Das Ende des billigen Vibe Coding

Vibe Coding hatte seine schöne Saison. Rund 18 Monate lang boten 20 Dollar pro Monat einen autonomen Agenten, der ein Feature gerüstet, einen launischen Test gefixt und vor Freitag etwas Nutzbares geliefert hat. Das Versprechen war direkt: echte Softwareentwicklung zum Preis eines Spotify-Abos.

Diese Rechnung konnte nie aufgehen. Anthropic, Cursor und Replit haben intensive Nutzung allesamt hinter teurere Stufen verschoben, und wer die Nachricht überraschte, hat nicht auf den Zähler geschaut. Das 20-Dollar-Paket war ein VC-finanzierter Akquisepreis auf Basis unterbewerteter Rechenkosten. Die Rechnung nähert sich jetzt dem, was diese Systeme tatsächlich im Betrieb kosten.

Zwei Phänomene bestimmen die echten Kosten. Das erste ist die Kontext-Aufblähung: Das Kontextfenster einer Sitzung füllt sich im Verlauf des Gesprächs, sodass jeder Aufruf teurer wird als der vorherige. Das zweite ist die Agent-Loop-Steuer: Wenn ein Agent feststeckt, probiert er aufeinanderfolgende Varianten desselben gescheiterten Versuchs — während der Zähler weiterläuft.

Die Agent-Loop-Steuer

Kontext-Aufblähung ist das langsame Leck. Die Agent-Loop-Steuer ist das geplatzte Rohr. Wenn ein menschlicher Ingenieur an einem fehlschlagenden Test hängenbleibt, hält er inne und denkt nach. Wenn ein autonomer Agent daran hängenbleibt, probiert er eine weitere Variante desselben Ansatzes — und noch eine — ohne wirklich zu erkennen, dass er im Kreis dreht (morphllm.com).

Jeder neue Versuch schiebt den gescheiterten Code und den neuen Fehler-Trace zurück ins Kontextfenster. Der Kontext wächst, während der Agent nicht vorankommt. Reviews gescheiterter Sessions zeigen Modelle, die 30.000 bis 75.000 Token über 15 nutzlose Iterationen verbrennen, bevor ein Mensch eingreift (morphllm.com). Sie bezahlen das gesamte Kontextfenster bei jedem Aufruf, sodass der 15. Versuch deutlich mehr kostet als der erste. Ein banales Refactoring kann sich in eine 50-Dollar-API-Rechnung verwandeln, weil das Modell nicht gemerkt hat, dass es feststeckt (morphllm.com, devteam.space).

Die folgende Tabelle zeigt, wie das über einen 30-Tage-Zyklus aussieht: auf der einen Seite flacher Abo-Umsatz, auf der anderen Rechenverbrauch, der deutlich überlinear wächst.

Autocomplete kostet wenig und kostet weiterhin wenig. Agentische Workflows zerlegen die 20-Dollar-Marge in weniger als einer Woche. Das ist die Kraft, die die Preise branchenweit nach oben zieht. Niemand hat entschieden, Dinge teurer zu machen. Die Zahlen haben es entschieden.

Wie Cursor und Replit ihre Preise geändert haben

Sobald die Token-Kosten nicht mehr zu ignorieren waren, sind die großen Plattformen auf hybride Modelle umgestiegen: ein Basis-Abo plus Credits, die vom tatsächlichen API-Verbrauch abgezogen werden. Ziel ist, etwas zu erhalten, das für Kunden vorhersehbar wirkt, ohne die von Power-Usern erzeugten Verluste schultern zu müssen (flexprice.io, wpbrigade.com).

Cursors chaotischer Wechsel zu Credit-Pools

Cursor ist eine der beliebtesten KI-nativen IDEs, und der Übergang war hart. Vor Mitte 2025 hatten Pro-Nutzer ein pauschales monatliches Kontingent „fast requests" — vorhersehbar, gut greifbar (vantage.sh, getaiperks.com). Als Nutzer begannen, diese Requests an Spitzenmodelle wie Claude 3.5 Sonnet für agentische Multi-File-Aufgaben zu schicken, ging die Rechnung nicht mehr auf.

