Seit 2022 befinden wir uns in der KI Era. Seitdem hat sich wirklich sehr viel rund ums Thema KI getan. Wir sind super viele verschiedene Hypezyklen durchgegangen von Prompt Engineering zu Context Engineering, vom einfachen Chatfenster hin zu Agenten. Jetzt zu Multient Workflows und langlaufenden Ketten. Und in diesem Video möchte ich diese ganze Hype Timeline mal Revue passieren lassen, damit man mal ein Gefühl dafür bekommt, wie sich das Thema KI entwickelt hat und auch noch weiterhin entwickeln wird. In den letzten vier Jahren ist wirklich sehr schnell sehr viel passiert und ich würde sagen, wir gehen das jetzt einfach mal durch. 2022 ging es los mit JetGPT im einfachen Chatfenster. Damals war es natürlich noch an nicht mal ansatzweise so leistungsfähig wie heute und mit den ersten ja Autovervollständigungswerkzeugen in IDE mit Gitub Copilot konnte man ja Tab Autovervollständigung drücken. Dann wurden kleine, ja, zuerst einmal so ausgegraute Code Nippets in dein IDE eingefügt und das war so für die meisten Entwickler der erste Kontaktpunkt mit KI in ihrem Entwicklungsalltag. Chat GPT im einfachen Chatfenster zu benutzen, hat sich dann im selben Jahr auch für Entwickler ziemlich stark etabliert. Viele Leute hatten JetGPT an der Seite offen auf ihrem Zweitmonitor und immer wenn sie irgendwelche Fragen hatten oder irgendein bestimmtes Feature implementieren wollten, haben sie quasi ihren Prompt dann Chat GPT gegeben und dann das Ergebnis copypasted in ihre IDE. Für den Anfang hat dieser Copypaste Workflow auch ziemlich gut funktioniert und es hat sich dann auch schon direkt der erste Trend daraus etabliert, nämlich das Prompt Engineering. Prompt Engineering, zumindest in dem Ausmaß, ist heute ja gar kein Thema mehr. Damals haben dann die Leute angefangen so Persona Prompts zu machen. Das heißt, sie haben gesagt, du schlüpfst jetzt in die Rolle von einem Lehrer, der mir dies und das erklärt. Oder du schlüpfst jetzt in die Rolle eines Senior Software Engineieurs, der dieses Feature perfekt bauen kann und wenn nicht, dann stirbt meine Großmutter. So, so Dinge eben. Die Leute sind auf die wildesten Ideen gekommen, irgendwelche gestörten Prompts zu schreiben, die dann äh ja manchmal funktioniert haben, weil wenn man es oft genug probiert, dann funktioniert es auch manchmal. Und daraus hat sich dann für viele quasi die Conclusion ergeben, ja, das funktioniert, das machen wir so weiter. Daraus haben sich da noch weitere Spinnereien ergeben, wie z.B. Prompt Engineering als zukünftiges Berufsfeld zu sehen. Es hat nur ein Jahr gedauert und dann war das schon wieder rum. Aber tatsächlich dachte man eine Weile, dass es wirklich die Zukunft des Entwickelns Prompts einfach so zu formulieren, dass das gewünschte Ergebnis rauskommt. Hat sich dann aber zum Glück muss ich sagen in eine bessere Richtung entwickelt. Zu dem Zeitpunkt waren Halluzinationen auch ein ziemlich starkes Problem. Wir alle haben das wahrscheinlich mitbekommen und viele denken immer noch, dass Halluzinationen so ein Problem sind, weil sie damals so abgeschreckt wurden von Jet GPT und Konsorten, dass sie ja es gar nicht mehr weiterhin versuchen wollten. Inzwischen sind Halluzinationen zum großen Teil gelöst, würde ich sagen. Es kam ja dann auch irgendwann das Thema Rack auf RAG, das steht für Retrieval Augmented Generation. Das bedeutet ganz einfach, dass ein Modell nicht Antworten generiert auf Basis von seinem Modellwissen, sondern auch mit Web suchen. Ähm ja, Wissen sucht erstmal im Internet, Dinge recherchiert, diese Dinge liest, in seinen Kontext lädt und dann basierend da drauf