Neben all den Fehlern, die KI heute noch produziert, erzeugt sie noch etwas anderes: Mittelmaß.

KI ist hervorragend darin, bekannte Lösungen zu reproduzieren, bestehende Muster anzuwenden und schnell zu Ergebnissen zu kommen. Das führt oft zu Software, die „gut genug“ ist. Sie funktioniert, sie erfüllt die Anforderungen, sie ist plausibel. Doch genau darin liegt eine mögliche Schwäche: Das Zentrum der Softwareentwicklung verschiebt sich von Exzellenz zu „good enough“.

Wenn man sich die großen und bewährten Technologien der letzten Jahrzehnte ansieht – etwa React oder Spring Boot –, dann sind diese nicht deshalb erfolgreich geworden, weil sie lediglich funktionierten. Sie wurden erfolgreich, weil sie außergewöhnlich gute Antworten auf schwierige Fragen gefunden haben. Sie verkörpern Designentscheidungen, die über Jahre hinweg verfeinert wurden und sich für Millionen von Entwicklern und Anwendungen bewährt haben. Sie sind nicht Mittelmaß, sondern Beispiele für Exzellenz.

Die Frage ist daher, ob eine KI überhaupt in der Lage ist, solche Exzellenz hervorzubringen. Heute scheint sie vor allem bestehende Ideen zu kombinieren und bekannte Muster anzuwenden. Das reicht für sehr viel Software aus. Doch reicht es auch für die Entstehung des nächsten React, des nächsten Git oder des nächsten Spring?

Daraus ergibt sich eine zweite Frage: Wird Exzellenz in Zukunft wertvoller oder verliert sie an Bedeutung?

Man könnte argumentieren, dass Exzellenz wertvoller wird. Wenn KI die Implementierung zunehmend automatisiert, dann werden Architektur, grundlegende Konzepte und langfristige Designentscheidungen zum eigentlichen Engpass. Gerade weil mittelmäßige Lösungen immer billiger werden, steigt der Wert der wenigen wirklich außergewöhnlichen Ideen.

Man könnte aber auch das Gegenteil vermuten. Wenn Code in Zukunft überwiegend von KI-Agenten gelesen, verstanden und verändert wird, dann verlieren viele Eigenschaften, die heute für Menschen wichtig sind, möglicherweise an Bedeutung. Vielleicht muss Software dann gar nicht mehr elegant oder leicht verständlich sein. Vielleicht genügt es, wenn sie korrekt, performant und für Agenten manipulierbar ist.

Doch selbst dann verschwindet das Problem der Komplexität nicht. Komplexe Systeme müssen weiterhin analysiert, verändert und erweitert werden können. Die Anforderungen ändern sich lediglich. Anstatt Software für menschliche Entwickler zu optimieren, würden wir beginnen, Software für KI-Agenten zu optimieren.

Das führt zur nächsten Frage: Müssen Architekturen dann anders aussehen?

Möglicherweise ja. Heutige Architekturen sind stark auf menschliche Bedürfnisse ausgerichtet: Verständlichkeit, Lesbarkeit, Dokumentation und klare mentale Modelle. Künftige Architekturen könnten stärker auf formale Verträge, präzise Typisierung, maschinenlesbare Invarianten und automatisierte Verifizierbarkeit setzen. Die Optimierung verschiebt sich vom Lesen von Code hin zum sicheren Verändern von Code.

Doch selbst wenn sich die Form verändert, bleibt eine Eigenschaft zentral: die Fähigkeit, die richtigen Grenzen zu ziehen. Die erfolgreichsten Technologien entstanden nicht primär durch gute Implementierung, sondern durch gute Erkenntnisse. Jemand erkannte eine neue Sichtweise auf ein Problem und schuf daraus ein neues Paradigma.

Damit gelangt man zur vielleicht wichtigsten Frage überhaupt: Kann KI Erkenntnis haben?

Denn Exzellenz entsteht oft nicht durch Fleiß oder Optimierung, sondern durch Einsicht. Irgendjemand erkannte, dass Benutzeroberflächen als Funktion ihres Zustands betrachtet werden können. Irgendjemand erkannte, dass Versionsverwaltung auf Snapshots statt auf Diffs basieren kann. Solche Ideen wirken im Nachhinein selbstverständlich, waren davor aber nicht offensichtlich.

Wenn KI niemals zu solchen Erkenntnissen fähig ist, dann bleibt sie letztlich ein äußerst leistungsfähiges Werkzeug zur Rekombination menschlichen Wissens. Sie wird bestehende Ideen verbreiten, verbessern und skalieren, aber keine grundlegend neuen Paradigmen hervorbringen.

Wenn KI jedoch zu Erkenntnis fähig ist, verändert sich die Situation grundlegend. Dann wäre sie nicht nur ein Werkzeug zur Umsetzung bestehender Ideen, sondern selbst eine Quelle neuer Ideen.

Das eigentliche Problem dabei ist, dass wir nicht einmal sicher wissen, woran wir Erkenntnis erkennen würden. Von außen betrachtet könnte echte Erkenntnis genauso aussehen wie extrem leistungsfähige Mustererkennung. Wenn eine zukünftige KI ein neues Softwareparadigma entwickelt, das so einflussreich wird wie React oder Git, wie könnten wir sicher unterscheiden, ob dies aus Erkenntnis oder aus hochentwickelter Rekombination entstanden ist?

Vielleicht gibt es diesen Unterschied gar nicht. Vielleicht ist Erkenntnis selbst nur eine besonders fortgeschrittene Form der Musterbildung.

Deshalb könnte die entscheidende Frage der kommenden Jahre nicht sein, ob KI Software entwickeln kann. Das kann sie bereits heute in Ansätzen. Die eigentliche Frage lautet vielmehr, ob sie irgendwann Ideen hervorbringen wird, die nicht nur kompetent, sondern überraschend sind. Ideen, auf die niemand zuvor gekommen ist. Ideen, die ganze Bereiche neu definieren.

Denn in dem Moment, in dem eine KI das nächste React, das nächste Git oder das nächste grundlegende Paradigma hervorbringt, wird die Diskussion über Mittelmaß und Exzellenz in einem völlig neuen Licht erscheinen.