Data Science Web Development

Wo steht Python im Jahr 2025?

Read this post in other languages:

Dies ist ein Gastbeitrag von Michael Kennedy, Gründer von Talk Python und Fellow der Python Software Foundation.

Wo steht Python im Jahr 2025?

Willkommen zu den Highlights, Trends und aktionsrelevanten Erkenntnissen aus der 8. jährlichen Python-Entwicklerumfrage. Diese Umfrage wird von der Python Software Foundation und dem PyCharm-Team von JetBrains gemeinsam durchgeführt.

Mein Name ist Michael Kennedy. Ich habe die Antworten der mehr als 30.000 Umfrageteilnehmer*innen analysiert, die wichtigsten Trends und Prognosen herausgearbeitet sowie verschiedene Handlungsempfehlungen zur Förderung Ihrer Python-Karriere identifiziert.

Als Gastgeber des Talk Python to Me-Podcasts bin ich in einer einzigartigen Position. In den vergangenen zehn Jahren habe ich jede Woche Interviews mit den Menschen geführt, die hinter den wichtigsten Bibliotheken und Sprachtrends im Python-Ökosystem stehen. In diesem Artikel möchte ich diese Erfahrung nutzen, um die Ergebnisse dieser wichtigen jährlichen Umfrage zu interpretieren.

Wenn Ihre Arbeit oder Ihre Produkte und Services auf Python basieren, oder wenn Sie sich im weiteren Sinne mit Softwareentwicklung beschäftigen, sollten Sie diesen Artikel lesen. Er enthält zahlreiche Informationen, die sich kaum aus anderen Quellen gewinnen lassen.

Zentrale Python-Trends im Jahr 2025

Sehen wir uns die wichtigsten Trends an, die sich aus den Ergebnissen der Python-Umfrage ergeben. 

Zentrale Python-Trends im Jahr 2025

Note: Wo steht Python im Jahr 2025?
Basierend auf den Umfrageantworten von über 30.000 Python-Entwickler*innen.

* 50% der Python-Entwickler*innen haben weniger als 2 Jahre Berufserfahrung
* 51% verwenden Python für Datenexploration und -verarbeitung
* 46% verwenden Python für Webentwicklung
* Die Nutzung von FastAPI stieg innerhalb eines Jahres von 29% auf 38%
* 83% verwenden ältere Python-Versionen
* Jeder Dritte trägt zu Open Source bei:
✔️ 78% schreiben Code
✔️ 40% schreiben Dokumentationen
* Bei Webservern gibt es eine Verlagerung zu asynchronem Code und Rust-basierten Tools

Wohin entwickelt sich Python?
* 69% wollen KI-Coding-Agents ausprobieren. Die Nutzung von agentenbasierter KI wird schnell zunehmen
* Paralleles Threading wird in Python 3.14 eingeführt. Async, await und Threading sind unverzichtbar
* GUI- und Mobilentwicklung sind auf dem Vormarsch

Empfehlungen für 2025
✔️ Testen Sie agentenbasierte KIs zur Steigerung Ihrer Produktivität
✔️ Lernen Sie uv für ein schnelleres Paketmanagement
✔️ Halten Sie Inhalte und Tools einsteigerfreundlich

Die Python-Entwicklerumfrage ist ein gemeinsames Projekt von Python Software Foundation und JetBrains PyCharm.

Bei der Erkundung dieser Erkenntnisse können die richtigen Tools für Ihre Projekte den entscheidenden Unterschied ausmachen. Testen Sie PyCharm kostenlos und profitieren Sie von einer Ausstattung, die innerhalb einer leistungsstarken Python-IDE alles enthält, was Sie für Data Science, ML/KI-Workflows und Webentwicklung benötigen.

Python-Nutzer*innen nutzen Python

Kommen wir als Erstes darauf zu sprechen, wie zentral Python für die Menschen ist, die es benutzen. Python-Nutzer*innen verwenden hauptsächlich Python. Das mag offensichtlich klingen. Entwickler*innen verwenden jedoch viele Sprachen neben ihrer Hauptsprache. Zum Beispiel könnten Webentwickler*innen Python, C# oder Java als Hauptsprache verwenden, aber daneben auch CSS, HTML und sogar JavaScript nutzen.

Andererseits verwenden auch Entwickler*innen, die hauptsächlich mit Node.js oder Deno arbeiten, JavaScript – allerdings nicht als Hauptsprache.

Die Umfrage zeigt, dass 86% der Befragten Python als Hauptsprache zum Schreiben von Computerprogrammen, zum Entwickeln von Anwendungen, zum Erstellen von APIs und für weitere Zwecke verwenden.

Python-Nutzungsstatistiken

Note: Python-Nutzung allgemein: Haupt- oder Nebensprache
* Nebensprache 14%
* Hauptsprache 86%

Frischgebackene Programmierer*innen sind in der Mehrheit

Diejenigen unter uns, die schon lange programmieren – ich zähle mich selbst zu dieser Kategorie, da ich seit fast 30 Jahren Code schreibe – erliegen leicht der Vorstellung, dass die meisten Menschen in der Branche über erhebliche Erfahrung verfügen. Das ist eine absolut vernünftige Annahme. Wir gehen auf Konferenzen und sprechen mit Leuten, die schon seit 10 oder 20 Jahren programmieren. Wir blicken uns im Kollegenkreis um und sehen Menschen, von denen viele schon lange programmieren und mit Python arbeiten.

