Die Frage klingt jetzt fast naiv.
Wenn KI Apps generieren, Fehler beheben, Funktionen schreiben, Pull-Requests überprüfen, unbekannte Codebasen erklären und stundenlang dateiübergreifend arbeiten kann, warum sollte dann noch jemand Programmieren lernen?
Es ist eine verständliche Frage. Die Softwarewelt hat das letzte Jahr damit verbracht, zu beobachten, wie Codierungsagenten von beeindruckenden Demos in tägliche Arbeitsabläufe übergingen. Entwickler bitten Chatbots nicht mehr nur um Hilfe bei der Syntax. Sie delegieren Aufgaben, vergleichen Ausgaben, überwachen Agenten und wachen mit Code auf, der geschrieben wurde, während sie nicht an der Tastatur waren.
Gleichzeitig ist Codierung nicht mehr nur ein Entwicklergespräch. Gründer nutzen KI-Tools, um Prototypen von Produkten zu erstellen, bevor sie technische Teams einstellen. Produktmanager nutzen sie, um Ideen zu testen. Designer nutzen sie, um Schnittstellen interaktiv zu gestalten. Bediener nutzen sie, um interne Arbeitsabläufe zu automatisieren. Die Fähigkeit, Software zu erstellen, verbreitet sich über die Menschen hinaus, die sich traditionell Software-Ingenieure nannten.
Die bessere Frage ist also möglicherweise nicht, ob die Leute noch das Programmieren lernen sollten.
Das ist es, was „Programmieren lernen“ heute bedeutet.
Bei der alten Antwort ging es hauptsächlich um Syntax, Frameworks und die Disziplin, Software Zeile für Zeile zu erstellen. Das ist immer noch wichtig. Aber KI verändert den Schwerpunkt. Der Wert liegt in der Beurteilung: Wissen, was erstellt werden soll, wie es beschrieben werden soll, welchen Kontext das System benötigt, ob die Ausgabe gut ist und wo Risiken lauern.
Mit anderen Worten: Die Zukunft des Codierens könnte mit weniger Tippen verbunden sein.
Aber es wird mehr Verständnis erfordern.
Vibe-Coding für echte Arbeit
Diese Transformation wurde dieses Jahr bei SXSW während einer Sitzung mit SXSW und Anthropic sichtbar. Im Gespräch ging es nicht um die Fantasy-Version der KI-Codierung, bei der eine Person einen Satz schreibt und ein perfektes Produkt entsteht. Es ging um etwas Ausgereifteres: Wie sich Agenten-Coding-Tools von spielerischen Prototypen zu echten Unternehmensworkflows entwickeln.
Bolt wurde zu einem der klarsten Beispiele für die neue Welle der KI-Codierung, weil sich die Softwareerstellung dadurch unmittelbar anfühlte. Ein Benutzer könnte eine App beschreiben und schnell sehen, dass etwas auf dem Bildschirm funktioniert. Diese Erfahrung trug dazu bei, die Sprache des „Vibe Coding“ populär zu machen, ein Ausdruck, der sowohl die Magie als auch die Gefahr des Augenblicks einfängt.
Aber bei SXSW beschrieb Bolt-CEO Eric Simons einen strukturierteren Anwendungsfall. Der Wert von Bolt, sagte er, liege häufig im „Rapid Prototyping“ und nicht darin, die Produktionscodebasis zu ersetzen. Nicht jeden Mitarbeiter direkt an Kunden versenden lassen. Vielmehr bietet es Teams die Möglichkeit, zu erkunden, wie eine Funktion aussehen, sich anfühlen und sich verhalten sollte, bevor Zeit für die Entwicklung aufgewendet wird.
Diese Unterscheidung ist wichtig.
In vielen Unternehmen besteht der Engpass nicht nur im Schreiben von Code. Es ist Ausrichtung. Produktteams, Designer, Führungskräfte und Kunden müssen oft eine Idee sehen und anfassen, bevor sie entscheiden können, ob es sich lohnt, sie umzusetzen. KI-Tools beschleunigen diese Erkundung. Die größere Chance besteht jedoch darin, diese Prototypen mit den Systemen zu verbinden, die ein Unternehmen bereits nutzt.
Simons beschrieb einen Arbeitsablauf, bei dem Bolt mit dem tatsächlichen Designsystem, UI-Komponenten und API-Formen eines Unternehmens arbeiten kann, sodass ein Prototyp nicht nur ein Wegwerfmodell ist. Sobald die Erfahrung festgelegt ist, kann ein Programmieragent wie Claude Code dabei helfen, diese Arbeit in etwas zu übersetzen, das näher an der Produktionsumgebung liegt.
