Comprehension Debt durch KI-Code
Zuletzt aktualisiert: 2026-11-04Lesezeit ca. 4 Min.
Quellen geprüft am 2026-11-04keine externen Zahlen
Comprehension Debt ist die wachsende Lücke zwischen dem Code, den ein Team ausliefert, und dem Verständnis, das seine Leute davon haben: Die Theorie des Systems wird dünner, während seine Zeilenzahl wächst. KI-Coding beschleunigt sie, weil beim Generieren kein Verständnis mehr nebenbei entsteht: Das Modell schreibt, der Mensch überfliegt, und niemand baut die Theorie auf.
Inhalt
Woher die Idee kommt
Die gedankliche Wurzel ist vier Jahrzehnte alt. In Programming as Theory Building (1985) argumentierte Peter Naur, ein Programm sei nicht wirklich sein Code, sondern die Theorie in den Köpfen derer, die es gebaut haben. Warum das System so geformt ist, welche Änderungen es verträgt, wo die Leichen liegen. Code ohne diese Theorie ist ein Artefakt, das niemand mit Zuversicht ändern kann.
Der Begriff Comprehension Debt wurde mit dieser Idee verbunden, als KI-generierter Code alltäglich wurde: durch Jason Gormans viel diskutiertes Bild von LLM-Code als tickender Zeitbombe für das Verständnis (September 2025) und durch einen Essay von Addy Osmani (März 2026), den O’Reilly Radar im April erneut veröffentlichte. Der Mechanismus ist schlicht: Entwickler bauten Naurs Theorie auf, indem sie Code schrieben. Nehmt das Schreiben weg und behaltet das Ausliefern, dann entsteht die Theorie nicht mehr, während das System weiterwächst.
Drei Schulden, eine Familie – und verschiedene Tilgungen
KI-Coding erzeugt mehr als eine Art von Schulden, und Teams, die nur eine messen, werden von den anderen überrascht:
| Technische Schulden | Verification Debt | Comprehension Debt | |
|---|---|---|---|
| Kernfrage | Ist der Code gut gebaut? | Wurde diese Änderung gegen die Absicht geprüft? | Versteht noch jemand das System? |
| Einheit | Die Codebasis | Die einzelne Änderung | Das mentale Modell des Teams |
| Wie sie sich meldet | Laut: langsame Builds, schmerzhafte Änderungen | Leise: „sah richtig aus“-Vorfälle später | Sehr leise: Onboarding wird zäh, einer „kennt es“ noch |
| KI-Wirkung | Gemischt: mehr Copy/Paste, weniger verschobener Code in GitClears Daten von 2025 | Beschleunigt: Generierung überholt Prüfung | Beschleunigt am stärksten: Generierung ohne Verständnis |
| Tilgung | Refactoring | Verifikation pro Änderung, festgehalten | Menschen in der Entscheidungsschleife; Entscheidungen mit Begründung |
Die Schulden verstärken einander: Ungeprüfte Änderungen (Verification Debt) werden zu Fundamenten, die niemand versteht (Comprehension Debt), und das macht die nächste Prüfung noch schwerer.
Warum sie falsches Vertrauen erzeugt
Technische Schulden sind wenigstens ehrlich: Sie tun jedes Mal weh, wenn man das verfilzte Modul anfasst. Comprehension Debt ist in der Codebasis unsichtbar: Der Code ist sauber, die Tests grün, der Linter zufrieden. Was fehlt, existiert nur als Abwesenheit: die Person, die sagen könnte, warum die Retry-Logik so funktioniert und was bricht, wenn man sie ändert. Teams entdecken die Schuld in den schlechtesten Momenten: bei einem Vorfall, im Security-Review oder wenn die eine Person geht, die die Theorie noch im Kopf hatte.
Margaret-Anne Storeys Paper von 2026 verallgemeinert das als Cognitive und Intent Debt: Das Verständnis wird dünner, und die Begründungen, Ziele und Randbedingungen hinter Änderungen fehlen oder gehen verloren. Genau hier teilen Comprehension Debt und Verification Debt Ursache und Gegenmittel.
Was Verständnis am Leben hält
- Schriftliche Absicht pro Änderung. Eine prüfbare Vorgabe hält fest, was gemeint war: der Rohstoff der Theorie, erhalten auch dann, wenn ein Modell die Zeilen schrieb.
- Review als Urteil, nicht als Überfliegen. Der Mensch in der Schleife baut nur Theorie, wenn das Review sich mit der Absicht auseinandersetzt. Genau dafür schafft eine maschinelle Vorprüfung die Zeit.
- Entscheidungen mit Begründung festhalten. Session-Übergaben und Belege tragen das „Warum“ über die Zeit: den Teil der Theorie, der sich aufschreiben lässt.
- Verantwortung trotz Generierung. Ein Modul kann KI-geschrieben und von Menschen verantwortet sein; von niemandem verantwortet kann es nicht sicher sein.
Wo Reality Graph ansetzt
Reality Graph setzt bei der Hälfte der Comprehension Debt an, die sich festhalten lässt: Es hält Absicht, Grenzen und Prüfergebnisse jedes Runs in einem Prüfbericht auf eurem eigenen Rechner fest. So bleiben „warum“ und „was wurde geprüft“ erhalten, auch wenn kein Mensch die Zeilen schrieb. Daneben beantwortet ein lokaler Index, dessen Aktualität sichtbar bleibt, die enge strukturelle Frage, was was aufruft. Das ist ein Ausgangspunkt für eine Theorie und kein Ersatz dafür. Die andere Hälfte, dass Menschen sich wirklich mit dem System befassen, bleibt eure.
