Bei Sequoia's AI Ascent 2026 eröffnete Andrej Karpathy — Mitbegründer von OpenAI, ehemaliger Tesla-AI-Direktor und Gründer von Eureka Labs — mit einem überraschenden Geständnis: Er hat sich als Programmierer noch nie so abgehängt gefühlt. Nicht weil er seine Fähigkeiten verloren hat, sondern weil KI-gestützte Coding-Tools die Bedeutung von Programmieren schneller verändern, als irgendjemand mithalten kann.
Karpathy skizzierte ein dreiphasiges Framework, um diesen Wandel zu verstehen: Vibe Coding, agentic Engineering und Software 3.0. Es ist das klarste mentale Modell, das je jemand für die Zukunft der Softwareentwicklung angeboten hat — und welche Fähigkeiten am wichtigsten sein werden.
Wichtigste Erkenntnis
Vibe Coding ermöglicht es jedem, mit Prompts zu bauen. Agentic Engineering erlaubt Profis, mit KI-Agenten zu bauen, während sie Qualität aufrechterhalten. Software 3.0 ist der Moment, in dem neuronale Netze selbst die Programmierschicht werden. Wir befinden uns derzeit im Übergang von Phase 1 zu Phase 2.
Was ist Vibe Coding?
Vibe Coding ist Karpathys Begriff für die aktuelle Phase, in der jeder — technisch oder nicht — Software bauen kann, indem er beschreibt, was er möchte, in natürlicher Sprache. Du sagst einer KI „baue mir eine Landingpage mit Hero-Bereich, Preistabelle und Anmeldeformular“ und sie erzeugt funktionierenden Code.
Vibe Coding hat die Einstiegshürde gesenkt. Ein Produktmanager kann jetzt eine App prototypen. Ein Designer kann eine funktionale Website bauen. Ein Student kann ein Tool erstellen, das ein echtes Problem löst. Die Hürde zum Bauen ist von „Jahren Coding-Erfahrung“ auf „Fähigkeit zu beschreiben, was man will“ gesunken.
Tools, die Vibe Coding ermöglichen: Cursor, Bolt, v0, Replit und bis zu einem gewissen Grad ChatGPT und Claude mit Code-Generierung.
Die Limitation: Vibe Coding erzeugt Code, der funktioniert, aber oft mit subtilen Designfehlern. Karpathys Beispiel: Eine KI-generierte App, die Stripe-Zahlungen mit Google-Konten über E-Mail-Adressen statt persistenter User-IDs abgleicht. Der Code lief einwandfrei. Die Architektur war falsch. Ein Junior-Entwickler hätte es nicht bemerkt. Ein erfahrener Entwickler hätte es sofort erkannt.
Das nennt Karpathy „jagged intelligence“ — die KI-Fähigkeit ist nicht gleichmäßig verteilt. Modelle glänzen in Bereichen mit Trainingsdaten, Rewards und Verifikationsschleifen und scheitern unvorhersehbar in anderen.
Was ist Agentic Engineering?
Agentic Engineering ist die nächste Phase — die Nutzung von KI-Agenten für professionelle Entwicklung bei gleichzeitiger menschlicher Aufsicht über Architektur, Designentscheidungen und Qualitätsstandards.
Während Vibe Coding „beschreibe, was du willst, und nimm, was die KI gibt“, ist Agentic Engineering „nutze KI-Agenten zur Ausführung, während du leitest, überprüfst und korrigierst“. Die Rolle des Menschen verschiebt sich vom Schreiben von Code zum Überprüfen von Code, vom Implementieren zum Architekten, vom Codieren zum Engineering.
Tools, die Agentic Engineering ermöglichen: Claude Code, OpenAI Codex, Hermes Agent und Cursor's Agenten-Modus. Diese Tools generieren nicht nur Code — sie planen mehrstufige Aufgaben, führen sie aus, testen die Ergebnisse und iterieren.
| Aspekt | Vibe Coding | Agentic Engineering |
|---|---|---|
| Wer macht es | Jeder — kein Coding erforderlich | Entwickler mit Engineering-Urteil |
| Rolle der KI | Code aus Beschreibungen generieren | Mehrstufige Pläne autonom ausführen |
| Rolle des Menschen | Beschreibe, was du willst | Leiten, überprüfen, korrigieren |
| Qualität des Outputs | Funktioniert, aber mit Designfehlern | Produktionsreif mit Aufsicht |
| Schlüsselkompetenz | Prompting-Fähigkeit | Geschmack, Urteil, Architekturwissen |
| Verifikation | „Läuft es?“ | „Ist es korrekt, sicher, wartbar?“ |
Was ist Software 3.0?
