Die Zukunft der Softwareentwicklung im Zeitalter der KI
Alle paar Jahre erklärt die Tech-Branche, dass Softwareentwickler bald überflüssig werden. Erst waren es No-Code-Plattformen, dann Offshore-Outsourcing, und jetzt ist es künstliche Intelligenz. Als jemand, der seit Jahren Produktionssysteme baut und KI-Tools intensiv in seinen Arbeitsalltag integriert hat, möchte ich eine differenziertere Perspektive teilen.
KI ersetzt keine Softwareentwickler. Sie verändert grundlegend, was wir tun.
Vom Schreiben zum Reviewen
Die unmittelbarste Veränderung, die ich seit der Einführung von KI-gestützten Coding-Tools wie Claude Code bemerkt habe, ist die Verschiebung meiner Arbeitszeit: weg vom Schreiben von Code, hin zum Reviewen von Code. An einem typischen Tag generiere ich 60–70 % meines Codes mithilfe von KI. Aber das bedeutet nicht, dass ich weniger arbeite. Eher im Gegenteil — denn das Review von KI-generiertem Code erfordert ein tiefes Verständnis des Systems, der Geschäftslogik und der Randfälle, die die KI nicht kennt.
Ein konkretes Beispiel: Ich habe kürzlich Claude Code benutzt, um ein komplettes NestJS-Kontaktformular-Backend mit reCAPTCHA-Validierung, Rate-Limiting und E-Mail-Versand aufzusetzen. Die KI hat eine funktionierende Implementierung in Minuten generiert. Aber die eigentliche Ingenieursarbeit lag im Review:
- Passt die Rate-Limiting-Konfiguration zu unseren Traffic-Mustern?
- Sind die Fehlermeldungen hilfreich, ohne Implementierungsdetails preiszugeben?
- Ist der reCAPTCHA-Schwellenwert angemessen?
- Was passiert, wenn der E-Mail-Dienst ausfällt?
Das sind Fragen, die Kontext, Urteilsvermögen und Erfahrung erfordern — genau die Dinge, die KI nicht hat.
Architekturdenken wird zur Kernkompetenz
Als das Schreiben von Boilerplate-Code noch einen grossen Teil der Arbeit ausmachte, kam man mit Syntax- und Framework-Kenntnissen weit. Jetzt, wo KI das Boilerplate übernimmt, ist die entscheidende Fähigkeit das Architekturdenken: Wie strukturiert man Systeme, definiert Grenzen, verwaltet Datenflüsse und behandelt Fehlerfälle?
Ich habe das bei meinen eigenen Projekten erlebt. Beim Aufbau des Frontends für felixschmidt.software konnte die KI React-Komponenten, CSS-Module und sogar i18n-Konfigurationen generieren. Aber die Entscheidungen über die Aufteilung der Anwendung — Vercel fürs Frontend, Railway für die Backend-API, Supabase für die Datenbank, mit Vercel-Rewrites als Brücke — das waren Architekturentscheidungen, die ein Verständnis der Trade-offs bei Latenz, Kosten, Developer Experience und operativer Komplexität erforderten.
Die Ingenieure, die im KI-Zeitalter erfolgreich sind, werden diejenigen sein, die in Systemen denken können — nicht nur in Funktionen.
Prompt Engineering ist echtes Engineering
Es gibt die Tendenz, Prompt Engineering als Modeerscheinung abzutun. Dem widerspreche ich. Die effektive Kommunikation von Absichten an ein KI-System ist eine echte Fähigkeit, die auf denselben Grundlagen wie gutes Software-Engineering aufbaut: klares Denken, präzise Anforderungen und Verständnis von Einschränkungen.
Wenn ich Claude Code für eine komplexe Aufgabe nutze, hängt die Qualität des Outputs fast vollständig von der Qualität meines Prompts ab. Eine vage Anfrage wie „füge Authentifizierung hinzu" liefert mittelmäßige Ergebnisse. Ein präziser Prompt, der den Auth-Provider, die Token-Speicherstrategie, den Route-Schutz-Ansatz und die Fehlerbehandlungserwartungen spezifiziert, liefert exzellente Ergebnisse.
