Autoren: Ricardo Pacheco Almeida und Eduardo Barroso da Silva (PwC Portugal).
Vibe Coding: Ursprung, Bedeutung und Auswirkungen auf die Programmierung
Das Aufkommen Generativer Künstlicher Intelligenz hat der Welt eine ganze Reihe neuer Begriffe und Spezialisierungen gebracht. Einer dieser Begriffe ist Vibe Coding.
Vibe Coding ist weder eine akademische noch überhaupt eine formale Definition, sondern ein Spiegel seiner Zeit: Das Konzept ging auf Grundlage eines Tweets viral, den Andrej Karpathy, Data Scientist und ehemaliger Leiter für KI bei Tesla, Anfang 2025 veröffentlichte. In diesem Beitrag spricht Andrej von einer „neuen Art der Programmierung namens Vibe Coding, bei der wir uns vollständig den Vibes hingeben (…)“.
Der Begriff hat sich schließlich im Fachdiskurs etabliert. Heute lässt sich Vibe Coding als intuitive Nutzung von GenAI-basierten Code-Assistenten beschreiben. Statt detaillierte Spezifikationen oder jede einzelne Syntaxzeile zu schreiben, vertrauen Entwickler darauf, dass das Werkzeug die Absicht aus dem gemeinsamen Kontext, dem Projekt selbst und dem erstellten Code ableitet. Der Entwickler gibt die Richtung vor, den Vibe, und die Lösung erzeugt die Implementierung eigenständig.
Wichtig ist auch die Unterscheidung zwischen Vibe Coding und Assisted Coding beziehungsweise AI-assisted Pair Programming, einem in Wissenschaft und Industrie aufkommenden Konzept, bei dem professionelle Entwickler GenAI nutzen, um ihre Entwicklungsaufgaben zu beschleunigen. Assisted Coding setzt jedoch kein uneingeschränktes Vertrauen in das Werkzeug voraus, das den Code generiert: Es beschleunigt lediglich einzelne, klar definierte Aufgaben, mit denen der Entwickler bereits vertraut ist. Es handelt sich um einen Rollenwechsel, bei dem der Fachmann weniger als Autor und mehr als Redakteur oder Kurator handelt.
Bewährte Vorgehensweisen beim Einsatz von GenAI
Aktuelle Branchendaten zeigen, dass die große Mehrheit der Technologiefachkräfte diese Werkzeuge bereits bei ihrer Arbeit einsetzt. Die Experimentierphase mit GenAI scheint daher zu Ende zu gehen, und wir treten in die Phase der Ergebnismessung ein.
Bei Entwicklern ist die allgemeine Wahrnehmung sehr positiv, weil Reibungsverluste abnehmen und sie sich schneller fühlen. Tatsächlich produzieren sie rein mengenmäßig mehr: Teams, die GenAI intensiv nutzen, können fast doppelt so viele Pull Requests (PRs) einreichen. Allerdings steigt der Review-Aufwand.
Warum diese Diskrepanz? Dafür gibt es zwei Hauptgründe: Ohne angemessene Anleitung werden tendenziell größere Codeblöcke ohne ausreichenden Kontext erzeugt, was die Überprüfung komplexer macht. Außerdem ist die Technologie so effektiv darin, große Mengen an Code zu generieren, dass Teams möglicherweise nicht mehr in der Lage sind, ihn zu überprüfen.
Um das Potenzial von GenAI auszuschöpfen, müssen technische Teams ihre Mitarbeiter schulen, ganzheitliche Methoden entwickeln und bewährte Vorgehensweisen erarbeiten. Bevor irgendein Code geschrieben wird, ist Folgendes unerlässlich:
- Entwicklerhandbücher (Developer Handbooks) erstellen, um GenAI-Agenten anzuleiten;
- Regeln auf Ebene der GenAI-Software definieren (z. B. Cursor Rules); und
- Leitlinien festlegen (z. B. Projektleitlinien oder eine Projektstruktur mit semantischen Definitionen für jeden Ordner oder jedes Modul).
Prompting-Architektur und Kontextmanagement
Wie bei einem typischen Projekt zur Entwicklung einer Lösung ist auch hier ein klar definierter, abgegrenzter Umfang unerlässlich. GenAI-Werkzeuge, insbesondere Claude-Modelle, neigen dazu, stets ein wenig mehr zu tun als verlangt. Deshalb muss klar sein, welche Funktionen entwickelt werden sollen, um daraus eine Reihe technischer Aufgaben abzuleiten, die auf diese Funktionen ausgerichtet sind (Backlog). Der codegenerierende Agent kann anschließend die im Backlog festgelegten konkreten Einträge umsetzen.