Antworten generiert. Das heißt, ähm Modelle sind nicht mehr nur auf ihr eigenes Wissen angewiesen, sondern sie können inzwischen auch ja Dinge im Internet suchen, ihren Kontext erweitern, ihr Wissen erweitern für eben ihre spezifische Aufgabe, mit der sie konfrontiert sind. Und das hat schon einen sehr großen Unterschied gemacht. Diese Technologie kam so 2023 ungefähr dazu und hat die Sinnhaftigkeit von KI noch mal deutlich erhöht, weil jetzt man eben nicht mehr nur auf das Modelwissen angewiesen war, nicht nur auf die Trainingsdaten, sondern auch ja mehr damit machen konnte, aktuelle Ereignisse recherchieren konnte und so weiter und so fort. 23 begann auch zwischen den verschiedenen KI Anbietern das Kontext Window Wettrüsten. Das heißt, wie viele Tokens in den aktuellen Kontext, in das aktuelle Kurzzeitgedächtnis der KI reingeladen werden können. Und ja, das ging von 4000 Tokens zu 32 000 Tokens Context Window zu 100.000 1000 zu 128 000 und jetzt inzwischen sind wir ja auch bei einer Million Tokens angekommen an Context Window bei bestimmten Frontier Modellen. Also man sieht auch hier, das hat sich wirklich krass weiterentwickelt. Die Kontext Windows sind deutlich größer geworden und dadurch ist die KI auch in der Lage immer größere Aufgaben zu übernehmen, denn die großen Aufgaben brauchen eben sehr viel Kontext. 2023 bis 2024 kam dann auch so langsam der Hype um lokale Openweight Modelle. Das heißt, da ging es wirklich los mit Open Source Modellen, die man einfach lokal laden konnte und dann nutzen konnte, ohne dass man jetzt von dem KI Anbieter abhängig war. Bis heute sind diese lokalen Modelle aber nicht ansatzweise so leistungsfähig wie die der großen Frontier Labs, also Anthropic z.B. oder Open AI. und entsprechend sind sie immer noch nicht so wirklich im Mainstream angekommen, weil man kann sie halt aktuell noch nicht kosteneffektiv nutzen. Es ging aber da um den Zeitraum so los, Ende 23 bis 24, da ging das los mit den lokalen Openweight Modellen, die auch überwiegend aus China kamen. Und die haben das ganze KI Thema auch ziemlich auf den Kopf gestellt, denn die Aussicht darauf, dass die lokalen Modelle irgendwann genauso gut sein können wie die Frontier Modelle, das macht den großen Anbietern natürlich ziemlichen Druck und da müssen sie natürlich deutlich schneller, deutlich bessere Modelle produzieren. 24 endete dann die Era des Copypaste Workflows. 2024 hat man nämlich die ersten Coding Agenten vorgestellt. Da kam ja erstmal Devin, das war der erste AI Software Engineer, hat sich rausgestellt als ein Produkt, das nicht wirklich sinnvoll in der Praxis einsetzbar ist. Es war scheinbar noch viel zu früh, die Idee war noch nicht ausgereift genug, aber später kam dann auch Curser. Das war also ein ganzes IDE, eine ganze Entwicklungsumgebung, in der man mit KI Agenten gearbeitet hat und es ging jetzt nicht mehr darum, einen Prompt zu schreiben und ein kleines Schnüpsel zu nehmen und das zu kopieren in seinen Code Editor, sondern jetzt ging es wirklich so, dass man der KI gesagt hat: "Hey, ich brauche dies, das jenes, bau mir das bitte." und die KI hat es selbstständig angefangen zu bauen, Dateien zu bearbeiten, Dateien zu lesen, vielleicht auch Informationen aus dem Internet zu suchen und die dann zu nutzen. Zurelben Zeit begann dann irgendwann auch das Multiagentheater. Das heißt, Menschen fingen an ihre KI-Agenten wie menschliche Mitarbeiter zu behandeln und diesen eigene Jobrollen zu geben. Das heißt, es gab den Softwareieur Agent, es gab den Code Reviewer Agent, es gab ein Projektleiter Agent, es gab Quality Tester Agenten und