KI in der Softwareentwicklung – ­zukunftsfähige Skills

KI-generierter Code verdrängt zunehmend klassisches Coding. Die dafür genutzten KI-Tools haben zuletzt grosse Fortschritte gemacht – ein Trend, der sich weiter fortsetzen wird. Trotzdem bleibt ein solides Verständnis für Systemarchitektur und Clean Code unerlässlich: Wer diese nicht mitbringt, wird Schwierigkeiten haben, generierten Code richtig einzuordnen, zu prüfen und nachhaltig zu inte­grieren.

Ein Beispiel dafür ist "Vibe Coding", bei dem Code durch minimale Anweisungen entsteht. Vibe Coding ist dabei mehr als nur ein Trend zu höherer Abstraktion – es etabliert eine neue Form der Zusammenarbeit. Eines ist dabei entscheidend: Wer sich blind auf KI-generierten Code verlässt, ohne kritisch zu hinterfragen, riskiert Fehler und unwartbare Lösungen.

Automatisierung und ihre Auswirkungen auf Karrierepfade

Entwicklerinnen und Entwickler haben traditionell viel durch das praktische Lösen einfacher Aufgaben gelernt. Wenn die Lösung dieser Aufgaben nun zunehmend automatisiert wird, besteht das Risiko, dass wichtige Lernmomente wegfallen. Unternehmen sollten gezielt Mentoring-Programme und strukturierte Einarbeitungen fördern. KI-Tools sind wertvoll, doch Kernkompetenzen müssen auch unabhängig davon aufgebaut werden – wie beim Rechnen ohne Taschenrechner.
Unterstützend können Wissenstransfer-Techniken wie Pair Programming (gemeinsam statt isoliert Code generieren), Mentoring-Programme und die Einführung eines Rotationsprinzips (Durchlaufen verschiedener Bereiche) die Förderung von Nachwuchstalenten unterstützen.

Zusammenarbeit zwischen Entwicklern und KI-Systemen

Es werden neue Zusammenarbeitsmodelle entstehen. Als Beispiel: die richtigen Fragen stellen (Prompting) – ein iterativer Prozess mit kontinuierlichem Feedback – bis hin zur optimalen Lösung. Es entstehen hybride Teams, in denen KI-Agenten und -Tools integraler Bestandteil der täglichen Arbeit werden. Gerade in agilen und interdisziplinären Teams eröffnen sich dadurch völlig neue Möglichkeiten. KI hilft dabei, agile Prinzipien wie Autonomie umzusetzen. Einerseits zwingt Coding mit KI dazu, modulare und lose gekoppelte Systemarchitekturen konsequent umzusetzen (z. B. via Microservices). Andererseits sind KI-unterstützte Teams generell effizienter und ermöglichen eine grössere Flexibilität hinsichtlich der optimalen Teamgrösse.

Zukünftige Bedeutung von "AI Engineers"

AI Engineers überbrücken die Lücke zwischen Machine Learning (ML) und Softwareentwicklung. Diese hybride Kompetenz wird essenziell, da immer mehr Anwendungen KI-Modelle integrieren. Das muss jedoch nicht eine separate Rolle sein – oft ist es sinnvoller, wenn ML-Expertinnen und Softwareentwickler diese Kompetenzen selbst aufbauen. In einer Zukunft, in der fast jede Anwendung KI-Komponenten enthält, sind diese hybriden Fachkräfte entscheidend.

Ethische und sicherheitsrelevante Herausforderungen

KI-generierter Code birgt Risiken: Fehlende Nachvollziehbarkeit erschwert Audits, und mit fehlerbehafteten Daten trainierte KI-Modelle übertragen sich auf den Code. Qualitätsprüfungen sind daher ein Muss – etwa durch Dev­Ops-Praktiken wie automatisierte Tests, statische Code-Analyse und stabile CI-/CD-Prozesse.

Neue Rollen und Verantwortlichkeiten für Softwareentwicklerinnen und -entwickler durch Integration von KI in den Entwicklungsprozess:

• Prompt Engineer: Die ­Fähigkeit, als Software-­Engineer die richtigen Fragen zu stellen, um von der KI bestmögliche Coding-­Ergebnisse zu erhalten, ist essenziell.
• AI Engineer: Verbindet Softwareentwicklung mit Data-Science- und ML-Aspekten. Hier bestehen bei Entwicklerinnen und ­Entwicklern noch grosse Wissenslücken.
• MLOps Engineer: Aufbau, kontinuierliches Training, Monitoring und Deployment von KI-Modellen in die Produktionsumgebungen.