Andrej Karpathy hat im Dezember 2025 aufgehört, Code zu schreiben. Nicht weil er es nicht mehr kann — sondern weil die KI-Agenten, an denen er selbst mitgebaut hat, es jetzt besser können. Das sagt nicht irgendjemand. Das sagt der Mann, der die KI-Abteilung bei Tesla aufgebaut hat, OpenAI mitgegründet hat und dessen Lehrvideos eine ganze Generation von KI-Entwicklern geprägt haben.
In einem gut einstündigen Gespräch bei „No Priors" beschreibt Karpathy schonungslos ehrlich, was sich verändert hat — und was das für alle bedeutet, die mit Software arbeiten.
16 Stunden Manifestation statt Programmierung
Das Paradigma hat sich umgedreht: Wo er früher 80 Prozent des Codes selbst schrieb und 20 Prozent an Agenten delegierte, liegt das Verhältnis heute bei 0 zu 100. Das neue Verb für seine Arbeit: nicht mehr „coden", sondern „manifesten" — seinen Willen gegenüber den Agenten zum Ausdruck bringen. 16 Stunden am Tag. Die Engstelle ist nicht mehr der Computer, sondern der Mensch selbst. Wer Wartezeiten hat, könnte parallelisieren. Wer parallelisiert, braucht bessere Instruktionen. Wer bessere Instruktionen gibt, kann noch mehr parallelisieren. Eine Spirale, die Karpathy als „KI-Psychose" beschreibt — und von der er nicht genug bekommen kann.
Dobby der Hauself: Wenn der Agent das Haus übernimmt
Besonders greifbar wird das neue Paradigma bei Karpathys privatem Projekt: Ein KI-Agent namens Dobby steuert sein gesamtes Smart Home. Das System hat sich eigenständig ins lokale Netzwerk eingewählt, die Sonos-Anlage gefunden, die APIs ausgelesen und ein Dashboard gebaut. Lichter, Heizung, Pool, Sicherheitskameras — alles läuft über eine einzige WhatsApp-Nachricht. Sechs verschiedene Apps hat Karpathy damit ersetzt. Die Konsequenz, die er daraus zieht: In Zukunft ist der Kunde nicht mehr der Mensch, sondern der Agent. Apps werden zu API-Endpunkten, und die Intelligenz dazwischen übernimmt die KI.
AutoResearch: Der vollautomatische Forschungszyklus
Den Kern des Gesprächs bildet Karpathys Projekt AutoResearch — bereits im März auf Die KI Woche vorgestellt und kurz darauf in einem Vertiefungsartikel analysiert. Dort ging es um das Framework selbst: eine GPU, eine Datei, eine Metrik — Agenten, die nachts selbstständig iterieren.
Im Podcast geht Karpathy jetzt einen Schritt weiter und beschreibt die Vision dahinter: ein System, das den gesamten Machine-Learning-Forschungszyklus durchläuft — vom Datensatz über das Training bis zur Auswertung, Optimierung und dem nächsten Experiment. Das Ziel: möglichst wenige menschliche Eingaben, aber maximaler Output. Perspektivisch soll aus einem Paper automatisch eine funktionierende Implementierung entstehen.
karpathy.ai/jobs — die Karte, die niemand sehen wollte
Im Gespräch äußert sich Karpathy auch zu den gesellschaftlichen Folgen seiner Arbeit. Sein Tool karpathy.ai/jobs — das 342 US-Berufe nach KI-Exponierung bewertet und das wir ausführlich analysiert haben — bleibt hochrelevant. Die zentrale Erkenntnis: 3,7 Billionen Dollar an Löhnen liegen in der Hochrisikozone. Bildschirmarbeit ist KI-Arbeit. Bildung schützt nicht — sie macht verwundbarer.
Auffällig ist, wie sichtlich bemüht Karpathy im Gespräch ist, die Bedeutung seines Jobs-Tools herunterzuspielen. Die Scores seien nur ein einzelner LLM-Durchlauf, die Methodik explorativ, die Ergebnisse nicht als definitive Prognose zu lesen. Er betont, dass die Daten eine differenziertere Geschichte erzählen, als die Schlagzeilen vermuten lassen — die Fähigkeiten, die zählen, seien Geschmack, Urteilsvermögen und die Fähigkeit, die richtigen Fragen zu stellen. Das Modell-Ökosystem werde sich spezialisieren — „Model Speciation" — und die Zusammenarbeit zwischen Mensch und KI brauche neue Oberflächen.
Doch das Relativieren steht in deutlichem Kontrast zur Reaktion: Das Tool ging viral, wurde geforkt, nachgebaut — und die Kernaussage, dass 3,7 Billionen Dollar an Löhnen in der Hochrisikozone liegen, hat sich in der Community längst verselbstständigt.
MicroGPT und die Zukunft der Bildung
Am Ende wird Karpathy persönlich: MicroGPT — ein Transformer in 200 Zeilen Code — ist sein Destillat monatelanger Arbeit. Nicht um zu zeigen, was KI kann, sondern um zu zeigen, worin der menschliche Beitrag künftig liegt: das Wesentliche von der Oberfläche zu trennen. Alles andere können die Agenten.
🎯 Was das für die Praxis bedeutet
1. Programmieren wird zur Managementaufgabe: Wer heute Software entwickelt, ist nicht mehr Autor, sondern Auftraggeber. Die Qualität der Instruktionen — nicht der Codezeilen — bestimmt das Ergebnis. Karpathys Erfahrung zeigt: Wer die Agenten schlecht briefet, bekommt schlechte Ergebnisse. Wer lernt, in Makroaktionen zu denken, multipliziert seine Produktivität.
2. Token-Durchsatz ist die neue Währung: Nicht mehr GPU-Stunden oder Lines of Code, sondern die Menge an Tokens, die man effektiv kommandiert, entscheidet über die eigene Wirksamkeit. Das ist ein fundamentaler Perspektivwechsel für jedes Entwicklerteam.
3. Software wird API-first — für Agenten: Karpathys Smart-Home-Beispiel zeigt einen branchenweiten Trend: Apps werden überflüssig, APIs bleiben. Wer Produkte baut, sollte sich fragen, ob der erste Nutzer ein Mensch oder ein Agent sein wird.