Karpathys zentraler Begriff. Sein Framework für die Evolution von Software:
Software 1.0: Menschen schreiben jede Codezeile. Explizite Anweisungen. Deterministisches Verhalten. Das ist traditionelles Programmieren.
Software 2.0: Neuronale Netze lernen aus Daten. Statt Regeln zu schreiben, gibst du Beispiele, und das Modell lernt die Muster. Computer Vision, Spracherkennung, Empfehlungssysteme. Karpathy prägte diesen Begriff 2017.
Software 3.0: Große Sprachmodelle werden zu einer programmierbaren Schicht. Statt jeder Anweisung zu spezifizieren, beschreiben Entwickler Ziele, Einschränkungen und Kontext. Das Modell interpretiert und führt aus. Die Oberfläche ist natürliche Sprache. Das Programm ist der Prompt.
In Software 3.0 ist das LLM sowohl die Laufzeitumgebung als auch die Programmiersprache. Du schreibst keinen Code, der ein LLM aufruft — das LLM IST der Code. Der Prompt IST das Programm. Und die Aufgabe des Entwicklers ist es, den Prompt zu gestalten, den Kontext zu kuratieren und den Output zu verifizieren.
Deshalb wird Context Engineering zur wichtigsten Kompetenz in der KI. Wenn der Prompt das Programm ist, bestimmt der umgebende Kontext das Verhalten des Programms. Die Verwaltung dieses Kontexts ist die neue Form des Software-Engineerings.
---📬 Nutzen Sie das? Wir veröffentlichen wöchentlich zu den Kompetenzen, die in der KI zählen. Direkt in Ihren Posteingang →
---Warum zählt Geschmack mehr als Syntax jetzt?
Karpathys zitiertester Satz aus dem Talk: „You can outsource thinking. You cannot outsource understanding.“
KI-Agenten können Code schreiben, Entwürfe generieren, Tools aufrufen und Aufgaben ausführen. Aber sie können dir nicht sagen, ob das Ergebnis gut ist. Das erfordert Urteil — die Fähigkeit zu erkennen, wann etwas technisch korrekt, aber architektonisch falsch ist, wann Code läuft, aber nicht skaliert, wann eine Funktion funktioniert, aber eine Sicherheitslücke schafft.
Karpathy nennt das „Taste“. Es ist die Fähigkeit, KI-generierten Output anzusehen und zu wissen, ob er richtig ist. Nicht nur „kompiliert es?“ sondern „würde ein erfahrener Engineer es so bauen?“
Die praktische Implikation: Entwickler, die die Grundlagen tief verstehen, werden florieren. Entwickler, die nur oberflächliches Coding kennen, werden kämpfen, weil KI oberflächliches Coding besser kann als sie. Der Wert wandert die Stack hoch — von Implementierung zu Architektur, von Syntax zu Urteil, vom Schreiben von Code zum Bewerten von Code.
Was bedeutet „Jagged Intelligence“?
Das ist Karpathys Begriff für die ungleichmäßige Verteilung der KI-Fähigkeiten. Modelle können bei manchen Aufgaben außergewöhnlich gut sein und bei anderen unerwartet scheitern. Die Intelligenz ist nicht glatt — sie ist kantig.
Schlüsselerkenntnis: KI automatisiert, was verifiziert werden kann. Aufgaben mit klaren Feedback-Schleifen — besteht der Code die Tests? Stimmt die Mathe? Passt der Output zum erwarteten Format? — sind da, wo KI glänzt. Aufgaben, die Urteil in unklaren Situationen erfordern — ist das die richtige Architektur? Ist diese User Experience intuitiv? Macht diese Strategie Sinn? — sind da, wo KI noch schwächelt.
Für Entwickler bedeutet das: Je messbarer der Output, desto nützlicher werden KI-Tools. Coding, Testing, Datenanalyse und strukturierte Inhaltserstellung sind hochautomatisierbar. Product Design, Systemarchitektur und strategische Entscheidungsfindung erfordern noch menschliches Urteil.
