Was bedeutet das?

Es bedeutet nicht, dass ich aufgehört habe zu denken

Es bedeutet nicht, dass ich Ergebnisse blind akzeptiere

Es bedeutet nicht, dass Ingenieurfähigkeiten keine Rolle mehr spielen

Es bedeutet, dass ich Verhalten beschreibe statt Syntax zu tippen

Es bedeutet, dass ich Ergebnisse prüfe statt jede Zeile zu reviewen

Es bedeutet, dass das, wofür ein Entwicklerteam 3 Wochen brauchte, die KI jetzt in 15 Minuten erledigt

Der alte Weg vs. der neue Weg

Der zweitbeste Programmierer der Welt arbeitet für Sie

Im Dezember 2025 erreichten KI-Modelle den 2. Platz bei den weltweit führenden Programmierwettbewerben.

Besser als 99,99 % aller menschlichen Programmierer

Löst komplexe algorithmische Probleme in Sekunden

Versteht jede Sprache, jedes Framework und jedes Pattern

Hat perfektes Gedächtnis – vergisst kein einziges Detail

24/7 verfügbar, unendlich geduldig, wird nie müde

„Vibe Coding“

Geprägt von Andrej Karpathy (OpenAI-Mitgründer, ehem. Tesla-KI-Leiter) im Februar 2025. Zum Collins Dictionary Wort des Jahres 2025 gewählt.

2026 hat es sich zu Agentic Engineering weiterentwickelt:

Spezifikationen in natürlicher Sprache schreiben

KI generiert Code unter strukturierter menschlicher Aufsicht

Multi-Model-Orchestrierung mit persistentem Projektkontext

Der Entwickler spezifiziert, reviewt und steuert – KI implementiert

Das ist keine Autovervollständigung

Die 2000x-Behauptung

Rechnen wir es mit echten Zahlen durch:

Ein echtes Beispiel

Ohne KI: 2–3 Wochen. Mit KI: 4 Stunden.

Was hat sich geändert?

LLMs haben ein perfektes Gedächtnis und unendliches Wissen.

Sie wurden mit praktisch allem jemals veröffentlichten Code trainiert – und haben ihn auswendig gelernt

Kontextfenster sind jetzt 1M+ Tokens – sie erinnern sich an Ihre gesamte Konversation

Sie lesen Ihr gesamtes Projekt, bevor sie eine einzige Zeile schreiben

Sie verstehen Ihre Namenskonventionen, Architektur und Ihren Stil

Sie kennen jedes Framework, jede Bibliothek und jede Best Practice, die je veröffentlicht wurde

Das ist keine Suchmaschine. Das ist ein Weltklasse-Ingenieur mit perfektem Gedächtnis, der jede Codebasis auf GitHub gelesen hat und nie ein einziges Detail vergisst.

Ihre Rolle hat sich geändert

Grundlagen installieren

$ brew install git node
$ git --version
$ node --version

$ sudo apt install git nodejs npm
$ git --version
$ npm --version

PS> winget install Git.Git
PS> winget install OpenJS.NodeJS
PS> git --version

Das Werkzeug gut nutzen

Bevor Gedächtnissysteme dazukommen, lerne die Grundschleife: Repo öffnen, Kontext geben, eine Änderung verlangen, Diff prüfen und ausführen.

Erster Projektablauf

$ mkdir my-portfolio
$ cd my-portfolio
$ git init
$ opencode

> Hier ist mein Lebenslauf. Erstelle ein sauberes persönliches Portfolio im Stil von emrevarol.com. Mit Hero, Über mich, Erfahrung, Fähigkeiten, Ausbildung und Kontakt. Es soll responsiv sein.

Dein Agent ist deine IDE

Die wichtige Veränderung ist nicht der geöffnete Editor. Entscheidend ist, wer das Repository versteht und handeln kann.

Terminal-Fans: starten Agenten im Repo und prüfen Diffs mit Git

IDE-Nutzer: nutzen Apps oder Erweiterungen und halten Commits klein

Teams: standardisieren Repo-Gedächtnis, Befehle und Verifikationspunkte

Alle: Kontext, Plan, Bearbeiten, Ausführen, Prüfen, Commit

Dein System jenseits von Code

Git: Commits, Branches und prüfbare Historie

Vercel / Netlify: schnelle Deploys und Previews

Verifikation: lokale Läufe, Logs, Screenshots, Rollback-Plan

Logs: was passierte, brach, sich änderte

Verhaltensgesteuert, nicht codegesteuert

Der Iterationszyklus

Das ist Ihr neuer Workflow. Prägen Sie ihn sich ein.

Schritt 1: Klein anfangen

Beginnen Sie mit der einfachsten möglichen Version.

> Build a complete English
learning platform with AI tutor,
assessments, writing/speaking/
listening modules, vocabulary,
grammar, leaderboards, friends,
18 languages, and auth.

> Create a Next.js app with a
landing page for an English
learning platform. Show 4
learning modules (Writing,
Speaking, Listening, Vocabulary)
as cards. Hardcoded for now.

