz ist der Schlüssel zur Nachhaltigkeit
- Nachhaltiger Output ist der wahre Wert und das eigentliche Ziel des AI-Einsatzes
5 Kommentare
Ich bin mir nicht sicher, ob dieser Ausdruck immer genauer wird, aber es fühlt sich so an, als würden Entwickler zunehmend zu „Tech-Leads“ werden.
Wenn AI das „Coden“ übernimmt, bleibt am Ende nur noch:
übrig.
Das heißt, Entwickler sind nicht länger in erster Linie „Produzenten“, sondern ihre Rolle verschiebt sich hin zu
.
Dadurch entsteht eine neue Art von Arbeitsmüdigkeit, die es früher so nicht gab, und man fragt sich selbst, ob diese Richtung wirklich zu der beruflichen Eignung als Entwickler passt, die man ursprünglich angestrebt hat.
Die letzte Zeile hallt schön nach. Ich glaube, das war nicht das, was ich eigentlich machen wollte.
Als ich jung war, war ich in einer Band-AG, und dort gab es einen Freund, der die anderen davon überzeugen wollte, dass wir eigene Songs schreiben sollten. Er sagte, statt nur an unserer Spieltechnik zu feilen, müssten wir darüber nachdenken, was wir eigentlich singen wollen. Soweit ich mich erinnere, war allerdings die Meinung derjenigen stärker, die einfach mit einer Band berühmte Songs covern wollten.
Und in letzter Zeit muss ich oft an ihn denken.
Es ist eine Frage, die ich im stressigen Alltag verdrängt habe, aber mit der Entwicklung von AI frage ich mich, seit ich als Entwickler arbeite, ob ich das Schreiben von Code an sich mag oder ob ich Wertschöpfung liebe und Code nur als Mittel dafür schreibe.
Bisher waren diese beiden Seiten vielleicht miteinander verflochten, aber ich habe das Gefühl, dass bald der Moment kommt, in dem ich klar benennen muss, zu welcher von beiden ich gehöre.
Die Verantwortung, Programme zu entwickeln, die wie vom Kunden gewünscht gut funktionieren und nicht ausfallen, liegt weiterhin bei den Entwicklerinnen und Entwicklern. Deshalb ist es völlig in Ordnung, das Schreiben von Code nicht aufzugeben. Ich denke, im Kern bleibt es dasselbe — nur das Tippen übernimmt die KI.
Hacker-News-Kommentare
Für mich fühlt sich diese Müdigkeit etwas anders an. Das Problem ist diese Wiederholung, bei der ich beim Arbeiten und bei Code-Reviews jedes Mal anhalte und warte, wenn ein LLM ein Ergebnis erzeugt
Die Länge des Wartens ist unvorhersehbar, also ist unklar, ob ich warten oder etwas anderes anfangen soll. Deshalb mache ich dann einfach etwas anderes, um die Zeit totzuschlagen
Am Ende komme ich nicht in den Flow-Zustand, sondern bin erschöpft davon, zu überwachen, ob Hintergrundaufgaben fertig werden
Statt mich produktiver zu fühlen, komme ich mir eher wie ein träges Kindermädchen vor, das aufpasst, dass sich die Kinder nicht verletzen
Ich empfehle das Open-Source-Spiel Endless Sky, das man kurz anfangen und wieder unterbrechen kann
Früher hatte ich keinen Spaß mehr am Programmieren, aber dank Claude Code empfinde ich wieder Freude daran. Nicht mehr wie früher, aber in dieser Lebensphase für mich mehr als genug
Wie ich auch in meinem Text über Review-Müdigkeit beschrieben habe, betrifft das nicht nur Entwickler, sondern auch Organisationen
Da KI-Workflows auf maximale Produktivität ausgerichtet sind, verbrauchen sie am Ende den Menschen