Welche Skills brauchst du für Agentic Engineering?
Ausgehend von Karpathys Framework sind das die wichtigsten Kompetenzen in der Ära des Agentic Engineering:
1. Tiefes Verständnis der Grundlagen. Wenn KI besser wird, liegt die Versuchung vor, weniger zu lernen. Karpathy argumentiert das Gegenteil. Verständnis wird zum Engpass. Du brauchst genug Tiefe, um das System zu lenken, zu wissen, was du fragen, prüfen und ablehnen sollst.
2. Systemdesign und Architektur. KI schreibt Funktionen. Du entwirfst Systeme. Das Verständnis, wie Komponenten interagieren, wo Schwachstellen liegen und wie man für Skalierbarkeit baut, wird zur Kern-Entwicklerkompetenz.
3. Verifikation und Review. Die Fähigkeit, KI-generierten Code kritisch zu lesen — nicht nur „funktioniert es?“ sondern „ist das der richtige Ansatz?“ Das erfordert dasselbe tiefe Wissen, das dich Code schreiben lässt, nur anders angewendet.
4. Prompt- und Context Engineering. Wenn der Prompt das Programm ist, ist das Schreiben guter Prompts Programmieren. Das ICCSSE-Framework (Identity, Context, Constraints, Steps, Specifics, Examples) lässt sich direkt auf Agentic Engineering anwenden — du gibst dem Agenten eine klare Spezifikation, genau wie du ein Design-Doc für einen menschlichen Entwickler schreiben würdest.
5. Tool-Orchestrierung. Zu wissen, welches KI-Tool für welche Aufgabe. Claude Code zum Schreiben von Features, Cursor zum Editieren, Hermes Agent für Automatisierung, Copilot für Vorschläge. Die besten Engineers kombinieren mehrere Tools, statt sich auf eines zu verlassen.
Um dein Prompting für KI-Coding-Tools zu schärfen, probiere den kostenlosen Prompt Optimizer — er wendet strukturierte Frameworks auf jeden Prompt an. Und für einen praktischen Guide zu den besten KI-Coding-Tools, siehe unseren Claude Code vs. Codex-Vergleich.
---📬 Noch mehr davon? Wir berichten wöchentlich über die Ideen, die die Arbeit von KI-Praktikern prägen. Kostenlos abonnieren →
---Häufig gestellte Fragen
Ist Vibe Coding tot?
Nein. Vibe Coding bleibt — es ist der Einstieg für Nicht-Entwickler, um Software zu bauen. Agentic Engineering ist die professionelle Weiterentwicklung für Leute, die produktionsreifen Output brauchen. Beides existiert nebeneinander. Stell dir Vibe Coding als Skizzieren und Agentic Engineering als Architektur vor.
Muss ich coden lernen, wenn KI Code für mich schreibt?
Ja, aber anders. Du musst keine Syntax auswendig lernen. Du musst verstehen, wie Software funktioniert — Datenstrukturen, Systemdesign, Sicherheitsprinzipien, Performance-Tradeoffs. Das Wissen, das dir erlaubt, zu bewerten, ob KI-generierter Code korrekt und passend ist.
Wann wird Software 3.0 mainstream?
Es passiert bereits in engen Domänen — Coding-Assistenten, Inhaltsgenerierung, Datenanalyse. Vollständiges Software 3.0 (wo die meisten Anwendungen LLM-nativ sind) ist in 3–5 Jahren basierend auf aktuellen Trends zu erwarten. Der Übergang wird schleichend, nicht plötzlich sein.
Was ist der Unterschied zwischen Agentic Engineering und ChatGPT für Coding?
ChatGPT generiert Code-Snippets als Reaktion auf Prompts. Agentic Engineering nutzt autonome Agenten (Claude Code, Codex, Hermes), die mehrstufige Aufgaben planen, sie in deinem echten Codebase ausführen, Ergebnisse testen und iterieren — alles mit minimalem menschlichem Eingriff. Es ist der Unterschied zwischen Wegbeschreibung erbitten und einen Fahrer engagieren.
Hinweis: Einige Links in diesem Artikel sind Affiliate-Links. Wir empfehlen nur Tools, die wir selbst getestet und regelmäßig nutzen. Siehe unsere vollständige Offenlegung.