Aber das entspricht nicht dem breiteren Python-Ökosystem.

Genau 50% der Befragten haben weniger als zwei Jahre Berufserfahrung in der Programmierung! Und 39% haben weniger als zwei Jahre Erfahrung mit Python (einschließlich Hobby- und Bildungsbereich).

Demografische Statistiken zu Python

Note: Wie lange sind Sie schon in der IT-Branche tätig?
* Weniger als 1 Jahr 31%
* 1–2 Jahre 19%
* 3–5 Jahre 20%
* 6–10 Jahre 13%
* Mehr als 11 Jahre 17%

Dieses Ergebnis bestätigt einmal mehr, dass Python eine großartige Sprache für Berufseinsteiger*innen ist. Die einfache (aber nicht simplistische) Syntax und der leichte Zugang sprechen sowohl Nachwuchsprogrammierer*innen als auch erfahrene Entwickler*innen an. Viele von uns lieben das Programmieren und Python und freuen sich, dies mit neueren Community-Mitgliedern zu teilen.

Es liegt jedoch nahe, dass wir diese demografischen Erkenntnisse berücksichtigen sollten, wenn wir Inhalte für die Community konzipieren. Wenn Sie ein Tutorial oder eine Videodemonstration erstellen, sollten Sie nicht an den Schritten sparen, die den Einstieg erleichtern. Fordern Sie Ihr Publikum zum Beispiel nicht einfach auf, das Paket zu installieren. Erklären Sie ihnen, dass sie eine virtuelle Umgebung anlegen müssen, und zeigen Sie ihnen, wie das geht und wie sie die Umgebung aktivieren können. Geben Sie ihnen eine Anleitung zum Installieren des Pakets in dieser virtuellen Umgebung.

Wenn Sie ein Toolanbieter wie JetBrains sind, sollten Sie bedenken, dass viele Ihrer Benutzer*innen noch nicht viel mit Programmierung und mit Python selbst zu tun hatten. Das bedeutet nicht, dass Sie auf fortgeschrittene Funktionen verzichten oder Ihre Produkte idiotensicher machen sollten – aber legen Sie Anfänger*innen keine unnötigen Steine in den Weg.

Data Science macht mehr als die Hälfte der Python-Nutzung aus

In diesem Jahr beschäftigen sich 51% aller befragten Python-Entwickler*innen mit Datenexploration und -verarbeitung, wobei pandas und NumPy die meistverwendeten Tools dafür sind.

Viele von uns im Python-Kommentariat haben über die Aufteilung von Python in drei gleich große Bereiche gesprochen: ein Drittel Webentwicklung, ein Drittel Data Science und sonstige Wissenschaften und ein Drittel für alles Übrige.

Wir müssen diese Position jetzt überdenken, da eines dieser Drittel heute einen überwältigenden Teil von Python ausmacht.

Dabei nimmt derzeit nicht nur das Interesse an Daten und KI massiv zu – damit einhergehend gibt es auch einen explosionsartigen Anstieg bei der Entwicklung von Tools für diesen Bereich. Es gibt Datenverarbeitungstools wie Polars, neue Möglichkeiten für die Arbeit mit Notebooks wie Marimo und eine Vielzahl von benutzerfreundlichen Paketen für die Arbeit mit LLMs, Vision-Modellen und Agents (z. B. Transformers, Diffusers, smolagents, LangChain/LangGraph, LlamaIndex).

Der Schwerpunkt von Python hat sich eindeutig weiter in Richtung Daten/KI verschoben.

Trotz der Vorteile der neueren Python-Releases stellen ältere Versionen immer noch die Mehrheit 

Die Umfrage zeigt eine Verteilung zwischen den neuesten und älteren Versionen der Python-Laufzeitumgebung. Viele (15%) arbeiten mit der allerneuesten veröffentlichten Python-Version, aber die meisten (83%) nutzen Versionen, die mindestens ein Jahr alt sind.

Verteilung der Python-Versionen

Note: Welche Python-Version verwenden Sie?
* Python 3.14 2%
* Python 3.13 15%
* Python 3.12 35%
* Python 3.11 21%
* Python 3.10 15%
* Python 3.9 6%
* Python 3.8 3%
* Python 3.7 1%
* Python 3.6 1%
* Python 3.5 oder niedriger 1%

Die Umfrage zeigt auch, dass viele von uns Docker und Container zum Ausführen von Code verwenden – das macht den Wert von 83% oder höher noch erstaunlicher. Bei Containern wählt man einfach im Container die neueste Version von Python aus. Da alles isoliert ist, muss man sich nicht um Wechselwirkungen mit dem Rest des Systems kümmern, zum Beispiel mit dem Python des Linux-Systems. Die Containerisierung sollte eigentlich mehr Flexibilität bieten und uns den Wechsel zur neuesten Version von Python erleichtern.

