13.09.2025
Von Peter Hecker, Inhaber von HECKER CONSULTINGIst Python zu langsam und auf dem Rückzug? Rankings, Python 3.14 ohne GIL, Rust in Paketen und neue Werkzeuge zeigen ein anderes Bild als der Abgesang.
Im September 2025 erschien an dieser Stelle ein bewusst zugespitzter Meinungsbeitrag: Python stehe vor dem Aus. Die Sprache sei zu langsam, ihre Stiftung finanziell angeschlagen, das Werkzeug-Chaos legendär, und die besten Entwickler wanderten still zu Rust und Go ab. Der Text hat viele Leser gefunden – offenbar trifft die Frage einen Nerv. Wer Python lernen will oder ein Projekt plant, möchte wissen, ob er auf das richtige Pferd setzt.
Ein Jahr später lohnt der nüchterne Blick. Für diese Neufassung im Oktober 2026 haben wir die Thesen einzeln überprüft. Das Ergebnis vorweg: Einige Kritikpunkte treffen einen wahren Kern. Von einem Niedergang kann aber keine Rede sein – eher von einer Sprache, die erwachsen wird und ihre Schwächen gezielt angeht.
Wie beliebt eine Programmiersprache ist, lässt sich nicht exakt messen. Es gibt aber drei viel zitierte Gradmesser, und alle drei sehen Python weit vorn:
Der alte Beitrag hielt dagegen, die Hälfte der Python-Nutzer programmiere erst seit weniger als zwei Jahren in der Sprache – das sei Fluktuation, kein Wachstum. Die Beobachtung ist richtig, die Schlussfolgerung nicht. Viele Neulinge bedeuten zunächst einmal, dass viele Menschen anfangen. Dass nicht alle bleiben, gilt für jede Einstiegssprache. Wer Python für einen Datenkurs lernt und danach in Excel oder Power BI weiterarbeitet, hat trotzdem gelernt, wie Programme denken.
Die Python Software Foundation (PSF) ist eine gemeinnützige Organisation in den USA. Sie hält die Rechte an Python, betreibt den Paketindex PyPI, über den Millionen Programme ihre Bausteine beziehen, und richtet die Konferenz PyCon US aus. Der alte Text nannte sie „pleite“. Das war übertrieben.
Richtig ist: Die Stiftung schrieb Defizite – der Jahresbericht für 2024 wies ein Minus von rund 1,46 Millionen Dollar aus, nach einem Fehlbetrag von 225.000 Dollar im Jahr 2023. Sie musste ihr Förderprogramm für Community-Projekte im Sommer 2025 aussetzen, 2026 öffnete sie es nur in kleinem Umfang wieder, und bittet Unternehmen offen um mehr Unterstützung. Das ist ein ernstes Signal, denn ein Großteil der digitalen Infrastruktur hängt an PyPI. Ein Zusammenbruch der Sprache folgt daraus nicht. Die Weiterentwicklung von Python selbst tragen zu einem guten Teil Entwickler, die bei Technologieunternehmen angestellt sind oder von ihnen unterstützt werden. Wie sehr das von Firmenentscheidungen abhängt, zeigte der Mai 2025: Microsoft beendete die Förderung seines Teams, das am schnelleren Interpreter arbeitete.
Die eigentliche Frage ist eine andere: Wie finanziert sich Open-Source-Infrastruktur, auf die Konzerne Milliardengeschäfte bauen? Das betrifft Python ebenso wie Linux-Bibliotheken oder das JavaScript-Ökosystem. Hier liegt ein echtes Risiko, aber kein Python-spezifisches.
Der härteste Vorwurf trifft einen wahren Punkt: Python ist im reinen Rechnen deutlich langsamer als kompilierte Sprachen wie C, Rust oder Go. Der Grund liegt im Aufbau. Python-Code wird beim Ausführen Zeile für Zeile von einem Interpreter abgearbeitet, statt vorher in Maschinencode übersetzt zu werden. Hinzu kam lange das „Global Interpreter Lock“ (GIL), eine Sperre, die verhindert, dass mehrere Rechenstränge eines Programms gleichzeitig Python-Code ausführen. Bei Prozessoren mit acht oder sechzehn Kernen bleibt so viel Leistung ungenutzt.
