Der zunehmende Einsatz von Large Language Models beim Programmieren birgt ein unterschätztes Risiko für die langfristige Code-Qualität: Künstliche Intelligenz funktioniert nicht nur als generatives Werkzeug, sondern als Spiegel des bestehenden Codebestands. Entwickler, die KI-generierte Snippets ungefiltert übernehmen und dabei Grundprinzipien wie DRY missachten, riskieren eine schleichende Verschlechterung ihrer Codebasis. Beobachtungen aus der Praxis zeigen, dass häufig wiederkehrende Logikbausteine oft als isolierte Kopien übernommen werden. Solche Duplikate akzeptiert die KI zunächst als funktionierende Lösung. Da sie jedoch auf dem gesamten Repository kontextabhängig arbeitet, interpretiert sie diese Muster bald als internen Standard. Jeder nachfolgende Prompt baut auf den zuvor eingeführten Duplikaten auf. Was als einmalige Abkürzung begann, etabliert sich als scheinbare Coding-Convention und führt dazu, dass die KI selbst bei expliziten Refactoring-Anfragen alte Muster konserviert, statt sie zu bereinigen. Das eigentliche Problem liegt in der kumulativen Wirkung. Technische Schulden stapeln sich nicht nur durch menschliche Fehler, sondern werden durch die Interaktion mit KI systematisch verstärkt. Jeder akzeptierte Redundanz-Block signalisiert dem Modell, dass dieser Ansatz akzeptabel ist. Mit der Zeit verlieren Projekte an Durchschaubarkeit, und das manuelle Bereinigen wird aufwendiger als der ursprüngliche KI-Einsatz. Die Annahme, Wartungsaufgaben könnten vollständig an die KI delegiert werden, erweist sich als trügerisch: Stattdessen wird das Modell unfreiwillig in die Praxis schlechter Code-Strukturen eingearbeitet. Experten und erfahrene Entwickler betonen daher, dass Code stets nach den Standards für menschliche Wartbarkeit geschrieben werden sollte. Da LLMs alle im Repository vorliegenden Strukturen aufnehmen und bei zukünftigen Anfragen widerspiegeln, wirkt jede Zeile Code als Trainingdatensatz. Die konsequente Anwendung bewährter Architekturprinzipien, das Auslagern gemeinsamer Logik in wiederverwendbare Funktionen und das strikte Meiden von Redundanzen bleiben unverzichtbar. Nur so lässt sich sicherstellen, dass KI-gestützte Entwicklung die Produktivität steigert, ohne die langfristige Stabilität der Software zu gefährden. Die KI ist kein Ersatz für technische Disziplin, sondern ihr Verstärker.