Die meisten von uns nutzen sie inzwischen täglich. Wir tippen eine Beschreibung ein, und Sekunden später liegt eine funktionierende Funktion im Editor. Was dabei selten passiert: dass wir kurz innehalten und uns fragen, warum das überhaupt funktioniert. Wie kommt es, dass ein System, das niemand explizit das Programmieren gelehrt hat, brauchbaren Code schreibt?

Die kurze Antwort lautet: Für die KI ist Code nur eine weitere Sprache. Und sobald man diese eine Idee verstanden hat, beantworten sich erstaunlich viele Folgefragen fast von selbst.

Die KI hat nie programmieren gelernt

Moderne Sprachmodelle wie Claude oder GPT tun im Kern etwas sehr Schlichtes. Sie sagen das nächste Wort voraus, genauer gesagt das nächste Token, also den nächsten kleinen Textbaustein. Trainiert werden sie auf gewaltigen Textmengen, und ein erheblicher Teil davon besteht aus öffentlich verfügbarem Quellcode. Dazu kommen technische Dokumentationen, Tutorials und unzählige gelöste Probleme aus Foren wie Stack Overflow.

Das Modell hat also nicht gelernt, was ein Algorithmus ist, so wie wir es im Studium oder in der Ausbildung lernen. Es hat gelernt, Muster fortzusetzen. Und Code ist für diese Art von Lernen ein dankbares Material. Eine Programmiersprache hat eine klare Grammatik (die Syntax), eine Bedeutung (die Semantik) und vor allem viele wiederkehrende Bausteine. Schleifen, Funktionen, Fehlerbehandlung, all das taucht in Millionen von Varianten immer wieder auf. Genau diese Regelmäßigkeit lernt das Modell statistisch.

Interessanterweise ist Code für ein Sprachmodell sogar einfacher zu handhaben als natürliche Sprache. Ein deutscher Satz kann mehrdeutig, ironisch oder absichtlich vage sein. Eine Schleife in Python ist es nicht. Code ist formaler, strukturierter und weniger zweideutig, und das kommt einem System, das auf Mustererkennung beruht, sehr entgegen.

Warum sie in manchen Sprachen brilliert und in anderen scheitert

Wenn alles auf Mustererkennung hinausläuft, dann folgt daraus direkt eine Faustregel. Die KI ist genau dort stark, wo es viele konsistente Muster gibt, an denen sie sich orientieren kann.

Das erklärt, warum es so deutliche Qualitätsunterschiede zwischen Programmiersprachen gibt. Sprachen mit riesigen öffentlichen Codebasen liefern dem Modell unzählige Beispiele. Python, JavaScript und TypeScript gehören in diese Kategorie, ebenso Java, C, Go oder SQL. Bei diesen Sprachen produziert die KI zuverlässig brauchbare Ergebnisse, weil sie auf einem Fundament aus Millionen ähnlicher Lösungen steht.

Python sticht dabei oft besonders heraus. Das liegt an einer glücklichen Kombination. Es gibt einerseits extrem viel öffentlichen Python-Code, und andererseits hat die Sprache eine klare, gut lesbare Syntax. Viel Material plus saubere Muster ergeben ein Modell, das sich hier besonders sicher bewegt.

Umgekehrt wird es überall dort schwierig, wo das Fundament dünn ist. Eine firmeninterne DSL, eine sehr junge Sprache oder ein Nischendialekt mit wenig öffentlichem Code geben dem Modell kaum etwas, woran es sich festhalten kann. Die Folge sind genau die Probleme, die viele aus der Praxis kennen. Das Modell erfindet Syntax, vermischt Konzepte aus ähnlichen Sprachen oder greift auf veraltete Bibliotheksversionen zurück.

Die Pointe für den Alltag: Sie schreibt Code, sie führt ihn nicht aus

Hier liegt der vielleicht wichtigste Punkt für die tägliche Arbeit. Das Modell führt den Code, den es schreibt, normalerweise nicht im Kopf aus. Es prüft nicht Schritt für Schritt, ob das Ergebnis stimmt, sondern erzeugt die wahrscheinlichste Fortsetzung der gesehenen Muster.

Das ist kein Denkfehler des Systems, sondern eine logische Folge des Prinzips. Und es erklärt sauber, warum die typischen Fehler entstehen. Eine Funktion, die plausibel klingt, aber gar nicht existiert. Ein Aufruf, der zu einer alten Version einer Bibliothek passt. Eine Lösung, die syntaktisch korrekt aussieht, aber fachlich am Ziel vorbeigeht.

Wer das verstanden hat, geht anders mit den Tools um. Man weiß, wo man genauer hinschauen muss, nämlich überall dort, wo es um Aktualität, um Randfälle oder um seltene Bibliotheken geht. Die KI ist ein extrem schneller Mustervervollständiger, kein verlässlicher Prüfer der eigenen Ausgabe. Diese Rolle bleibt vorerst bei uns.

Was am Ende übrig bleibt

Die Fähigkeit der KI zu programmieren ist also kein magischer Sprung und auch kein verborgenes Verständnis. Sie ist ein direktes Abbild dessen, was wir Entwicklerinnen und Entwickler über Jahre öffentlich geteilt haben, auf GitHub, in Dokumentationen, in Foren.

Genau deshalb ist die KI dort am stärksten, wo unsere kollektive Arbeit am dichtesten ist, und dort schwach, wo wir kaum Spuren hinterlassen haben. Das ist eine schöne und etwas demütige Erkenntnis. Die Maschine ist gut, weil wir es gemeinsam waren.

Was ist deine Erfahrung? In welchen Sprachen oder Frameworks merkst du im Alltag am deutlichsten, dass die KI plötzlich anfängt zu raten?