Warum aktualisieren die Leute dann nicht auf die neueste Python-Version? Aus den Umfrageergebnissen sind zwei Hauptgründe ersichtlich.

  1. Die Version, die ich verwende, erfüllt alle meine Anforderungen (53%)
  2. Ich hatte noch keine Zeit für ein Update (25%)

Die 83% der Entwickler*innen, die mit älteren Python-Versionen arbeiten, verpassen möglicherweise viel mehr, als ihnen bewusst ist. Es geht nicht nur darum, dass ihnen einige Sprachmerkmale fehlen, wie etwa das Schlüsselwort except oder kleine Verbesserungen in der Standardbibliothek wie tomllib. Python 3.11, 3.12 und 3.13 bringen alle erhebliche Leistungsverbesserungen mit, und die bevorstehende Version 3.14 wird noch mehr bieten.

Das Wunderbare ist, dass wir diese Vorteile nutzen können, ohne unseren Code zu ändern. Wir wählen einfach eine neuere Laufzeitumgebung, und unser Code wird schneller ausgeführt. CPython ist extrem gut in Sachen Abwärtskompatibilität. Ein Upgrade ist selten mit großem Aufwand verbunden. Sehen wir uns ein paar Zahlen an.

48% der Benutzer*innen verwenden derzeit Python 3.11. Ein Upgrade auf 3.13 führt dazu, dass ihr Code insgesamt ca. 11% schneller ausgeführt wird und ca. 10–15% weniger Arbeitsspeicher benötigt.

Die 27%, die noch mit 3.10 oder älter arbeiten, erhalten einen satten Geschwindigkeitszuwachs von ca. 42% (ohne Codeänderungen), und der Speicherbedarf kann um ca. 20–30% sinken!

Vielleicht kommen sie dann trotzdem zum Schluss: „Na ja, für uns ist das schnell genug. Wir haben nicht so viel Datenverkehr usw.“ Aber wenn es ihnen so geht wie den meisten mittleren und großen Unternehmen, dann ist das eine unglaubliche Verschwendung von Cloud-Computing-Kosten (und über den Energieverbrauch ist das auch mit Umweltschäden verbunden).

Die Forschung hat einige Schätzungen für Cloud-Computing (speziell für Rechenlasten) ergeben:

  • Mittleres Marktsegment / Unternehmen mittlerer Größe
    • Gesamte jährliche AWS-Rechnung (Median): ca. 2,3 Mio. USD pro Jahr (vendr.com)
    • EC2-Anteil (Recheninstanzen, ca. 50–70% dieser Rechnung): 1,15–1,6 Mio USD pro Jahr (cloudlaya.com)
  • Großkonzerne
    • Gesamte jährliche AWS-Rechnung: ca. 24–36 Mio. USD pro Jahr (d. h. 2–3 Mio. USD pro Monat) (reddit.com)
    • EC2-Anteil (ca. 50–70%): 12–25 Mio USD pro Jahr (cloudlaya.com)

Wenn wir von der Verwendung von Python 3.10 ausgehen, sind das potenziell 420.000 USD bzw. 5,6 Mio. USD an Einsparungen (30% der EC2-Kosten).

Wenn Ihr Unternehmen dahinterkommt, dass Sie 0,4 bis 5 Millionen Dollar pro Jahr zusätzlich verbrennen, weil Sie den einen Tag, der für ein Upgrade nötig ist, nicht investiert haben, dann dürfte das eine schwierige Unterhaltung werden.

Abgesehen von den finanziellen und Umweltaspekten ist es wirklich toll, die neuesten Sprachmerkmale nutzen zu können und mit der bedeutenden Arbeit der Sprachkern-Entwickler*innen Schritt zu halten. Macht also Upgrades zu einer Priorität, Leute.

Renaissance der Python-Webentwicklung

In den letzten Jahren haben wir gehört, dass die Bedeutung der Webentwicklung im Python-Bereich zurückgeht. Zwei starke Kräfte könnten hier im Spiel sein: 1) Da immer mehr Leute, die sich mit Data Science und KI beschäftigen, auf Python umsteigen, sinkt der prozentuale Anteil der relativ statischen Zahl der Webentwickler*innen. 2) Das Web ist nach wie vor auf das Frontend fokussiert, und bis Python im Browser eine funktionierende Realität wird, werden Webentwickler*innen zu JavaScript tendieren.

Betrachtet man die Zahlen von 2021 bis 2023, so ist der Trend klar rückläufig 45% → 43% → 42%. Aber in diesem Jahr ist das Web zurück! 46% der Befragten gaben an, dass sie im Jahr 2024 Python für die Webentwicklung verwenden. Diese Hypothese wird dadurch weiter untermauert, dass die „sekundären“ Websprachen ebenfalls zugelegt haben: die Nutzung von HTML/CSS hat um 15%, die von JavaScript um 14% und die von SQL um 16% zugenommen.

