Das Modell ist nicht der Engpass: zwei Essays über das, was Menschen bleibt
Serguey Asael Shinder3 Min. LesezeitZwei Essays vom 8. und 9. Oktober kommen aus verschiedenen Welten — einer von einem Softwareentwickler, der von Coding-Agenten enttäuscht ist, einer von einem Mathematiker, der Studierenden schreibt, die ihre Promotionspläne aufgeben. Zusammen gelesen vertreten sie dasselbe Argument von zwei Seiten: Der Engpass liegt nicht mehr im Modell.
1. Der Agent um das Modell. Michael Lynchs „Why Are Coding Agents So Dumb?“ trennt das Modell (das LLM, das Code schreibt) vom Agenten (der Software, die es mit Dateien und Befehlen verbindet, etwa Claude Code oder Codex). Seine These: Die Modelle wurden besser, die Agenten „blieben einfach schlecht“. Seine Liste ist konkret — Agenten erledigen trivial parallelisierbare Teilaufgaben nacheinander; geben Routinearbeit nie an ein billigeres Modell ab und schwierige nie an ein stärkeres; kennen ihre eigenen Funktionen nicht; schreiben „Pläne“, die Haufen von Detailentscheidungen sind; halten stundenlang an, um zu fragen, wie ein Git-Branch heißen soll; und sind nur mit Zugriff auf alles nutzbar, weil ihr Schutz aus höflichen Anweisungen statt aus Sandboxen auf Betriebssystemebene besteht. Seine „Mindestanforderungen für 2026“: deterministische Grenzen für Dateisystem und Netz, Modellwahl je Aufgabe und Pläne, die für Menschen verständlich sind.
2. Der Mensch um das Modell. Álvaro Lozano-Robledos Gastbeitrag in Terence Taos Blog antwortet Studierenden, die fragen, ob Mathematik noch Zukunft hat. Sein Modell ist ein „Polytop der Ideen“: LLM-Beweise kombinieren bisher, so beeindruckend sie sind, Ideen, die schon in der Literatur stehen — sie füllen die konvexe Hülle dessen, was Menschen wissen. Er erwartet rasche Fortschritte, solange die Hülle gefüllt wird, und dann eine Verlangsamung, weil ihre Erweiterung eine neue Definition oder ein neues Konzept braucht, die bisher von Menschen kamen. Dazu eine praktische Beobachtung: Seine eigenen Forschungsprojekte haben sich in wenigen Monaten verdreifacht, und er sucht mehr studentische Mitarbeiter als je zuvor, weil LLMs erweitern, was ein Forscher angehen kann. Nach OpenAIs großer Mathematik-Veröffentlichung merkt er an, das Unternehmen habe rund 4.000 offene Probleme angegangen und bei etwa 700 Fortschritte erzielt — bemerkenswert und zugleich ein Maß der Grenze.
Der gemeinsame Punkt. Beide Essays verwerfen die Sicht, Fähigkeit stecke allein im Modell. Lynch verortet den fehlenden Wert in Orchestrierung und Sicherheit — Technik, die Jahrzehnte alt ist (Scheduler, Sandboxen, kostenbewusste Zuteilung) und schlicht noch nicht gebaut wurde. Lozano-Robledo verortet ihn in neuen Ideen und in Menschen, die Ergebnisse verarbeiten und beurteilen können. Keiner behauptet, die Modelle seien schwach.
Was daraus folgt. Für Entwicklungsteams ist die Lehre prüfbar: messen, wo Agentenzeit verloren geht — Warten, serielle Ausführung, Rückfragen —, statt das Modell zu wechseln; und jeden Agenten ohne Sandbox auf Betriebssystemebene so behandeln, als hätte er Zugriff auf alles, was er erreichen kann. Wer Studierende berät, findet im zweiten Essay die brauchbare Antwort: Der Grund, ein Fach gründlich zu lernen, hat sich nicht geändert, und die Menschen, die die Hülle erweitern oder prüfen können, was darin gefunden wurde, sind genau die, die die Werkzeuge produktiver machen.
Diese Analyse stützt sich auf: Michael Lynch, „Why Are Coding Agents So Dumb?“, 9. Oktober 2026 — https://mtlynch.io/why-are-coding-agents-so-dumb ; Álvaro Lozano-Robledo, „What should we tell our students?“ (Gastbeitrag in Terence Taos Blog), 8. Oktober 2026 — https://terrytao.wordpress.com/2026/10/08/what-should-we-tell-our-students