Genau hier hat sich in den vergangenen Jahren am meisten bewegt:
Die Arbeit ist nicht abgeschlossen. Viele Bibliotheken müssen erst an die Variante ohne GIL angepasst werden, und der JIT-Compiler bringt bislang nur in Teilen messbare Gewinne. Die Richtung aber ist klar, und sie widerspricht dem Bild einer erstarrten Sprache. Hinzu kommt der jährliche Rhythmus: Jedes Jahr im Oktober erscheint eine neue Version, zuletzt am 9. Oktober 2026 Python 3.15.
Wichtig für die Einordnung: In den meisten Geschäftsanwendungen ist nicht die Rechengeschwindigkeit der Engpass, sondern das Warten auf Datenbanken, Netzwerke oder Dateien. Ob ein Skript, das nachts Berichte erzeugt, zwei oder zwanzig Sekunden braucht, spielt keine Rolle. Wo es zählt – Hochfrequenzhandel, Spiele-Engines, Treiber – war Python nie die erste Wahl.
Auf dem Python Language Summit 2025, dem jährlichen Treffen der Kernentwickler, wurde eine bemerkenswerte Schätzung genannt: Bei rund einem Viertel bis einem Drittel der neuen Python-Pakete mit nativem, also kompiliertem Code steckt Rust dahinter statt wie früher C. Bekannte Beispiele:
Der alte Beitrag las darin eine Flucht aus Python. Man kann es auch anders sehen – und das trifft es besser: Python war schon immer eine Sprache, die schnelle Bausteine aus anderen Sprachen einbindet. NumPy rechnet seit jeher in C und Fortran. Dass für diese Bausteine heute häufiger Rust statt C zum Einsatz kommt, macht sie sicherer, weil Rust typische Speicherfehler von vornherein verhindert. Die Nutzer schreiben weiter Python, nur die Motoren darunter werden moderner. Für Python-Entwickler ist das eher eine gute Nachricht.
Wer verstehen will, warum Rust für solche Bausteine so beliebt ist, findet im Seminar Rust Programmierung für Einsteiger einen strukturierten Einstieg.
„Python dominiert keine KI, es ist nur ein dünner Wrapper um C++- und CUDA-Code“, hieß es im alten Text. Technisch stimmt das: Die rechenintensiven Teile von PyTorch, TensorFlow oder NumPy sind in C, C++ und CUDA geschrieben, der Programmiersprache für Nvidia-Grafikkarten. Python ist das Steuerpult, nicht der Motor.
Nur: Genau diese Rolle ist enorm wertvoll. Wer ein Sprachmodell trainiert, Daten aufbereitet oder einen KI-Agenten baut, tut das fast immer in Python. Die großen KI-Anbieter liefern ihre Programmierbibliotheken stets auch für Python aus, viele wichtige Frameworks für KI-Anwendungen entstehen zuerst in Python. Dass es daneben Bibliotheken für TypeScript, Go oder Rust gibt, ändert an dieser Stellung wenig.
Richtig ist, dass beim Ausführen fertiger Modelle auf Smartphones, in Fahrzeugen oder Maschinensteuerungen oft andere Sprachen zum Einsatz kommen. Das war aber nie anders und bedroht Python nicht. Eher im Gegenteil: KI-Assistenten, die Programmcode schreiben, kommen mit Python gut zurecht, weil es so viel öffentlichen Beispielcode gibt. Das senkt die Einstiegshürde weiter.
Hier hatte der alte Beitrag am ehesten recht. Python-Projekte begannen jahrelang mit der Frage, welches Werkzeug die Bibliotheken verwaltet: pip, virtualenv, Poetry, conda, Pipenv? Jedes löste einen Teil des Problems, keines alles. Wer ein Projekt auf einen anderen Rechner übertrug, erlebte oft Überraschungen.
