Wie KI einen TypeScript-Engineer zu Python führte

Für den Großteil meiner Laufbahn reichte TypeScript. React und Next.js im Frontend, NestJS oder Express im Backend – eine Sprache von der Datenbank bis zum Button. Dann wurde KI von einem einzelnen API-Aufruf zu einem echten Produktbestandteil, und ich stieß immer wieder auf dieselbe Wand: Der spannende Code war in Python geschrieben.

LLM-APIs haben gute JavaScript-SDKs, und OpenAI und Anthropic integriere ich weiterhin über Node.js. Sobald die Arbeit aber unter die API-Ebene geht – ein Modell selbst ausführen, Embeddings in großem Maßstab oder Audio –, ist das Ökosystem Python: PyTorch, Hugging Face, NumPy, Jupyter-Notebooks und Forschungs-Repositories mit requirements.txt, aber ohne npm-Alternative. Text-to-Speech mit StyleTTS2 und Hörbuch-Pipelines waren der Punkt, an dem Python zu lesen keine Option mehr war.

Als erfahrener Engineer lernt man eine weitere Sprache anders als die erste. Man muss nicht lernen, was eine Schleife ist, sondern die Kultur verstehen: virtuelle Umgebungen und festgeschriebene Abhängigkeiten, weil ein Modell-Repository, das letzten Monat lief, mit einer neuen Torch-Version brechen kann. Type Hints und Pydantic fühlen sich TypeScript und Zod ähnlich an. async in FastAPI passt gut zu dem, was ich aus Node kenne. Und die Notebook-Gewohnheit: in Jupyter erkunden und Funktionierendes anschließend mit Tests in ein richtiges Modul überführen.

KI selbst hat das Lernen beschleunigt. Für die Sprache, in der ich schwächer bin, nutze ich Modelle als Pair Programmer: Erkläre diese Redewendung, schreibe diese JavaScript-Gewohnheit idiomatisch in Python um, warum hat dieser Tensor die falsche Form? Dabei gilt eine Regel: Jede Antwort wie einen Pull Request eines Juniors behandeln – lesen, ausführen und verstehen, bevor sie übernommen wird. KI beschleunigt das Lernen, ersetzt es aber nicht.

Im Produktivbetrieb halte ich die Zuständigkeiten einfach. Node.js und TypeScript verantworten das Produkt: Authentifizierung, API, Zahlungen und UI. Python verantwortet die Modellarbeit: Inferenz, Audio und Datenverarbeitung – meist als eigener Service oder Worker hinter einer Queue, der über HTTP oder Jobs mit typisiertem Vertrag mit dem Produkt spricht. Jede Sprache macht, was ihr Ökosystem am besten kann; keine greift in die Zuständigkeit der anderen ein.

Python hat TypeScript für mich nicht ersetzt, sondern meinen Handlungsspielraum erweitert. Vor einigen Jahren bedeutete „Full Stack“ den Weg von der Datenbank bis zum Browser. Im KI-Zeitalter gehört dazu auch, ein Modell-Repository zu öffnen, den tatsächlichen Ablauf zu verstehen und das Modell selbst auszuführen. Wenn Ihr Produkt einen Modellschritt und eine richtige Webanwendung darum herum braucht, arbeite ich gern genau an dieser Schnittstelle.