Insights Deep Dive
Vibe Coding macht den Prototyp schnell, die Arbeit danach bleibt
-
Simon Liedtke
· 7 Min. Lesezeit
Kurz gesagt
- Mit KI-Werkzeugen bauen auch Kommunikations- und Fachabteilungen eigene Anwendungen, ohne die IT.
- Messungen zeigen, dass ungeprüfter KI-Code häufig Sicherheitslücken enthält und schwer zu warten ist, wenn niemand im Team ihn versteht.
- Die Zahlen stammen überwiegend von Anbietern und ändern sich mit jeder Modellgeneration. Die Verantwortung für den Code bleibt bei Menschen.
Im Februar 2025 beschrieb der KI-Forscher Andrej Karpathy auf X eine neue Art zu programmieren. Er sage dem Modell in natürlicher Sprache, was er wolle, nehme alle Änderungen an, ohne sie zu lesen, und kopiere Fehlermeldungen kommentarlos zurück in den Chat. Er nannte das „Vibe Coding“ und schränkte gleich ein:
„It’s not too bad for throwaway weekend projects, but still quite amusing.“
Andrej Karpathy auf X, 2. Februar 2025
Neun Monate später kürte das Collins Dictionary „Vibe Coding“ zum Wort des Jahres 2025, definiert als Nutzung von KI, die per natürlicher Sprache Code schreibt. Aus dem Wochenendprojekt ist eine verbreitete Arbeitsweise geworden.
Die Einstiegshürde für eigene Software ist gesunken
Wer eine Idee hat, kann heute in natürlicher Sprache beschreiben, was eine Anwendung tun soll, und bekommt lauffähigen Code. Damit entstehen Prototypen, mit denen sich eine Geschäftsidee testen lässt, und interne Werkzeuge, für die es nie ein Entwicklungsbudget gegeben hätte. Auch Menschen ohne Programmierausbildung bauen so Formulare, Auswertungen oder kleine Webseiten.
Wir arbeiten bei narraltiv selbst so, bei eigenen Tools und in der Begleitung von Kommunikationsteams. Ein Großteil unseres Codes entsteht mit KI-Assistenz, von Tests über Dokumentation bis zum Refactoring, also dem Umbauen von bestehendem Code, ohne sein Verhalten zu ändern. Der Zeitgewinn ist im Alltag deutlich spürbar.
Wie groß er ist, lässt sich schwerer messen, als es sich anfühlt. Die Forschungsorganisation METR ließ 2025 in einem randomisierten Versuch 16 erfahrene Entwickler:innen an 246 Aufgaben aus ihren eigenen Open-Source-Projekten arbeiten, mal mit, mal ohne KI. Mit KI brauchten sie im Schnitt 19 Prozent länger. Sie selbst schätzten hinterher, die KI habe sie um 20 Prozent beschleunigt (METR 2025). Ein Folgeversuch mit Werkzeugen von Ende 2025 und 57 Entwickler:innen deutet eher auf eine Beschleunigung hin. METR nennt die neuen Daten aber selbst ein unzuverlässiges Signal, unter anderem weil viele Teilnehmende Aufgaben zurückhielten, die sie nicht ohne KI erledigen wollten (METR 2026). Für die Praxis bleibt: Das eigene Gefühl ist kein guter Maßstab für den Zeitgewinn.
Code, der läuft, ist oft nicht sicher
Der Sicherheitsanbieter Veracode ließ mehr als 100 Sprachmodelle Programmieraufgaben in Java, Python, C# und JavaScript lösen und prüfte den Code auf bekannte Schwachstellen aus der Liste OWASP Top 10, einem verbreiteten Katalog der häufigsten Sicherheitsrisiken in Webanwendungen. In 45 Prozent der Fälle enthielt der Code eine solche Schwachstelle (Veracode, Juli 2025). In der Ausgabe vom Oktober 2026 mit 18 Modellen sank der Anteil auf 38 Prozent. Veracode nennt das die erste deutliche Verbesserung seit 2025 (Veracode, Oktober 2026).
Der Code-Review-Anbieter CodeRabbit fand in Änderungsvorschlägen mit KI-Beteiligung im Schnitt 1,7-mal so viele Probleme wie in rein menschlichen – bei Sicherheitsproblemen bis zu 2,74-mal so viele. CodeRabbit schreibt selbst, dass sich nicht garantieren lässt, dass die als menschlich eingestuften Änderungen ohne KI entstanden sind (CodeRabbit, Dezember 2025).
