Steve Yegge: Big Tech stirbt still und leise

Warum Steve Yegge glaubt, dass die grossen Unternehmen schon tot sind

Steve Yegge — 40-jaehriger Software-Veteran, ehemaliger Google- und Amazon-Ingenieur, der heute den Open-Source-Agenten-Orchestrator Gas Town entwickelt — sprach mit Gergely Orosz im The Pragmatic Engineer Podcast ueber ein weitreichendes Thema: Was KI mit der Softwarebranche macht. Seine zentrale These: Big-Tech-Unternehmen sterben — sie wissen es nur noch nicht.

Ueber Grossunternehmen als bereits tote Strukturen: “We’re all looking at the big companies going, ‘When are you going to give us something?’ And the answer is we’re looking at the big dead companies. We just don’t know they’re dead yet.” (“Wir alle schauen auf die grossen Unternehmen und fragen uns: ‘Wann liefert ihr endlich etwas?’ Und die Antwort lautet: Wir schauen auf die grossen toten Unternehmen. Wir wissen es nur noch nicht.”) Yegges Argument lautet nicht, dass diesen Unternehmen produktive Ingenieure fehlen — sondern dass die Organisationen selbst die erzeugte Leistung nicht aufnehmen koennen. Ingenieure stossen auf nachgelagerte Engpaesse (Design, Recht, Compliance, Release-Prozesse) und kuendigen. Startups mit 2 bis 20 Personen liefern derweil schneller als ganze Abteilungen.

Ueber die 8 Ebenen der KI-Adoption: Yegge ordnet Ingenieure auf einem Spektrum von Stufe 0 (keinerlei KI) bis zur hoechsten Stufe ein, auf der mehrere parallele Agenten gleichzeitig an der Codebasis arbeiten. Er schaetzt, dass rund 70 % der Ingenieure noch auf Copilot-Niveau oder darunter liegen — sie nutzen einfache Autovervollstaendigung, aber keine agentischen Workflows. Die Luecke zwischen diesen Ingenieuren und jenen, die 80 parallele Agenten steuern, ist in seinen Worten isomorph zum Management eines 80-koepfigen Teams.

Ueber “Vampire Burnout”: Selbst die produktivsten KI-gestuetzten Ingenieure stossen an ihre Grenzen. “You can be 100x productive but you only have about 3 good hours a day.” (“Man kann 100-mal produktiver sein, hat aber nur etwa 3 gute Stunden am Tag.”) Der Engpass liegt nicht bei der KI — sondern bei der menschlichen Entscheidungskapazitaet. Man prueft, lenkt und korrigiert staendig. Drei Stunden intensive Agenten-Supervision sind erschoepfend.

Ueber “Haeresie” — die neue technische Schuld: Yegge fuehrt ein Konzept fuer vibe-kodierte Codebasen ein: Eine “Haeresie” ist eine falsche Architekturidee, die sich bei den Agenten festsetzt und immer wiederkehrt. “You try to get them all out, but there will be one reference to it in some doc somewhere that an agent picks up on and goes, ‘Oh, that makes sense.’ And it returns and rebuilds the heresy and it starts to spread again.” (“Man versucht, sie alle zu entfernen, aber irgendwo in einem Dokument gibt es noch einen Verweis darauf. Ein Agent findet ihn und denkt: ‘Ah, das ergibt Sinn.’ Und die Haeresie kehrt zurueck, baut sich neu auf und beginnt sich wieder auszubreiten.”) Die Loesung: Haeresien explizit in den Prompts dokumentieren und Werkzeuge einsetzen, die Agenten daran hindern, sie neu zu erzeugen.

Ueber Token-Verbrauch als Schluesselkennzahl: Fuer Startups, die KI-Agenten nutzen, argumentiert Yegge, dass der wichtigste Proxy-Indikator der Token-Verbrauch ist — also wie viel Rechenleistung verbraucht wird. Startups fragen nicht mehr, wie viele Mitarbeitende sie benoetigen, sondern wie viel Rechenleistung sie reservieren koennen. “Treibt euren Token-Verbrauch so hoch, wie eure Investoren es erlauben”, empfiehlt er, weil diese Ausgaben Uebung, Iteration und Lernen repraesentieren.