Das unterscheidet sich nicht grundlegend vom Schreiben einer guten technischen Spezifikation. Die Zielgruppe hat sich geändert — von einem menschlichen Entwickler zu einem KI-Modell — aber die Disziplin klarer Kommunikation bleibt dieselbe.
Was sich nicht ändert
Trotz aller Transformation bleiben einige Grundlagen konstant:
Verständnis der Problemdomäne. KI kann Code für jede Domäne generieren, aber sie kann nicht sagen, ob der Code das richtige Problem löst. Ein Entwickler, der seine Nutzer und den Geschäftskontext tief versteht, wird immer besser sein als einer, der KI-Output blind akzeptiert.
Debugging von Produktionssystemen. Wenn ein System um 3 Uhr morgens ausfällt, braucht man jemanden, der den gesamten Stack versteht — von DNS-Auflösung über Datenbankverbindungs-Pooling bis hin zum Speichermanagement. KI kann bei der Log-Analyse helfen, aber die Intuition, wo man suchen muss, kommt aus Erfahrung.
Technische Kommunikation. Klare Dokumentation schreiben, Trade-offs gegenüber Stakeholdern erklären, Junior-Entwickler mentoren — diese menschlichen Fähigkeiten werden wertvoller, je mehr KI die mechanische Arbeit übernimmt.
Sicherheit und ethisches Urteilsvermögen. KI-Modelle können subtile Sicherheitslücken einführen. Sie verwenden möglicherweise veraltete kryptografische Funktionen, legen sensible Daten in Fehlermeldungen offen oder implementieren Autorisierungslogik mit Off-by-One-Fehlern. Ein erfahrener Ingenieur erkennt diese Probleme; ein zu vertrauensseliger liefert sie in Produktion aus.
Der neue Entwickler-Workflow
Mein aktueller Workflow sieht ungefähr so aus:
- Problem definieren — klar, mit Einschränkungen und Akzeptanzkriterien
- Architektur entwerfen — Komponenten, Schnittstellen, Datenfluss festlegen
- Implementierung generieren — KI für den Grossteil des Codes nutzen
- Kritisch reviewen — auf Korrektheit, Sicherheit, Performance, Wartbarkeit prüfen
- Iterativ verfeinern — mit der KI an spezifischen Bereichen arbeiten
- Gründlich testen — sowohl automatisierte Tests als auch manuelle Verifizierung
Schritte 1, 2, 4 und 6 sind dort, wo die echte Ingenieursarbeit passiert. Schritte 3 und 5 sind mit KI dramatisch schneller. Das Nettoergebnis ist, dass ich bessere Software schneller ausliefere — nicht, dass ich nicht mehr gebraucht werde.
Ausblick
Ich glaube, wir bewegen uns auf eine Welt zu, in der Softwareentwickler eher Architekten und technische Direktoren sind als Handwerker. Wir werden mehr Zeit mit Design, Review und Strategie verbringen und weniger mit Implementierungsdetails. Die Gesamtnachfrage nach Software wird weiter wachsen, weil KI es günstiger und schneller macht, Software zu bauen — was bedeutet, dass mehr Projekte wirtschaftlich tragfähig werden und mehr Arbeit für Ingenieure entsteht, nicht weniger.
Die Entwickler, die es schwer haben werden, sind diejenigen, die ihren Wert rein über ihre Fähigkeit definieren, Code zu schreiben. Diejenigen, die erfolgreich sein werden, definieren ihren Wert über ihre Fähigkeit, Probleme zu lösen, Systeme zu entwerfen und unter Unsicherheit gute Entscheidungen zu treffen.
KI ist nicht das Ende der Softwareentwicklung. Es ist der Beginn einer besseren Version davon.