Schritt 2: Ein Feature hinzufügen

Sobald die Basis funktioniert, fügen Sie genau ein Feature hinzu.

# Iteration 2: Datenbank hinzufügen
> Replace the hardcoded data with a PostgreSQL database using Prisma.
  Create Lesson, Module, and Progress models. Seed sample lessons
  for each module.

# Iteration 3: Benutzer-Authentifizierung hinzufügen
> Add NextAuth with email/password. Users should be able to sign up
  and log in. Show their name in the navbar when logged in.

# Iteration 4: KI-Tutor hinzufügen
> Add a /tutor page with a conversation interface. Users type a
  message, Claude API responds with English corrections and tips.
  Track conversation history.

Schritt 3: Das Verhalten testen

Nach jedem Feature das Verhalten testen, nicht den Code.

Die App im Browser öffnen

Das Feature durchklicken, wie es ein Nutzer tun würde

Grenzfälle ausprobieren: leere Eingaben, falsche Daten, Doppelklicks

Mobile Ansicht prüfen

Sie müssen NICHT:

Jede Zeile des generierten Codes lesen

Jede Hilfsfunktion verstehen

Die CSS-Klassennamen reviewen

Schritt 4: Anpassen und iterieren

Etwas stimmt nicht? Sagen Sie der KI, was sich ändern soll – in Verhaltensbegriffen.

# Nicht: "change the onClick handler to use a different state variable"
# Stattdessen:
> When I finish a lesson, the progress bar doesn't update until I
  refresh the page. Fix this so the progress updates immediately.

# Nicht: "add a try-catch around the API call"
# Stattdessen:
> When the AI tutor API call fails, the chat just freezes. Show a
  red error message that says "Connection lost, please try again"
  and re-enable the send button.

Schritt 5: Abschließen → Weitermachen

Ein Feature ist „fertig“, wenn:

Es in allen erdenklichen Fällen wie erwartet funktioniert

Es Fehler elegant behandelt

Es auf Desktop und Mobil gut aussieht

Sie versucht haben, es kaputt zu machen, und es nicht konnten

Wenn fertig: committen und zum nächsten Feature übergehen.

> Commit all changes with message "Add AI tutor with conversation history"

Nicht Code reviewen. Verhalten reviewen.

Das ist die schwierigste Umstellung für erfahrene Ingenieure.

Vertrauen Sie der Maschine

Eine harte Wahrheit aus meiner Erfahrung:

Es vergisst nie, Grenzfälle zu behandeln

Es hält Konventionen perfekt ein

Es schreibt konsistente Muster über alle Dateien

Es wird nie faul und nimmt keine Abkürzungen

Es kennt jede Best Practice aus jedem Framework

Das bedeutet nicht, dass es immer Recht hat. Es bedeutet, dass Ihre Grundhaltung Vertrauen, dann Verifizieren sein sollte – nicht Misstrauen, dann Umschreiben.

Ihre neue Rolle: Architekt + PM + QA

Sie sind jetzt drei Rollen in einer:

Der Prompt ist Ihre Spezifikation

Ein guter Prompt ist eine gute Spec. Ein schlechter Prompt ist eine schlechte Spec.

> Add a dashboard

> Add a dashboard page at /dashboard.
  Show the user's learning streak,
  completed lessons, vocabulary
  mastery %, and recent activity
  (last 10 sessions). Include a
  chart showing progress over time.

Inkrementell statt monolithisch

Projekt: emrevarol.com

emrevarol.com

Portfolio, Vorträge und Positionierung für nützliche AI-Tools.

Projekt: engram.tools

engram.tools

Langzeitgedächtnis für AI-Agenten und Teamwissen.

Projekt: evimibul.org

evimibul.org

AI-Immobiliensuche und Entscheidungshilfe für die Türkei.

Projekt: english.cash

english.cash

AI-Englischlernen, praktisch, persönlich und zugänglich.

Das Muster über Projekte hinweg

Verschiedene Domänen, gleiches Arbeitsmodell:

1. Mit einem echten menschlichen Bedarf beginnen

2. Das Verhalten klar beschreiben

3. Schnell mit AI prototypen

4. Das Produkt über Verhalten testen

5. Mit Logs, kleinen Commits und Gedächtnis verbessern

Parallele Agenten mit GenAI

Müssen Sie in 9 Sprachen übersetzen? Machen Sie es nicht nacheinander.

# Claude Code kann Sub-Agenten starten, die parallel arbeiten
> Translate the lecture page to all 9 supported languages
  (TR, FR, DE, ES, AR, PT, RW, SW, AM). Use parallel agents
  for each language.

# Ergebnis: 9 Agenten arbeiten gleichzeitig
# 36 Dateien in ~5 Minuten übersetzt statt ~45 Minuten

Kontext ist alles

Die KI ist nur so gut wie der Kontext, den Sie ihr geben.