Die Lösung ist klassisch — oft Pausen machen und menschliche Entwickler auch selbst ein wenig Code schreiben lassen. So kann man langsamer werden und trotzdem Flow und Erholung bewahren
Während das LLM arbeitet, mache ich Kniebeugen oder Liegestütze oder laufe durch die Wohnung und dehne mich. Das ist viel angenehmer, als den ganzen Tag vor der Tastatur zu sitzen
Wenn ich mich bewege, ordnen sich auch meine Gedanken besser, aber die mentale Erschöpfung bleibt trotzdem
Während ich nach dem Absenden eines Prompts warte, fange ich an, im Web zu surfen. Ohne die App SelfControl kann ich dem wirklich nicht widerstehen
Dank LLMs bin ich produktiver geworden, aber am Ende des Tages bin ich viel erschöpfter und habe auch Schuldgefühle
Die Idee des Artikels ist gut, aber beim Lesen kommt die Müdigkeit von KI-geschriebenem Text auf
Dinge, die in ein oder zwei Sätzen gesagt werden könnten, werden weitschweifig ausgewalzt, und es gibt viele unnötige Beispiele
Auch die Behauptung, „die HN-Startseite sei chaotisch“, stimmt nicht. Die erwähnten Beiträge bekamen nicht einmal 5 Upvotes, und die Qualität der HN-Startseite ist weiterhin in Ordnung
Und auch die Behauptung „niemand spricht darüber“ ist falsch. Diskussionen über AI fatigue gibt es schon seit Langem
„Danke OpenClaw, danke AGI — für mich ist sie schon da“
„Wenn Sie heute nicht mindestens 1.000 $ an Tokens pro menschlichem Ingenieur ausgegeben haben, hat Ihre Softwarefabrik Verbesserungspotenzial“
„Code sollte nicht von Menschen reviewt werden“
„Was C mit Assembler gemacht hat und Java mit C, das machen LLMs jetzt mit allen Sprachen“
Diese Sätze sind aus Beiträgen zitiert, die tatsächlich auf der Startseite standen
Oder er hat so viel KI-Text gelesen, dass sein Schreibstil selbst KI-artig geworden ist
Ich habe selbst vor Kurzem mit dem Bloggen angefangen, und überraschenderweise macht mir storytelling-orientiertes Schreiben Spaß
Menschen haben eben unterschiedliche Stile, das ist kein Problem
Der Artikel hätte sich auf ein paar Absätze zusammenfassen lassen, aber es gibt zu viele unnötige Ausschmückungen
Vielleicht bekommen Inhalte in Zukunft sogar ein „Label für menschliche Produzenten“ — zum Beispiel „von Freelancern produziert“ oder „von Vorstadtbewohnern produziert“
Ich kann der Aussage „Wenn man schneller ausliefert, steigen die Erwartungen“ gut zustimmen
Das ist ein altes Problem. Helen Keller hat vor fast 100 Jahren schon etwas sehr Ähnliches gesagt
In einem Artikel von The Atlantic geht es darum, „arbeitsersparende Maschinen auch wirklich zum Sparen von Arbeit einzusetzen“
Man kann an einem Tag mehrere Projekte voranbringen, ist danach aber völlig ausgelaugt
Viele Menschen schlafen auch nicht, weil die Versuchung so groß ist: „Nur noch einen Prompt“
Ein über lange Zeit aufgebauter nachhaltiger Arbeitsrhythmus ist zerbrochen, und es wird wohl Zeit brauchen, ein neues Gleichgewicht zu finden
Jetzt läuft es anfangs oft zu gut, also macht man weiter, und dann kommt plötzlich der Moment, in dem man feststeckt
Aber ich konnte dort nicht aufhören und habe es auf Buchhaltung, Steuern, CRM, Lager und Projektmanagement ausgeweitet
Am Ende habe ich ein SaaS gebaut, das ich gar nicht brauche, und überlege jetzt, es als Open Source zu veröffentlichen
