Stack Overflow stirbt: 5 Mythen über seinen Nachfolger

Stack Overflow bekommt inzwischen weniger als 1.000 neue Fragen im Monat – weniger als im zweiten Monat seines Bestehens, im Jahr 2008. Wenn du in den letzten fünfzehn Jahren programmieren gelernt hast, sollte dich diese Zahl kurz innehalten lassen. Die Seite, die die Wissensschicht der Entwickler im Internet war, ist praktisch zum Stillstand gekommen. Die einfache Erklärung lautet, ChatGPT habe sie umgebracht. Diese Erklärung ist falsch, zumindest aber stark unvollständig, und die falsche Diagnose ist wichtig, weil wir alle gerade implizit mitentwerfen, was als Nächstes kommt.

Ich habe in den letzten Jahren ML-Systeme gebaut und dabei zugesehen, wie meine eigenen Fragegewohnheiten von „suchen, drei Antworten lesen, zusammenfassen“ zu „Fehlermeldung in ein Chatfenster kopieren“ geschrumpft sind. Also machen wir das ordentlich: fünf Annahmen, die ich immer wieder über den Niedergang von Stack Overflow höre, geprüft gegen das, was tatsächlich stimmt.

Mythos 1: LLMs haben Stack Overflow umgebracht

Das ist die vorherrschende Erzählung, und sie ist halb richtig. Der Launch von ChatGPT Ende 2022 hat den Niedergang eindeutig beschleunigt – die Kurve der Fragenanzahl knickt genau an dieser Stelle heftig nach unten. Schaut man sich aber den längeren Trend an, erreichte die monatliche Fragenzahl von Stack Overflow ihren Höhepunkt schon Jahre früher und war bereits grob auf die Hälfte ihres lokalen Hochs gefallen, bevor überhaupt jemand einen Stack Trace in einen Chatbot kopiert hat. Die Seite war seit etwa 2014 ungefähr flach und seit etwa 2017 rückläufig, mit einem kurzen Corona-Aufschwung 2020.

Was tatsächlich passiert ist, gleicht eher einem Patienten mit einer chronischen Krankheit, dem ein anderer, tödlicher Schlag versetzt wird. Die chronische Krankheit war selbst verschuldet: eine Moderationskultur, die auf kanonische Antworten optimiert war – auf Kosten der Menschen, die Fragen stellten. Wenn deine Frage zu 80 % mit einer bestehenden übereinstimmte, wurde sie als Duplikat geschlossen, selbst wenn genau die restlichen 20 % der Punkt waren. Moderatoren schrieben deine Formulierungen in einen sterilen Hausstil um. Neue Nutzer lernten schnell, dass Fragen stellen ein Spießrutenlauf war. Gleichzeitig waren die einfachen Fragen – die früher Tausende neuer Beiträge pro Tag brachten – bis 2015 längst gestellt und beantwortet.

Als LLMs auftauchten, mussten sie Stack Overflow also nicht in seiner besten Form schlagen. Sie mussten nur das Erlebnis schlagen, dort eine Frage zu stellen: keine Downvotes, keine Duplikat-Markierungen, kein Warten drei Tage auf einen beiläufigen Kommentar, der dir sagt, du sollst die Doku lesen. Das Modell antwortet sofort, höflich und im Kontext deines Codes. Das ist kein fairer Kampf, und das war es nie. Fazit: Die LLMs waren der Henker, aber die Dynamik der Community hat die Waffe geladen.

Mythos 2: Der Inhalt ist immer noch wertvoll, also wird die Seite überleben

Es gibt die beruhigende Vorstellung, dass das Korpus von Stack Overflow – zig Millionen beantworteter Fragen – das Überleben garantiert. Tut es nicht, und zwar aus einem Grund, den jeder kennt, der in letzter Zeit danach gesucht hat: Die Antworten sind zeitlich eingefroren. Eine Frage zu einem beliebten JavaScript-Framework, 2013 beantwortet, liefert heute eine Top-Antwort, die nicht nur veraltet, sondern aktiv irreführend ist, und die Struktur der Seite erschwert Korrekturen. Du kannst eine kanonische Frage nicht neu stellen, um eine moderne Antwort zu bekommen, denn sie wird als Duplikat der veralteten geschlossen. Akzeptierte Antworten bleiben oben angepinnt, selbst wenn eine bessere Antwort von vier Jahre später dreimal so viele Upvotes hat.

