"Welches KI-Modell soll ich zum Programmieren verwenden?"
Wenn ich für jedes Mal einen Euro bekommen hätte, wenn mir jemand das in den letzten sechs Monaten gefragt hat, hätte ich genug, um meine API-Kosten für eine Woche zu decken. Vielleicht.
Hier ist die Sache — die meisten KI-Modellvergleiche sind nutzlos. Sie führen synthetische Benchmarks durch, testen isolierte Code-Schnipsel und erklären Gewinner basierend auf Metriken, die nichts damit zu tun haben, wie wir tatsächlich arbeiten. Niemand sitzt mehr herum und bittet KI, Bubble-Sort-Implementierungen zu schreiben. Wir versuchen, echte Software zu bauen.
Also habe ich etwas anderes gemacht. Ich nahm ein monströses Product Requirements Document — abgeleitet von einer echten, vollständigen Anwendung, die ich gebaut hatte — und warf es fünf verschiedenen KI-Modellen vor. Dasselbe PRD. Dieselben Anweisungen. Zwei Stunden Zeit. Mal sehen, wer überlebt.
Die Ergebnisse haben mich überrascht. Und nicht so, wie ich es erwartet hatte.
Das Setup, das die meisten Modelle scheitern lässt
Bevor wir eintauchen, lassen Sie mich erklären, was ich tatsächlich getestet habe. Dies war kein Spielzeugprojekt oder ein "Bau mir eine Todo-App"-Prompt. Das PRD, das ich verwendete, war massiv — detaillierte technische Dokumentation über UI-Komponenten, Backend-Architektur, KI-gestützte Funktionen, Persönlichkeitsprompts, Empfehlungsmaschinen und mehr.
Stellen Sie es sich als ein Dashboard für eine Streaming-Plattform vor. Benutzer durchstöbern Shows, erhalten KI-gestützte Empfehlungen, erkunden thematische Konzepte, sehen Cast- und Crew-Informationen, prüfen Bewertungen aus mehreren Quellen und interagieren mit einer "Alchemie"-Funktion, mit der man Shows kombinieren kann, um neue Inhalte basierend auf kombinierten Konzepten zu entdecken.
Die Art von Projekt, für deren ordnungsgemäße Spezifikation ein Team Wochen bräuchte. Ich gab jedem Modell das vollständige Dokument und sagte "fang hier an."
Die Teilnehmer:
- GPT-5.1 Codex Max (der bisherige Champion)
- GPT-5.2 Medium (OpenAIs empfohlene Stufe)
- GPT-5.2 Extra High (maximales Denken, maximale Kosten)
- Claude Opus 4.5 (Anthropics Flaggschiff)
Ich wollte wissen: Können diese Modelle tatsächlich komplexe, reale Anforderungen umsetzen? Nicht nur Funktionen schreiben — sondern kohärente Anwendungen aus dichten Spezifikationen bauen?
Die ersten 30 Minuten: Wo Persönlichkeiten hervortreten
Fast sofort passierte etwas Interessantes.
GPT-5.1 Codex Max sprang direkt in Aktion. Dateien erschienen. Abhängigkeiten wurden installiert. Ein Server lief innerhalb der ersten zehn Minuten. Es fühlte sich schnell an. Produktiv. Wie einem Entwickler zuzusehen, der zu viel Kaffee getrunken hat und einfach Code raushaut.
GPT-5.2 Modelle — sowohl Medium als auch Extra High — wählten einen anderen Ansatz. Sie verbrachten mehr Zeit mit Nachdenken. Verarbeiten. Man konnte sie fast durch das PRD lesen sehen, versuchend den vollen Umfang zu verstehen, bevor sie eine einzige Zeile schrieben.
Und dann war da Opus 4.5.
Hier wurde es interessant. Opus fing nicht einfach an zu programmieren. Es fing an, mit mir zu reden. Eine Aufgabenliste erschien. Es verbalisierte, was es aus dem PRD verstanden hatte. Es stellte klärende Fragen. Es sagte Dinge wie "Basierend auf den Anforderungen werde ich das strukturieren als..." bevor es irgendetwas tat.
Ich lüge nicht — anfangs fühlte sich das langsamer an. Aber irgendetwas daran fühlte sich richtig an.
