🧱 Der Lego-Effekt: Voll im Vibe!

Ich erinnere mich noch genau an das Gefühl, meiner Mutter stolz die Lego-Burg zu zeigen, an der ich den ganzen Nachmittag gebaut hatte. Türme, Zugbrücke, ein kleines Verlies. Selbst wenn die Proportionen nicht stimmten und die Farben chaotisch waren, war es meins. Ich hatte es gebaut. Dieses Gefühl, das weiß ich heute, hat einen Namen und eine Neurobiologie. Es ist keine Kindheitsschwärmerei. Es ist einer der stärksten intrinsischen Motivatoren, die die Forschung kennt.

Was mich in den vergangenen Monaten beschäftigt, ist eine Beobachtung: Vibe Coding, also das Entwickeln von Software durch natürlichsprachliche Anweisung an KI-Agenten, löst bei Menschen exakt dieses Gefühl aus. Nicht bei Entwicklern. Bei jedem, der es ernsthaft ausprobiert. Das ist kein Zufall. Es ist Mechanismus. Und dieser Mechanismus hat eine Konsequenz, die die meisten noch nicht verstanden haben: Das Ergebnis ist nicht notwendigerweise schlechter als das, was professionelle Entwickler liefern. Es kann besser sein.

These 1: Der Drang zu bauen ist biologisch verankert. KI hat die Hürde auf null gesenkt.

Die Verhaltenspsychologie nennt es Effectance-Motivation: den intrinsischen Drang, die eigene Umwelt wirksam zu gestalten. Nicht wegen einer Belohnung. Nicht wegen Lob. Sondern weil das Sehen eines eigenen Ergebnisses das Belohnungssystem im Gehirn aktiviert. Dopamin. Das Gleiche, was beim ersten Klick eines Lego-Steins auf den anderen ausgelöst wird. Dan Ariely hat das in einem klassischen Experiment gezeigt: Wenn das fertige Modell sichtbar bleibt, bauen Menschen mehr, länger und mit mehr Freude. Wenn es direkt vor ihren Augen wieder zerlegt wird, bricht die Motivation ein. Nicht das Bauen selbst zählt. Das sichtbare Ergebnis.

Genau das liefert Vibe Coding. In Minuten entsteht ein erster Entwurf: eine funktionierende Webseite, ein kleines Tool, eine Datenauswertung. Etwas, das vor zwei Jahren Monate Entwicklungszeit gekostet hätte, ist plötzlich in Stunden greifbar. Das ist kein Produktivitätswerkzeug. Das ist ein Dopaminspender. Und er funktioniert, weil er an einen Trieb appelliert, der älter ist als jede Programmiersprache.

Und jetzt kommt der Teil, der die meisten überrascht: Wer die richtigen Themen im Kopf hat, baut nicht nur schnell, sondern gut. Suchmaschinenoptimierung, Ladezeiten, Sicherheitsarchitektur: Das sind keine Zauberkünste mehr. KI-Systeme kennen die Best Practices. Sie wenden sie auf Anweisung an. Wer weiß, dass diese Dimensionen existieren und sie explizit einfordert, bekommt eine Seite, die schnell lädt, in den Suchergebnissen weit oben erscheint und sicherheitstechnisch auf einem Niveau ist, das viele professionell gebaute Seiten nicht erreichen. Der entscheidende Kompetenzsprung ist nicht mehr das technische Handwerk. Es ist das Wissen, welche Fragen man stellen muss.

Wer weiß, welche Fragen er stellen muss, bekommt von KI-Werkzeugen heute Ergebnisse, die viele professionelle Entwickler nicht liefern.

These 2: Die ersten 70 Prozent sind Spielen. Die letzten 30 sind Arbeit. Und ab einem bestimmten Punkt braucht es Profis.

Wer ernsthaft mit Vibe Coding gearbeitet hat, kennt das Muster. Die ersten Stunden sind rauschend. Idee rein, Ergebnis raus, neue Idee, neues Ergebnis. Das ist Minecraft. Das freie Bauen, das Forscher als besonders förderlich für Kreativität und Lernmotivation beschreiben. Der Flow-Zustand ist real.

Und dann kommen die letzten 30 Prozent. Die Edge Cases. Die Fehler, die plausibel aussehen, aber falsch sind. Die Architekturfragen, bei denen der Agent die falsche Richtung einschlägt. Das Hofstadtersche Gesetz gilt auch hier: Es dauert länger als erwartet, selbst wenn man weiß, dass es länger dauert. Eine einfache Landingpage mit sauberem SEO, schnellen Ladezeiten und sicherer Architektur: machbar, oft sogar besser als von der Hand eines durchschnittlichen Entwicklers. Ein Portal mit Nutzerverwaltung, komplexen Datenbankstrukturen und proprietären Datensystemen im Hintergrund: das ist eine andere Kategorie. Hier stoßen auch erfahrene Vibe Coder an Grenzen, die nicht durch bessere Prompts zu lösen sind.