Wie das in der Praxis aussieht, zeigt ein Fall bei Lovable, einer Plattform, auf der Nutzer:innen Webanwendungen per Chat erstellen. Der Entwickler Matt Palmer prüfte im März 2025 die Startseiten von 1.645 Projekten aus Lovables Schaufenster. Bei 170 davon, rund 10 Prozent, waren die Zugriffsregeln der Datenbank so eingestellt, dass Unbefugte ohne Anmeldung Tabellen auslesen konnten, darunter E-Mail-Adressen, Telefonnummern und API-Schlüssel (Palmer 2025). Die Lücke wurde in der öffentlichen US-Datenbank für Sicherheitslücken als CVE-2025-48757 registriert. Lovable sieht den Fehler nicht bei sich: Für den Schutz der Daten seien die Nutzer:innen selbst verantwortlich, die die Anwendungen gebaut haben. Für ein Unternehmen hieße das: Liegen Kundendaten offen im Netz, ist das ein Datenschutzvorfall, der nach der DSGVO in der Regel gemeldet werden muss.
Genau an dieser Stelle liegt das Problem. Wer eine Anwendung per Chat baut, ist für ihre Sicherheit verantwortlich, kann den erzeugten Code aber oft nicht beurteilen. Die Zahlen sprechen nicht gegen KI-Werkzeuge. Sie sprechen dagegen, deren Ergebnisse ungeprüft in Betrieb zu nehmen.
Code, den niemand versteht, wird in der Wartung teuer
Der Anbieter von Entwickler-Analysen GitClear hat 211 Millionen geänderte Codezeilen aus den Jahren 2020 bis 2024 ausgewertet. Der Anteil kopierter Zeilen stieg von 2021 bis 2024 von 8,3 auf 12,3 Prozent. Der Anteil der Änderungen, die mit Refactoring verbunden sind, sank im selben Zeitraum von 25 auf unter 10 Prozent (GitClear 2025). GitClear führt das auf die Verbreitung von KI-Assistenten zurück. Die Auswertung zeigt einen zeitlichen Zusammenhang. Ob die kopierten Zeilen im Einzelnen von einer KI stammen, misst sie nicht.
Ein zweites Problem steckt nicht im Code, sondern bei den Menschen, die ihn pflegen. Die Informatikerin Margaret-Anne Storey von der University of Victoria nennt es „Cognitive Debt“, kognitive Schulden. Technische Schulden stecken im Code, kognitive Schulden in den Köpfen des Teams: Es geht Wissen darüber verloren, warum ein System so gebaut ist, wie es ist. Storey beschreibt ein Studierendenteam in einem ihrer Kurse, das in Woche sieben oder acht keine einfachen Änderungen mehr machen konnte, ohne an anderer Stelle etwas kaputt zu machen. Das Team vermutete zuerst schlechten Code. Bei genauerem Hinsehen konnte niemand im Team erklären, warum bestimmte Entwurfsentscheidungen getroffen worden waren (Storey 2026).
Simon Willison, ein bekannter Befürworter von KI-Werkzeugen beim Programmieren, schrieb dazu, er habe das bei eigenen Projekten erlebt. Er habe ganze Funktionen per Prompt bauen lassen, ohne die Umsetzung zu prüfen, und danach kein klares Bild mehr gehabt, was diese Projekte können und wie sie funktionieren (Willison 2026).
Unsere Einschätzung: Für Unternehmen ohne eigenes Entwicklerteam wiegt das besonders schwer. Ein Prototyp steht schnell. Sobald Anpassungen, neue Anforderungen oder Datenschutzfragen kommen, fehlt im Haus jemand, der das System versteht.
Die Verantwortung für den Code bleibt bei Menschen
Karpathy selbst hat seine Begriffe weiterentwickelt. Ende Februar 2026 beschrieb er, wie er Agenten ganze Aufgaben übergibt, und sprach von „agentic engineering“. Er fügte hinzu (X, 25. Februar 2026):
„It’s not perfect, it needs high-level direction, judgement, taste, oversight, iteration and hints and ideas.“
Willison schlug für dieselbe Richtung den Begriff „Vibe Engineering“ vor: Erfahrene Fachleute arbeiten mit KI schneller und bleiben dabei für die Software verantwortlich, die sie ausliefern (Willison 2025). Beide Beschreibungen laufen auf dasselbe hinaus. Der Code entsteht seltener von Hand, aber jemand muss die Aufgabe zerlegen, das Ergebnis prüfen und dafür einstehen.
