Wie AI Code schreibt

Jetzt wissen wir, was AI kann und was nicht. Aber wie funktioniert es eigentlich? Nicht die technischen Details — die magst du nicht. Sondern das Verständnis für das Prinzip.

Token sind wie Buchstaben für AI

Erinnerst du dich an K01 (Text)? Dort haben wir gelernt, dass AI nicht „Sätze verstehen" kann. AI vorhersagt, welcher Text als nächstes kommt. Das macht sie, indem sie jeden Text in kleine Stücke zerlegt — sogenannte „Tokens".

Ein Token ist nicht ein Wort. Es ist eher eine Silbe oder sogar ein Buchstabe. Wenn du zum AI sagst „hello world", zerlegt die AI das in etwa 4 Tokens: „hel", „lo", „_world". Die genaue Aufteilung ist technisch kompliziert, aber die Idee ist: AI sieht dein Text nicht als ganze Sätze, sondern als Sequenzen von Mustern.

Bei Code ist es das gleiche — mit einer Besonderheit. Der Code hat viel stärkere Regeln. „hello world" kann auf 1000 Arten geschrieben werden. Aber x = x + 1 kann nur auf wenige Arten geschrieben werden, ohne dass es falsch ist.

Das bedeutet: AI ist bei Code deutlich präziser als bei Text. Die Struktur ist strikter. Das ist eine große Stärke von AI im Code, weil AI Regeln liebt.

Warum AI Code aus GitHub kennt

AI wurde mit Milliarden von Codezeilen trainiert. GitHub, StackOverflow, Open-Source-Projekte — das ist alles Trainingsmaterial. AI hat gesehen, wie man Funktionen benennt, wie man Fehler abfängt, wie man Datenstrukturen aufbaut.

Deshalb kann AI einen korrekten, strukturierten Code schreiben, der aussieht wie echter, professioneller Code. Nicht weil die AI „versteht", was Code tut, sondern weil sie so häufig Muster gesehen hat, dass sie das wahrscheinlichste Muster reproduziert.

Das ist wie ein Komponist, der Millionen von Symphonien gehört hat und dann eine neue komponiert. Der Komponist versteht Musik — aber AI versteht Code NICHT. AI reproduziert nur die häufigsten Strukturen.

Das erklärt auch, warum AI oft Code überproduziert (über-engineered). GitHub ist voll mit über-engineered Code, weil professionelle Programmierer zu Defensiveness neigen. AI hat diese Defensiveness gelernt.

Drei Aufgabentypen für Code

Wir haben in K01 (Text) die drei Aufgabentypen gelernt: Multiplikator, Ermöglicher, Grenzen. Bei Code ist es genau das gleiche.

1. Multiplikator: Code für Routine-Aufgaben

Das sind die typischen Aufgaben, wo AI glänzt:

• „Schreib mir einen HTTP-Server in Python"
• „Erstelle ein Skript, das CSV-Dateien verarbeitet"
• „Generiere Code, um Bilder zu rezensionieren"

Warum funktioniert das? Weil AI die Struktur kennt. Diese Aufgaben sind tausendfach gemacht worden, und AI hat alle Muster gesehen. Die Chance, dass der Code funktioniert, ist hoch.

Die Multiplikator-Regel: Je häufiger die Aufgabe im Training vorkommt, desto besser der Code.

2. Ermöglicher: Code für deine speziellen Anforderungen

Das sind Aufgaben, wo du deine Idee konkretisieren musst:

• „Schreib ein Skript, das meine spezifische Dateistruktur verarbeitet"
• „Erstelle einen Scraper für diese bestimmte Website"
• „Baue ein System, das meine Geschäftslogik umsetzt"

Hier muss AI deine Anforderungen nicht nur verstehen, sondern auch extrapolieren (erweitern). Das funktioniert — aber mit Einschränkungen. AI wird Annahmen machen und oft falsch liegen.

Die Ermöglicher-Regel: Du musst deine Anforderung in das Wissen von AI übersetzen. Je mehr du beschreibst, desto besser.

3. Grenzen: Dinge, die AI (noch) nicht kann

Das sind aufgaben, wo AI an ihre Grenzen stößt:

• „Optimiere meinen Code für maximale Performance"
• „Finde die Sicherheitslücke in meinem System"
• „Verstehe, warum dieser Code nicht läuft" (wenn es subtile Fehler sind)

Warum funktioniert das nicht? Weil es Verständnis braucht. Performance-Optimierung braucht Kontext — was sind die Engpässe? Sicherheit braucht Kreativität — welche unerwarteten Angriffsvektoren gibt es? Debugging braucht Methodologie — welche Hypothese testest du zuerst?

AI kann das, aber mit viel niedriger Erfolgsquote. Und du merkst es nicht immer, wenn es falsch ist.

Die zwei Fragen vor jedem Code-Prompt

Bevor du AI fragst, code zu schreiben, stell dir zwei Fragen:

1. Ist das ein Standardproblem? Wurde das schon millionenfach gelöst? Wenn ja → Multiplikator, AI wird großartig sein. Wenn nein → schwieriger, AI wird Annahmen machen.

2. Kann ich das Ergebnis testen? Kann ich sehen, ob der Code funktioniert? Wenn ja → ich kann Fehler finden und korrigieren. Wenn nein → ich muss jemandem vertrauen.

Diese zwei Fragen entscheiden, ob du AI vertrauen kannst oder nicht.

Warum Code schwieriger ist als Text

Text: AI schreibt Wörter, die gut zusammenpassen. Falsch funktioniert nicht — es klingt nur komisch.

Code: AI schreibt Symbole, die zusammenpassen und eine Bedeutung haben. Falsch bedeutet, dass das Programm nicht läuft oder das Falsche tut. Das ist ein größerer Fehler.

Das ist der Grund, warum Code-Prompts präziser sein müssen. Bei Text kann AI mehr „raten". Bei Code muss der Kontext deutlich sein.

Die Zukunft: Bessere Code-AI

Wird AI in Zukunft besser im Code? Definitiv. Es gibt bereits Systeme, die Code nicht nur schreiben, sondern auch verstehen können — die Fehler erkennen, Variationen testen, und sogar ihre eigenen Fehler finden.

Aber auch diese werden nicht „verstehen" im echten Sinne. Sie werden einfach noch bessere Muster haben. Und deswegen brauchst du immer noch einen Menschen, der das System überprüft.

Das ist nicht eine Grenze von AI. Das ist die Realität von jeder Software: Code ist komplex, und ein zweites Paar Augen ist immer nützlich.