Ueber das Wertabschoepfungsproblem: Wenn man 100-mal produktiver wird — wer profitiert davon? Arbeitet man 8 Stunden und erzeugt das 100-fache an Output, hat das Unternehmen den gesamten Mehrwert abgeschoepft. Arbeitet man 10 Minuten und erzeugt denselben Output wie vorher, hat man selbst den gesamten Wert einbehalten. Keine der beiden Extremsituationen ist nachhaltig. Yegge raeumt ein, dass es dafuer noch keine gesellschaftlichen Normen gibt — es wird unordentlich werden.

Ueber die Bitter Lesson und kuenftige Modelle: Mit Verweis auf Richard Suttons beruhmten Essay argumentiert Yegge, dass man nie versuchen sollte, schlauer als die KI zu sein — groessere Modelle gewinnen immer. Er schaetzt, dass noch mindestens “zwei weitere Zyklen” an Faehigkeitsverbesserungen bevorstehen, also Modelle, die mindestens 16-mal leistungsfaehiger sind als heute. Das, sagt er, “wird dazu fuehren, dass die gesamte Wissensarbeit uebernommen wird.”

Ueber persoenliche Software und Forks: Jeder wird massgeschneiderte Software wollen. Forking — einst eine “Kriegserklaerung” im Open Source — wird zur alltaeglichen Handlung, wenn KI die Wartung trivial macht. Programmieren selbst wird fuer alle zugaenglich: Yegge sagt voraus, dass seine nicht-technisch versierte Ehefrau bis Sommer 2027 die groesste Beitragsperson zu ihrem gemeinsamen Videospiel sein wird.

8 wichtige Erkenntnisse aus Steve Yegges KI-Agenten-Vortrag

• Big Tech ist ein toter Mann auf zwei Beinen — Organisationen koennen die Produktivitaet ihrer KI-gestuetzten Ingenieure nicht aufnehmen, was Engpaesse schafft und Talente vertreibt
• 70 % der Ingenieure liegen noch unterhalb der agentischen Schwelle — Sie nutzen Copilot-Werkzeuge, waehrend eine kleine Minderheit 80 parallele Agenten steuert
• Vampire Burnout ist real — 100-fache Produktivitaet, aber nur 3 gute Stunden pro Tag fuer Entscheidungen
• “Haeresie” ist die neue technische Schuld — Falsche Ideen, die sich unter Agenten verbreiten und immer wieder in der Codebasis auftauchen
• Token-Verbrauch ist die Kennzahl — Startups messen Rechenkapazitaet, nicht Kopfzahl
• Die Bitter Lesson gilt — Nicht versuchen, die KI mit handgefertigten Heuristiken zu uebertrumpfen; Skalierung gewinnt immer
• Wertabschoepfung ist ungeklaert — 100-fache Produktivitaetsgewinne benoetigen neue gesellschaftliche Normen, wer davon profitiert
• Programmieren ist fuer alle — Nicht-Entwickler bauen bis 2027 ernsthafte Software, Forking wird trivial und alltaeglich

Was das fuer Organisationen bedeutet, die KI-Agenten einsetzen

Yegges handlungsrelevanteste Erkenntnis lautet: Organisationsstruktur — nicht Modellkapazitaet — ist heute der begrenzende Faktor. Die Ingenieure sind produktiv. Die Modelle sind leistungsfaehig. Aber Unternehmen, die fuer die alte Welt gebaut wurden, koennen sich nicht schnell genug bewegen, um das Potenzial zu nutzen, das KI bietet. Die Startups, die gewinnen werden, sind jene, die von Grund auf fuer agentische Workflows konzipiert wurden: kleine Teams, transparente Prozesse, hoher Token-Verbrauch und keine nachgelagerten Engpaesse. Wenn Ihr Unternehmen fuer Features, die ein Agent in wenigen Stunden liefern kann, noch immer Pull Requests, Design-Reviews und mehrsprint-ige Planungszyklen benoetigt — dann sind Sie das grosse tote Unternehmen, das es noch nicht weiss.