Die Grenze verläuft nicht zwischen gut und schlecht. Sie verläuft zwischen Projekten, bei denen das Domänenwissen des Auftraggebers ausreicht, und solchen, bei denen tiefe technische Architektur-Entscheidungen getroffen werden müssen, die Konsequenzen haben, die man erst Jahre später sieht. Datensysteme anzapfen, große Datenarchitekturen entwerfen, Skalierbarkeit planen: Das sind keine Prompts. Das ist Ingenieursarbeit.

These 3: Tokens funktionieren wie Lego-Steine. Wenn die Kiste leer ist, ist der Spaß vorbei.

Die Ökonomie der KI-Modelle folgt einer Logik, die jedem bekannt ist, der als Kind mit Lego gespielt hat. Ein Token ist ein Baustein. Das Kontextfenster ist die Kiste. Wer bauen will, braucht Steine. Wer mehr bauen will, braucht mehr Steine. Und wenn die Kiste leer ist, muss man entweder warten oder nachkaufen.

Das klingt banal. Es ist es nicht. Die Forschung zu Knappheit und Kreativität zeigt etwas Kontraintuitives: Ein begrenztes Budget zwingt zu fokussierten, effizienteren Lösungen. Wer unbegrenzte Ressourcen hat, neigt zu Ausschweifung. Wer mit Beschränkungen arbeitet, wird präziser. Die Lego-Kiste mit den immer richtigen Steinen, nach der Karpathy verlangt, wäre möglicherweise gar nicht das Optimum. Der Wettbewerb der Modelle um Kontextgröße und Preis ist trotzdem real. Er entscheidet, wer die Plattform für das nächste Jahrzehnt kreativer Softwareentwicklung wird. Nicht das leistungsstärkste Modell in der Benchmark-Tabelle. Das günstigste mit den meisten Steinen.

Der Wettbewerb der Modelle dreht sich nicht nur um Intelligenz. Er dreht sich darum, wer die vollste Kiste zum günstigsten Preis liefert.

These 4: Jede Demokratisierung von Werkzeugen hat dieselbe Geschichte geschrieben. Wir sind mittendrin.

Die Lego-Kiste gab es nicht immer für jeden. Jedes Mal, wenn eine neue Technologie den Zugang zum Bauen demokratisierte, passierte exakt dasselbe. Als Kodak 1900 die Brownie-Kamera für einen Dollar verkaufte, war die Reaktion der professionellen Fotografen Entsetzen. Fotografie sei eine Kunst, keine Massenware. Dass zehn Millionen Exemplare in fünf Jahren verkauft wurden, interessierte die Kritiker nicht. Dass heute jedes Smartphone eine Kamera enthält, die professionelle Geräte von damals übertrifft, hätte sie sprachlos gemacht.

Desktop Publishing, Musikproduktion, YouTube, App-Entwicklung: Jede dieser Wellen hat dieselbe Struktur gehabt. Neues Werkzeug senkt Einstiegshürde. Explosion von Inhalten, viel davon mittelmäßig. Professioneller Backlash. Qualitätsbedenken. Und dann, nach einer Weile, ein neues Niveau, auf dem sich die Besten der neuen Generation mit den Besten der alten messen. Billie Eilish hat ihr erstes Album im Schlafzimmer aufgenommen. Mit einem Consumer-Tool, das es für jeden gibt.

Vibe Coding ist diese Welle für Software. 63 Prozent der Menschen, die es heute aktiv nutzen, sind keine Entwickler. Sie sind Menschen mit einer Idee und dem Willen, sie umzusetzen. Einige werden scheitern. Einige werden etwas bauen, das die Welt verändert. Das war immer so.

These 5: Das Gefährlichste an Vibe Coding ist nicht, dass es zu viel verspricht. Es ist, dass man dabei verlernt zu verstehen.

Ich halte es für ehrlich, die Kehrseite zu benennen. Eine Studie des Anthropic Research Teams aus dem Jahr 2026 hat gemessen, was passiert, wenn Entwickler KI-Assistenz intensiv nutzen: Sie erzielen bei Verständnistests für den generierten Code signifikant schlechtere Ergebnisse als Entwickler, die ohne Assistenz arbeiten. Der Code funktioniert. Aber wer ihn geschrieben hat, weiß nicht mehr vollständig, warum.