Diese Schuld zu benennen liefert
- Ein Vokabular für ein Risiko, das Dashboards nicht zeigen
- Näherungen zum Beobachten: Onboarding-Zeit, Bus-Faktor, Regenerieren-statt-Ändern
- Eine saubere Abgrenzung zu technischen Schulden und Verification Debt
- Ein Argument für Menschen in der Entscheidungsschleife
Sie bedeutet nicht
- KI-geschriebener Code ist per se unwartbar
- Dokumentation allein tilgt sie: Theorie lässt sich nicht ganz aufschreiben
- Wegwerf-Code ist immer falsch: Kurzlebige Skripte sind ein anderer Fall
- Es gäbe schon eine Standardmetrik: Es gibt nur Näherungen
Wenn diese Grenzen zu eurem Team passen:
FAQ
- Was ist Comprehension Debt und wie unterscheidet sie sich von Verification Debt?
- Comprehension Debt ist die Lücke zwischen dem Code, den ein Team ausliefert, und dem Verständnis, das seine Leute davon haben: Das Wissen über das System wird dünner, während die Codebasis wächst. Verification Debt betrifft die einzelne Änderung: Wurde sie vor dem Merge gegen die Absicht geprüft? Comprehension Debt betrifft das System über die Zeit: Weiß noch jemand, wie und warum es funktioniert? Ein Team kann jede Änderung prüfen und trotzdem den Überblick verlieren, und die beiden Schulden verstärken einander.
- Woher stammt das Konzept?
- Der Begriff verbreitete sich ab 2025, als KI-generierter Code alltäglich wurde. Eine frühe Verwendung ist Jason Gormans Beitrag „Comprehension Debt: The Ticking Time Bomb of LLM-Generated Code“ im Codemanship-Blog vom 30. September 2025, über den auf Hacker News lange diskutiert wurde. Addy Osmanis Essay vom März 2026, im April auf O'Reilly Radar erneut veröffentlicht, trug ihn weiter. Die gedankliche Wurzel ist viel älter: Peter Naurs Essay „Programming as Theory Building“ von 1985. Software ist danach nicht wirklich der Code, sondern die Theorie in den Köpfen derer, die sie gebaut haben.
- Warum beschleunigt KI-Coding die Comprehension Debt?
- Weil Entwickler ihre Theorie über den Code gerade dadurch aufbauten, dass sie ihn schrieben. Wenn ein Modell schreibt und ein Mensch nur überfliegt, kommt der Code ohne das Verständnis an, das früher beim Schreiben entstand, und er kommt schneller, als irgendjemand ihn aufnehmen kann. Die Generierung ist schneller als das Verstehen, und die Lücke wächst mit jedem Merge.
- Ist Comprehension Debt messbar?
- Weniger direkt als Verification Debt, aber es gibt Näherungen. Wie lange Onboarding dauert, wie oft Änderungen an einem Modul die eine Person brauchen, die es „kennt“, Bus-Faktor-Analysen und wie häufig Teams Code neu generieren, weil Ändern schwerer wäre als Ersetzen. Steigen alle vier, ist das das Muster.
- Löst Dokumentation das Problem?
- Sie hilft, ersetzt das Verständnis aber nicht. Naurs Punkt war gerade, dass sich die Theorie nicht vollständig aufschreiben lässt: Dokumentation überträgt Fakten, nicht das gewachsene Urteil darüber, warum das System so gebaut ist. Mehr bringt es, Menschen in der Entscheidungsschleife zu halten (Review mit Blick auf die Absicht statt Überfliegen), Entscheidungen mit Begründung festzuhalten und die Verantwortung für jedes Modul bei Menschen zu lassen, auch wenn die KI die Zeilen schreibt.
- Kann ein Team die Schuld nicht einfach akzeptieren und Code neu generieren statt ihn zu verstehen?
- Das ist eine echte Position („Wegwerf-Code“), und für kurzlebige Skripte kann sie vernünftig sein. Bei Systemen, die jahrelang laufen, scheitert die Wette an den Rändern. Ein Vorfall braucht jemanden, der das System jetzt versteht, ein Security-Review braucht die Absicht, und wer ohne Verständnis neu generiert, wiederholt die alten Annahmen in großem Umfang, die falschen eingeschlossen.
Weiterlesen
Quellen
- Peter Naur – Programming as Theory Building, Microprocessing and Microprogramming 15(5), S. 253–261 (Mai 1985, englisch); geprüft am 4. November 2026
- Jason Gorman, Codemanship – Comprehension Debt: The Ticking Time Bomb of LLM-Generated Code (30. September 2025, englisch); geprüft am 4. November 2026
- Hacker News – Diskussion des Codemanship-Beitrags (30. September 2025, englisch); geprüft am 4. November 2026
- Addy Osmani – Comprehension Debt: the hidden cost of AI generated code (14. März 2026, englisch); geprüft am 4. November 2026
- Addy Osmani auf O'Reilly Radar – derselbe Essay, mit Erlaubnis des Autors erneut veröffentlicht (13. April 2026, englisch); geprüft am 4. November 2026
- Antonija Bilić Arar, LeadDev – AI coding creates two kinds of debt. You're only measuring one (18. Juni 2026, englisch): technische und kognitive Schulden; geprüft am 4. November 2026
- Margaret-Anne Storey – From Technical Debt to Cognitive and Intent Debt: Rethinking Software Health in the Age of AI (arXiv 2603.22106, v1 vom 23. März 2026, v4 vom 6. April 2026, englisch); geprüft am 4. November 2026
- GitClear – AI Copilot Code Quality (2025, englisch): Copy/Paste-Anteil steigend, verschobener Code sinkend von 2020 bis 2024; geprüft am 4. November 2026