KI im Softwareentwicklungsfluss: von der Generierung von Snippets bis zur Orchestrierung

Vor nicht allzu langer Zeit war der Einsatz von KI in der Entwicklung ein ungeschicktes Ritual. Sie haben das Problem in einem Chatfenster beschrieben, einen Codeausschnitt erhalten, ihn kopiert, in den Editor eingefügt, optimiert und optimiert. Die KI lebte außerhalb Ihres Arbeitsablaufs, wie ein kluger Kollege, den Sie per Text konsultieren.

Dieses Modell ist bereits veraltet. Die Tools verließen den Chat und betraten das Repository. Und dadurch verändert sich das Werkzeug weniger als seine Rolle.

Dieser Text gibt einen Überblick darüber, wohin die Entwicklung geht und warum die Fähigkeit, die zählt, nicht mehr das Schreiben, sondern das Orchestrieren ist.

Die Phase des Kopierens und Einfügens

Die erste Generation der KI in der Entwicklung war der generische Konversationsassistent. Sie haben ChatGPT geöffnet, den Kontext klar erklärt und eine Antwort erhalten, die den Code, die Konventionen oder Abhängigkeiten nicht kannte.

Es funktionierte, aber mit Reibung. Die KI hat ihr Design nicht gesehen. Jede Frage begann bei Null. Sie waren die Verbindung zwischen dem Tool und dem Code und haben manuell hin- und herkopiert.

Es war nützlich, um Fragen zu beantworten und Musterbeispiele zu erstellen. Es war schlecht für alles, was den Kontext des gesamten Projekts erforderte. Und so ziemlich jeder echte Job erfordert es.

Bei diesem Modell gab es auch versteckte Kosten: die Übersetzung. Sie haben Energie darauf verwendet, der KI einen Kontext zu erklären, der bereits in Ihrem Repository vorhanden war. Jedes Gespräch war eine Übung darin, das Offensichtliche einem Werkzeug zu beschreiben, das es nicht sehen konnte. Diese Reibung beschränkte die Nutzung auf kleine, in sich geschlossene Aufgaben, gerade die am wenigsten wertvollen.

AI betritt den Editor

Die zweite Generation brachte KI in die Umgebung, in der Sie arbeiten. GitHub Copilot hat den Online-Vorschlag populär gemacht: Sie geben etwas ein, es wird vervollständigt, und zwar im Bewusstsein der geöffneten Datei.

Cursor ging noch einen Schritt weiter, indem er den gesamten Editor als Kontext behandelte. Anstatt eine Zeile zu vervollständigen, versteht es das Projekt, bearbeitet mehrere Dateien aus einer Anweisung und spricht über die Codebasis, ohne dass Sie etwas einfügen müssen.

Der praktische Unterschied ist groß. Die KI begann zu sehen, was Sie sehen. Die Reibung beim Kopieren und Einfügen entfällt. Aber der Job bestand im Kern immer noch darin, dass Sie fuhren und die KI Sätze vervollständigte.

KI wirkt auf das Repository

Die aktuelle Generation ist der Game Changer. Tools wie Claude Code und der Agent-Modus von GitHub Copilot schlagen nicht mehr vor: Sie führen aus.

Sie beschreiben eine Aufgabe und das Tool geht mehrere Dateien durch, nimmt die Änderungen vor, führt die Tests aus, liest die Ausgabe, behebt Fehler und öffnet eine Pull-Anfrage, die Sie überprüfen können. Es fungiert im Repository als Mitarbeiter und nicht als Autovervollständiger.

Dazu gehören Aufgaben, die früher zu langweilig waren, um sie von Fall zu Fall zu automatisieren: das Schreiben der Testsuite, die niemand geschrieben hat, das Refactoring eines gesamten Moduls auf einen neuen Standard, das Aktualisieren einer Abhängigkeit und das Anpassen aller betroffenen Aufrufe sowie das Dokumentieren von undokumentiertem Code. Wenn Sie eines dieser Tools im Detail verstehen möchten, habe ich darüber geschrieben, was Claude Code ist und wie es im Vergleich zu Cursor und Copilot ist“.

Die Art der Arbeit ändert sich. Sie hören auf, jede Zeile zu schreiben, und beginnen mit der Definition der Aufgabe, beobachten die Ausführung und beurteilen das Ergebnis.

Die These: Vom Tippen zum Orchestrieren und Überprüfen

Hier liegt der zentrale Punkt. Wenn KI schnell und in großen Mengen Code generiert, ist das Tippen keine Arbeit mehr. Die Arbeit besteht darin, klar zu definieren, was getan werden muss, und die Maßnahmen sorgfältig zu überprüfen.

