Cognitive Debt: Warum KI-Coding dein Team langsamer macht als gedacht

TL;DR: Cognitive Debt ist der Erosionseffekt, der entsteht, wenn KI Code schneller produziert als das Team ihn verstehen kann. Geprägt hat den Begriff Margaret-Anne Storey, Professorin für Computer Science an der University of Victoria, in ihrem Paper „From Technical Debt to Cognitive and Intent Debt“ (Februar 2026). Storey definiert Cognitive Debt als „the erosion of shared understanding across a team“ und stellt ein Triple Debt Model auf: Technical Debt im Code, Cognitive Debt in Köpfen, Intent Debt in der Dokumentation. Die METR-Studie aus Juli 2025 lieferte erste Hinweise auf das Phänomen: erfahrene Open-Source-Entwickler waren mit KI 19 Prozent langsamer, glaubten aber, 20 Prozent schneller zu sein. METR hat die Zahlen im Februar 2026 selbst entschärft; der Befund zum Comprehension Gap bleibt aber relevant.

Was ist Cognitive Debt?

Cognitive Debt bezeichnet das wachsende Delta zwischen der Komplexität eines Softwaresystems und dem Verständnis, das ein Team davon hat. Im Gegensatz zu Technical Debt sitzt diese Schuld nicht im Code, sondern in den Köpfen der Entwickler. Storey beschreibt es so: Cognitive Debt „lives in people. It accumulates when shared understanding of the system erodes faster than it is replenished.“ Der Effekt war schon vor KI bekannt. Neu ist die Geschwindigkeit, mit der er entsteht. Wenn ein Agent in zehn Minuten 300 Zeilen produktionsreif aussehenden Code generiert, hat das Team keine Zeit, das Mental Model des Systems mitzuziehen. Drei Sprints später ist die Codebasis eine Blackbox.

Cognitive Depth oder Cognitive Debt?

Im deutschsprachigen Raum ist das Konzept vor allem durch das Rheinwerk-Buch „Coding mit KI“ (2. Auflage, 2026) von Michael Kofler, Bernd Öggl und Sebastian Springer bekannt geworden. Die Autoren widmen den Risiken des KI-Codings ein eigenes Schlusskapitel und verweisen dort auf Storeys Arbeit. Ein kleiner Schönheitsfehler: Im Buchtext erscheint der Begriff als „Cognitive Depth“ statt „Cognitive Debt“. Storey selbst nutzt durchgängig „Cognitive Debt“, analog zu Technical Debt. Der Unterschied ist nicht kosmetisch: Das Wort „Debt“ macht die Kernidee erst lesbar, denn Schulden zahlen sich aus – oder sie zahlen mit Zinsen zurück.

Abgrenzung zu verwandten Konzepten

Cognitive Debt ist nicht dasselbe wie Dark Code oder Comprehension Debt nach Addy Osmani, aber sie überlappen: • Technical Debt: Bekannte, dokumentierte Code-Kompromisse. • Dark Code: Code, der nie ein Mensch gelesen hat und trotzdem in Produktion läuft. • Comprehension Debt (Osmani): Code-Generierung schneller als Code-Review. • Cognitive Debt (Storey): Geteiltes Verständnis im Team erodiert systematisch. Storeys Beitrag ist das Team-Framing: Cognitive Debt ist eine kollektive, soziale Schuld, kein individuelles Defizit.

Das Triple Debt Model

Storeys Framework beschreibt drei Schuldarten, die zusammen die Gesundheit eines Softwaresystems bestimmen.

1. Technical Debt: im Code

Die klassische Variante seit Ward Cunningham (1992): bewusst eingegangene Kompromisse im Code, die später Refactoring erfordern. Sichtbar in Linter-Reports, statischer Analyse, Test-Coverage. Werkzeuge dafür gibt es seit Jahrzehnten.

2. Cognitive Debt: in den Köpfen

Das fehlende oder schwindende Verständnis, das Teammitglieder vom System haben. Nicht messbar mit klassischen Tools. Sichtbar erst, wenn Änderungen unerklärlich Dinge brechen oder niemand sagen kann, warum eine Designentscheidung getroffen wurde.

3. Intent Debt: in der externalisierten Dokumentation

Das, was Storey „the absence or erosion of explicit rationale, goals, and constraints“ nennt: fehlende oder veraltete Spezifikationen, Architecture Decision Records, AGENTS.md-Dateien. Intent Debt ist gefährlich, weil KI-Agenten (anders als Menschen) keine impliziten Annahmen aus dem Kontext lesen. Was nicht aufgeschrieben ist, ist für den Agenten nicht existent. Die drei Schulden verstärken sich gegenseitig: Wenn Intent Debt hoch ist, produziert KI Code, der Cognitive Debt erzeugt, der später zu Technical Debt wird.