so weiter und so fort. Und das klingt erstmal ja sinnvoll. So hat jeder Agent seine eigene Aufgabe. Die Agenten können miteinander kommunizieren und so gemeinsam Probleme lösen. Aber es hat sich rausgestellt, dass dieser Workflow ziemlich ineffizient ist, denn mit Multiagenten, die quasi alle nur jeweils ihre eigene Rolle haben und die dann sich immer wieder austauschen müssen und sich immer Aufgaben und Kontext hin und her schießen, das hat eigentlich nur dafür gesorgt, dass man unnötig Tokens verbrannt hat und deswegen ist das ein Trend, der ziemlich schnell dann auch wieder gestorben ist. Ende 2024 kamen dann auch die ersten Reasoning Modelle, die wirklich Schritt für Schritt selber denken konnten, die also eine Chain of Thought hatten. Und durch diese Modelle wurde auch das ganze Prompt Engineering ziemlich entwertet, weil ja es war einfach nicht mehr nötig, die KI jetzt irgendwie auszutricken, weil sie einfach selber systematisch an Probleme rangegangen ist und äh Aufgaben in kleinere Schritte aufgeteilt und so gelöst hat. Das Denken selbst gehört also nicht mehr wirklich in den Prompt rein, sondern wurde ins Modell verschoben und das macht es jetzt quasi von selbst. Das ist auch ein sehr, sehr großer Schritt gewesen. Zurelben Zeit entwickelte Anthropic dann auch MCP, also das Model Context Protocol, mit dem KI Agenten quasi in der Lage waren, sich mit Software zu verbinden und diese dann selber zu bedienen. Das heißt, KI Agenten konnten über MCPs sich z.B. mit der Unity Engine verbinden und deren Werkzeuge aktiv nutzen. 2025 ist das Jahr, in dem dann alles wirklich komplett eskaliert ist. Da hat sich dann auch direkt der Begriff Vibe Coding etabliert. Also das äh coden ohne wirklich zu coden, einfach die KI machen zu lassen, das Ergebnis gar nicht zu prüfen und ja einfach nur das Endergebnis zu äh genießen. Das ist eine halbe Beschimpfung heutzutage. Als Webecoder betitelt zu werden ist nicht unbedingt angenehm, aber die Praxis hat sich gerade für Prototypen und Coop wirklich bewährt, weshalb es heutzutage eigentlich nur noch so Halbeleidigung ist, weil so ein bisschen macht's eigentlich jeder inzwischen. Zurelben Zeit kamen dann auch Terminal Agenten raus wie Claud Code z.B. Inzwischen ist Cloud Code der Marktführer schlecht hin. Die meisten Leute, die mit KI coden, coden mit Claud Code, weil es auch einfach meines Erachtens nach das beste Tool ist, um agentisch zu arbeiten als Entwickler. Aber auch Codex CLI, Gemini CLI und all diese verschiedenen Terminal Agents kamen zu dieser Zeit raus. Interessant ist übrigens, dass diese Terminal Agenten Coder nicht wirklich ersetzt haben. Viel mehr sind sie ein Werkzeug geworden, das neben einem normalen IDE nach wie vor verwendet wird. Also inzwischen haben wir nicht nur ein IDE, das immer offen ist, sondern das IDE und daneben den Terminal Agent oder halt ja im IDE im integrierten Terminal eben den Agent laufen. Mitte 2025 wurde auch Prompt Engineering offiziell abgelöst vom Context Engineering. Es ging jetzt also nicht mehr darum, die Prompts zu definieren und so zu schreiben, dass die KI damit ordentlich arbeiten kann, sondern das Drum herum den ganzen Aufbau vom Projekt, die ganzen Wissensdatenbanken, die Architekturbeschreibungen und so weiter und so fort. Also den ganzen Kontext, den muss man jetzt inzwischen so bauen, dass Agenten damit ordentlich arbeiten können und ähm ja das bestmögliche Ergebnis dadurch erzielen können. Mit dem Context Engineering haben sich dann auch weitere neue Trends ergeben, z.B. Rules Files, Cloudmd, Agents.m, also Dateien, die quasi von deinem Agent direkt