Der mythische KI-Monat

Von Kai Spriestersbach am

Was Fred Brooks uns über Coding-Agenten zu sagen hätte

Es gehört zu den stilleren Demütigungen unserer Branche, dass das präziseste Erklärungsmodell für die KI-Euphorie des Jahres 2026 ein Buch von 1975 ist.

Fred Brooks beschrieb in „The Mythical Man-Month“ die immer wiederkehrende Hoffnung auf das eine Werkzeug, die eine Methode, die eine Technologie, die Softwareentwicklung endlich um eine Größenordnung beschleunigt — und er erklärte, methodisch und unbarmherzig, warum diese Hoffnung systematisch enttäuscht wird. Damals hieß die Silberkugel Hochsprache, dann CASE-Tool, dann Objektorientierung. Heute heißt sie Coding-Agent. Der Name hat sich geändert, das Argument nicht.

Ich will Brooks hier nicht als Autorität gegen KI in Stellung bringen. Im Gegenteil: Wer ihn genau liest, findet die überzeugendste Begründung dafür, wofür KI in der Softwareentwicklung wirklich taugt — und es ist nicht das, wofür wir sie gerade fast ausschließlich bauen.

Brooks‘ unbequeme Arithmetik

Beginnen wir mit einer Zahl, die in der aktuellen Debatte erstaunlich selten auftaucht. Brooks teilte den Zeitplan eines Softwareprojekts nach seiner Erfahrung so auf: ein Drittel Planung, ein Sechstel Codierung, ein Viertel Komponententests, ein Viertel Systemtest mit allen Teilen in der Hand.

PhaseAnteil
Planung1/3
Codierung1/6
Komponententest und früher Systemtest1/4
Systemtest, wenn alle Komponenten vorliegen1/4
Faustregel für die Terminplanung einer Softwareaufgabe nach Brooks

Das eigentliche Schreiben von Code — jene Tätigkeit, die wir gerade mit Milliarden an Rechenleistung automatisieren — machte bei Brooks etwa ein Sechstel des Projekts aus. Sechzehn, siebzehn Prozent. Spätere Erhebungen landen je nach Methodik zwischen zwanzig und dreißig.

Wer Amdahls Gesetz kennt, sieht sofort, worauf das hinausläuft. Selbst wenn eine KI das Codieren auf null beschleunigte — perfekt, fehlerfrei, instantan —, läge der maximale Gesamtgewinn bei einem Faktor von etwa 1,2.

Zwanzig Prozent schnellere Projekte.

Ein ordentlicher Produktivitätsgewinn, gewiss. Aber keine Revolution, und Lichtjahre entfernt von den Versprechen, mit denen heute Bewertungen gerechtfertigt und Stellen gestrichen werden.

Rechnen wir als Gedankenexperiment mit Brooks’ Aufteilung: Codierung und beide Testphasen ergeben zusammen zwei Drittel, nicht die Hälfte. Würden diese Phasen vollständig entfallen, bliebe ein Drittel Planung und der rechnerische Faktor wäre drei. Das ist eine Rechnung unter festen Annahmen, keine empirische Obergrenze für heutige KI-Projekte: KI kann Phasen, Qualität und Umfang der Arbeit verändern. Der nützliche Gedanke bleibt, den Engpass im ganzen Prozess statt nur die Schreibgeschwindigkeit zu messen.

Essenz und Akzidenz

Brooks hat dieses Argument 1986 in „No Silver Bullet“ geschärft, und die dort getroffene Unterscheidung ist das eigentliche Werkzeug, um die heutige Lage zu sezieren. Er trennt die essenzielle Komplexität von Software — das konzeptionelle Konstrukt aus Datenstrukturen, Algorithmen, Funktionsbeziehungen und, vor allem, aus dem Verständnis des Problems, das gelöst werden soll — von der akzidentellen Komplexität, also allem, was bloß mit der Repräsentation dieses Konstrukts zu tun hat. Syntax. Boilerplate. Build-Systeme. Die Mechanik des Tippens.

Seine These: Alle großen Produktivitätssprünge der Vergangenheit haben akzidentelle Komplexität abgebaut. Hochsprachen befreiten uns von der Buchführung über Register. Time-Sharing von der Wartezeit zwischen den Compiler-Läufen. IDEs von der Mechanik des Editierens und Verlinkens. Und weil die Akzidenz mit jeder Generation schrumpft, während die Essenz unberührt bleibt, kann keine Technologie, die nur an der Repräsentation ansetzt, je wieder eine Größenordnung herausholen. Das Restproblem ist schlicht zu klein geworden.

Sprachmodelle können Repräsentationsarbeit stark verbilligen und auch bei Lösungsfindung helfen, etwa indem sie Alternativen oder Prototypen erzeugen. Brooks’ Unterscheidung bleibt dennoch hilfreich: Eine schnell formulierte Lösung beweist noch nicht, dass das Geschäftsproblem verstanden und die passende Entscheidung getroffen wurde.