Wie KI-Coding Cognitive Debt beschleunigt

Der Mechanismus ist banal: Schreibgeschwindigkeit entkoppelt sich von Lesegeschwindigkeit. Vor KI war beides an dieselbe Person gekoppelt – wer Code schrieb, verstand ihn zwangsläufig. Heute generiert ein Agent in einer Minute, was menschlich eine Stunde gekostet hätte. Die Prüfzeit bleibt konstant, der Output explodiert. Simon Willison beschreibt das in seiner Besprechung von Storeys Paper aus eigener Erfahrung. Er habe sich in ambitionierten Projekten verloren, weil er KI-generierte Features nicht mehr im Detail reviewte. Die Folge: Mit jedem neuen Feature wurde es schwerer, fundierte Entscheidungen über die nächste Richtung zu treffen. Cognitive Debt aus erster Hand, dokumentiert vom wahrscheinlich bekanntesten KI-Blogger der Branche.

Das Multi-Agent-Problem

Aktuelle Setups verschärfen das Problem. Ein Entwickler steuert mehrere Claude-Code-Sessions oder Cursor-Subagenten parallel. Vier asynchrone Agenten produzieren in zehn Minuten Code, für dessen seriöses Review ein Mensch zwei Stunden bräuchte. Das Delta ist Cognitive Debt in Echtzeit. !Infografik zur Evolution des KI-Codings: drei Stufen vom Chat bis Agentic Coding, Best Practices wie AGENTS.md gegen Cognitive Debt sowie der KI-Hype-Zyklus von Euphorie zu Pragmatismus. Die drei Stufen des KI-Codings – vom Chat-Prompt über IDE-Assistenten bis Agentic Coding – und warum jede Stufe Cognitive Debt anders beschleunigt. Bild: KI-generiert mit NotebookLM.

Was die Forschung zeigt

Mehrere Studien aus 2025 und 2026 stützen Storeys These, wenn auch mit Vorbehalten. METR-Studie (Juli 2025): Die randomisierte Studie mit 16 erfahrenen Open-Source-Entwicklern und 246 Tasks fand: Mit KI-Tools waren die Probanden 19 Prozent langsamer. Die Wahrnehmung der Entwickler war konvers: Vorher rechneten sie mit 24 Prozent Speedup, nachher behaupteten sie 20 Prozent Speedup empfunden zu haben. Dieser Wahrnehmungs-Gap ist das eigentlich Interessante an der Studie. Wichtiger Caveat: METR hat die Methodik im Februar 2026 selbst zerlegt. Selection Effects hätten die Ergebnisse verzerrt: Entwickler, die mit KI besonders schnell arbeiteten, hatten die Teilnahme verweigert. Die Schlussfolgerung lautet jetzt: „the true speedup could be much higher among the developers and tasks which are selected out“. Die 19-Prozent-Zahl gilt als nicht belastbar. Der Befund zum Wahrnehmungs-Gap bleibt aber unstrittig. Weitere Studien: Eine Taxonomie von Ineffizienzen in LLM-Python-Code fand, dass rund ein Drittel des generierten Codes suboptimal war. Das belegt Cognitive Debt nicht direkt, füttert sie aber über Umwege: schwer wartbarer Code beschleunigt den Verständnisverlust. Eine Studie zu Sicherheitslücken in KI-Code berichtet: 88 Prozent des Codes funktioniert, enthält aber regelmäßig Common Weakness Enumerations und eingebettete Passwörter. Die Daten sind nicht eindeutig genug, um pauschale Aussagen zu rechtfertigen. Eindeutig ist nur: Die Wahrnehmung von KI-Productivity-Gewinn ist systematisch höher als der gemessene Effekt. Genau in diesem Delta wuchert Cognitive Debt.

Warnsignale: Wann dein Team Cognitive Debt aufbaut

Storey und Willison nennen typische Anzeichen. Einige davon werden dir bekannt vorkommen: • Niemand im Team kann erklären, warum eine bestimmte Designentscheidung getroffen wurde. • Einfache Änderungen brechen unerwartet andere Teile des Systems. • Onboarding neuer Entwickler dauert auffällig länger als früher. • Refactorings werden vermieden, aus Angst, etwas zu zerstören, das niemand mehr versteht. • Pull Requests werden durchgewunken, weil „die Tests grün sind“. • Bei Bugs wird nicht debugged, sondern der Agent gebeten, „das mal zu fixen“. • Das Team behandelt die eigene Software wie eine Drittbibliothek. Wenn drei oder mehr davon zutreffen, hat dein Team Cognitive Debt akkumuliert.

Was du dagegen tun kannst

Storeys Vorschlag läuft auf eines hinaus: Intent Debt aktiv tilgen, um Cognitive Debt zu verlangsamen. Konkret heißt das:

1. Spezifikationen vor Code

Bevor du einen Agenten loslässt, schreibe die Intention auf. Das ist die Grundidee von Spec-Driven Development: Spec ist primäres Artefakt, Code ist abgeleitet. Damit hat der Agent eine Referenz, und das Team einen Anker fürs Verständnis.

2. Intent-Files pflegen

CLAUDE.md, AGENTS.md, SKILL.md sind keine Konfigurationsdateien, sondern die externalisierte Intention deines Projekts. Wer hier sparsam ist, zahlt mit Cognitive Debt. Aktualisiere sie bei jeder Architekturentscheidung mit.