Was die Zahlen nicht zeigen
Die meisten Zahlen in diesem Stück stammen von Unternehmen, die Werkzeuge für Codesicherheit, Code-Review oder Entwickler-Analysen verkaufen. Ihre Methoden sind nur teilweise offengelegt, und keine dieser Anbieter-Auswertungen ist in einer Fachzeitschrift mit Begutachtung erschienen. Sie zeigen Richtungen, keine festen Größen. Außerdem veralten sie schnell, wie der Rückgang bei Veracode zeigt. Wer eine dieser Zahlen zitiert, sollte Jahr und Modellstand dazuschreiben.
Offen ist auch, wessen Code gemessen wird. Die Studien untersuchen meist Code von Entwickler:innen. Wie es um Anwendungen steht, die Menschen ohne Programmierkenntnisse per Chat bauen, zeigt bisher vor allem der Einzelfall Lovable.
Drei Fragen, bevor ein mit KI gebautes Tool in Betrieb geht
Wer im Team kann erklären, wie die Anwendung funktioniert? Gemeint ist nicht jede Zeile, sondern der Aufbau: welche Daten wohin fließen, warum eine Entscheidung so gefallen ist. Wenn das niemand kann, ist das der erste Punkt, der vor dem Ausbau geklärt werden sollte.
Wer prüft den Code, bevor er mit echten Daten arbeitet? Sobald eine Anwendung personenbezogene Daten speichert, etwa von Kund:innen oder Bewerber:innen, eine Anmeldung hat oder aus dem Internet erreichbar ist, braucht es eine Prüfung durch jemanden, der Sicherheitsfragen beurteilen kann. Zugriffsregeln der Datenbank gehören immer dazu, wie der Fall Lovable zeigt.
Was passiert in sechs Monaten? Prototypen werden oft zu Dauerlösungen. Vorher lohnt es sich festzulegen, wer die Anwendung pflegt, wer bei Fehlern zuständig ist und wann sie neu gebaut oder abgeschaltet wird.
Dieses Stück fasst zusammen, was zu Sicherheit, Wartbarkeit und Tempo von KI-generiertem Code gemessen ist, und wo diese Messungen an ihre Grenzen stoßen.
Quellen
- CodeRabbit (2025): State of AI vs Human Code Generation Report. https://www.coderabbit.ai/blog/state-of-ai-vs-human-code-generation-report
- Collins Dictionary (2025): Collins Word of the Year 2025: AI meets authenticity as society shifts. https://blog.collinsdictionary.com/language-lovers/collins-word-of-the-year-2025-ai-meets-authenticity-as-society-shifts/-
- GitClear (2025): AI Copilot Code Quality: 2025 Research. https://www.gitclear.com/ai_assistant_code_quality_2025_research
- Karpathy, Andrej (2025): Beitrag zu „Vibe Coding“ auf X, 2. Februar 2025. https://x.com/karpathy/status/1886192184808149383
- Karpathy, Andrej (2026): Beitrag zu „agentic engineering“ auf X, 25. Februar 2026. https://x.com/karpathy/status/2026731645169185220
- METR (2025): Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
- METR (2026): Update zur Studie mit KI-Werkzeugen von Ende 2025. https://metr.org/blog/2026-02-24-uplift-update/
- NIST National Vulnerability Database (2025): CVE-2025-48757. https://nvd.nist.gov/vuln/detail/CVE-2025-48757
- Palmer, Matt (2025): Statement on CVE-2025-48757. https://mattpalmer.io/posts/statement-on-CVE-2025-48757/
- Storey, Margaret-Anne (2026): How Generative and Agentic AI Shift Concern from Technical Debt to Cognitive Debt. https://margaretstorey.com/blog/2026/02/09/cognitive-debt/
- Veracode (2025): GenAI Code Security Report. https://www.veracode.com/blog/genai-code-security-report/
- Veracode (2026): Veracode Finds First Meaningful Gain in AI Code Security Since 2025 as Average Pass Rate Hits 62%. https://www.veracode.com/press-release/veracode-finds-first-meaningful-gain-in-ai-code-security-since-2025-as-average-pass-rate-hits-62/
- Willison, Simon (2025): Vibe engineering. https://simonwillison.net/2025/Oct/7/vibe-engineering/
- Willison, Simon (2026): Cognitive debt. https://simonwillison.net/2026/Feb/15/cognitive-debt/