Der wichtige Teil ist die Übergabe. Nicht-Ingenieure können Ideen in einer Sandbox entwickeln. Ingenieure schützen weiterhin das Produktionssystem. Zwischen beiden wird der Agent zur Brücke.
Das ist etwas ganz anderes als „KI ersetzt Entwickler“. Es liegt näher daran: KI verändert, wer an der Softwarearbeit teilnehmen darf, und sie verändert, wofür Entwickler benötigt werden.
Kontext wird zur neuen Fähigkeit
Dies ist auch der Grund, warum das Gespräch über das Prompt Engineering hinausgegangen ist.
Vor ein paar Jahren konzentrierten sich viele Ratschläge zu KI-Tools auf Eingabeaufforderungen: wie man Anweisungen formuliert, wie man Anfragen strukturiert und wie man dem Modell bessere Antworten entlockt. Diese Fähigkeit hat immer noch einen gewissen Wert, aber sie wird mit der Verbesserung der Modelle immer weniger wichtig.
Das stärkere Muster ist jetzt der Kontext.
Der Sprecher von Anthropic beschrieb „Skills“ als eine Möglichkeit, Agenten nützliches Wissen zu vermitteln, auf das sie bei Bedarf zurückgreifen können. Anstatt jede Anweisung in eine perfekte Eingabeaufforderung zu zwingen, können Teams den Agenten Zugriff auf die richtigen Dokumente, Regeln, Beispiele und Arbeitsabläufe gewähren.
Für Unternehmen beginnt hier die eigentliche Arbeit. Ein nützlicher Coding-Agent braucht nicht nur eine Anfrage. Es muss die Umgebung der Anfrage verstehen: das Designsystem, die Codebasis, die Testkultur, die Sicherheitserwartungen, die Produktlogik und die Konventionen, die die Software eines Unternehmens von der eines anderen unterscheiden.
Jemand muss wissen, auf welchen Kontext es ankommt.
Jemand muss wissen, ob der Agent die richtige Komponente verwendet, die richtigen Einschränkungen respektiert oder eine Entscheidung trifft, die später zu Problemen führen wird.
Die Person, die das System versteht, wird wertvoller, nicht weniger.
Das Coding-Interview verändert sich bereits
Die gleiche Entwicklung zeichnet sich auch bei der Einstellung von Mitarbeitern ab. Einer der interessantesten Teile der SXSW-Sitzung drehte sich nicht um Werkzeuge, sondern um Talent.
Simons sagte, dass „einige der großartigsten Leute“, die Bolt in den letzten sechs Monaten eingestellt hatte, das alte technische Vorstellungsgespräch entweder nicht bestanden haben oder erst bestanden hätten, nachdem das Unternehmen seinen Prozess geändert hatte. Was sie außergewöhnlich machte, sagte er, war, dass sie „„Agenten-Tools nutzten, um die Arbeit zu erledigen.“
Das bedeutet nicht, dass das technische Interview tot ist. Das bedeutet, dass sich das Signal ändert.
Bolt fragt Kandidaten nun, welche KI-Tools sie verwenden und wie sie diese nutzen. Es geht nicht darum, ob jemand beliebte Produkte nennen kann. Es geht darum, ob sie sie tatsächlich tief genug erforscht haben, um etwas Sinnvolles zu schaffen.
Wie Simons es ausdrückte: „Zeigen Sie uns, was Sie gebaut haben, zeigen Sie uns, wie es funktioniert. Wenn es echt ist, dann ist das in Ordnung, diese Person kann die Arbeit machen.“
Das scheint der Realität der Arbeit jetzt viel näher zu kommen. Wenn KI-Tools Teil des Jobs sind, ergibt die Bewertung von Kandidaten, als ob diese Tools nicht vorhanden wären, ein unvollständiges Bild. Aber auch das Gegenteil ist der Fall. Wenn jemand KI nutzt, ohne zu verstehen, was sie hervorgebracht hat, ist das keine Sprachkompetenz. Es ist Abhängigkeit.
Anthropics Seite des Gesprächs hielt diese Spannung aufrecht. Das Unternehmen verwendet immer noch mindestens ein Vorstellungsgespräch, bei dem Kandidaten ohne KI-Unterstützung arbeiten und etwas Python lesen und schreiben. Das Ziel besteht jedoch nicht darin, obskure Syntaxtricks zu testen. Es geht darum zu sehen, ob jemand Muster verstehen, einen Agenten debuggen und über ein System schlussfolgern kann.