Was der Tokenverbrauch zeigen kann

Agentische Coding-Tools machen einen Teil dieser Frage beobachtbar: Man kann unter anderem Tokenverbrauch, Fehlversuche und menschliche Nacharbeit messen. Damit ist Brooks’ These noch nicht bewiesen. Ein mögliches Muster ist dennoch aufschlussreich: Bei einer klar spezifizierten, abgegrenzten Aufgabe kann ein Agent zügig zu einem brauchbaren Ergebnis kommen. Bei einer unscharfen Aufgabe kann er dagegen mehrere Interpretationen implementieren, testen und revidieren. Solche Schleifen können auf fehlende Spezifikation hinweisen; ihre Ursache muss im konkreten Fall geprüft werden. Auch Modellfehler, Werkzeugprobleme oder technische Schwierigkeit kommen infrage.

Hoher Tokenverbrauch kann auf fehlende Spezifikation hinweisen, aber auch auf Werkzeugfehler, schwierige Aufgaben oder ineffiziente Steuerung. Er ist kein isolierter Beweis für Brooks’ These. Wenn relevante Anforderungen fehlen, helfen bessere Modelle allein nicht zuverlässig; Rückfragen, sichtbare Annahmen und frühes Nutzerfeedback gehören in den Workflow.

Damit kann sich der Engpass in Spezifikation, Design und Entscheidung verlagern. Eine zehnfache Verbesserung in einer Coding-Aufgabe ist deshalb noch keine zehnfache Beschleunigung des gesamten Projekts. Für diese Behauptung bräuchte es eine Messung von akzeptierter Qualität, vollständiger Durchlaufzeit und menschlicher Nacharbeit.

Der ehrliche Einwand

An dieser Stelle muss man fair sein, sonst baut man sich einen Strohmann. Das stärkste Argument der Gegenseite lautet nämlich gar nicht „KI tippt schneller“. Es lautet: KI senkt die Kosten des Explorierens so radikal, dass sich der Designprozess selbst verändert. Wenn ein Prototyp statt drei Tagen drei Minuten kostet, kann ich fünf Architekturen ausprobieren, wo ich früher eine durchdachte. Anforderungen, die sich erst im Kontakt mit dem laufenden System klären, klären sich dann eben fünfmal schneller. Das ist ein ernstzunehmender Punkt — und es ist, ironischerweise, ein zutiefst Brooks’scher: Sein berühmtes „plan to throw one away, you will anyhow“ feiert genau das Wegwerf-Prototyping, das die KI nun verbilligt.

Doch billiges Explorieren kann einen neuen Engpass schaffen: die Bewertung. Mehrere Prototypen in Minuten helfen dann, wenn sich ihre Eignung in vertretbarer Zeit prüfen lässt. Plausibel aussehende Lösungen können dabei subtile Fehler enthalten, und gesparte Schreibzeit kann durch zusätzliche Prüfung teilweise aufgezehrt werden. Wie stark sich der Flaschenhals vom Produzieren zum Verifizieren verlagert, hängt von Aufgabe, Tests und Reviewverfahren ab. KI kann auch die Bewertung unterstützen, etwa durch Tests, Gegenbeispiele und Alternativen. Das ersetzt aber keine verlässlichen Kriterien und keine verantwortliche Entscheidung darüber, was die Software leisten soll.

Die bedrohte konzeptionelle Integrität

Es gibt eine zweite, leisere Gefahr, und sie trägt bei Brooks einen Namen: konzeptionelle Integrität. Für ihn war sie „die wichtigste Erwägung im Systemdesign“ — wichtiger, als jede einzelne gute Idee umzusetzen. Lieber ein System, das eine einzige, vielleicht nicht perfekte Idee konsequent durchhält, als eines, das ein Dutzend brillanter, aber unzusammenhängender Einfälle vereint. Konzeptionelle Integrität entsteht, wenn ein Architekt — oder eine kleine, eng abgestimmte Gruppe — das ganze Konstrukt im Kopf hält und jede Entscheidung an einer einheitlichen Vorstellung misst.

KI-generierter Code kann konzeptionelle Integrität gefährden, wenn lokale Änderungen ohne Projektkontext und Architekturprüfung entstehen. Das ist kein zwangsläufiges Naturgesetz: dokumentierte Konventionen, konsistenter Kontext, Tests und fachliche Reviews können gegensteuern. Die Verantwortung für das Ganze bleibt dennoch außerhalb der einzelnen Codegenerierung.

Die falsche Zaubermaschine — und die richtige

Heißt das alles, KI sei für Softwareorganisationen eine Randnotiz? Keineswegs. Es heißt, dass wir die Produkte gerade am falschen Ende von Brooks‘ Buch entlangbauen. Fast alle Investitionen fließen in die Vision der Zaubermaschine, die fertigen, sicheren, schnellen Code ausspuckt — also in die Automatisierung des einen Sechstels. Dabei steht im selben Buch ein zweites Theorem, das einen ungleich größeren Hebel beschreibt.