Eine Wissensbasis, die man nicht auffrischen kann, ist kein Vermögenswert, sondern eine Belastung mit guter SEO. Und hier wird die Ironie dicht: Der wichtigste verbleibende Geldwert dieses Korpus besteht darin, es an KI-Unternehmen als Trainingsdaten zu lizenzieren. Stack Overflow hat genau solche Deals abgeschlossen, was unter den Beitragenden, die den Inhalt geschrieben haben, für einen Aufstand sorgte – der Deal, für den sie sich angemeldet hatten, war kostenlose Antworten im Austausch für offene Daten, und der Verkauf brach den stillschweigenden Vertrag. Einige Nutzer mit hoher Reputation versuchten aus Protest, ihre eigenen Antworten zu löschen oder zu verunstalten. Wenn deine wertvollsten Nutzer dein Kapital sabotieren, hast du kein tragfähiges Geschäft, sondern eine Liquidation.

Ich erwarte, dass die Domain noch jahrelang erreichbar bleibt – allein der Traffic von alten Links ist etwas wert –, aber als lebendes System zur Erzeugung neuen Wissens ist sie vorbei. Fazit: widerlegt. Inhalte verrotten, und die Struktur verhindert, dass der Verfall behoben wird.

Mythos 3: LLMs haben die Wissensfunktion vollständig ersetzt

Hier werde ich meinungsstark, denn dieser Mythos schlägt in die andere Richtung – es ist die KI-optimistische Version, und sie ist ebenfalls falsch. Stack Overflow hat etwas getan, was LLMs grundsätzlich nicht können: Es hat neues Wissen erzeugt. Wenn eine brandneue Bibliothek mit einer verwirrenden API und null Dokumentation erschien, stieß jemand an eine Wand, stellte eine Frage, und eine Person, die die Lösung herausgefunden hatte, schrieb die erste öffentliche Erklärung im Netz. Diese Antwort wurde danach zu Trainingsdaten, Suchergebnissen und einer Art Dokumentation durch die Hintertür für alle Nachfolgenden.

LLMs sind außergewöhnlich gut in der Hälfte dieser Schleife, die aus Abruf und Synthese besteht, und strukturell unfähig zur Erzeugungshälfte. Frag ein Modell nach einer obskuren Wechselwirkung zwischen einem zwei Wochen alten Framework-Release und einer bestimmten Postgres-Erweiterung, und du bekommst eine flüssige, selbstsichere, erfundene Antwort – weil bisher schlicht kein Mensch irgendwo darüber geschrieben hat. Ich stoße bei schnelllebigen ML-Werkzeugen ständig darauf. Das Modell weiß nicht, was es nicht weiß, und erst recht nicht, dass das Ding letzten Dienstag erschienen ist.

Genau das sollte uns Sorgen machen. Wir haben eine Eingangstür zu Antworten gebaut, die hervorragend funktioniert, solange irgendjemand irgendwo das zugrunde liegende Wissen noch in Text erzeugt, den die Modelle verarbeiten können. Stack Overflow war einer der größten Erzeuger. Tötet man den Erzeuger, behält aber den Synthesizer, hat man ein Wissenssystem gebaut, das langsam verhungert – jede Modellgeneration wird auf einem etwas veralteteren, etwas stärker von Modellen verseuchten Netz trainiert. Wenn du unseren Beitrag warum KI-Benchmarks den größten Teil der echten Arbeit verfehlen gelesen hast, ist das dieselbe Lücke auf Ökosystemebene: Der messbare, flüssige Antwortteil der Arbeit wird erledigt, und der harte, unglamouröse Erzeugungsteil wird finanziell ausgehungert.

Wir haben das Wissenssystem nicht ersetzt. Wir haben die Oberfläche ersetzt und vergessen, dass die Oberfläche nie das Schwierige war.

Fazit: widerlegt, und er ist der gefährlichste Mythos auf dieser Liste.

Mythos 4: Ein besser moderierter Klon hätte überlebt

Ein großer Teil der Nachbetrachtungen konzentriert sich auf die Kultur von Stack Overflow – die duplikatbesessenen Moderatoren, die umgeschriebenen Fragen, die Kälte gegenüber Neulingen – und schließt daraus, eine freundlichere Q&A-Seite hätte florieren können. Dem glaube ich nicht. Die Kultur hat den Niedergang beschleunigt, aber das strukturelle Problem hätte auch einen warmen, einladenden Klon versenkt: Die Ökonomie ehrenamtlicher Expertise ist kollabiert.

Denk darüber nach, warum Experten 2012 Fragen beantwortet haben. Reputationspunkte waren ein echter Nachweis – Recruiter sahen sich Profile an. Antworten zu geben war eine Möglichkeit, eine Technologie gründlich zu lernen. Und es gab eine sichtbare Community: Man sah immer dieselben Namen, baute Status auf und traf manchmal Leute im echten Leben über den Chat und Nachbarseiten. Bis Ende der 2010er-Jahre waren alle drei Säulen geschwächt. Der Wert der Anerkennung schwand, als der kulturelle Stellenwert der Seite zurückging. Der Anreiz, durch Antworten zu lernen, blieb bestehen, aber die Fragen, die sich zu beantworten lohnten, versiegten – die verbleibende Warteschlange bestand überwiegend aus schlecht formulierten Anfängerfragen. Und die Community dünnte aus, als die engagiertesten Leute abwanderten oder aus Protest gegen die Neulizenzierung und die Datendeals gingen.