Einsatzbereiche von Python

Note: Wofür verwenden Sie Python?
* Datenanalyse
* Webentwicklung
* Maschinelles Lernen

Der größte Gewinner unter den Python-Web-Frameworks war FastAPI mit einem Anstieg von 29% auf 38% (30% Zuwachs). Zwar haben alle großen Frameworks im Vergleich zum Vorjahr zugelegt, aber der Sprung von FastAPI um fast 30% ist beeindruckend. Über die Gründe kann ich nur spekulieren. Mein Eindruck ist, dass dieser sprunghafte Anstieg bei der Nutzung von Python für die Webentwicklung zum Teil auf die große Anzahl der Python-Neulinge zurückgehen könnte. Viele von ihnen sind im Bereich ML/AI/Data Science aktiv, und diese Leute haben oft keine jahrelange Erfahrung mit Flask oder Django. Sie entscheiden sich daher wahrscheinlich für das angesagteste Python-Web-Framework, und das scheint heute FastAPI zu sein. Es gibt viele Beispiele für das Hosting von ML-Modellen hinter FastAPI-APIs.

Nutzung von Python-Web-Frameworks

Note: Verwendung von Web-Frameworks
* FastAPI
* Django
* Flask

Die Nutzung von FastAPI stieg innerhalb eines Jahres von 29% auf 38%

Der Trend zu async-freundlichen Python-Web-Frameworks hat sich ebenfalls fortgesetzt. Bei Talk Python habe ich unsere Python-Web-App für asynchrones Flask umgeschrieben (ca. 10.000 Zeilen Python). Django hat kontinuierlich asynchrone Funktionen hinzugefügt, und der Funktionsumfang ist nun fast komplett. Allerdings benötigt in der aktuellen Version 5.2 die DB-Schicht noch ein wenig Arbeit, wie das Team sagt: „Wir arbeiten noch an der async-Unterstützung für das ORM und andere Teile von Django.“

Verlagerung zu asynchronem Code und Rust-basierten Tools bei Python-Webservern

Es sollte auch kurz erwähnt werden, dass es bei den App-Servern, die in der Produktion Python-Web-Apps und -APIs hosten, ebenfalls Änderungen gibt. Auf anekdotischer Basis sehe ich hier zwei Kräfte im Spiel: 1) Der Wechsel zu asynchronen Frameworks erfordert App-Server, die ASGI statt nur WSGI unterstützen. 2) Rust wird immer zentraler für die schnelle Ausführung von Python-Code (wir werden gleich näher darauf eingehen).

Der größte Verlust in diesem Bereich im vergangenen Jahr war der vollständige Untergang von uWSGI. Wir hielten sogar einen Python Bytes-Podcast mit dem Titel We Must Replace uWSGI With Something Else (Wir müssen uWSGI durch etwas anderes ersetzen), in dem wir uns im Detail mit dieser Situation beschäftigt haben. 

Auch der Anteil von Gunicorn an asynchronen Arbeitslasten ist angesichts von nativ asynchronen Servern wie uvicorn und Hypercorn, die eigenständig betrieben werden können, zurückgegangen. Neue Rust-basierte Server wie Granian haben ebenfalls eine solide Anhängerschaft gewonnen.

Wer Python heute schneller machen will, nimmt Rust

In den letzten Jahren hat sich Rust zum Performance-Copiloten von Python entwickelt. Auf dem Python Language Summit 2025 wurde enthüllt, dass „zwischen einem Viertel und einem Drittel des gesamten nativen Codes, der bei PyPI für neue Projekte hochgeladen wird, Rust verwendet“, was darauf hindeute, dass „die Leute sich dafür entscheiden, neue Projekte mit Rust anzugehen“.

Ein Blick in die Umfrageergebnisse zeigt, dass die Nutzung von Rust bei binären Erweiterungen von Python-Paketen von 27% auf 33% gestiegen ist.  

Sprachen von Python-Binärmodulen

Note: Sprachen zur Kompilierung von Binärmodulen für Python
* C++
* C
* Rust

Im Ökosystem ist dies am Erfolg von Polars bei Data Science und von Pydantic in so ziemlich allen Disziplinen ersichtlich. Wir beobachten das sogar bei Python-App-Servern wie dem relativ neuen Granian.

Bessere Werkzeuge für typisiertes Python

Ein weiterer wichtiger Trend in diesem Jahr ist die Typisierung von Python. Sie haben wahrscheinlich schon einmal Python-Typinformationen in Funktionsdefinitionen gesehen, wie z. B.: 

def add(x: int, y: int) -> int: ... 

Diese gibt es in Python schon seit einer Weile. Es gibt jedoch wiedererstarkte Bemühungen, die Verbreitung von typisiertem Python zu fördern und es toleranter zu machen. Tools wie mypy gibt es schon seit den Anfängen der Typisierung, aber das Ziel war dort eher die programminterne Konsistenz. Allein in den letzten Monaten wurden zwei neue, leistungsstarke Typisierungstools veröffentlicht:

  • ty von Astral – ein extrem schneller Typprüfer und Sprachserver für Python, der in Rust programmiert ist.
  • Pyrefly von Meta – ein schnellerer, in Rust programmierter Typprüfer für Python.