3. Review als nicht-verhandelbares Gate

KI-generierter Code, der nicht gelesen wurde, ist nicht reviewter Code. Auch wenn die Tests grün sind. Auch wenn der Linter zufrieden ist. Wenn dein Workflow nicht das Lesen vor dem Mergen erzwingt, baust du Dark Code und Cognitive Debt gleichzeitig auf.

4. Agentenzahl begrenzen

Ein Mensch kann nicht vier parallel laufende Agenten seriös supervidieren. Wer es trotzdem versucht, akzeptiert Cognitive Debt als Preis. Für Throwaway-Code mag das ok sein. Für Code in Produktion nicht.

5. Architectural Decision Records (ADRs)

Jede nicht-triviale Entscheidung bekommt einen kurzen Datensatz: Was, warum, welche Alternativen wurden verworfen. Das ist die direkteste Antwort auf Intent Debt – und damit die wirksamste Prävention gegen Cognitive Debt.

FAQ: Häufig gestellte Fragen zu Cognitive Debt

Ist Cognitive Debt dasselbe wie Technical Debt? Nein. Technical Debt sitzt im Code und ist mit Tools messbar. Cognitive Debt sitzt im Team und ist nur indirekt sichtbar, etwa daran, dass Änderungen unerwartet brechen oder niemand mehr Designentscheidungen erklären kann. Wer hat den Begriff Cognitive Debt geprägt? Margaret-Anne Storey, Professorin für Computer Science an der University of Victoria und Canada Research Chair in Human and Social Aspects of Software Engineering, in ihrem Paper „From Technical Debt to Cognitive and Intent Debt: Rethinking Software Health in the Age of AI“ (Februar 2026). Heißt es nicht Cognitive Depth? Nein. Im deutschsprachigen Raum kursiert teilweise „Cognitive Depth“, weil das Rheinwerk-Buch „Coding mit KI“ von Kofler, Öggl und Springer den Begriff in dieser Form einführt. Storeys Original-Terminus ist aber eindeutig „Cognitive Debt“, analog zu Technical Debt. Das Buch ist trotzdem die beste deutschsprachige Einführung in das Gesamtthema KI-Coding und seine Risiken. Macht KI-Coding zwangsläufig langsamer? Nicht zwangsläufig. Die viel zitierte METR-Studie mit 19 Prozent Slowdown wurde von METR selbst im Februar 2026 als nicht belastbar eingestuft. Was bleibt: ein systematischer Wahrnehmungs-Gap zwischen empfundener und gemessener Produktivität. Das eigentliche Risiko ist nicht Geschwindigkeit, sondern Cognitive Debt. Sind Multi-Agent-Setups grundsätzlich problematisch? Nicht grundsätzlich, aber sie skalieren Cognitive Debt linear mit der Agentenzahl. Wer vier Agenten parallel laufen lässt, ohne Reviewkapazität zu skalieren, baut Schulden auf. Für Throwaway-Code oder isolierte Tasks unproblematisch, für Produktionscode kritisch. Was ist Intent Debt? Storeys dritte Schuldart: fehlende oder veraltete externalisierte Intention (Specs, ADRs, AGENTS.md-Dateien). Intent Debt ist deshalb gefährlich, weil KI-Agenten keine impliziten Kontextannahmen lesen. Was nicht aufgeschrieben ist, existiert für den Agenten nicht. Welche Tools helfen gegen Cognitive Debt? Es gibt kein Cognitive-Debt-Linter. Was hilft, ist Prozess: Spec-Driven Development, gepflegte Intent-Files, harte Review-Gates, ADRs. Storey arbeitet an empirischen Messmethoden, ein etabliertes Tooling existiert noch nicht.

Fazit

Cognitive Debt ist die wichtigste konzeptionelle Präzisierung der KI-Coding-Debatte seit 2025. Storeys Verdienst ist es, den diffusen Eindruck „irgendwie verstehen wir unseren eigenen Code nicht mehr“ in einen präzisen, framework-fähigen Begriff zu übersetzen. Wer KI-Agenten produktiv einsetzen will, braucht eine Strategie gegen Cognitive Debt; sonst bezahlt das Team in einigen Monaten den Preis. Tiefer einsteigen kannst du im Dark-Code-Artikel zum verwandten Comprehension-Problem, im Spec-Driven-Development-Guide zur konkreten Gegenmaßnahme, im Vibe-Coding-2026-Artikel zum kulturellen Kontext und im AI-Harness-Guide zum technischen Unterbau. Verifizierte Quellen: Michael Kofler, Bernd Öggl, Sebastian Springer, „Coding mit KI: Vom Prompt Engineering bis zum Agentic Coding“, Rheinwerk Verlag, 2. Auflage 2026 (ISBN 978-3-367-11025-4); Margaret-Anne Storey, „From Technical Debt to Cognitive and Intent Debt: Rethinking Software Health in the Age of AI“ (arxiv 2603.22106, 2026); Simon Willison, „How Generative and Agentic AI Shift Concern from Technical Debt to Cognitive Debt“ (Februar 2026); METR, „Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity“ (Juli 2025) sowie „Changing our Developer Productivity Experiment Design“ (Februar 2026); arxiv 2503.06327, arxiv 2510.26103.