Im Juni 2025 ersetzte Cursor die Request-Quotas durch nutzungsbasierte Credits, die an die rohen API-Kosten gekoppelt sind (vantage.sh, getaiperks.com, flexprice.io). Das 20-Dollar-Pro-Paket blieb, aber man bekam jetzt 20 Dollar Rechen-Credits — keine garantierte Anzahl Requests mehr. Der Rollout lief schlecht. Aufgaben, die früher als ein einzelner Request zählten, leerten innerhalb von Minuten die Geldbörse. Cursor veröffentlichte eine öffentliche Entschuldigung und führte Rückerstattungen durch (vantage.sh).

Die heutigen Stufen erzählen die Geschichte. Pro für 20 Dollar zielt auf Light-User. Pro+ kostet 60 Dollar pro Monat mit 70 Dollar Credits. Ultra kostet 200 Dollar pro Monat mit 400 Dollar API-Nutzung (getaiperks.com, uibakery.io, nocode.mba). Die Sprache um Ultra ist aufschlussreich: Es wird nicht als Produktivitäts-Abo verkauft. Es wird als Infrastruktur für Menschen verkauft, die KI-natives Development Vollzeit betreiben.

Replit und Effort-Based Billing

Replit ging in eine andere Richtung. 2025–2026 rollte die Plattform Effort-Based Billing parallel zu einem aggressiven autonomen Agent aus (wpbrigade.com, launchpad.io). Sie zahlen ein Basis-Abo (Core kostet 25 $/Monat) zusammen mit einem Nutzungs-Credit-Pool in gleicher Höhe.

Replit rechnet nicht nach Tokens ab. Es rechnet nach dem „Effort" ab — dem Rechenaufwand, den die KI investiert (wpbrigade.com, launchpad.io). Das ist schwerer zu prognostizieren, als es klingt. Der Agent generiert nicht nur Code; er auditet, baut, prüft und iteriert. Bauen und Auditieren verbrauchen jeweils Credits, sodass ein Arbeitsschritt, der 0,50 $ kostete, schon vor dem ersten Prompt-Ende auf 3,00 $ steigen kann (launchpad.io, vitara.ai).

Schalten Sie den Turbo Mode ein, und das Verbrauchstempo explodiert (wpbrigade.com). Sind die Credits erschöpft, berechnet die Plattform Überschreitungen automatisch — das finanzielle Risiko fällt zurück auf den Entwickler. Das Produkt ist wirklich beeindruckend — von der Idee bis zum Deployment in einem einzigen Browser-Tab ist real — aber für Teams, die stark darauf bauen, kommt die Rechnung mit Überraschungen (launchpad.io, vitara.ai).

Das Monat-3-Problem

Token-Kosten und Abo-Stufen sind der laute Teil der Geschichte. Der teure Teil ist die technische Schuld, die diese Tools mit Maschinen-Tempo erzeugen — und die menschliche Zeit, die nötig ist, sie zu beseitigen (ibagroupit.com, reddit.com).

In Venture Studios und Startups trägt das Phänomen einen Namen: das Monat-3-Problem (reddit.com). Der erste Monat ist euphorisch. Ein nicht-technischer Gründer oder Junior-Entwickler tippt Prompts in Bolt, Lovable oder Replit und bekommt demofertige Apps in Tagen statt Wochen zurück. Die Liefergeschwindigkeit ist real (reddit.com).

Die zugrunde liegende Architektur ist meist ein Durcheinander. KI ist gut darin, eine Funktion zu schreiben. Sie ist deutlich schlechter darin, die Konsistenz einer ganzen Anwendung zu wahren, während sie wächst (ibagroupit.com, reddit.com). Nach drei Monaten wird das Hinzufügen eines kleinen Features unverhältnismäßig schwer, und Edge Cases werden zu mehrtägigen Jagden.

Der Code wird zum Spaghetti-Gericht. Man landet dabei, mit einem Chatbot zu diskutieren, warum eine Anpassung am Auth-Modul drei zusammenhanglose UI-Komponenten zerbrochen hat (reddit.com). Der Gründer hat eine App ausgeliefert, die er nicht mehr gut genug versteht, um sie sicher zu ändern. Er hat sie gebaut, kann sie aber nicht wirklich besitzen.