Beide konkurrieren darum, sich als die nächste Toolgeneration für Typprüfungen durchzusetzen. Außerdem stellen beide Tools extrem schnelle Sprachserver-Protokolle (LSPs) bereit.

Fällt Ihnen eine Gemeinsamkeit auf? Beide sind in Rust geschrieben, was die These untermauert, dass sich „Rust zum Performance-Copiloten von Python entwickelt“ hat.

Übrigens habe ich mit dem Team hinter ty ein Interview geführt, als ty vor ein paar Wochen vorgestellt wurde, falls Sie an detaillierteren Informationen zu diesem Projekt interessiert sind.

Code und Dokumentationen machen den Großteil der Open-Source-Beiträge aus

Es gibt viele verschiedene und einzigartige Möglichkeiten, zu Open Source beizutragen. Das Erste, was den meisten Menschen in den Sinn kommt, wenn sie an einen Contributor denken, ist wahrscheinlich jemand, der Code schreibt und ein Projekt um ein neues Feature ergänzt. Es gibt jedoch auch weniger sichtbare, aber genauso wichtige Möglichkeiten, einen Beitrag zu leisten – z. B. das Kategorisieren von Issues und die Überprüfung von Pull-Requests.

Zu welchem Anteil hat also die Community zu Open Source beigetragen und auf welche Weise?

Aus der Umfrage geht hervor, dass ein Drittel der Entwickler*innen Open-Source-Beiträge geleistet hat. Dies ist in erster Linie in Form von Beiträgen zu Code und Dokumentationen/Tutorials geschehen.

Open-Source-Beiträge im Python-Bereich

Note: Wie würden Sie Ihre im vergangenen Jahr erfolgten Open-Source-Beiträge beschreiben?
* Code 78%
* Dokumentation / Beispiele / Bildung 40%
* Maintainer / Governance / Führung 35%
* Tests 33%

Dokumentationen auf Platz 1

Wo lernen wir als Entwickler*innen oder Data Scientists typischerweise dazu? Für die Befragten stehen hier Dokumentationen auf Platz 1. Es gibt viele Möglichkeiten, Sprachen und Bibliotheken zu erlernen, aber die meisten Leute bevorzugen das Lesen der Dokumentation. Das ist eine gute Nachricht für Open-Source-Entwickler*innen. Es bedeutet nämlich, dass die Mühe, die in die Dokumentation (und die darin integrierten Tutorials) fließt, gut angelegt ist. Das ist ein klarer und einfacher Weg, die Erfahrung der Benutzer*innen mit Ihrem Projekt zu verbessern.

Dies deckt sich auch mit Developer Trends in 2025, einer Podcast-Episode, in der ich mich mit erfahrenen Python-Entwickler*innen, darunter Paul Everitt von JetBrains, unterhalten habe. Die Teilnehmenden waren sich alle einig, dass Docs die Nummer 1 sind, allerdings wurde YouTube in der Umfrage mit 51% viel höher bewertet als in unserem Podcast. Dabei ist zu bedenken, dass unsere Community im Durchschnitt nur 1 bis 2 Jahre Erfahrung hat und 45% jünger als 30 Jahre sind.

Ein einflussreicher Newcomer ist die Gruppe der KI-Tools, von denen wir alle gehört haben (und die viele von uns nutzen). KI-Tools als Lernquelle haben von 19% auf 27% zugelegt (42% Zuwachs gegenüber dem Vorjahr)!

Postgres ist der Datenbankkönig im Python-Reich

Die Frage nach der verwendeten Datenbank beantwortete eine überwältigende Mehrheit mit PostgreSQL. PostgreSQL ist der Platzhirsch unter den Python-Datenbanken – und es wächst weiter, von 43% auf 49%. Das sind +14% im Vergleich zum Vorjahr, was für ein 28 Jahre altes Open-Source-Projekt bemerkenswert ist.

Von Python-Entwickler*innen genutzte Datenbanken

Note: Welche Datenbanken verwenden Sie?
* PostgreSQL
* SQLite
* MySQL

Ein interessantes Detail neben der starken Nutzung von Postgres ist, dass der Nutzungsanteil jeder einzelnen Datenbank in den Top 6 seit dem Vorjahr zugenommen hat. Dies ist wahrscheinlich ein weiterer Indikator dafür, dass die Webentwicklung wie oben angesprochen wieder angezogen hat.

Zukunftstrends

Agenten-KIs werden enorme Auswirkungen haben

Meine erste Trendprognose ist, dass agentenbasierte KIs die Programmierung grundlegend verändern werden. Agenten-KIs werden oft als Werkzeug für die viel geschmähte – und geliebte – Vibe-Programmierung bezeichnet. Der Begriff Vibe-Programmierung verschleiert jedoch die Tatsache, dass agentenbasierte KI-Tools bemerkenswert produktiv sind, wenn sie mit talentierten Entwickler*innen oder Data Scientists gepaart werden.