Seit 2024 hat sich das spürbar verbessert. Das Werkzeug uv der Firma Astral, selbst in Rust geschrieben, vereint Paketverwaltung, virtuelle Umgebungen und die Installation von Python-Versionen und arbeitet nach Herstellerangaben um ein Vielfaches schneller als pip. Es hat sich in kurzer Zeit sehr weit verbreitet. Im März 2026 vereinbarte Astral, sich OpenAI anzuschließen; uv soll Open Source bleiben. Parallel einigte sich die Community auf gemeinsame Standards: die Projektbeschreibung in einer Datei namens pyproject.toml und 2025 ein einheitliches Format für Sperrdateien, die genau festhalten, welche Paketversionen ein Projekt nutzt. Mit Rusts Werkzeug Cargo ist das noch nicht ganz vergleichbar, aber der „Running Gag“ hat seine Pointe weitgehend verloren.
In der 2025 veröffentlichten Python-Entwicklerumfrage von JetBrains und PSF gaben nur rund 15 Prozent der Python-Entwickler an, die damals neueste Version 3.13 zu nutzen. Das klingt nach Stillstand, hat aber eine nüchterne Erklärung: Unternehmen wechseln nicht sofort, sondern wenn ihre Bibliotheken bereit sind und die Betriebssysteme die neue Version ausliefern. Jede Python-Version erhält fünf Jahre lang Sicherheitsupdates. Wer eine ein bis zwei Jahre alte Version einsetzt, handelt nicht rückständig, sondern umsichtig. Bei Java oder C# ist das kaum anders.
Der Vorwurf, Python ziehe Menschen an, die Grundlagen vermeiden wollten, ist eher eine Haltungsfrage als ein Argument. Eine einfache Syntax erlaubt es, sich auf Logik und Problemlösung zu konzentrieren statt auf Klammern und Speicherverwaltung. Dass Fachleute aus Controlling, Marketing oder Forschung mit Python ihre Arbeit automatisieren, ist ein Gewinn, kein Problem. Wer später Systeme programmiert, lernt ohnehin eine zweite Sprache.
Richtig ist: Für große Kernsysteme in Banken, Versicherungen oder Behörden greifen Unternehmen oft zu Java oder C#, wegen strenger Typisierung, ausgereifter Werkzeuge und vorhandener Teams. Python dominiert dagegen bei Datenanalyse, Automatisierung, Backends für KI-Anwendungen und Webdiensten mit Frameworks wie Django, Flask oder FastAPI. „Klebe-Code“ klingt abwertend, beschreibt aber einen Großteil der Software, die Unternehmen täglich am Laufen hält.
Wer den alten Beitrag nur als Polemik abtut, macht es sich zu leicht. Einige Punkte bleiben berechtigt:
Python steht nicht vor dem Aus. Die Sprache ist verbreitet wie kaum eine andere, wird schneller, und ihre größte Baustelle, das Werkzeug-Durcheinander, ist zu einem guten Teil aufgeräumt. Die zugespitzte These von 2025 taugt als Denkanstoß, nicht als Prognose.
Für Einsteiger bleibt Python eine sehr gute erste Sprache, besonders für alle, die mit Daten, Automatisierung oder KI arbeiten wollen. Warum das auch ohne Technikhintergrund gilt, erklärt der Beitrag Warum Python für Einsteiger oft der klügste Start ist. Für Unternehmen gilt: Python ist die naheliegende Wahl für Datenanalyse, interne Werkzeuge, Automatisierung und KI-Anwendungen. Für sehr leistungskritische Dienste oder Software, die als einzelne Programmdatei ausgeliefert werden soll, lohnt der Blick auf Go oder Rust – nicht als Ersatz, sondern als Ergänzung.