Die Zahlen für die Aufräumarbeit sind düster. Ein Produktmanager verfolgte die Ökonomie eines vibe-coded Prototyps: 43 Stunden Hin und Her mit einer KI bis zur Demo — rund 6.450 Dollar Personalkosten (reddit.com). Die Architektur war so wackelig, dass ein Senior-Ingenieur alles neu schreiben musste — und es in drei Stunden tat, indem er KI als Werkzeug nutzte, nicht als Ersatz.

Dieses Muster wiederholt sich. KI senkt die Schwelle, wer etwas ausliefern kann. Sie hebt die Obergrenze dessen, was gutes Engineering-Urteilsvermögen wert ist. Ganze Beratungshäuser existieren mittlerweile, um vibe-coded Apps zu retten und zu refaktorisieren — und die Sanierungskosten übersteigen oft das, was ein ordentlicher Bau von Anfang an gekostet hätte (reddit.com).

Sicherheit, Compliance und Energie

Die Rechnung des Vibe Coding endet nicht bei API-Rechnungen und Engineering-Zeit. Sie enthält auch ein Sicherheits- und ein Energieproblem — beide stark wachsend.

Sicherheitsteams sind nervös, und das nicht ohne Grund (infosecurity-magazine.com). Ein Entwickler kann jetzt tausende Codezeilen an einem Nachmittag produzieren. Niemand hat die menschliche Bandbreite, das in diesem Tempo zu prüfen. Wenn Ihre agentischen Workflows Drittanbieter-APIs im Ausland nutzen, haben Sie zusätzlich ein Compliance-Problem mit der EU-KI-Verordnung und der DSGVO — vor allem in regulierten Branchen, wo Datensouveränität zählt (ibagroupit.com).

Die Energieseite wird zu einer greifbaren Zahl. Die Verarbeitung eines Tokens verbraucht rund 0,4 Joule (clune.org). Lassen Sie ein paar Coding-Agenten parallel in einem Team laufen — und Sie ziehen die Dauerlast eines großen 24/7-Haushaltsgeräts.

Die Internationale Energieagentur prognostiziert, dass KI und die sie stützenden Rechenzentren bis 2026 ungefähr so viel Strom verbrauchen wie ganz Japan (wustl.edu). Generative KI allein ist auf dem Weg, das Zehnfache der Energie von 2023 zu verbrauchen — vor allem wegen der größeren Kontextfenster und der Multi-Agent-Orchestrierung, die moderne Coding-Agenten möglich machen.

Das Alan Turing Institute hat modelliert, wie das für britische Unternehmen aussieht. Für jedes in KI-Lizenzen ausgegebene Pfund gibt das Unternehmen im ersten Jahr zusätzlich 1,80 Pfund für Compute, Storage und Netzwerk aus (360strategy.co.uk). Bis zum dritten Jahr steigt dieses Verhältnis auf 3,20 Pfund. Die Lizenzkosten sind nur ein kleiner Teil dessen, was KI im Betrieb wirklich kostet.

Wo uns das hinterlässt

Das Ende des billigen Vibe Coding ist kein Rückschritt. Es ist die Rechnung, die kommt. Die Vorstellung, jeder könne sich für 20 Dollar pro Monat ein Software-Team mieten, musste irgendwann zerbrechen. Milliarden Risikokapital und unterbewertete Rechenkosten haben das Versprechen auf Distanz gehalten — das hält nicht ewig.

Anthropic, GitHub, Cursor und Replit rechnen jetzt näher an dem, was diese Systeme tatsächlich kosten. Agentisches Coding bleibt eine nützliche Technologie. Wenn es funktioniert, kann es Wochen in Stunden komprimieren. Aber es funktioniert, indem es große, energiehungrige Compute-Cluster orchestriert — und jemand muss diese Cluster bezahlen.

Die Ära der unbegrenzten Loops ist vorbei — für Unternehmen wie für Solo-Entwickler. Was jetzt funktioniert, sieht eher aus wie normales Engineering mit KI darin: Budgetdisziplin, sorgfältiges Kontext-Management und ein Senior-Mensch im Loop, der beurteilen kann, ob der generierte Code tatsächlich richtig ist. Das Modell schreibt viel Code. Zu wissen, ob man ihn ausliefern soll, bleibt der Teil, der einen Menschen verlangt.