Umfragen außerhalb der PSF-Umfrage deuten darauf hin, dass im Jahr 2023 etwa 70% der Entwickler*innen KI-Programmiertools verwendeten oder deren Einsatz planten. Im Jahr 2024 hingegen wurden sie von ca. 44% der Berufsentwickler*innen täglich genutzt.

Der Bericht von JetBrains zum Stand des Entwicklungsökosystems 2023 stellte fest: „In nur wenigen Jahren haben sich KI-basierte Codegenerierungstools von einem spannenden Forschungsthema zu einem wichtigen Instrument vieler Programmierer*innen entwickelt“. Spulen wir nun ins Jahr 2025 vor: Gemäß der Umfrage zum Stand des Entwicklungsökosystems 2025 will fast die Hälfte der Befragten (49%) im kommenden Jahr KI-Coding-Agents ausprobieren.

Nutzungsstatistiken von KI-Coding-Agents

Note: Wie wahrscheinlich ist es, dass Sie in den nächsten Monaten KI-Coding-Agents ausprobieren werden?
* Sehr wahrscheinlich 49%
* Ziemlich wahrscheinlich 20%
* Weiß es nicht 10%
* Ziemlich unwahrscheinlich 4%
* Sehr unwahrscheinlich 6%
* Ich verwende KI-Coding-Agents bereits 11%

Programmverantwortliche in großen Technologieunternehmen haben erklärt, dass sie Entwickler*innen, die noch nicht mit Agenten-KIs arbeiten, kaum noch einstellen können. Die Produktivitätskluft zwischen denen, die sie nutzen, und denen, die ihnen aus dem Weg gehen, ist einfach zu groß (Schätzungen zufolge erhöht KI die Produktivität um ca. 30%).

async, await und Threading erlangen zentrale Bedeutung bei der Python-Entwicklung

In der Zukunft werden Nebenläufigkeit und Python zentrale Themen sein. Wir haben bereits angesprochen, dass sich Python-Web-Frameworks und -App-Server allesamt in Richtung asynchrone Ausführung bewegen, aber das ist nur ein Teil eines großen Trends.

Python 3.14 wird als erste Python-Version freies Threading vollständig unterstützen. Free-Threaded-Python, eine Version der Python-Laufzeitumgebung, die den GIL (Global Interpreter Lock) nicht verwendet, wurde in CPython 3.13 erstmals experimentell bereitgestellt.

Vergangene Woche haben der Lenkungsrat und die Hauptentwickler*innen offiziell dafür gestimmt, dass dies zum festen Bestandteil der Sprache und der Laufzeitumgebung werden soll. Das wird weitreichende Auswirkungen haben. Entwickler*innen und Data Scientists müssen sorgfältiger über Locks und Race-Conditions in nebenläufigem Code und die damit verbundenen Leistungsvorteile nachdenken. Maintainer von Paketen, insbesondere von solchen mit nativen Codeerweiterungen, müssen möglicherweise einen Teil ihres Codes überarbeiten, um Free-Threaded-Python zu unterstützen und ihrerseits Race-Conditions und Deadlocks zu vermeiden.

All dies hat auch einen großen Vorteil. Ich schreibe jetzt gerade auf dem günstigsten Apple Mac Mini M4. Dieser Computer hat 10 CPU-Kerne. Dies bedeutet: Bis diese Änderung in Python umgesetzt ist, kann ich aus einem einzelnen Python-Prozess nur 10% der Maximalleistung meines Systems herausholen. Sobald Free-Threaded-Python vollständig in das Ökosystem integriert ist, sollte ich mit einem Standard-Python-Programm, das Threading und die Schlüsselwörter async und await verwendet, viel näher an die maximale Leistung herankommen.

Die Schlüsselwörter async und await sind nicht nur etwas für Webentwickler*innen, die mehr nebenläufigen Code schreiben wollen.  Sie tauchen in immer mehr Bereichen auf. Ein solches Tool, auf das ich kürzlich gestoßen bin, ist Temporal. Dieses Programm nutzt die asyncio-Ereignisschleife, ersetzt aber die üblichen cleveren Threading-Tricks durch eine dauerhafte, systemübergreifende Ausführung. Vielleicht warten Sie mit await einfach auf eine Aktion, und hinter den Kulissen erhalten Sie eine dauerhafte Ausführung, die sogar Systemneustarts übersteht. Das Verständnis von async und await wird also immer wichtiger, je mehr Tools sie auf interessante Weise nutzen – so wie Temporal.

Ich sehe hier Parallelen dazu, wie Pydantic in zahlreichen Menschen mehr Interesse für typisiertes Python geweckt hat, als sie sonst gezeigt hätten.

GUI- und Mobilentwicklung in Python auf dem Vormarsch

Meine letzte Trendprognose ist, dass grafische Bedienoberflächen in Python und Python auf Mobilgeräten im Kommen sind. Wenn wir an native Apps auf iOS und Android denken, können wir nur davon träumen, sie eines baldigen Tages mit Python zu entwickeln.