Meine Einschätzung: Die beste Investition ist nicht der Wechsel der Sprache, sondern solides Handwerk in der Sprache, die man nutzt – Typangaben, Tests, saubere Abhängigkeiten. Einen Überblick über Seminare und Einsatzgebiete bietet die Themenseite Python; wer von Grund auf beginnt, findet im Seminar Python Programmierung Grundlagen einen strukturierten Einstieg.
Python stirbt nicht. Es wird erwachsen – mit allen Schmerzen, die dazugehören.
Nein. In den wichtigsten Ranglisten – TIOBE-Index, Stack Overflow Developer Survey, GitHub Octoverse – liegt Python ganz vorn oder in der Spitzengruppe. Auf GitHub hat TypeScript 2025 Python überholt, Python wächst dort aber weiter.
Ja, besonders für Datenanalyse, Automatisierung, Webentwicklung und KI. Python hat eine leicht lesbare Syntax, eine große Gemeinschaft und sehr viele Bibliotheken. Auch KI-Assistenten für das Programmieren kommen mit Python gut zurecht.
Nicht als Sprache für Anwendungen. Rust ersetzt zunehmend C als Sprache für die schnellen Bausteine unter Python-Bibliotheken. Die meisten Entwickler schreiben weiter Python und profitieren von schnelleren Werkzeugen.
Das Global Interpreter Lock ist eine Sperre im Standard-Interpreter, die verhindert, dass mehrere Rechenstränge gleichzeitig Python-Code ausführen. Seit Python 3.13 gibt es eine Variante ohne diese Sperre, seit 3.14 wird sie offiziell unterstützt. Davon profitieren vor allem rechenintensive Programme auf Mehrkernprozessoren.
Nein. Sie hatte Defizite und musste Förderprogramme einschränken, ist aber weiter handlungsfähig. Die Finanzierung von Open-Source-Infrastruktur bleibt jedoch ein offenes Problem, das weit über Python hinausreicht.
Wir erweitern ständig unser Beratungsportfolio. Über 600 Beratungsleistungen haben wir für Sie im Programm. Selbstverständlich lassen sich die einzelnen Themen kombinieren. So erhalten Sie genau die Beratung, die Sie wünschen und brauchen.
Mehr IT-, Online-, Digital-Beratungsleistungen anzeigen >>Ihr Einstieg in Apache Airflow 3: Sie automatisieren und orchestrieren Datenpipelines als DAGs in Python, verknüpfen Python- und SQL-Schritte, steuern sie zeit- oder datengetrieben über Assets und holen ausgefallene Tage per Backfill nach.
Agenten mit klaren Rollen in CrewAI entwerfen, Aufgaben verteilen und Crews sequenziell oder hierarchisch orchestrieren – in Python, ergänzt um Flows, Werkzeuge, Gedächtnis, Beobachtung und ein Abschlussprojekt zum technischen Schreiben.
Ohne Vorkenntnisse lernen Sie mit Python, wie ein Programm denkt: Sie schreiben kleine nützliche Programme, die rechnen, mit Datumsangaben umgehen, Dateien auswerten und Daten aus dem Internet holen.
Mit LangGraph entstehen Agenten und Chatbots als nachvollziehbarer Graph – vom ReAct-Agenten über einen Produkt-Q&A-Chatbot mit Retrieval bis zu Reflexion und Multi-Agenten-Systemen, abgesichert durch Checkpoints, menschliche Freigaben und Tests in LangSmith.
Mit Flask 3 bauen Sie Webanwendungen und JSON-APIs, die nur das enthalten, was Sie brauchen – von Routen und Jinja-Templates über Formulare und Datenbank bis zu Tests und Betrieb mit Gunicorn im Container.
Sie nutzen ChatGPT und Python gemeinsam für Datenanalysen: Code erklären und verbessern lassen, Freitexte per API auswerten und jedes Ergebnis mit eigenem pandas-Code nachrechnen.
Sie lesen, bereinigen, verknüpfen und verdichten Tabellendaten mit pandas so, dass der Code schnell, speichersparend und mit pandas 3 zukunftsfest ist – vom ersten `read_csv` bis zur Pivot-Tabelle und Grafik.