Die Kommunikationslücke, über die niemand spricht
Lassen Sie mich hier pausieren, denn dies wurde die wichtigste Erkenntnis des gesamten Experiments.
GPT-Modelle beginnen sofort mit dem Programmieren. Sie lesen Ihren Prompt und führen aus. Keine Bestätigung. Kein "Hier ist, was ich verstanden habe." Nur Aktion.
Opus-Modelle kommunizieren zuerst. Sie bestätigen, worum Sie gebeten haben. Sie erklären ihre Interpretation. Sie zeigen Ihnen die Roadmap, bevor sie die Straße bauen.
Warum ist das wichtig?
Weil Sie, wenn Sie mit KI an komplexen Aufgaben arbeiten, wissen müssen, was sie tatsächlich verstanden hat. Wenn GPT-5.2 eine Anforderung falsch interpretiert und das Falsche baut, erfahren Sie es erst, wenn Sie die fehlerhafte Ausgabe sehen. Wenn Opus etwas falsch interpretiert, sagt es Ihnen das im Voraus — und Sie können es korrigieren, bevor Code geschrieben wird.
Es geht nicht darum, welches Modell "schlauer" ist. Es geht darum, welches die Zusammenarbeit weniger wie ein Glücksspiel fühlen lässt.
Ich habe mit Junior-Entwicklern gearbeitet, die schneller programmieren als Seniors. Geschwindigkeit ist nicht dasselbe wie Produktivität. Die besten Mitarbeiter — ob Mensch oder KI — bestätigen das Verständnis vor der Ausführung.
Stunde eins: Das Feature-Rennen
Bei der Sechzig-Minuten-Marke wurden die Unterschiede deutlich.
GPT-5.1 Codex Max hatte eine laufende Anwendung. Es sah... funktional aus. Basis-CSS, etwas fehlende Stilgebung, aber die Kernstruktur war da. Fehlende Funktionen waren jedoch offensichtlich — keine Empfehlungsmaschine, begrenzte Metadaten-Anzeige, unvollständige Navigation.
GPT-5.2 Medium zeigte Verbesserungen gegenüber 5.1. Die UI fühlte sich polierter an. Es traf mehr der angeforderten Funktionen. Aber Key Art fehlte. Einige interaktive Elemente waren nicht verbunden. Das "Medium" im Namen fühlte sich treffend an — Mittelmaß.
GPT-5.2 Extra High war langsamer, aber gründlicher. Die Oberfläche war sauberer. Zugänglicher. Logisches Layout. Die Empfehlungsmaschine funktionierte. Metadaten wurden korrekt abgerufen. Cast- und Crew-Informationen wurden korrekt angezeigt. Es war wirklich beeindruckend — bis ich bemerkte, dass die Episodenlisten unter den TV-Show-Staffeln komplett fehlten.
Opus 4.5 baute etwas anderes. Reichere visuelle Elemente. Animationen, die ich nicht speziell angefordert hatte, die aber Sinn ergaben. Finanzdaten-Anzeigen (Gewinn, ROI). Klare Aufschlüsselungen von Bewertungen und Genres. Und — das ist entscheidend — ein Inline-Trailer-Player, den keines der GPT-Modelle auch nur versuchte.
Aber Opus' UI war auch komplexer. Überladener. Auf den ersten Blick schwerer zu navigieren. Es optimierte für Vollständigkeit über Einfachheit.
Die Gap-Dokument-Enthüllung
Hier ist etwas, das alles veränderte.
Keines der Modelle vollendete das PRD vollständig in einem Anlauf. Nicht mal annähernd. Sie alle verfehlten Funktionen. Sie alle machten Annahmen. Sie alle hatten Lücken.
Also erstellte ich, was ich ein "Gap-Dokument" nenne — einen zweiten Prompt, der alles auflistete, was der erste Build vermisst hatte, wobei jedes Modell im Wesentlichen gebeten wurde, sich selbst gegen die ursprünglichen Anforderungen zu prüfen und die Lücken zu füllen.
Hier zogen GPT-5.2 Extra High und Opus 4.5 dramatisch davon.