in den Kontext geladen werden, sodass er immer direkt auf dem richtigen Stand ist, wenn man ihn anschaltet und mit dem Agenten im eigenen Projekt arbeiten will. Auch hat sich daraus Specdriven Development entwickelt, eine Art und Weise Software zu entwickeln, bei der bevor man auch nur eine einzige Zeile Code schreibt oder schreiben lässt von der KI erstmal eine hochpräzise Spezifikation äh von der Software erstellt. Das heißt, was soll die Software können? Wie genau soll sie architektonisch aufgebaut sein und so weiter und so fort. Und das klang für eine Weile auch ziemlich sinnvoll, hat sich aber auch rausgestellt als etwas, das ziemlich überverkauft wurde, denn Spec Driven Development kommt auch mit einigen Nachteilen daher. Spec Driven Development hat einen extremen Aufwand im Vorfeld. Bevor nur eine Zeile Code geschrieben wird, muss man sehr viel Zeit in die Specs erstmal stecken und im Endeffekt bekommst du etwas, was du trotzdem nicht wirklich äh vorhersehen kannst. Denn KI Modelle, die arbeiten nicht deterministisch, die arbeiten halt random, so wie sie gerade denken, wie es richtig ist. Und äh ja, das sorgt dafür, dass du trotz einer sehr präzisen Speck nicht immer sicher sein kannst, dass genau das rauskommt, was du auch wirklich haben wolltest. Oder manchmal denkt man auch, man hat sein Speck richtig definiert, aber dann fehlen wichtige Details und die KI fängt an selber zu raten. Und oft kommt dann auch noch dazu, dass sich Specs mitten in der Entwicklung ändern. Also so wirklich sicher ist das auch nicht und deswegen ist Speckdriven Development auch bei weitem nicht mehr so verbreitet wie 2025 noch. Ein paar Monate später kam dann auch noch zum Context Engineering das Loop und Harness Engineering dazu. Das heißt, man stellte die These auf, dass die Qualität, die Outputqualität von einer KI nicht abhängig ist vom Modell selbst, sondern von den Werkzeugen, die zur Verfügung stehen, die der KI Agent nutzen kann und auch von den Verifikationsschleifen. Das heißt, dass man KI nicht mehr einfach nur einmal promptet und dann machen die was, dann prüft man es selbst, sondern dass man eine Loop baut, die quasi autonom läuft und die sich immer wieder selbst überprüft und guckt, okay, ist das Ziel erreicht worden oder nicht? Und wenn es dann erreicht wurde, dann wird äh die Loop abgebrochen und wenn nicht, dann wird die Loop noch mal weitergeführt. Um über Loop und Harness Engineering wirklich ein Urteil zu fällen, ist es noch ein bisschen zu früh. Meine persönliche Erfahrung ist aber, dass es wirklich stark auf den Anwendungsfall ankommt, ob das sinnvoll ist und auch stark darauf ankommt, wie gut man die Verifizierungsschleifen baut. Ende 25 kam dann ein Werkzeug, das wirklich noch mal grundlegend geändert hat, wie wir mit KI Agenten arbeiten und zwar die sogenannten Skills. Skills sind im Grunde einfach Markdown Dateien, in denen genau drin steht, wie ein bestimmter Arbeitsprozess aussieht und wie man ein bestimmtes Problem lösen kann. Ähm, die KI kann diese Skills einfach bei Bedarf laden. Wenn sie also sagt, okay, ich habe jetzt hier eine Aufgabe und ich sehe, hier ist ein Skill, mit dem ich diese Aufgabe lösen könnte. Dann lädt sie diesen Skill, diese Markdown Datei in ihren Kontext und darauf basierend arbeitet sie dann eben. Das ist ein äh sehr, sehr hilfreiches Werkzeug, wenn es um KI Agenten geht, denn mit Skills sind wir jetzt in der Lage, ja, bestimmte Prozesse einmal zu definieren, bestimmte große Prompts einmal auszuformulieren und die dann immer und immer wieder zu benutzen, wie kleine Programme eigentlich, die von KI