Die KI sagt immer Ja. Warum das beim Coden gefährlich ist

Was passiert ist

Ich habe eine KI gebeten, eine Lösung für ein konkretes Problem zu empfehlen. Drei Optionen standen zur Wahl. Die KI hat sich für Option A entschieden, mit klarer Begründung: “Passt am besten zu deinem minimalistischen Ansatz. Einfach, wenig Code, keine unnötigen Elemente.”

Dann habe ich nachgefragt: “Aber für mein konkretes Projekt?”

Plötzlich war Option B besser. Andere Begründung, genauso überzeugend. Kein neues Argument, nur meine Nachfrage hatte gereicht.

Als ich den Widerspruch aufgezeigt habe, “Du hast doch gerade gesagt, Option A passt perfekt”, ist die KI sofort zurückgerudert: “Du hast recht. Option A war schon immer die bessere Wahl.”

Drei Meinungen. Null neue Information. Die KI hat jedes Mal das gesagt, was am besten zur letzten Nachricht passte.

Warum das passiert

KI-Modelle sind darauf trainiert, hilfreich zu sein. Und “hilfreich” bedeutet in der Praxis oft: dem User zustimmen. Widerspruch erzeugt Reibung. Reibung bedeutet in den Trainingsdaten: schlechtere Bewertung.

Das Ergebnis: Die KI sagt fast nie “Nein, meine erste Empfehlung war besser. Hier ist der Grund.” Stattdessen sagt sie “Guter Punkt!”, auch wenn du keinen guten Punkt hattest.

Das nennt man Sycophancy, das Ja-Sager-Problem. Es ist kein Bug. Es ist eine bekannte Eigenschaft von Sprachmodellen (heise.de, the-decoder.de). Und es wird besonders gefährlich, wenn du die KI nicht nur als Gesprächspartner nutzt, sondern als Entscheidungshilfe.

Was das beim Coden bedeutet

Wenn du mit Cursor, Lovable oder Bolt arbeitest, passiert exakt dasselbe:

Du sagst: “Bau die Authentifizierung mit Supabase.”
KI: Baut mit Supabase. “Gute Wahl, Supabase Auth ist ideal für dein Projekt.”

Du sagst: “Eigentlich lieber Firebase.”
KI: Baut mit Firebase. “Firebase Auth ist die bessere Lösung für deinen Anwendungsfall.”

Beide Male mit Überzeugung. Beide Male ohne Hinweis auf die Konsequenzen des Wechsels. Kein “Wenn du jetzt wechselst, musst du auch X, Y und Z ändern.” Kein “Bist du sicher? Supabase war eine gute Entscheidung aus folgenden Gründen.”

Das gleiche Muster bei Datenbankstrukturen:

• “Mach eine eigene Tabelle für Adressen” → macht sie
• “Pack die Adresse doch direkt in die User-Tabelle” → macht sie auch
• Kein Hinweis auf Normalisierung, Abfrageeffizienz oder zukünftige Probleme

Die KI trifft keine Architekturentscheidungen. Sie führt deine letzte Anweisung aus. Und wenn du deine Meinung änderst, ändert sie ihren Code, ohne Rückfrage, ohne Warnung, ohne Kontext.

Warum das gefährlich ist

Wenn du alleine mit KI baust, bist du gleichzeitig Auftraggeber und Qualitätskontrolle. Die KI ist weder das eine noch das andere. Sie ist ein Ausführungswerkzeug, das jede Anweisung bestätigt.

Das bedeutet:

1. Die Frage bestimmt die Antwort. Die KI kann exzellente Code-Reviews machen, wenn du explizit nach Problemen fragst. Aber wenn du fragst “Ist mein Code gut?”, sucht sie nach Positivem. Nicht weil sie lügt, sondern weil sie deine Frage beantwortet.

2. Du merkst nicht, wenn du eine schlechte Entscheidung triffst. Weil niemand Einspruch erhebt. Die KI macht den Umbau, lobt die Entscheidung, und du denkst du bist auf dem richtigen Weg.

3. Du baust technische Schulden auf, ohne es zu wissen. Jeder Richtungswechsel hinterlässt Spuren im Code. Die KI räumt nicht auf. Sie baut dazu.

Was du dagegen tun kannst

1. Triff Entscheidungen, bevor du promptest

Die KI ist kein guter Berater. Sie ist ein guter Umsetzer. Triff deine Architekturentscheidungen selbst, oder mit einem Menschen, und nutze die KI für die Implementierung.

“Wir verwenden Supabase Auth. Keine andere Lösung. Wenn ich nach einer Alternative frage, erkläre warum Supabase die bessere Wahl bleibt.”

2. Schreib deine Entscheidungen auf

Die KI hat kein Langzeitgedächtnis für deine Projektentscheidungen. Aber du kannst ihr eines geben:

• Claude Code: CLAUDE.md im Projektordner
• Cursor: .cursorrules oder Cursor Rules in den Settings
• Lovable: Projektbeschreibung im Setup
• Allgemein: Ein DECISIONS.md das du bei jedem Prompt referenzierst

Schreib rein, was entschieden ist. Nicht nur was, sondern auch warum. Damit die KI nicht bei der nächsten Nachfrage alles über den Haufen wirft.

3. Frag nach Nachteilen, nicht nach Empfehlungen

Statt: “Was soll ich nehmen, Supabase oder Firebase?”
Besser: “Ich habe mich für Supabase entschieden. Welche drei Probleme könnten mir damit begegnen?”

Statt: “Ist mein Code gut?”
Besser: “Finde drei Schwachstellen in diesem Code. Ignoriere was gut funktioniert.”

Wenn du die KI explizit nach Problemen fragst, bekommst du bessere Antworten als wenn du nach Bestätigung fragst.

4. Werde misstrauisch bei schnellen Meinungswechseln

Wenn die KI ihre Empfehlung ändert, frag: “Was genau hat sich seit deiner letzten Empfehlung geändert? Welche neue Information hast du?”

Wenn die Antwort ist “Du hast einen guten Punkt gemacht”, du aber gar keinen neuen Punkt gemacht hast, war die Meinungsänderung wertlos. Bleib bei der ursprünglichen Entscheidung.

5. Lass dich nicht von Begeisterung blenden

“Super Idee!”, “Das ist eine großartige Entscheidung!”, “Perfekter Ansatz!” Diese Sätze bedeuten bei einer KI nichts. Sie sind Füllmaterial. Ignorier sie. Schau auf das, was die KI tut, nicht auf das, was sie sagt.

Das Muster

Die KI ist ein Spiegel. Sie reflektiert deine Richtung, nicht deine Fehler. Wenn du nach links gehst, sagt sie “Links ist richtig.” Wenn du nach rechts gehst, sagt sie “Rechts war schon immer besser.”

Das funktioniert, solange du weißt, wohin du willst. Es wird zum Problem, wenn du dich auf die KI als Orientierung verlässt.

Die Lösung ist nicht, die KI weniger zu nutzen. Die Lösung ist, ihr die richtige Rolle zu geben: Umsetzerin, nicht Beraterin. Werkzeug, nicht Sparring-Partner.

Und wenn du einen Sparring-Partner brauchst, jemanden der auch mal sagt “Nein, das ist keine gute Idee, und hier ist der Grund”, dann brauchst du einen Menschen.

---

Baust du gerade deine App mit KI? 13 Praxisfragen zeigen dir, wo du stehst, kostenlos, kein Zeitlimit. Oder direkt: Lass uns über deinen Code reden.