Sie automatisieren wiederkehrende Büroabläufe mit Python – vom Ordner voller PDF-Rechnungen über Windows-Anwendungen und Webportale bis zur Schnittstelle – und betreiben die Skripte zuverlässig im Alltag.
Sie bauen neuronale Netze mit PyTorch selbst auf – von Tensoren und Autograd über Dataset und DataLoader bis zum eigenen Trainings-Loop, der auf CPU und GPU gleichermaßen läuft.
Von den Grundlagen bis zur Anwendung: Sie bereiten Daten in Dokument-, Wide-Column- und Graph-Datenbanken mit Python auf, erkunden sie in Jupyter und bauen daraus Merkmale und Modelle, deren Ergebnisse zurück in die Datenbank fließen.
Sie führen Python-Skripte mit pandas und scikit-learn direkt in Microsoft SQL Server aus, stellen Modelle als Stored Procedures bereit und lassen die Daten dabei in der Datenbank.
Sie rechnen mit NumPy-Arrays in beliebig vielen Dimensionen, nutzen Broadcasting, Zufallsgenerator und lineare Algebra gezielt und bringen Bestandscode sicher auf NumPy 2.
Sie lesen Excel-Arbeitsmappen mit pandas ein, bereinigen und verdichten die Daten in Python und schreiben fertig formatierte Berichte mit Tabellen, bedingter Formatierung und Diagrammen zurück nach Excel.
Am Ende des Seminars wissen Sie, wie Data Science von der Frage über Stichprobe und Bereinigung zur belastbaren Antwort kommt – und beurteilen Analysen, Diagramme und KI-Ergebnisse, ohne selbst Programmierer:in zu sein.
Nach diesen Grundlagen schreiben Sie lesbare Python-Skripte, strukturieren sie als Module und Pakete mit Tests und pflegen bestehende Python-Projekte sicher weiter.
Sie verarbeiten Bilder und Videoströme mit OpenCV und Python – vom Pixelzugriff über Filter, Schwellwerte und Konturen bis zur Erkennung von Objekten, Gesichtern und Augen in Echtzeit.
Sie arbeiten Data-Science-Fragen mit Python durchgängig ab – Daten laden und aufbereiten mit NumPy und pandas, Geodaten kartieren, Modelle mit scikit-learn bauen und das Ganze als versioniertes, getestetes Projekt pflegen.
Sie wenden die fünf SOLID-Prinzipien und die GRASP-Muster an Python-Code mit Typ-Hinweisen und Protocols an, erkennen Verstöße im Code-Review und machen Klassen leichter erweiterbar und testbar.
Sie richten Python-Projekte in PyCharm mit eigenem Interpreter und virtueller Umgebung ein, verwalten Abhängigkeiten mit pip oder uv, finden Fehler im Debugger, testen mit pytest und halten den Code mit Inspektionen und Ruff sauber.
Sie setzen Erzeugungs-, Struktur- und Verhaltensmuster in Python um, nutzen dafür Funktionen, Module, Dekoratoren und Protocols und erkennen, wann ein klassisches Muster in Python schlicht überflüssig ist.
Sie verstehen, wie Maschinen aus Daten lernen, bereiten Tabellendaten mit pandas auf und bauen mit scikit-learn ein erstes Modell, dessen Güte Sie ehrlich messen und erklären können.
Django bringt Datenbankzugriff, Benutzerverwaltung, Formulare und Admin-Oberfläche mit – Sie bauen damit eine vollständige, abgesicherte Python-Webanwendung von der ersten View bis zum Betrieb.
Aktuelle und interessante Themen und Beiträge für Sie zusammengetragen und aufbereitet.
Python ist für Quereinsteiger oft der beste Weg ins Programmieren. Sie erfahren, wofür man die Sprache im Beruf nutzt, wie ein Lernweg in fünf Schritten aussieht, welche Werkzeuge Sie brauchen und wie Sie KI-Assistenten sinnvoll einsetzen.