Dann nahmen die LLMs den letzten Anreiz weg: Warum vierzig Minuten in eine sorgfältige Antwort für imaginäre Punkte investieren, wenn der Fragesteller anderswo sofort eine ordentliche Antwort bekommt – und deine Antwort ohnehin als unlizenziert wirkende Trainingsdaten enden könnte? Jeder Kommentarstrang zu dieser Geschichte ist voll von ehemaligen Nutzern mit hoher Reputation, die sinngemäß sagen: „Ich habe es geliebt zu antworten, und dann... habe ich einfach aufgehört.“ Eine Person in der jüngsten Diskussion erwähnte einen Reputationswert von 29.000 und 645 Antworten und musste überlegen, dass es die Seite überhaupt noch gibt. Aus so etwas kann man seine Moderationsrichtlinien nicht per A/B-Test herausholen. Fazit: größtenteils widerlegt – Freundlichkeit hätte das Ausbluten verlangsamt, nicht gestoppt.

Mythos 5: Was auch immer es ersetzt, wird wie eine Website aussehen

Alle paar Monate verkündet jemand ein „Stack Overflow für das KI-Zeitalter“, und es hat immer dieselbe Form: eine öffentliche Q&A-Seite mit Votes und Abzeichen. Ich halte das für Nostalgie, nicht für Analyse. Das Ersatzsystem, das sich tatsächlich herausbildet, ist ein geschichtetes System, und nur eine Schicht ist öffentlich.

Nach dem, was ich in Teams sehe, mit denen ich arbeite, fließt Entwicklerwissen inzwischen über etwa vier Kanäle:

• Das LLM als Eingangstür. Erster Anlaufpunkt für fast alles, besonders für Fehler und API-Nutzung. Schnell, privat, ohne soziale Kosten. Diese Schicht hat gewonnen und kommt nicht zurück.
• Privates Team-Gedächtnis. Interne Wikis, Slack-Archive und zunehmend Retrieval-gestützte Assistenten, die auf deine eigene Codebasis und Postmortems zeigen. Hier lebt inzwischen das wirklich wertvolle neue Wissen – und es ist bewusst nicht öffentlich.
• Öffentliche Enklaven mit hohem Signalwert. Discord-Server zu bestimmten Tools, GitHub Discussions, Issue-Tracker. Kleiner, wärmer und eng genug abgegrenzt, dass Moderation funktioniert. Wenn ich eine echte Frage zu einer neuen Bibliothek habe, gehe ich auf deren Discord, nicht auf eine allgemeine Q&A-Seite.
• Quellmaterial. Dokumentation, RFCs und der Code selbst. Den Quellcode zu lesen wurde von der letzten Option zur zweiten Anlaufstelle, unter anderem weil KI-Werkzeuge das Navigieren in fremden Codebasen erheblich günstiger machen.

Auffällig fehlt: ein einziges öffentliches Gemeingut, in dem schwierige neue Fragen für alle beantwortet werden. Jede Schicht ist für sich rational und zusammen verarmend. Privates Team-Wissen sickert nie nach außen. Discord-Server sind von außen nicht durchsuchbar und archivierungsfeindlich – ein Problem, über das wir im Zusammenhang mit dem Verlust des Gedächtnisses im Web geschrieben haben. Und die LLM-Eingangstür verbraucht öffentlichen Text, ohne selbst welchen zu produzieren.

Fazit: bestätigt, dass die monolithische Seite tot ist; offen bleibt, ob die geschichtete Nachfolge überhaupt eine öffentliche Schicht tragen kann.

Wissenssysteme entwerfen, die nicht verhungern

Wenn du Entwicklerwerkzeuge, interne Plattformen oder Community-Infrastruktur baust, liefert die Nachbetrachtung von Stack Overflow konkrete Lehren. Ich bin bei vier Designprinzipien gelandet, und ich gebe zu, dass das vierte dasjenige ist, bei dem ich am wenigsten sicher bin, dass wir es gelöst haben.