Auf dem Python Language Summit 2025 präsentierte Russell Keith-Magee seine Bemühungen darum, Tier-3-Unterstützung für CPython auf iOS und Android zu realisieren. Das Konzept wurde in PEP 730 und PEP 738 dargelegt. Dies ist eine erforderliche, aber nicht hinreichende Bedingung dafür, dass wir mit Python echte native Anwendungen schreiben können, die über die App-Stores ausgeliefert werden.

Um zu einer allgemeineren Perspektive zu wechseln, hat es einige interessante Ideen und neue Ansätze für Bedienoberflächen in Python gegeben. Jeremy Howard von fast.ai hat FastHTML vorgestellt, mit dem wir moderne Webanwendungen in reinem Python schreiben können. NiceGUI setzt sich zunehmend durch als eine hervorragende Option zum Schreiben von Webanwendungen und PWAs in reinem Python.

Ich gehe davon aus, dass diese Entwicklungen, insbesondere im mobilen Bereich, mächtige Anwendungsszenarien eröffnen werden, die auf Jahre hinaus ein Thema sein dürften.

Handlungsempfehlungen

Sie haben die Ergebnisse sowie meine Interpretationen und Prognosen gelesen. Was sollten Sie nun unternehmen? Natürlich sind Sie zu nichts verpflichtet – aber ich schließe diesen Artikel mit einigen Handlungsempfehlungen, die Ihnen helfen könnten, von diesen Wellen im Tech- und Open-Source-Bereich zu profitieren.

Hier sind sechs Aktionsideen, die Sie nach der Lektüre dieses Artikels in die Praxis umsetzen können. Wählen Sie eine Lieblingsidee aus, die Sie noch nicht umgesetzt haben, und lassen Sie sich überraschen, ob sie Ihnen dabei hilft, im Python-Bereich noch erfolgreicher zu werden.

Aktion 1: uv lernen

uv, das unglaubliche Paket- und Python-Managementtool, ist bereits im Jahr seiner Einführung von 0% auf 11% durchgestartet (und dieses Wachstum hat sich auch 2025 fortgesetzt). Dieses auf Rust basierende Tool vereint die Fähigkeiten vieler wichtiger Tools, von denen Sie vielleicht schon gehört haben, mit einer hohen Performance und einem unglaublichen Funktionsumfang.

Sie brauchen Python auf Ihrem System? Führen Sie einfach RUN uv venv .venv aus, um die neueste stabile Version zu installieren und eine virtuelle Umgebung zu erstellen. Das ist erst der Anfang. Wenn Sie die ganze Geschichte hören wollen, habe ich auf Talk Python ein Interview mit Charlie Marsh über die zweite Generation von uv geführt.

Wenn Sie sich für die Installation von uv entscheiden, verwenden Sie unbedingt die eigenständigen Installationsprogramme. So kann uv sich selbst verwalten und im Lauf der Zeit besser werden.

Aktion 2: Das neueste Python verwenden

Wie wir gesehen haben, verwenden 83% der Befragten nicht die neueste Version von Python. Machen Sie es anders. Verwenden Sie eine virtuelle Umgebung oder einen Container und installieren Sie die neueste Version von Python. Der schnellste und einfachste Weg ist heutzutage die Verwendung von uv, da es das systemeigene Python und andere Konfigurationen nicht beeinträchtigt (siehe Aktion 1!).

Wenn Sie Docker-Container für die Bereitstellung oder Entwicklung verwenden, müssen Sie nur die neueste Version von Python 3.13 einrichten und diese beiden Zeilen ausführen:

RUN curl -LsSf https://astral.sh/uv/install.sh | sh
RUN uv venv --python 3.13 /venv

Wenn Sie wie ich lokal in virtuellen Umgebungen entwickeln, streichen Sie einfach das Schlüsselwort RUN und erstellen Sie die Umgebung mit uv. Aktualisieren Sie dabei natürlich die Versionsnummer, wenn neue Hauptversionen von Python veröffentlicht werden.

Auf diese Weise können Sie das volle Potenzial der modernen Python-Sprache nutzen, von den Performancevorteilen bis hin zu den neuen Sprachmerkmalen.

Aktion 3: In Agenten-KIs einarbeiten

Wenn Sie zu denjenigen gehören, die Agenten-KIs noch nicht ausprobiert haben, sind Sie es sich schuldig, das zu ändern. Ich verstehe, warum die Menschen KI und LLMs meiden. Zum einen ist die Rechtslage in Bezug auf Urheberrechte zweifelhaft. Die Gefahr von Umweltschäden ist real, und die Bedrohung der Arbeitsplätze und der Entwicklerautonomie darf nicht ignoriert werden. Aber durch die Verwendung der besten Modelle für agentenbasierte KIs statt nur für Chatbots können Sie ungeheuer produktiv werden.

Ich empfehle kein Vibe-Coding. Aber haben Sie sich nicht schon einmal eine Bibliothek, ein Paket oder auch nur ein Befehlszeilentool gewünscht, das einen einfachen Teil Ihrer Arbeit automatisiert? Überlassen Sie diese Aufgabe einer agentenbasierten KI, und Sie belasten Ihre Hauptanwendung nicht mit technischen Schulden und sparen sich auch noch einen Teil Ihres Arbeitstages. Ihre Produktivität wird dadurch deutlich gesteigert.

