Vom Netto-Negativ zum Akzeptabel
Es ist eine unbequeme Wahrheit in der Softwareentwicklung: Die Leistungskurve ist extrem heavy-tailed. Ein paar herausragende Engineers produzieren unverhältnismäßig viel Wert, während schwächere Teammitglieder oft netto negativ arbeiten – sie erzeugen Probleme, die andere lösen müssen. Das ist keine böswillige Inkompetenz, sondern eine strukturelle Realität komplexer Systeme.
YouTuber Theo (t3.gg) hat sich in einem aktuellen Video mit einem Artikel von Shawn God auseinandergesetzt, der genau diese Dynamik adressiert: „AI makes weak engineers less harmful.“ Die Kernthese ist provokant, aber plausibel – KI-Tools heben das Minimum.
Die Anhebung des Bodens
Früher bekam man als Reviewer Pull Requests, die fundamental nicht funktionieren konnten. Code, der offensichtliche Logikfehler enthielt, der die Konventionen des Projekts ignorierte, der schlichtweg unverständlich war. Das ist laut Theo weitgehend vorbei. Die Entwickler, die solche PRs gestellt hätten, nutzen jetzt Tools wie Claude Code. Und diese Tools produzieren zwar keine brillanten Lösungen, aber zumindest funktional korrekten Code auf Zeilebene.
Interessant ist dabei die Gegenwehr der Agenten: Wer versucht, bewusst Fehler zu produzieren – etwa User-Daten ohne spezifischen Key zu cachen oder endlose Loops zu schreiben –, wird oft von der KI korrigiert. Der Agent schiebt dagegen. Das bedeutet nicht, dass subtile Fehler verschwinden, die Systemverständnis erfordern. Aber die offensichtlichen Katastrophen werden seltener.
Das Mythical Man-Month-Problem
Theo bringt einen weiteren wichtigen Aspekt ins Spiel: Brooks' Law. „Adding manpower to a late software project makes it later.“ Dieses Konzept aus dem Klassiker The Mythical Man Month scheint bei vielen neuen Entwicklern nicht mehr präsent zu sein. Die intuitive Annahme „mehr Leute = schneller“ stimmt für Software schlicht nicht, weil die Kommunikations- und Integrationskosten exponentiell steigen.
Das erklärt, warum viele erfolgreiche Tech-Unternehmen auf kleine, extrem gut bezahlte Teams setzen statt auf große Durchschnittsteams. Und es erklärt, warum Top-Engineers frustriert sind, wenn sie mit signifikant schwächeren Kollegen arbeiten müssen. Die Qualitätsspanne ist ein Retentionsproblem – gute Entwickler verlassen Teams, in denen sie ständig die Fehler anderer ausbügeln müssen.
Die PR-Dimension: Vom Horror zur Banalität
Theos Beispiel des ModView-Blogposts illustriert das Problem auf fast schon schwarzhumorige Weise. Ein Engineering-Team, das ein hochkomplexes Produkt pünktlich und poliert abliefert, während ein einzelner Ingenieur an einem simplen Blogpost scheitert – eingebettete Videos werden zu lilienfarbenen Screens, Google-Drive-Links brechen, ein Monat Arbeit geht verloren. Der Kontrast zwischen der Komplexität der Aufgabe und dem Ausmaß des Versagens ist erschreckend.
Genau diese Art von Inkompetenz – das Unvermögen, offensichtliche technische Entscheidungen korrekt zu treffen – wird durch KI-Tools abgemildert. Ein Claude Code hätte die Video-Einbindung wahrscheinlich nicht perfekt gelöst, aber es hätte zumindest keine grundlegend falschen Entscheidungen getroffen.
Die Kehrseite: Mehr Output, mehr Oberfläche
Natürlich gibt es auch Risiken. Schwächere Entwickler, die durch KI produktiver werden, können im Zweifel mehr Schaden anrichten – mehr Code bedeutet mehr Angriffsfläche, mehr Deployment-Frequenz bedeutet mehr potenzielle Outages. Theo argumentiert jedoch, dass die Richtungsvorgabe der KI diesen Effekt überwiegt. Die Tools tendieren zu besseren Architekturentscheidungen, zu sinnvolleren Technologie-Wahlen, zu robusterem Code.
Das ist ein wichtiger Punkt: Es geht nicht darum, dass KI schlechte Entwickler zu guten macht. Es geht darum, dass die Bodenplatte angehoben wird. Die Verteilung der Code-Qualität verschiebt sich nach rechts. Die Ausreißer nach unten werden seltener, auch wenn die Ausreißer nach oben weiterhin menschliche Exzellenz bleiben.
Was das für Teams bedeutet
Für Engineering-Leads ergibt sich eine neue Realität. Die Investition in Junior-Entwickler wird rentabler, weil die KI als permanente Mentor-Schicht wirkt. Die Onboarding-Zeit verkürzt sich, weil Agenten Kontext liefern können. Und die Frustrationsschwelle bei Code-Reviews sinkt, weil die offensichtlichsten Probleme bereits vor dem PR gefiltert wurden.
Gleichzeitig bleibt die Notwendigkeit für Systemverständnis, Architektur-Vision und technische Führung unberührt. KI ersetzt nicht den Senior Engineer, der entscheidet, was gebaut werden soll und wie es ins Gesamtsystem passt. Sie macht nur den Prozess dorthin weniger fehleranfällig.
Die Debatte um „AI Slop“ – die Flut von generiertem, mittelmäßigem Code – ist berechtigt. Aber sie verdeckt den wichtigeren Trend: Die Bodenplatte der Softwareentwicklung wird höher. Für Teams, die mit heterogenen Skill-Leveln arbeiten, ist das keine Bedrohung, sondern eine Erleichterung.
Quelle: Theo (t3.gg)