Brooks‘ Law — „adding manpower to a late software project makes it later“ — beruht nicht auf einer Eigenschaft des Codierens, sondern auf einer Eigenschaft der Kommunikation. Bei n Beteiligten wachsen die Kommunikationspfade mit n(n−1)/2. Einarbeitung, Abstimmung, Statusberichte, das Synchronhalten des gemeinsamen mentalen Modells: Das ist der Kostenblock, der große Projekte erstickt. Und das ist, anders als das Lösen von Geschäftsproblemen, eine Domäne, in der heutige Sprachmodelle nachweislich stark sind. Zusammenfassen, übersetzen, dokumentieren, Inkonsistenzen zwischen Artefakten aufspüren, Kontext für Neue aufbereiten, Entscheidungen samt Begründung auffindbar halten. Nichts davon verlangt, dass das Modell das Geschäftsproblem löst. Es verlangt nur, dass es Information zuverlässig transportiert und verdichtet — und das kann es.

Eine KI, die ein Team von zwölf Leuten mit den Koordinationskosten von sechs arbeiten lässt, greift Brooks‘ Law direkt an und damit den eigentlichen begrenzenden Faktor großer Projekte. Das ist weniger fotogen als ein Agent, der im Demo-Video eine App aus dem Nichts generiert. Aber genau hier liegen die anderen fünf Sechstel der Arbeit: das Management von Softwareteams, die Pflege der konzeptionellen Integrität, das Übersetzen zwischen Fachbereich und Entwicklung, die ganze lästige, unscheinbare Koordination, die niemand gern macht und an der Projekte tatsächlich sterben.

Brooks’ „Surgical Team“ ist auch für KI eine nützliche Analogie: Unterstützungsrollen können teilweise automatisiert werden. Sie kosten aber Modelle, Integration, Betrieb und Prüfung. Der mögliche Gewinn besteht in besserer Entlastung der Verantwortlichen, nicht in einem kostenlosen, unfehlbaren Team.

Fazit

Meine Lesart von Brooks für die heutige Debatte lautet: Automatisierte Umsetzung kann viel gewinnen, während Problemverständnis, Entscheidungen und Qualitätsprüfung zum Engpass werden. Das ist eine strategische Interpretation, keine hier erhobene Bilanz aller KI-Softwareprojekte.

Die Konsequenz ist eine breitere Produktstrategie: Werkzeuge für Spezifikation, Kommunikation, Koordination und Prüfung verdienen ebenso Aufmerksamkeit wie Codegenerierung. Welche davon den größten Hebel haben, muss am vollständigen Arbeitsprozess gemessen werden. Brooks liefert dafür Fragen und Warnungen, keine garantierte KI-Rendite.


Bezüge: Frederick P. Brooks, „The Mythical Man-Month“ (1975, erweiterte Ausgabe 1995) — insbesondere Kap. 2 (Zeitplan-Aufteilung, Brooks‘ Law), Kap. 3 (The Surgical Team), Kap. 4 (Conceptual Integrity), Kap. 11 (Plan to Throw One Away) sowie der Essay „No Silver Bullet — Essence and Accident in Software Engineering“ (1986).

Wie Modell und Arbeitsumgebung zusammenwirken: Harness Engineering.

Abonniere das AFAIK-Update

KI verstehen. Fundiert entscheiden. Wirksam umsetzen.

Im AFAIK-Update teile ich meine Einordnungen und Erfahrungen zu KI im Unternehmen: von Strategie und sinnvollen Anwendungsfällen über die Auswahl passender Lösungen bis zur praktischen Umsetzung. Kostenlos, persönlich und mit einem klaren Blick auf Chancen und Grenzen.

Keine Sorge, ich mag Spam genauso wenig wie Du und gebe Deine Daten niemals weiter! Du bekommst höchstens einmal pro Monat eine E-Mail von mir. Versprochen.

Kai Spriestersbach

Geschrieben von

Kai Spriestersbach ist Head of AI bei REACHX, Bestsellerautor und Experte für künstliche Intelligenz. Mit über 20 Jahren Erfahrung im digitalen Business, einem Master in Web Science der TH Köln und einer laufenden Promotion an der RPTU Kaiserslautern-Landau verbindet er wissenschaftliche Forschung mit praktischer Anwendung.

Seine beruflichen Wurzeln liegen in der Suchmaschinenoptimierung: Für namhafte Unternehmen machte er organische Sichtbarkeit zum Wettbewerbsvorteil. Seit 2015 beschäftigt er sich intensiv mit maschinellem Lernen. Die Durchbrüche in der maschinellen Sprachverarbeitung durch BERT und die GPT-Modelle führten schließlich zu seiner Spezialisierung auf KI. 2023 und 2024 forschte er am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) an der in der Forschungsgruppe von Prof. Sebastian Vollmer der RPTU zu generativer KI. Heute liegen seine Schwerpunkte auf großen Sprachmodellen (LLMs)und der Integration von KI in Unternehmensprozesse.

Mehr über Kai