Erstens: Aktualität als Funktion behandeln, nicht als Moderationsproblem. Stack Overflow hat alte Antworten als kanonisch und neue Beiträge als Duplikate behandelt. Dreh das um. Versioniere deine Antworten. Lass eine Frage bei jedem größeren Framework-Release neu stellen und mach den zeitlichen Kontext explizit – „Stand React 19“ schlägt eine einzige unsterbliche Antwort. Die Systeme, die das gut machen (offizielle Dokumentation mit versionierten Seiten, manche Wikis), sind diejenigen, denen Menschen weiterhin vertrauen.

Zweitens: die Bewertungsschleife in den Workflow einbauen. Die Genialität von Stack Overflow war das Voting: ein billiges, dauerhaftes Signal für die Qualität einer Antwort. LLM-Antworten haben standardmäßig keine solche Schleife – du bekommst Flüssigkeit, nicht Verifikation. Meiner Erfahrung nach besteht die Lösung nicht darin, das Modell seine eigene Antwort prüfen zu lassen (das erzeugt meist selbstsicher klingende Zustimmung), sondern darin, den Kontakt mit der Realität zu erzwingen. Führ den Code aus. Prüf die Version. Wenn ich ein LLM für etwas über Boilerplate hinaus nutze, behandle ich seine Ausgabe so, wie wir den Pull Request eines Praktikanten behandeln: plausibel, bis getestet. Unser Artikel über Verständnisprüfungen gegenüber Tests für KI-generierten Code geht ausführlich darauf ein, wo welcher Ansatz Fehler abfängt. Die Teams, die echten Nutzen aus KI-Assistenten ziehen, sind diejenigen, die Tests und Linter direkt in die Generierungsschleife eingebunden haben, nicht diejenigen, die dem Fließtext vertraut haben.

Drittens: Anreize müssen den Kontakt mit kostenlosen Alternativen überleben. Punkte und Abzeichen starben in dem Moment, als es eine sofortige, private Antwort gab. Was motiviert Menschen heute noch, öffentlich etwas aufzuschreiben? Status innerhalb einer bestimmten Community (eng gefasst schlägt global), direkter beruflicher Nutzen (Doku-Beiträge mit deinem Namen, Material für Konferenzvorträge) und Gegenseitigkeit in Räumen, die klein genug sind, dass dir heute zu helfen bedeutet, dass dir nächsten Monat geholfen wird. Entwirf für diese Dinge, nicht für Bestenlisten-Gamification.

Viertens – der schwierige – eine öffentliche Erzeugungsschicht am Leben erhalten. Irgendjemand muss die erste Antwort zu dem Ding schreiben, das letzte Woche erschienen ist, an einem Ort, den Crawler und künftige Modelle erreichen. Im Moment fällt diese Last auf GitHub-Issues, persönliche Blogs und Herstellerdokumentation, ungleich verteilt und unkoordiniert. Wenn du ein Tool-Anbieter bist, ist das tatsächlich eine Chance: Ein gut gepflegtes öffentliches Diskussionsforum zu deinem Produkt ist inzwischen ein Wettbewerbsvorteil, weil es bestimmt, was die Modelle über dich sagen. Und wenn das hart erarbeitete interne Wissen deines Teams sich aufbauen statt verdampfen soll, sobald Leute gehen, dann schlägt ein interner, auf die eigenen Dokumente gestützter Assistent die Hoffnung, dass Leute daran denken, das Wiki zu aktualisieren – aber nur, wenn du gleichzeitig den Anreiz für das Schreiben der Dokumentation reparierst.

Was wir tatsächlich verloren haben

Lässt man die Nostalgie beiseite, ist der Niedergang von Stack Overflow eine Fallstudie darüber, wie technische Infrastruktur verrottet: nicht durch einen einzelnen Schlag, sondern durch sich über Jahre aufschaukelnde, fehlgerichtete Anreize, bis ein Ersatz den Verfall sichtbar macht. Die Seite hat das Artefakt optimiert – die kanonische Antwort – und vergessen, dass Artefakte von Menschen erzeugt werden, die einen Grund brauchen, überhaupt aufzutauchen.

Die pragmatische Haltung, für die ich plädieren würde, lautet: kurz trauern und es dann als Designauftrag behandeln. Die LLM-Eingangstür ist für 90 % dessen, was Stack Overflow getan hat, tatsächlich besser, und das sollten wir offen aussprechen, statt Trauer vorzuspielen. Aber die verbleibenden 10 % – neues öffentliches Wissen erzeugen, es an der Realität prüfen, frisch halten – sind jetzt das Problem aller und die Aufgabe niemandes. Die Teams und Communities, die das Anreizproblem für diese 10 % lösen, werden das nächste Jahrzehnt des Entwicklerwissens besitzen. Diejenigen, die annehmen, der Chatbot habe das schon im Griff, werden langsam und dann auf einmal herausfinden, was eine Antwort wert ist, wenn niemand sie geschrieben hat.