Beide Modelle reagierten auf das Gap-Dokument, indem sie systematisch fehlende Funktionen angingen. Episodenlisten erschienen. Empfehlungslogik verbesserte sich. UI-Politur nahm zu. Innerhalb einer weiteren Stunde Iteration hatten beide geschätzte 90-95% Funktionsvollständigkeit erreicht.
Das ältere GPT-5.1? Es hatte Schwierigkeiten. Es verwechselte ständig, was es bereits gebaut hatte, mit dem, was angefordert wurde. Kontextmanagement wurde zum Problem.
Die Lektion: Kein KI-Modell kann heute ein komplexes PRD vollständig autonom ausführen. Aber die besten können mit einer Runde strukturiertem Feedback bemerkenswert nah herankommen. Die Lücke liegt nicht in der rohen Fähigkeit — sie liegt in der Selbstprüfung.
UI-Philosophie: Eleganz vs Vollständigkeit
Lassen Sie mich über die visuellen Ausgaben sprechen, denn sie verraten etwas Wichtiges darüber, wie diese Modelle denken.
GPT-5.2 Extra High produzierte, was ich "entwicklerfreundliche" Oberflächen nennen würde. Sauber. Vorhersehbar. Die Art von UI, die einfach zu bedienen ist, weil sie nicht versucht, zu viel auf einmal zu tun. Gute Abstände. Logische Informationshierarchie. Wenn Sie es einem Produktmanager zeigen würden, würde er es wahrscheinlich ohne viele Änderungen genehmigen.
Opus 4.5 baute etwas Ambitionierteres. Jeder mögliche Datenpunkt kam an die Oberfläche. Mehrere Interaktionsmuster. Visueller Reichtum, der an Überwältigung grenzte. Es fühlte sich an, als ob Opus versuchen würde zu beweisen, dass es jede Anforderung verstand, indem es alle gleichzeitig zeigte.
Keiner der beiden Ansätze ist falsch. Aber sie dienen unterschiedlichen Zwecken.
Wenn Sie einen schnellen Prototyp zur Validierung einer Idee brauchen, bringt GPT-5.2s sauberere Ausgabe Sie schneller dorthin. Wenn Sie umfassende Funktionsabdeckung brauchen und es Ihnen nichts ausmacht, die Präsentation später zu verfeinern, gibt Ihnen Opus mehr Material zum Arbeiten.
Ich stellte fest, dass ich GPT-5.2s Ausgabe als UI-Referenz verwendete, während ich Feature-Implementierungen von Opus übernahm. Die Kombination funktionierte besser als jedes einzeln.
Die KI-Funktionen: Wo es interessant wird
Beide Modelle implementierten KI-gestützte Funktionen — Konzeptextraktion, thematische Empfehlungen, dynamische Erkundung basierend auf Benutzerpräferenzen. Hier wurde das PRD kompliziert, und hier erwartete ich, dass die Modelle Schwierigkeiten haben würden.
Hatten sie nicht. Nicht wirklich.
Die Empfehlungsmaschinen funktionierten. Sie verstanden semantische Beziehungen zwischen Shows. Sie konnten erklären, warum zwei scheinbar unterschiedliche Serien denselben Zuschauer ansprechen könnten.
Opus' "Alchemie"-Funktion stach hervor. Sie ließ Benutzer mehrere Shows kombinieren und überlappende thematische Konzepte extrahieren, um neue Empfehlungen zu finden. Dies stand im PRD, erforderte aber das Verständnis eines ziemlich abstrakten Konzepts. Opus traf es perfekt. Die Mashup-Oberfläche war intuitiv, und die generierten Empfehlungen ergaben tatsächlich Sinn.
GPT-5.2 implementierte Alchemie ebenfalls, aber wörtlicher. Es kombinierte Shows und spuckte Empfehlungen aus. Die Magie — die Meta-Analyse, warum bestimmte Kombinationen funktionierten — fehlte.
Für KI-unterstütztes Programmieren von KI-Funktionen hatte Opus die Nase vorn. Es verstand die Absicht hinter den Anforderungen, nicht nur die wörtlichen Spezifikationen.
Was niemand richtig hinbekam
Sprechen wir über Misserfolge, denn sie sind genauso wichtig wie Erfolge.
