Switching from JavaScript to Python feels like moving to a city with the same street signs but different traffic laws. The syntax looks friendly and familiar. You see async and await sitting right there in the grammar, so you assume the mental model ports over cleanly. It does not. One habitual pattern from JavaScript silently tanks your Python performance without crashing, without logging an error, and without showing up on a quick code review.

How JavaScript Teaches You to Start and Forget

In JavaScript, an async function call is eager. The moment you invoke it, the engine creates a Promise and the work begins immediately. The event loop is already off to the races. That is why JavaScript developers naturally write code like this:

const userPromise = fetchUser(id);
const ordersPromise = fetchOrders(id);
const user = await userPromise;
const orders = await ordersPromise;

Both network requests are in flight before either await is reached. The first await suspends the current function until fetchUser resolves, but fetchOrders has been humming along in the background since the previous line. By the time you need the orders variable, the second request might already be done. This pattern feels so natural in JavaScript that many developers do not even think of it as a concurrency trick. It is just how async works.

The Python Surprise: A Cold Coroutine

Python uses a different contract. When you call an async def function in Python, you do not start any work. You receive a coroutine object. Think of it as a recipe written on paper. The ingredients are listed, the steps are clear, but nothing is in the oven. Until something explicitly drives that coroutine through the event loop, it remains inert.

Here is the trap. A JavaScript engineer who needs a user and their orders might write this in Python:

user_coro = fetch_user(id)
orders_coro = fetch_orders(id)
user = await user_coro
orders = await orders_coro

It looks concurrent. It smells concurrent. It is entirely sequential.

The first line assigns a dormant coroutine to user_coro. The second line assigns another dormant coroutine to orders_coro. When execution hits await user_coro, Python finally starts the first task and runs it to completion. Only after fetch_user finishes does the interpreter reach await orders_coro and start the second task. Your total execution time is the sum of both I/O operations, not the longest one. You did not run them in parallel. You ran them one after another with extra steps.

Why This Bug Is Invisible

This is the kind of performance regression that survives for months. The code is valid Python. It passes type checkers. It returns the correct results. It just runs at half speed, or worse. Because there is no stack trace and no warning, engineering teams often look everywhere else first. They add Redis caches, upgrade database tiers, or switch hosting regions. The real culprit is a subtle mismatch in expectations about what await actually does.

Three Ways to Make Python Actually Run Things Concurrently

To fix this, you must tell Python’s event loop to schedule the work immediately. You need something more active than a raw coroutine. You need a Task.

1. asyncio.create_task

The most direct translation of the JavaScript pattern is to wrap your coroutine in a Task. A Task is scheduled on the event loop as soon as you create it. It is the closest Python equivalent to a JavaScript Promise in motion.

user_task = asyncio.create_task(fetch_user(id))
orders_task = asyncio.create_task(fetch_orders(id))

user = await user_task
orders = await_orders_task

Now both fetch_user and fetch_orders are in flight before the first await. When you reach await user_task, you pause only until that specific Task completes, but the other Task keeps running. If fetch_orders finishes first, its result simply waits inside orders_task until you ask for it.

Be careful, though. If you create a Task and never await it, Python will emit an error about a destroyed pending task. You must still collect your results.

2. asyncio.gather

If you have several coroutines that all need to finish before you move on, asyncio.gather handles the boilerplate for you. It schedules each coroutine as a Task internally and awaits them together.

user, orders = await asyncio.gather(fetch_user(id), fetch_orders(id))

This is concise and readable. It shines when the operations are independent and you want a single line that expresses "run all of these, then give me every result." It also preserves the order of arguments in the returned list or tuple, even if the underlying tasks complete in a different order.

3. asyncio.TaskGroup

Python 3.11 hat TaskGroup eingeführt, was strukturierte Nebenläufigkeit in die Standardbibliothek bringt. Anstatt Tasks manuell zu erstellen, verwendet man einen Context Manager, der sicherstellt, dass jeder gestartete Task ordnungsgemäß abgeschlossen wird. Wenn ein Task eine Exception auslöst, werden die anderen automatisch abgebrochen.

async with asyncio.TaskGroup() as tg:
    user_task = tg.create_task(fetch_user(id))
    orders_task = tg.create_task(fetch_orders(id))

user = user_task.result()
orders = orders_task.result()

Dieses Muster eignet sich hervorragend für komplexe Workflows. Es eliminiert das Risiko, einen Task zu „verwaisen“, und gruppiert den Lebenszyklus zusammengehöriger Operationen unter einem logischen Dach. Wenn Ihre Codebasis auf Python 3.11 oder neuer läuft, ist dies oft die sauberste Architektur für Fan-out-Nebenläufigkeit.

Das mentale Modell: await bedeutet „Führe dies jetzt aus“

Die Kernlektion ist sprachlicher Natur. In JavaScript kann man await als „währenddessen“ lesen. Man stößt eine Arbeit an, erledigt andere Dinge und hält nur dann inne, wenn man den Wert benötigt. In Python bedeutet await: „Führe diese Coroutine bis zu ihrem nächsten Suspensionspunkt oder bis zum Abschluss aus.“ Wenn die Coroutine noch nicht eingeplant (scheduled) wurde, ist await der Befehl, der dies tut. Deshalb kann man nicht einfach zwei rohe Coroutines starten und sie später mit await abwarten. Man hat der Event Loop in der Zwischenzeit nichts zu tun gegeben.

Betrachten Sie Python-Coroutinen wie Generator-Funktionen. Der Aufruf des Generators führt nicht zur Iteration. Man muss darüber iterieren, next() aufrufen oder sie an einen Consumer übergeben. Async funktioniert auf die gleiche Weise. asyncio.create_task ist der Consumer, der sagt: „Setze dies sofort auf die Event Loop.“ Das darauffolgende await wartet lediglich auf das Fertigstellungssignal.

Eine konkrete Gewohnheit, die hilft: Wann immer Sie einen asynchronen Funktionsaufruf ohne ein await einer Variable zuweisen, fragen Sie sich, ob Sie ihn eingeplant haben. Wenn die rechte Seite nicht in create_task, gather oder TaskGroup eingeschlossen ist, läuft sie nicht. Es ist lediglich ein Rezept, das auf der Arbeitsplatte liegt.

Fazit

Die Async-Runtime von Python ist leistungsstark, erfordert aber explizite Absicht. Die Sprache startet keine Hintergrundarbeit, nur weil Sie eine Funktion aufgerufen haben. Wenn Sie aus der JavaScript-Welt kommen, prüfen Sie jede Stelle, an der Sie eine Coroutine in einer Variable speichern, um sie später mit await abzuwarten. Es sei denn, Sie haben sie zuvor in einen Task umgewandelt, haben Sie sequenziellen Code geschrieben, der nur als asynchron getarnt ist. Starten Sie die Arbeit mit einem Task und warten Sie dann auf die Ergebnisse. So verwandeln Sie Python Async von einem stillen Flaschenhals in ein echtes Werkzeug für Nebenläufigkeit.