# 20X – Warum ich mit AI so unfassbar produktiv bin
Fünfzehn Jahre lang habe ich keine Software mehr selbst gebaut. Als ich aufhörte, hantierten wir mit Java EE, CORBA, Oracle und Spacer-GIFs fürs Web-Frontend. Wer sich daran noch erinnern kann, ist auch schon lange mit dabei 🤓 Als ich vor einem Jahr zurückkam, übertraf das technologisch Mögliche meine wildesten Phantasien. Und ich habe noch nie so schnell gelernt und produktiv gebaut wie jetzt.
«20X produktiver» klingt nach Verkaufsprospekt. Nach Magie. Dabei ist es das Gegenteil von Magie: eine Multiplikation. Wer die Faktoren kennt, versteht, warum das Ergebnis so gross ausfällt.
## Ein Velo für den Kopf
Steve Jobs erzählte gern von einer Studie: Unter allen Lebewesen ist der Kondor die effizienteste Fortbewegungsmaschine, gemessen an Energie pro Distanz. Der Mensch landet weit hinten – bis man ihn auf ein Velo setzt. Dann schlägt er alles. Das Velo macht die Beine nicht stärker. Es übersetzt jeden Tritt in mehr Weg. Ein Werkzeug, das nicht die Kraft erhöht, sondern ihre Wirkung. Jobs nannte den Computer deshalb «a bicycle for the mind».
AI-native Software Engineering ist damit wohl das e-Bike in dieser Metapher. Drei Kräfte greifen dabei ineinander.
## 1. Technology Leap
Fangen wir bei den Werkzeugen an, mit denen man überhaupt baut. Was heute mit TypeScript, Node, React und Docker möglich wird, ist einfach unglaublich. Ein durchgehend typisierter Stack vom Backend bis ins Frontend, UIs aus wiederverwendbaren Komponenten, und für fast jedes Problem liegt im Ökosystem schon eine saubere Lösung bereit. Wo früher Spacer-GIFs das Frontend zusammenhielten, beschreibe ich heute deklarativ, was auf dem Schirm stehen soll, und es steht da.
Und der Betrieb, der früher ein ganzes Engineering-Team verlangte, mit Load Balancern, endlosen Skalierungs-Diskussionen und einer DMZ, in der man sich verlor, ist heute ein Klick: Docker-Container horizontal skalieren, eine PostgreSQL-Datenbank hochverfügbar machen, ohne jemanden anzurufen. Was gestern ein Team von Spezialisten war, ist heute ein Häkchen im Dashboard. Ich betreibe die gesamte Infrastruktur der beacon platform beim Provider meiner Wahl – natürlich nicht allein, sondern mit meiner beacon-Crew. Die Technologie ist nicht einfach nur «besser» geworden. Das ist ein ganz neues Paradigma.
## 2. Learning Leap
Auf dieser Grundlage lerne ich schneller, als ich es je konnte. Als ich zurück an den Code wollte, schaute ich meinem Freund Marco zwei Stunden über die Schulter, mehr Einarbeitung gab es nicht. Meine grösste Sorge war, all die Frameworks und den ganzen Glue Code erst wieder lernen zu müssen. Weit gefehlt: Copilot hat genau das übernommen. Nach ein, zwei Tagen stand ein vollständiger ETL-Prozess samt Backend, geschrieben in Python, einer Sprache, in der ich vorher nie eine Zeile Code geschrieben hatte. Aus meinem früheren Leben wusste ich, wie man eine saubere Software-Architektur aufbaut. Semantik ist, was zählt. Syntax ist austauschbar.
Aber der grösste «Aha-Moment» kam erst später. Wir haben ein Produkt gebaut, das Kundenberater in einem strukturierten Anlageberatungsprozess unterstützt. Da ging es um die Anbindung komplexer Finanzschnittstellen, und plötzlich ertappte ich mich dabei, wie ich mit dem Agent über Finanzprozesse diskutierte. Da fiel der Groschen endgültig: Das Ding versteht Kontext. Erst nahm mir die AI den Glue Code ab, dann half sie mir bei der Einarbeitung in den Business-Kontext. Und die Testdaten lieferte sie gleich mit, in einer Qualität, die ich so nicht kannte. Wofür früher ein ganzes Testdaten-Anonymisierungs-Framework nötig war, genügt heute ein Prompt. Test Data Management ist für immer gelöst.
Nicht ich bin klüger geworden, die Feedback-Schleife hat sich massiv verkürzt: Wo früher Tage zwischen Frage und Antwort lagen, liegen jetzt Sekunden. Jede Schleife ist eine Lektion, und ich fahre pro Tag mehr davon als früher pro Monat.
## 3. Acceleration
Die AI-Modelle selbst werden dramatisch fähiger, und zwar messbar. METR misst, wie lange eine Aufgabe sein darf, die ein Agent noch zuverlässig löst: den Task-Horizont. Dieser Horizont verdoppelt sich rund alle sieben Monate, seit sechs Jahren konsistent. Auf SWE-bench Verified, einem Benchmark aus echten GitHub-Issues, lösten Modelle 2023 etwa zwei Prozent der Aufgaben. 2025 sind es über siebzig. Das ist keine Verbesserung, das ist ein anderer Aggregatzustand. Und der Abstand zwischen zwei Modellgenerationen schrumpft weiter.
Meine eigene Erfahrung bestätigt das. Als ich vor neun Monaten mit Copilot anfing, bin ich oft noch verzweifelt. Dann kam Claude, und eine neue Welt tat sich auf. Heute, mit dem vollen AI-native-Support der beacon platform, hat sich meine Produktivität gegenüber meinen ersten Prompts noch einmal gefühlt verdreifacht.
## Warum das Ergebnis so gross ist
Hier hört «20X» auf, nach Übertreibung zu klingen. Diese drei Kräfte addieren sich nicht, sie multiplizieren sich. Seit meinem ersten Copilot-Prompt bin ich rund zehnmal schneller: Learning Leap und Acceleration übereinander, grob drei mal drei. Rechnet man die Technology Leap dazu, den Sprung vom Java-EE-Zeitalter auf den heutigen Stack, kommt noch gut ein Faktor zwei obendrauf. Multipliziert sind das zwanzig. Addiert wären es acht.
Genau deshalb habe ich noch nie so schnell gelernt und produktiv etwas gebaut wie jetzt. Nicht wegen eines einzelnen genialen Prompts, sondern weil drei Hebel gleichzeitig ziehen.
## Die Kehrseite der Multiplikation
Eine Multiplikation kennt aber kein Vorzeichen. Sie verstärkt die richtige Richtung so kräftig wie die falsche. Wer mit potenzierter Geschwindigkeit in die falsche Richtung baut, ist nur schneller am falschen Ort. Der Rausch aus «Ich bin süchtig» hat genau hier seinen blinden Fleck. Je grösser der Faktor, desto teurer der Fehler.
Deshalb reicht das e-Bike allein nicht. Es braucht jemanden, der lenkt, und eine Struktur, die auf Kurs hält: überprüfbare Ergebnisse statt blindem Vertrauen, klare Verträge zwischen Mensch und Agent. Das ist der Kern von beacon platform – nicht langsamer fahren, sondern die multiplizierte Kraft in eine Richtung lenken, die sich lohnt.
Wie das konkret aussieht, erzähle ich in dieser Reihe weiter: AI-native Software Engineering, Beitrag für Beitrag auf diesem Kanal.