Das ist das Paradox des Vibe Codings. Es fühlt sich schneller an, auch wenn es das objektiv nicht immer ist. Es senkt die Einstiegshürde, aber es erhöht das Risiko, dass technische Schulden unsichtbar akkumulieren. Und es produziert eine spezifische Form von Kompetenzillusion: Man glaubt, etwas zu beherrschen, das man in Wirklichkeit delegiert hat.

Der Unterschied zwischen jemandem, der Vibe Coding als Werkzeug versteht, und jemandem, der es als Ersatz für Verstehen benutzt, ist derselbe wie zwischen dem Kind, das eine Lego-Burg nach Anleitung baut, und dem, das versteht, warum Bögen statisch funktionieren. Beides ist wertvoll. Nur eines davon schafft eine Grundlage, auf der weitergebaut werden kann.

Das Gefühl, schneller zu sein, ist real. Die Frage ist, ob man auch versteht, was man gebaut hat.

These 6: Flow in komplexen Systemen ist möglich. Aber nur mit echter Domänenkenntnis im Gepäck.

Wenn die Werkzeuge mächtiger werden, erweitert sich der Spielraum. Was heute noch an die Grenze stößt, weil ein System zu komplex ist, zu viele proprietäre Datenquellen hat oder zu tiefe Architekturentscheidungen erfordert, wird in den nächsten Jahren zugänglicher. Das ist die logische Fortsetzung der Kurve, die wir bereits beobachten. Die Frage ist, was das voraussetzt.

Die Antwort ist nicht: mehr Prompting-Erfahrung. Die Antwort ist: tiefes Domänenwissen. Wer ein komplexes medizinisches Datensystem aufbauen will, braucht keine bessere KI allein. Er braucht das Verständnis für die Datenstrukturen, die regulatorischen Anforderungen, die klinischen Abläufe dahinter. Wer ein Logistikportal mit Echtzeitdaten baut, muss die Logik der Prozesse kennen, bevor er sie in Systeme übersetzen kann. Die KI kennt die Muster. Aber wer entscheidet, welche Muster hier gelten, ist der Mensch im Loop.

Das eröffnet eine neue Kategorie: Menschen mit tiefer Fachkenntnis in einem Bereich, die gleichzeitig gelernt haben, KI-Systeme als spezialisierte Gegenüber zu nutzen. Entweder durch ein Modell, das diese Domäne wirklich durchdrungen hat und als Sparringspartner auf Augenhöhe agiert, oder durch die eigene Kompetenz, die richtigen Fragen präzise genug zu stellen. Der Flow-Zustand ist auch hier erreichbar. Er setzt aber voraus, dass man die Sprache der Domäne spricht, in der man baut. Das war immer so. KI macht es nicht überflüssig. Es verlagert es.

Die KI kennt die Muster. Wer entscheidet, welche hier gelten, ist der Mensch im Loop. Domänenwissen wird wertvoller, nicht überflüssiger.

Der Lego-Effekt ist keine Metapher. Er ist ein Mechanismus, der erklärt, warum Menschen stundenlang an etwas arbeiten, das sich nicht wie Arbeit anfühlt. Warum sie mit Stolz etwas zeigen, das sie in einer Nacht gebaut haben. Warum sie, wenn die erste Burg fertig ist, sofort anfangen, die nächste zu planen. KI-Werkzeuge haben diesen Mechanismus in einen Bereich übertragen, der bislang Spezialisten vorbehalten war. Das ist keine technologische Fußnote. Es ist eine gesellschaftliche Verschiebung, die gerade beginnt.

Quellen

1. Ariely, D. / Kamenica, E. / Prelec, D.: Man's Search for Meaning. Journal of Economic Behavior & Organization, 2008.
2. Norton, M. / Mochon, D. / Ariely, D.: The IKEA Effect: When Labor Leads to Love. Journal of Consumer Psychology, 2012.
3. Amabile, T. / Kramer, S.: The Progress Principle. Harvard Business Review Press, 2011.
4. Csikszentmihalyi, M.: Flow: The Psychology of Optimal Experience. Harper & Row, 1990.
5. Ryan, R. / Rigby, C. / Przybylski, A.: The Motivational Pull of Video Games. Motivation and Emotion, 2006.
6. Fawzy, A. et al.: Vibe Coding in Practice. arXiv, 2025.
7. METR: Measuring the Impact of AI on Experienced Open-Source Developers. 2025.
8. Anthropic Research (Shen & Tamkin): How AI Assistance Impacts the Formation of Coding Skills. März 2026.
9. Mehta, R. / Zhu, M.: Creating When You Have Less. Journal of Consumer Research, 2016.
10. Gartner: Low-Code Development Technologies Forecast. 2025.