2x, nicht 10x: Warum LLMs das Coding 2026 nur verdoppeln
2x, not 10x: coding with LLMs in 2026
LLMs sind 2026 zuverlässig genug für automatisierte Feedback-Loops, was die Produktivität verdoppelt. Doch bei komplexen Aufgaben wie Wartbarkeit oder Dokumentation stoßen sie an Grenzen. Der Autor nutzt sie primär für erste Entwürfe und verfeinert den Code selbst. Die eigentlichen Gewinne liegen nicht in besseren Modellen, sondern in angepassten Workflows und Tools.
Eine funktionierende Implementierung bedeutete früher, dass eine Aufgabe zu 80 % erledigt war; jetzt ist es eher so, als wären nur 20 % geschafft.
- pantelisk
Während ich der Prämisse zustimme, denke ich, dass dieser Ansatz nur auf Arbeiten zutrifft, die man ohnehin erledigen würde. Die eigentliche Stärke dieser Tools liegt darin, dass es so viele Ideen gibt, die Menschen gerne ausprobieren würden, aber dafür weder die Zeit noch die Motivation haben.
Der Vergleich ist also nicht nur "mit und ohne LLM gebaut", sondern "würdest du das überhaupt bauen, wenn du das LLM nicht hättest?". In diesem Fall ist die Lücke in der Produktivität viel größer.
- 5555watch
Ich bin wahrscheinlich ein seltsamer Ausreißer. Aus der Akademie kommend, reicht es bei mir von 1x bis unendlich-x (im Sinne von: bestimmte Aufgaben würden ohne KI gar nicht angefasst).
Für Dinge, mit denen ich vertraut bin (R), kann ich nette und kompakte Spaghetti-Code schreiben (lange %>%-Pipelines). Mir ist es nicht wohl, wenn ein funktionierendes Skript nicht auf den Bildschirm passt (plus maximal ein paar Scrollbewegungen). Mein Stil ist wahrscheinlich nur für mich leicht verständlich. Wenn ich unterrichte, lehre ich ihn nicht besonders.
KI gibt mir Tausende Zeilen Code für diese Dinge. Einmal waren es 10k. Es ist cool, wenn es reicht, alles einzulesen, aber damit zu arbeiten, ist nicht angenehm.
Aber wenn ich eine Studie in einem einzigen Durchgang reproduzieren kann (früher dauerte das eine Stunde, aber in letzter Zeit wurde es so viel besser), dann ist das eine Aufgabe, die vor Jahren gar nicht erst versucht worden wäre. Und ich spreche von einer Methodenstudie ohne verfügbares Github (oder, wie oft passiert, wenn das vorhandene Github nutzlos ist).
- Xcelerate
Ich habe ein seltsames Problem mit der Nutzung von KI beim Coden. Ich kann etwas ganz allein in meiner Basisgeschwindigkeit programmieren; nennen wir es 1x. Oder ich kann Claude dafür nutzen, und es erledigt es in 1/10 bis 1/4 der Zeit. Das Problem ist jedoch, dass es 2-3x so lange dauert, Claudes Code ordentlich zu überprüfen, als es mich genommen hätte, alles von Hand zu schreiben.
Also sind meine beiden Optionen im Grunde "YOLO, LGTM" und darauf hoffen, dass ich es zurücknehmen kann, wenn etwas kaputtgeht, oder einfach den gesamten Code von Anfang an selbst zu schreiben. Durch den erhöhten Druck auf Ergebnisse habe ich festgestellt, dass sowohl ich als auch meine Kollegen im Laufe der Zeit eher dazu neigen, "commit und hoffen, dass es funktioniert". Es ist in gewisser Weise eine Art perverse Anreizsetzung...
- gashad
Das erinnert mich an Themen, die ich kürzlich in [Harness Engineering is not Enough: Why Software Factories Fail](https://www.youtube.com/watch?v=Ib5GBkD555M) gesehen habe (Warnung: Die letzten 3 Slides wirken wie eine Werbung). Eines, das mir gefallen hat, ist, wie Dex eine kleine Grafik hatte, die er überging, die zeigt, dass Softwareentwicklung besteht aus:
- 25% Planung & Abstimmung mit anderen Teams
- 25% Coden
- 25% Testen/Verifizieren
- 25% Code-Review/Nachbearbeitung
Ein Argument war, dass agentisches Coden den Codeteil erheblich beschleunigt. Vielleicht gibt es also eine 2x-Beschleunigung beim Coden. Aber das ist nur eine kleine Beschleunigung in der Gesamtheit dessen, was Software-Ingenieure tun.
- lazopm
Meiner Meinung nach solltest du die Art und Weise, wie du mit LLMs arbeitest, danach kalibrieren, wie sicher du dich in einem bestimmten Bereich fühlst und ob es deine Verantwortung ist, es zu besitzen/zu verstehen. So fühlt es sich für mich an:
* Lernphase: 0,5x - 1x. Ich ändere meinen System-Prompt in den Lehrer-Modus; der Produktivitätsverlust, um das System/Tool tatsächlich zu lernen, zahlt sich später in Zinsen aus. Ich ändere meinen System-Prompt auf "Lehrer-Modus" und lockere ihn langsam, je sicherer ich mich fühle.
* Arbeitswissen: 2x - 3x. Sobald ich genug hochgefahren bin, habe ich das Gefühl, einen anständigen Produktivitätsschub zu erhalten. Die meiste Zeit wird in der Planungsphase verbracht. Das ist mein Modus für Bereiche, die ich nicht wirklich besitze oder mir nicht wirklich angelegen sind, wo ich einfach nur Arbeit erledigen muss.
* Beherrscht: 10x+ Ich mache Web-Frontend seit über 12 Jahren; ich kann Pläne/Implementierungen schnell überprüfen, und für meinen ersten Prompt weiß ich bereits den Großteil dessen, was ich gebaut haben möchte.
1x == meine Geschwindigkeit vor der KI