Aber inzwischen kann ich Agenten-Sessions auch im mobilen Browser weiterverfolgen, also schaue ich sogar im Bett noch nach (halb Scherz, halb ernst)
Der eigentliche Flaschenhals ist jetzt nicht mehr das Coden, sondern das Sammeln von Anforderungen und das Treffen von Entscheidungen
Ich verstehe nicht, warum man unbedingt einfach weiterarbeitet
Hier der Autor. Das ist kein Anti-KI-Text, sondern eine Geschichte über die kognitiven Kosten
Je schneller die Arbeit wird, desto mehr Arbeit entsteht, und beim Prüfen von KI-Ergebnissen sammelt sich Entscheidungsmüdigkeit an
Auch das Tool-Ökosystem verändert sich jede Woche. Ich habe Methoden geteilt, die mir tatsächlich geholfen haben, und wollte wissen, ob andere an ähnliche Grenzen stoßen
Das Gefühl, mit etwas Nichtmenschlichem zu sprechen, verstärkt die Erschöpfung noch mehr
Aber als ich realistischere Erwartungen gesetzt habe und mich nicht mehr von jedem „AI magic post“ mitreißen ließ, wurde meine Unruhe geringer
Technologie dient nie dazu, Arbeitenden das Leben leichter zu machen
Sie dient immer dazu, Produktivität und Wettbewerbsfähigkeit zu steigern
Wir sind vom Pferd zum Auto und vom Telefon zum Smartphone übergegangen, aber unsere freie Zeit ist nicht mehr geworden. Wir sind nur zu noch mobileren und stärker vernetzten Menschen geworden
Wenn man eine altmodische Lebensqualität akzeptiert, kann man mit weniger Arbeit trotzdem gut leben
Was ich in letzter Zeit spüre, ist executive functioning fatigue
Wenn man mit KI arbeitet, trifft man fortlaufend höherstufige Entscheidungen, statt nur simple Implementierungen umzusetzen
Es gibt fast keine Ruhepausen, und es fühlt sich an, als würde der Frontallappen überhitzen
Wenn dieser Zustand anhält, stärkt er am Ende womöglich sogar die exekutiven Funktionen des Menschen
Ich hätte nicht gedacht, dass es so zermürbend sein würde, ein Team aus zehn genialen, aber instabilen Ingenieuren zu managen
Meiner Meinung nach liegt die Ursache von KI-Müdigkeit darin, dass das Gleichgewicht der drei Phasen des Programmierens zerstört wurde
Problemlösung → Code schreiben → Ergebnisse prüfen, diese drei Phasen waren ursprünglich im Gleichgewicht
Das Coden war zwar repetitiv, aber auch meditativ und stabilisierend. Problemlösung ist intensiv, und die Ergebnisprüfung liefert einen Dopamin-Reward
Doch seit LLMs das Coden übernehmen, bleiben uns nur noch die stressigen Phasen des Problemlösens und Reviewens
Der Puffer dazwischen ist verschwunden, deshalb ist es viel anstrengender
Der Grund, warum ich das frühere Coden vermisse, ist genau dieser Verlust des meditativen Flows
Ich bevorzuge es auch, mit KI Pair Programming zu machen und selbst direkt Code zu tippen. Das fühlt sich langfristig nachhaltiger an
Aber auch die Verlockung der Produktivität, mehrere Agenten gleichzeitig zu steuern, ist wirklich stark
Der Teil über das „Kämpfen mit einem nichtdeterministischen System“ ist mir besonders aufgefallen
LLMs brauchen ihrem Wesen nach kontinuierliche menschliche Eingriffe. Es sei denn, ein Unternehmen ist bereit, für ihre Ergebnisse die volle Verantwortung zu tragen
Man kann nicht einfach die Spannung reduzieren, um sie zu bestrafen, und so wie man keine Würfel verantwortlich macht, ergibt das keinen Sinn