All diese Informationsquellen beanspruchen einen großen Teil des Kontextfensters der Modelle. Das Kontextfenster ist die maximale Informationsmenge, die ein Modell auf einmal „sehen“ und verarbeiten kann. Diese Informationen werden in Tokens (Wörtern oder Wortteilen) gemessen und umfassen sowohl die Eingabe (Ihre Anweisungen und den Gesprächsverlauf) als auch die Ausgabe (die generierte Antwort). Es funktioniert wie das Kurzzeitgedächtnis des Modells. Überschreitet ein Gespräch die Grenze, „vergisst“ das Modell, was zu Beginn gesagt wurde, und verliert den vorherigen Kontext. Unerlässlich sind:
- sachliche, präzise Dokumentation (mit kurzen, direkten Sätzen);
- das Vermeiden irrelevanter Informationen; und
- die Gewährleistung, dass der Kontext in das Fenster des Modells passt.
Für große Organisationen besteht die Herausforderung, wie bereits erwähnt, nicht mehr in der Einführung des Werkzeugs, sondern darin, es in messbaren und skalierbaren geschäftlichen Mehrwert umzuwandeln. Erfolgreiche Unternehmen behandeln KI als Transformationsproblem, nicht als ein Problem technologischer Werkzeuge.
Die Übernahme dieser Transformationsperspektive erfordert eine klare und schrittweise angelegte strategische Ambition des Unternehmens für GenAI. Der erste Schritt besteht darin, das bestehende Governance-Modell auf diese neue Technologie auszuweiten. Dabei muss festgelegt werden, wer für Entwicklung und Überwachung verantwortlich ist und wie sichergestellt wird, dass die Nutzung verantwortungsvoll erfolgt und rechtliche Verpflichtungen erfüllt. Ohne diese Governance-Struktur bleiben KI-Initiativen isolierte Experimente, die nicht skalieren können und rechtlichen Risiken sowie Reputationsrisiken ausgesetzt sind.
Ein Rahmen für die Priorisierung und Skalierung von Anwendungsfällen
Wenn die Governance festgelegt ist, sollte sich die Führung auf Anwendungsfälle konzentrieren, nicht auf die Technologie. Dazu gehört:
- Prozesse mit dem größten Automatisierungspotenzial identifizieren;
- Wirkung und Komplexität in einer Entscheidungsmatrix gegeneinander abwägen; und
- zwischen der Eigenentwicklung, dem Kauf oder der Anpassung von Lösungen wählen.
Eine erfolgreiche Umsetzung hängt von einem kohärenten Ökosystem aus Technologie und Menschen ab. Unternehmen benötigen einen Entscheidungsrahmen, der gewährleistet, dass Werkzeuge skalierbar und Entscheidungen auditierbar sind. Deshalb ist Veränderungsmanagement unerlässlich. Es sollte sich auf Schulungen und die Festlegung von Richtlinien für eine verantwortungsvolle Nutzung konzentrieren, die Mitarbeitern vermitteln, KI-Ergebnisse zu überprüfen, statt sie lediglich zu akzeptieren.
Schließlich messen Organisationen, die Mehrwert erzielen, das, was wirklich zählt. Erfolg besteht in messbaren Auswirkungen auf geschäftliche Kennzahlen (KPIs) und der Kapitalrendite (ROI). Dies erfordert eine kontinuierliche Leistungsüberwachung und das Einholen von Nutzerfeedback. Nur dieser Zyklus aus methodischer Umsetzung und Lernen ermöglicht es, den Wert von GenAI über das Experimentieren hinaus nachzuweisen und Investitionen in nachhaltige Ergebnisse zu verwandeln.
Kurz gesagt steht Vibe Coding für die Verlockung müheloser Geschwindigkeit, ist aber eine Falle, die technische Schulden und Risiken erzeugt. Professionelles Assisted Coding ist eine Technik, um den Entwicklungsprozess zu erweitern und zu beschleunigen. Die Rolle des Entwicklers nähert sich der eines Reviewers oder sogar eines Product Owners an. Die Zukunft der Softwareentwicklung liegt nicht darin, den Ingenieur zu ersetzen, sondern ihn zu verändern: vom „Codeschreiber“ zum Architekten der Absicht, zum kritischen Prüfer der Logik, der die endgültige Qualität, Sicherheit und Konformität der Lösung gewährleistet.