Das Spezifikations-Problem ist alt – AI macht es nur sichtbar

Ein harter Fakt im agentenbasierten Programmieren: Der Engpass liegt nicht beim Codieren. Sondern daran, zu entscheiden, was genau gecodet werden soll.

Fred Brooks hat das 1986 in No Silver Bullet aufgedeckt. Neue Methoden wie objektorientierte Programmierung oder Time-Sharing bringen nur kleine Fortschritte. Sie bekämpfen accidental complexity – den Schreibaufwand. Die echte Herausforderung ist essential complexity: Denken, Abstimmung mit Stakeholdern, klare Anforderungen für etwas, das noch nicht existiert.

Heute übernimmt AI das Code-Schreiben. Viele hoffen, das Specs-Problem löst sich damit in Luft auf. Falsch gedacht.

Warum "detaillierte Beschreibungen" nicht reichen

Viele Tools – von AI-PRD-Generatoren bis Spec-Validatoren – setzen darauf: AI stellt die richtigen Fragen, und Lücken schließen sich von allein.

Das ist ein Trugschluss. Natürliche Sprache ist schwammig. Formale Notationen gibt es genau deswegen. Ein schöner Product-Spec liest sich toll, überzeugt alle – fehlt aber die Präzision für AI. "Dashboard in unter 2 Sekunden laden" klingt nett. Aber "P95-Latenz < 2000 ms, P99 < 5000 ms" ist die echte Spec.

Vage Specs in AI-Agenten spucken entweder:

1. Funks Code mit Macken. Technisch okay, aber architektonisch fragwürdig. Du refaktorierst ewig.

2. Stille Annahmen. Der Agent zapft Trainingsdaten an und baut, was er kennt – nicht, was du wolltest.

Beides floppt.

Wo agentic Coding glänzt – und wo nicht

AI rockt enge Bereiche: Landing Pages, CRUD-Apps, Standard-Integrations, E-Commerce-Flows. Das sind bekannte Muster aus Millionen Trainingsdaten. Keine Erfindung, nur Kopieren.

Toll für Solo-Gründer: 10x schneller. Kleine Teams bauen Tools in Stunden statt Wochen. Produktivität pur.

Aber Achtung: Erfolg kommt durch klare Specs. Der Raum ist so abgegrast, dass Specs fast implizit sind.

Bei Neuem – Custom-Logic, frische Integrationen, Architektur-Entscheidungen – musst du denken. AI beschleunigt Schreiben, nicht Denken. Es implementiert brav, was du sagst. Bessere Alternativen? Ignoriert es, bis du es sagst.

Ein Entwickler fasst es so: "AI codet, aber es weigert sich nicht, ohne dass du erklärst, warum Plan B besser wäre." Das ist Produkt-Denken. Unersetzlich.

Der wahre Engpass: Schlechte Übergaben zwischen Menschen

Specs sind hart, AI löst das nicht. Was hilft? Weniger Reibung im Team.

PM gibt Brief ans Dev-Team, das braucht Wochen für Klärungen zu Edge-Cases. Design clashed mit Backend. AI baut falsch, weil Business-Regeln fehlen. Alles Specs-Probleme.

Lösung: Präzision erzwingen, vor dem AI-Lauf.

Dazu gehören:

• Specs als Kernstück. Nicht optional, sondern Vertrag für Code-Generierung.
• Tradeoffs dokumentieren. Warum Eventual Consistency statt Strong? Welches Data Model? Aufschreiben!
• Formale Tools nutzen. SQL-Schemas, API-Contracts, Performance-Budgets – Klarheit first.
• Frühe AI-Tests. Kleinen Code-Snippet generieren, Specs anpassen, wo's hakt.

Auswirkungen auf deinen Workflow

Bei AI-gestützter Produktion: Mehr in Specs investieren, nicht weniger.

Klingt doof in "Move fast"-Zeiten. Aber falsche Specs bedeuten schnelles Scheitern am falschen Ziel. Gewinner-Teams denken vorab hart nach und nutzen AI als Turbo für Ausführung.

Für Startups: Vorteil liegt in präzisen Specs. Wenn AI deine Business-Logic fehlerfrei umsetzt, hast du das Schwierige geknackt. Code ist dann Bonus.

Fazit

Brooks hatte 1986 recht – und 2025 noch. Essenzielle Komplexität steckt im Konzipieren, nicht Bauen. AI deckt nur den Graben zwischen vagem Denken und präzisem Code auf.

Der nächste Produktivitätsboost? Teams, die Specs diszipliniert handhaben, Requirements-Engineering ernst nehmen und AI für Klarheit nutzen – nicht als Verdeckung.

Das ist die Chance an der AI-Software-Schnittstelle. Und sie braucht, was AI nie kann: Tiefes Nachdenken über dein echtes Ziel.