Key Art. Jedes Modell hatte Schwierigkeiten mit Show-Bildern. Das PRD spezifizierte die Integration mit externen APIs für Poster-Art und Thumbnails. Kein Modell rief sie zuverlässig ab und zeigte sie an. Einige machten Platzhalter-Boxen. Einige ignorierten sie vollständig. Keines bekam es vollständig zum Laufen.
Trailer. Nur Opus versuchte Inline-Trailer-Wiedergabe. Die anderen übersprangen es oder generierten fehlerhafte Implementierungen.
Selbstprüfung. Kein Modell überprüfte natürlicherweise seine eigene Arbeit gegen das ursprüngliche PRD. Sie alle benötigten explizite Gap-Dokumente, um fehlende Funktionen zu identifizieren. Dies deutet darauf hin, dass aktuelle KI-Modelle gut im Ausführen, aber schlecht im Validieren ihrer eigenen Ausgabe sind.
Medienverarbeitung allgemein. Textbasierte Funktionen waren solide. Alles mit externen Assets — Bilder, Videos, API-Integrationen — blieb zurück. Die Modelle konnten den Code schreiben, aber das Debuggen von API-Antworten und das Behandeln von Grenzfällen erforderte noch menschliches Eingreifen.
Geschwindigkeit vs Qualität: Der wahre Kompromiss
Lassen Sie mich Ihnen konkrete Zahlen geben.
GPT-5.1 Codex Max: Schnellste erste Ausgabe. Niedrigste Funktionsvollständigkeit. Meiste Bugs. Zeit bis zum "brauchbaren" Prototyp: ~45 Minuten. Zeit bis zur "vollständigen" Anwendung: In zwei Stunden nicht erreichbar.
GPT-5.2 Medium: Moderate Geschwindigkeit. Angemessene Funktionsabdeckung. Einige Polierungsprobleme. Zeit bis zum brauchbaren Prototyp: ~60 Minuten. Zeit bis fast vollständig: ~100 Minuten mit Gap-Dokument.
GPT-5.2 Extra High: Langsamste erste Ausgabe. Hohe Funktionsvollständigkeit. Saubere UI. Zeit bis zum brauchbaren Prototyp: ~75 Minuten. Zeit bis fast vollständig: ~110 Minuten mit Gap-Dokument.
Opus 4.5: Ziemlich schnelle erste Ausgabe (Server startete früh). Höchste Funktionsvollständigkeit. Komplexe UI. Zeit bis zum brauchbaren Prototyp: ~50 Minuten. Zeit bis fast vollständig: ~95 Minuten mit Gap-Dokument.
Wenn Sie rein auf Geschwindigkeit optimieren, ist GPT-5.2 Medium sinnvoll. Wenn Sie auf Vollständigkeit optimieren und Iteration nicht scheuen, liefert Opus 4.5 mehr Funktionen pro ausgegebenem Euro.
Die Kostengleichung, über die niemand reden will
Diese Modelle sind nicht kostenlos. Und die "Extra High"-Stufe von GPT-5.2 kostet deutlich mehr als Medium.
Hier ist meine ehrliche Einschätzung: GPT-5.2 Extra High hat seinen Aufpreis gegenüber Medium für diese Aufgabe nicht gerechtfertigt. Ja, die Ausgabe war sauberer. Ja, es hat ein paar mehr Anforderungen erfüllt. Aber die marginale Verbesserung war die 3-4-fachen Kosten nicht wert.
Opus 4.5, trotz der hohen Kosten, fühlte sich lohnenswert an. Allein der Kommunikationsstil sparte Debug-Zeit. Die Funktionsvollständigkeit reduzierte Iterationszyklen. Das Verständnis komplexer KI-Anforderungen bedeutete weniger Nacharbeit.
Kosteneffizienz zählt. Anthropics Modell lieferte mehr Wert pro Gesprächsrunde als OpenAIs höchste Stufe. Das ist keine Fanboy-Aussage — das ist Buchhaltung.
Was das für echte Entwicklung bedeutet
Lassen Sie mich direkt sein: Weder GPT-5.2 noch Opus 4.5 ersetzt in absehbarer Zeit Entwickler.