Der andere Fehler, der hier gerne gemacht wird, ist die Verwendung der billigsten kostenlosen Modelle beim Ausprobieren. Wenn sie nicht so gut funktionieren, wird das als Beweis angeführt: „Schau, so hilfreich ist es gar nicht. Es erfindet einfach Dinge und macht Fehler.“ Wählen Sie unbedingt das beste verfügbare Modell aus, und wenn Sie es wirklich ausprobieren wollen, geben Sie 10 oder 20 Dollar für einen Monat aus, um die tatsächlichen Möglichkeiten zu sehen.

JetBrains hat kürzlich Junie veröffentlicht, einen agentenbasierten Programmierassistenten für die IDEs des Unternehmens. Wenn Sie eine dieser IDEs verwenden, sollten Sie sich unbedingt Junie ansehen.

Aktion 4: Lesen von einfachem Rust-Code lernen

Python-Entwickler*innen sollten darüber nachdenken, die Grundlagen von Rust zu lernen, nicht um Python zu ersetzen, sondern um es zu ergänzen. Wie in der Analyse weiter oben angesprochen, spielt Rust eine zunehmend wichtige Rolle in zentralen Teilen des Python-Ökosystems. Ich empfehle Ihnen definitiv nicht, von Python- auf Rust-Entwicklung umzusteigen – aber die Fähigkeit, grundlegenden Rust-Code zu lesen, um zu verstehen, was die verwendeten Bibliotheken tun, wird in Zukunft eine sinnvolle Fähigkeit sein.

Aktion 5: In das Verständnis von Threading investieren

Python-Entwickler*innen haben zumeist wenig Berührungspunkte mit Threading und paralleler Programmierung gehabt. In Python 3.6 wurden die fantastischen Schlüsselwörter async und await in die Sprache aufgenommen. Sie galten jedoch nur für die I/O-gebundene Parallelisierung. Bei einer Anfrage an einen Webservice kann ich beispielsweise die HTTPX-Bibliothek verwenden, um mit await auf die Antwort zu warten. Diese Art der Nebenläufigkeit vermeidet Race-Conditions und ähnliche Probleme.

Jetzt wird jedoch echtes paralleles Threading in Python eingeführt. Da PEP 703 offiziell und vollständig als Teil von Python 3.14 akzeptiert wurde, müssen wir verstehen, wie echtes Threading funktioniert. Dazu gehören auch Locks, Semaphoren und Mutexe.

Das wird eine Herausforderung sein, aber es bietet auch eine großartige Gelegenheit, die Performance von Python drastisch zu steigern.

Auf dem Python Language Summit 2025 ging es in fast jedem dritten Vortrag in der einen oder anderen Form um die Handhabung von Nebenläufigkeit und Threading. Dies ist sicherlich ein Hinweis darauf, was noch kommen wird.

Nicht jedes Programm, das Sie schreiben, wird Nebenläufigkeit oder Threading beinhalten, aber diese Aspekte werden allgegenwärtig genug sein, um ein solides Verständnis von ihnen haben zu müssen. Ich habe einen Kurs über async in Python geschrieben, wenn Sie mehr über dieses Thema erfahren möchten. Außerdem hat Cheuk Ting Ho von JetBrains einen hervorragenden Artikel mit dem Titel Schnelleres Python: Nebenläufigkeit bei async/await und Threading geschrieben – Sie sollten diesen unbedingt lesen.

Aktion 6: An Neulinge denken

Meine letzte Aktionsidee für Sie ist, auf die Zugänglichkeit für Anfänger*innen zu achten – jedes Mal, wenn Sie etwas entwickeln oder veröffentlichen. Die Hälfte der Python-Entwicklergemeinde arbeitet seit weniger als zwei Jahren mit Python, und die meisten von ihnen haben vor weniger als zwei Jahren überhaupt mit dem Programmieren angefangen. Das finde ich immer noch beeindruckend.

Wenn Sie also in die Welt hinausgehen, um Pakete, Bibliotheken und Tools zu programmieren, zu konzipieren oder über sie zu referieren, denken Sie daran: Sie können bei Ihrem Publikum nicht jahrelanges Wissen über die Arbeit mit zahlreichen Python-Dateien, virtuellen Umgebungen, fixierten Abhängigkeiten und vielem mehr voraussetzen.

Sie möchten mehr erfahren? Sie finden die vollständigen Ergebnisse der Python-Entwicklerumfrage hier.

Steigen Sie in die Entwicklung mit PyCharm ein

PyCharm bietet Ihnen alles, was Sie für Data Science, ML/KI-Workflows und Webentwicklung benötigen – einsatzbereit und vorinstalliert in einer leistungsstarken IDE.

Zum Autor

Michael Kennedy

Michael Kennedy

Michael is the founder of Talk Python and a PSF Fellow. Talk Python is a podcast and course platform that has been exploring the Python ecosystem for over 10 years. At his core, Michael is a web and API developer.

image description

Discover more