CLAUDE.md – projektweite Anweisungen, Tech-Stack, Regeln

Memory-Dateien – persistentes Wissen über Konversationen hinweg

Klare Prompts – spezifische, verhaltensorientierte Beschreibungen

Vorhandener Code – die KI liest Ihre Codebasis und folgt Ihren Mustern

# Schlechter Kontext: jedes Mal von vorne anfangen
> make a page

# Guter Kontext: KI kennt Ihr Projekt in- und auswendig
> Add a /friends page similar to /leaderboard. Show mutual friends
  at the top, then suggested friends based on similar learning paths.
  Use the existing FriendRequest model.

Wenn die KI nicht weiterkommt

Das passiert. Hier ist, was Sie tun sollten:

Prompt vereinfachen – in kleinere Teile aufbrechen

Beispiele geben – zeigen, was Sie wollen, nicht nur beschreiben

Fehlermeldungen teilen – den genauen Fehler einfügen, KI ist hervorragend im Debuggen

Anderen Ansatz versuchen – „statt X, versuche Y“

Neu starten – manchmal funktioniert eine neue Konversation mit klarem Kontext besser

Debugging mit KI

KI ist ein unglaublicher Debugger.

# Einfach den Fehler einfügen und den Kontext beschreiben
> I'm getting this error when I click the Buy button:
  "TypeError: Cannot read properties of undefined (reading 'price')"
  This happens only when the market has no trades yet.

# Die KI wird:
# 1. Die relevante Datei finden
# 2. Den Bug identifizieren
# 3. Ihn beheben
# 4. Erklären, was schiefgelaufen ist

Änderungen über mehrere Dateien

Einer der größten Vorteile der KI: Sie bearbeitet viele Dateien atomar.

> Add a "favorites" feature. Users can bookmark listings.
  Show a heart icon on each listing card, a /favorites page
  with saved listings, and a count badge in the navbar.

# KI wird in einem Durchgang ändern:
# - schema.prisma (neues Favorite-Modell)
# - API-Route (CRUD für Favoriten)
# - ListingCard-Komponente (Herz-Button)
# - Navbar (Favoriten-Zähler)
# - Neue /favorites-Seite
# - Datenbank-Migration

Was man NICHT mit KI tun sollte

Nicht KI-generierten Code als Stack-Overflow-Antworten posten (er gehört nicht Ihnen)

Nicht auf Tests verzichten, weil „die KI es geschrieben hat“

Nicht KI für sicherheitskritischen Code ohne Experten-Review verwenden

Nicht aufhören, Grundlagen zu lernen – Sie müssen verstehen, was Sie bauen

Nicht nach einem fehlgeschlagenen Versuch aufgeben – umformulieren und erneut versuchen

Nicht versuchen, alles in einem riesigen Prompt zu bauen

Produktionssicherheit (1/2)

Echte Vorfälle aus dem Bau dieser Projekte mit KI.

1. Immer Backups haben

git push --force hat eine Live-Seite zerstört (Impact-Seite, Presse-Seite, GenAI-Vortrag – alles weg)

Wiederherstellung war nur möglich, weil Vercel alte Deployments aufbewahrt hatte und ein zweiter Klon existierte

Regel: Niemals force-pushen. Niemals shared Branches rebasen. Immer eine Rollback-Strategie haben.

2. Schützen Sie Ihre API-Schlüssel

KI-Modelle können autonom API-Schlüssel verwenden und Tausende von Dollar verursachen, ohne dass Sie es merken

Regel: Ausgabelimits setzen. Separate Schlüssel pro Projekt verwenden. Nutzung täglich überwachen.

Produktionssicherheit (2/2)

3. Alles protokollieren & Berichte erstellen

Sie brauchen tägliche Aktivitätsberichte und Finanzberichte – wissen Sie, was Ihre KI-Agenten getan und was sie ausgegeben haben

Nutzen Sie Dienste wie Resend, um sich automatische tägliche Zusammenfassungen per E-Mail zu schicken

Regel: Wenn Sie nicht sehen können, was gestern passiert ist, fliegen Sie blind.

Die unersetzliche Rolle des Menschen

KI kann Sie in diesen Bereichen nicht ersetzen:

Vision – Was sollen wir bauen? Warum? (vorerst)

Empathie – Was brauchen die Nutzer wirklich? (vorerst)

Urteilsvermögen – Ist das der richtige Ansatz? (vorerst)

Geschmack – Fühlt sich das richtig an? Ist es gut genug? (vorerst)

Kernaussagen

1. Der Engpass ist nicht mehr Tippen, sondern klares Produkturteil.

2. Beschreibe Verhalten, nicht Implementierung.

3. Eine kleine Änderung machen, ausführen, weitergehen.

4. Ergebnisse mit Screenshots, Tests, Logs und lokalem Zustand prüfen.

5. Secrets auf dem Server halten und Kosten sichtbar machen.

6. Lokalisierung und Mobile Layout sind Produktarbeit.

7. Wiederverwendbare Patterns für Chatbots, Provider und Agentengedächtnis nutzen.

8. Engram hinzufügen, wenn es Entscheidungen zu merken gibt.

9. API-Schlüssel schützen.

10. Rollback und Backups bereithalten.

Deine Aufgabe

Baue diese Woche etwas Reales.