Aber sie ersetzen Monate Arbeit durch Stunden Arbeit. Das ist nicht nichts. Das ist transformativ.
Die Anwendung, die ich als Grundlage für dieses PRD verwendete, brauchte ursprünglich ein Team mehrere Wochen zum Bauen. Diese KI-Modelle erreichten 90-95% Funktionsparität in unter zwei Stunden. Die verbleibenden 5-10% — die Grenzfälle, die Politur, das Debugging — brauchen noch menschliche Aufmerksamkeit. Aber die schwere Arbeit? Erledigt.
Das verändert, wie wir über Prototyping denken. Es verändert, wie wir Ideen validieren. Es verändert die Wirtschaftlichkeit der Softwareentwicklung.
Wir sind noch nicht bei "prompten und liefern". Wir sind bei "prompten, prüfen, iterieren und schneller als je zuvor liefern." Das ist immer noch ein gewaltiger Wandel.
Meine Empfehlung
Nach diesem Experiment, hier ist, was ich einem anderen Entwickler sagen würde:
Verwenden Sie Opus 4.5, wenn:
- Sie etwas Komplexes mit KI-gesteuerten Funktionen bauen
- Sie hohe Funktionsvollständigkeit brauchen und UI-Verfeinerung akzeptieren
- Sie Kommunikation schätzen und Verständnis vor der Ausführung überprüfen wollen
- Sie bereit sind, einen Aufpreis für reduzierte Iterationszyklen zu zahlen
Verwenden Sie GPT-5.2 Medium, wenn:
- Sie schnelle Prototypen zur Validierung brauchen
- Die UI wichtiger ist als Funktionstiefe
- Budget eine primäre Einschränkung ist
- Sie mit mehr praktischem Debugging umgehen können
Überspringen Sie GPT-5.2 Extra High. Für die meisten Anwendungsfälle rechtfertigt es den Kostenaufpreis gegenüber Medium nicht. Die inkrementellen Verbesserungen reichen nicht aus.
Vergessen Sie GPT-5.1 Codex Max. Es wurde überholt. Die neueren Modelle sind deutlich besser.
Das große Ganze
Wir beobachten, wie sich KI-Coding-Tools in Echtzeit weiterentwickeln. Vor sechs Monaten wäre es lächerlich gewesen, ein Modell zu bitten, ein komplexes PRD auszuführen. Heute ist es machbar — mit Einschränkungen.
Die Kluft zwischen "KI-generiertem Code" und "produktionsreifem Code" schrumpft. Sie ist nicht verschwunden. Aber sie schrumpft schnell.
Die Entwickler, die herausfinden, wie sie effektiv mit diesen Tools zusammenarbeiten — die lernen, bessere PRDs zu schreiben, die die Kunst der Gap-Dokumente meistern, die verstehen, welches Modell für welche Aufgabe zu verwenden ist — werden einen enormen Vorteil haben.
Es geht nicht darum, ersetzt zu werden. Es geht darum, verstärkt zu werden.
Die besten menschlichen Entwickler werden KI nutzen, um ihre Leistung zu vervielfachen. Diejenigen, die sich widersetzen, werden sich fragen, warum alle anderen schneller liefern.
Ich weiß, auf welcher Seite ich stehe.
Abschließende Gedanken
Wenn Sie eine Sache aus diesem Experiment mitnehmen, dann diese: Hören Sie auf, KI-Modelle anhand synthetischer Benchmarks zu bewerten. Testen Sie sie mit Ihrer tatsächlichen Arbeit. Geben Sie ihnen Ihre chaotischen, komplexen, realen Anforderungen. Schauen Sie, was passiert.
Die Ergebnisse könnten Sie überraschen.
Mich haben sie auf jeden Fall überrascht.
🤝 Beauftragen / Mit mir arbeiten:
- 🔗 Fiverr (individuelle Builds, Integrationen, Performance): fiverr.com/s/EgxYmWD
- 🌐 Mejba Persönliches Portfolio: mejba.me
- 🏢 Ramlit Limited: ramlit.com
- 🎨 ColorPark Kreativagentur: colorpark.io
- 🛡 xCyberSecurity Globale Dienstleistungen: xcybersecurity.io