Agenten ausgeführt werden. Und jetzt im Jahr 2026 dreht sich eigentlich alles um Multient Workflows, also parallelaufende Agenten. Jeder Agent hat eine eigene kleine Aufgabe im Projekt und äh löst die eben selbstständig. Und es geht auch viel um langlaufende autonome Agentenworflows. Das heißt, es entwickelt sich jetzt immer mehr weg von diesen einzeln "Ich prompte was" und der Agent gibt mir ein Ergebnis zurück und ich schaue mir das an, prüft es und ja, mach dann den nächsten Prompt und es geht immer mehr hin zu diesen ja, ich baue eine Schleife und dann läuft der Agent quasi ewig lang durch und ähm löst das Problem quasi komplett selbstständig. wie gut das funktioniert und wie praktikabel das in den allermeisten Entwickleranwendungen ist, das wird sich noch zeigen. Ich bin da eher skeptisch, weil es zeigt sich ja jetzt schon, dass wenn man eine KI zu große Aufgaben erledigen lässt, dass man in im Endeffekt dann Spaghetti Code hat, viel Aufwand hat, Dinge zu bereinigen und auch generell die Ownership über sein Projekt verliert, was ein sehr großes Problem ist, wenn man das mentale Modell für sein Projekt verliert, ja, dann ist man ein bisschen, ne, dann hat man ein Problem und diese großen langlaufenden Agenten, ähm, die wirklich tagelang durchlaufen und irgendwelche gigantischen Codebasen aufsetzen. Ich weiß nicht, wie sinnvoll das ist. Es gibt ja viele Leute, die sagen: "Hey, wenn der Agent ewig lang gelaufen ist und super viel Code produziert hat, kann man ja andere Agenten dazu anleiten, diesen Code ja zu reviewen und nicht mehr den Mensch den Review machen zu lassen. Aber auch hier hat man im Grunde wieder dasselbe Problem. Wer sagt, dass der Reviewagent seine Arbeit ordentlich macht und das macht, was wir als Menschen eigentlich von ihm erwarten. KI-Agenten sind keine deterministischen Tools. Man kann nicht einschätzen, was die machen und wie gut das Endergebnis dann sein wird. Und entsprechend äh ja, bin ich da noch vorsichtig, aber ich schaue es auf jeden Fall gespannt an. Und das war eigentlich die ganze KI Coding Timeline. So ein paar Kleinigkeiten habe ich wahrscheinlich verpasst. Äh, ihr könnt mir das auch in die Kommentare runter schreiben, was ich verpasst habe oder was eure Meinung zu einzelnen Stationen ist. Und ich finde, man erkennt an diesen Hypes sehr gut, dass ähm diejenigen Hypes, die sich darum drehen, wie du mit einem KI Modell interagierst, wie du es promptest, wie du deinen Kontext baust und so weiter und so fort, dass das die Hypes sind, die meistens verschwinden und die anderen Hypes, die wirklich mit den Tools selbst zu tun haben, die wirklich komplett bestimmen, wie die Tools funktionieren, dass die diejenigen sind, die dann auch meistens ja sich bewähren und langfristig bleiben. Deswegen geh nicht mit jedem Trend auf Social Media mit, das schadet dir, glaube ich, im Endeffekt nur. Und ja, wie gesagt, schreibt mir mal in die Kommentare, was ihr zu diesem ganzen Thema so denkt. Das war's dann noch mit diesem Video. In der Videobeschreibung unten findet ihr einen Link zu programmieren Starten Premium. Aktuell arbeite ich auch an einem Cloud Code Masterkurs. Das heißt, in Programmieren Starten Premium werdet ihr auch bald lernen können, wie man ordentlich mit KI Agenten arbeitet. Bis dahin, ich werde euch dann auf jeden Fall auch noch hier auf dem Kanal darüber informieren, wann es soweit ist. Aber bis dahin wünsche ich euch jetzt noch viel Spaß beim Programmieren und ja, abonniert den Kanal, wenn es euch gefallen hat. Auf Wiedersehen.
CR
Codekiste Redaktion
Automatisierte Content-Kuratierung für tech-news.