Orchestrierung bedeutet, ein Problem in Aufgaben aufzuteilen, die das Tool ausführen kann, ausreichend Kontext bereitzustellen, Schritte miteinander zu verknüpfen und zu wissen, wann eingegriffen werden muss. Durchsehen bedeutet, mit kritischem Blick zu lesen, was zurückgekommen ist, denn die KI macht Fehler mit Zuversicht und der Fehler wird in Code verpackt, der korrekt aussieht.

Diese beiden Fähigkeiten, Zerlegung und Überprüfung, waren schon immer Kennzeichen guter leitender Ingenieure. Der Unterschied besteht darin, dass sie jetzt mehr wert sind als die Tastaturgeschwindigkeit, die den produktiven Junior auszeichnete.

Es ist eine unangenehme Umkehrung der Werte für diejenigen, die ihre Identität auf der Fähigkeit aufgebaut haben, Code zu schreiben. Aber es ist die Richtung des Flusses.

Hier gibt es eine nützliche Parallele. Ein guter technischer Manager wird nicht mehr daran gemessen, wie viel Code er schreibt, sondern daran, wie gut er das Team leitet, überprüft und freischaltet. KI-Agenten drängen den einzelnen Ingenieur in eine kleinere Version derselben Logik. Sie werden zum Manager eines unermüdlichen, schnellen und allzu wörtlichen Mitarbeiters, der genau das tut, was Sie verlangen, auch das, was Sie schlecht verlangt haben. Zu wissen, wie man gut fragt und das Ergebnis verlangt, ist schon die halbe Arbeit.

Warum Vertrauen nicht mit der Adoption einhergeht

Die Daten bestätigen, dass dieser Übergang real ist und mit Vorsicht erfolgt. In der Stack Overflow-Umfrage 2025 mit mehr als 49.000 Befragten nutzen 51 % der professionellen Entwickler täglich KI. Es ist kein Wochenendexperiment, es ist Routine.

Und dennoch entsteht kein Vertrauen. Mehr Entwickler misstrauen der Genauigkeit dieser Tools, als sie vertrauen. Der tägliche Gebrauch geht mit Skepsis einher, und das ist gesund.

Das ist genau das Zeichen dafür, dass jemand orchestriert und nicht blind delegiert. Sie verwenden es jeden Tag, weil es funktioniert, und Sie überprüfen es jeden Tag, weil Sie wissen, dass Sie Fehler machen. Blindes Vertrauen wäre das Problem, nicht Misstrauen.

Was verlangt das von einem Team?

Die Einführung dieses Verfahrens bedeutet nicht, Lizenzen zu verteilen und Magie zu erwarten. Es ist eine Redesign-Praxis.

Es bedeutet, in die Aufgabendefinition zu investieren: Vage Anweisungen führen zu vagen Ergebnissen, und die Qualität dessen, was zurückkommt, hängt von der Qualität dessen ab, was Sie verlangen. Dies bedeutet eine Stärkung der Codeüberprüfung, da die Menge der zu überprüfenden Dinge zunimmt. Und es bedeutet, klare Regeln darüber zu schaffen, was das Werkzeug alleine anfassen kann und was eine menschliche Kontrolle erfordert.

Es bedeutet auch, das Dienstalter neu zu überdenken. In einem Fluss, in dem KI das Triviale erzeugt, ist die Arbeit, die den Menschen bleibt, genau das, was Urteilsvermögen erfordert. Sehr junge Teams können mit Agenten mehr pro Kopf verdienen, aber sie benötigen starke Prüfer zur Hand, oder sie sammeln Code an, den niemand wirklich versteht. Die Zusammensetzung des Teams ist ebenso wichtig wie das gewählte Tool.

Ein Team, das gut orchestriert, kann mit den gleichen Leuten mehr leisten. Ein Team, das nur das Tippen beschleunigt, liefert mit denselben Leuten mehr Fehler. Der Unterschied liegt im Prozess, nicht im Werkzeug.

Wenn Sie KI immer noch als separaten Chat in Ihrem Code verwenden, probieren Sie ein Tool aus, das bei einer echten Aufgabe mit geringem Risiko auf das Repository einwirkt, z. B. beim Schreiben von Tests für ein stabiles Modul. Der Rollenwechsel wird schnell deutlich. Der natürliche nächste Schritt besteht darin, die KI-Agenten zu verstehen, die End-to-End-Aufgaben ausführen.

Quelle: Stack Overflow Survey 2025.