Das könnte die neue Balance sein: fließender Umgang mit Agenten und genügend technische Tiefe, um zu erkennen, wenn sie falsch liegen.
Sollten die Leute also noch das Programmieren lernen?
Ja. Aber nicht, weil jeder ein traditioneller Softwareentwickler werden muss.
Sie sollten lernen, denn Software ist zunehmend die Oberfläche, über die Arbeit erledigt wird. Selbst wenn die KI den ersten Entwurf schreibt, müssen die Menschen noch verstehen, was entsteht. Sie müssen wissen, wann etwas fragil, wann sicher, wann skalierbar und wann es nur in einer Demo beeindruckend aussieht.
Simons brachte es direkt auf den Punkt. „Das Schreiben von Software ist jetzt vielleicht ein kleineres Problem“, sagte er. „Aber was ist mit der Überprüfung? Wie skalieren wir das?“
Das ist vielleicht die ehrlichste Version der Antwort.
Je einfacher es wird, Code zu generieren, desto wichtiger wird es zu wissen, ob dieser Code existieren sollte, ob er funktioniert und ob man ihm vertrauen kann.
Aus diesem Grund verschwindet die Programmierkompetenz nicht. Es verändert seine Form. Es geht weniger um das Auswendiglernen der Syntax als vielmehr um das Verstehen von Systemen. Es geht weniger darum, jede einzelne Zeile zu produzieren, als vielmehr darum, die Produktion der Agenten zu leiten, zu überprüfen, zu testen und zu verbessern.
Das Jahr, in dem die Agentencodierung zu reifen beginnt
Die Branche bewegt sich bereits in diese Richtung.
Im Juni hat AWS den Codex-Coding-Agent von OpenAI zu Amazon Bedrock hinzugefügt und ihn Unternehmenskunden über die AWS-Infrastruktur und ein Pay-per-Token-Modell allgemein zugänglich gemacht. Es ist ein kleines, aber aussagekräftiges Signal: Die Agentencodierung wird Teil der Cloud-Plattformen und Beschaffungskanäle, über die große Unternehmen tatsächlich Software einführen.
Anthropic has continued to push Claude Code toward larger and more complex workflows. OpenAI hat Codex nicht nur als Codierungstool, sondern als breiteren Agenten für die Wissensarbeit positioniert. Die Richtung ist klar: Agenten verlagern sich von Nebenexperimenten in die tägliche Struktur der Arbeitsabwicklung.
Aber die interessantere Geschichte ist nicht, dass die Tools besser werden. Es ist so, dass Unternehmen damit beginnen, sich an ihnen zu orientieren.
Das bedeutet neue Arbeitsabläufe, neue Preismodelle, neue Einstellungssignale, neue Führungsgewohnheiten und neue Erwartungen an die Mitarbeiter. Es bedeutet auch eine neue Kluft: nicht zwischen Leuten, die programmieren können, und Leuten, die es nicht können, sondern zwischen Leuten, die effektiv mit intelligenten Systemen arbeiten können, und Leuten, die immer noch darauf warten, dass sich der Staub legt.
Bei SXSW haben Bolt und Anthropic diesen Moment des Übergangs eingefangen. Die erste Welle der KI-Codierung war euphorisch, chaotisch und experimentell. Die nächste Welle ist operativer. Es geht um Berechtigungen, Kontext, Designsysteme, Tests, Überprüfung und sichere Übergaben an die Produktion.
Wie Simons gegen Ende der Sitzung sagte, beginnen Unternehmen, diese Tools „auf reale Weise und nicht nur auf experimentelle Weise“ einzuführen.
„Dies ist das Jahr der Reifung“, sagte er.
Das ist weniger auffällig als das Versprechen einer Instant-Software. Aber es ist viel wichtiger.
Die Zukunft der Codierung besteht nicht einfach darin, dass Maschinen mehr davon schreiben werden. Das werden sie. Die Zukunft besteht darin, dass mehr Menschen die Möglichkeit haben werden, sich an der Gestaltung von Software zu beteiligen, während die Menschen, die Software tiefgreifend verstehen, dafür verantwortlich sein werden, dass sie funktioniert.
Also ja, Sie sollten trotzdem das Programmieren lernen.
Nicht, weil die Welt es braucht, dass jeder jede Zeile von Hand tippt. Aber weil die Welt durch Software neu aufgebaut wird und die Menschen, die verstehen, wie sie funktioniert, besser in der Lage sind, die Agenten beim Wiederaufbau anzuleiten.
