Gefährlich Code überspringen: Wenn LLMs schneller Code schreiben, als du ihn lesen kannst
Die Prämisse ist einfach: Was, wenn wir ganz aufhören, LLM-generierten Code zu lesen? Behandle ihn wie Assembler, Bytecode oder transpiliertes JavaScript – die Hochsprachenquelle wird zu einer weiteren Form von Maschinencode. Diese Idee stammt aus dem Retreat-Bericht von Thoughtworks und Facundo Olanos Blogbeitrag.
Warum das sinnvoll ist
LLMs produzieren nicht-deterministische Ergebnisse und generieren Code weitaus schneller, als Menschen lesen können. Jedes Diff zu reviewen, ist nicht mehr machbar. Statt auf Sorgfalt zu verzichten, verlagere sie an eine andere Stelle: Spezifikationen und Tests.
Organisatorische Voraussetzung
Dies ist keine Entscheidung für Einzelpersonen oder Teams – sie muss organisatorisch getroffen werden. Das Amdahlsche Gesetz greift: Die Maximierung der Code-Generierungsgeschwindigkeit ohne Umstrukturierung der Prozesse bringt keine echten Fortschritte. Man kann nicht einige Entwickler haben, die täglich 20.000 Zeilen Schrott produzieren, während andere sie noch lesen und genehmigen.
Zu den Anforderungen gehören:
- Menschen aus dem Durchlauf entfernen, Koordination und Gatekeeping reduzieren
- Nahezu unendliches Angebot an Anforderungen, Entwickler übernehmen autonom ganze Arbeitsströme
- Nacharbeiten sind nahezu kostenlos, also falsche Arbeit nicht verhindern – sondern durch Spezifikationen/Tests erkennen
Vorgeschlagener Workflow
Verwende eine standardisierte Markdown-Spezifikation als neue Wissenseinheit. Produktverantwortliche und Entwickler arbeiten gemeinsam an der Spezifikation und den Testfällen für Geschäftsregeln. Checke diese zusammen mit dem implementierenden Code in das Repository ein.
Automatisierte Pull-Request-Prüfungen verifizieren:
- Tests bestehen
- Code entspricht der Spezifikation
Die Spezifikation – nicht der Code – ist das, was das Team versteht, reviewt und wofür es verantwortlich ist.
Wichtiger Unterschied
Spezifikationen sind keine Prompts. Tests sind kein TDD. Es geht um Sorgfalt, die auf die Vertragsebene verlagert wird, nicht auf die Implementierungsebene.
📖 Vollständige Quelle lesen: HN AI Agents
👀 Siehe auch
Mercury 2: Diffusionsbasiertes Modell für Echtzeit-KI-Codierung
Mercury 2 nutzt diffusionsbasierte Generierung anstelle sequentieller Token-für-Token-Dekodierung, generiert Token parallel und verfeinert sie über mehrere Schritte und beansprucht 1.009 Token/Sekunde auf NVIDIA Blackwell GPUs mit Preisen von 0,25 USD/1 Mio. Eingabe-Token und 0,75 USD/1 Mio. Ausgabe-Token.
Startups geben an, mehr für KI-Rechenleistung als für Gehälter auszugeben
KI-Startups wie Swan AI berichten von monatlichen KI-Rechenkosten, die 113.000 US-Dollar übersteigen. CEOs beschreiben dies als 'Tokenmaxxing', bei dem KI-Ausgaben traditionelle Personalbudgets ersetzen.
AWS Lambda MicroVMs: VM-Isolierung für Benutzer- und KI-generierten Code mit Suspend/Resume bis zu 8 Stunden
AWS startet Lambda MicroVMs, eine serverlose Compute-Primitive auf Basis von Firecracker, die pro Benutzer VM-Isolation, nahezu sofortigen Start und bis zu 8 Stunden Zustandsspeicherung für die Ausführung von benutzer- oder KI-generiertem Code bietet.
Die Analyse von 100 Millionen Tokens im Claude Code zeigt eine Nutzungsrate der Eingabe von 99,4 %.
Eine Analyse von 1.289 Anfragen über längere Codingsitzungen zeigt, dass Claude Code 100,3 Mio. Eingabe-Tokens (99,4 %) gegenüber nur 616.000 Ausgabe-Tokens (0,6 %) verwendete, wobei 84,2 Mio. Tokens aufgrund wiederholter Kontextwiedergabe zwischengespeichert wurden.