Coding mit KI: Zwischen Automatisierung und Verantwortung

AUTORIN Anna Holzmann

Einleitung

Die Art und Weise, wie wir Software entwickeln, verändert sich rasant. KI-gestützte Tools wie Claude Code, GitHub Copilot, ChatGPT, Cursor AI und viele mehr versprechen Effizienz und kreative Unterstützung. Doch wie sinnvoll ist es wirklich, Code generieren zu lassen? Was bedeutet das für Qualität, Verantwortung und Kontrolle?

Die Bandbreite der Unterstützung

KI kann in nahezu allen Phasen der Softwareentwicklung unterstützen, vom schnellen Prototypen bis zur Hilfe bei der Fehlersuche. Mögliche Einsatzfelder sind:

Komplette Applikationen: Von Datenbank bis Frontend kann ein KI-System eine Anwendung generieren, doch ist das nachhaltig? Wer die Anwendung nicht versteht, kann sie auch nicht weiterentwickeln.

Teilautomatisierung: Wiederkehrende Strukturen, Standard-Tests oder Dokumentation lassen sich oft gut automatisieren.

Projektverständnis: Neueinsteiger:innen könnten sich durch KI-Support schneller in fremden Code einarbeiten, durch Zusammenfassungen, Visualisierungen oder Beantwortung von Detailfragen. Wie viel bleibt wirklich hängen, wenn man sich durch Prompts führen lässt, statt selbst den Code zu erarbeiten? Je nach Lerntyp mag das unterschiedlich funktionieren, doch echtes Verständnis entsteht meist dort, wo man sich die Dinge selbst erarbeitet.

Unterstützung bei Reviews & Bug-Fixes: Wenn man das Problem eingrenzen kann, hilft KI dabei, Verbesserungsvorschläge zu machen oder auf potenzielle Fehler hinzuweisen.

KI kann auf verschiedenen Ebenen unterstützen, von „Assistent“ bis „Autopilot“. Doch der Einsatz muss bewusst gewählt werden.

Chancen und Risiken

Die Versprechen von KI im Coding sind groß, aber genauso auch die Gefahren. Neben technischen Aspekten kommen rechtliche, organisatorische und ethische Fragen hinzu:

Verantwortung bleibt beim Menschen: Wer sich Code generieren lässt und ihn ungeprüft produktiv einsetzt, etwa durch das automatisierte Erstellen kompletter Applikationen, haftet dennoch. KI schützt nicht vor rechtlichen Konsequenzen. Das gilt genauso für Recherchen mit ChatGPT oder anderen Sprachmodellen: Verlässt man sich blind, wird man angreifbar.

Urheberrecht & Unternehmensgeheimnisse: Welche Daten werden verarbeitet, wenn ich Code beschreiben oder Dokumentationen hochlade? Wer haftet bei urheberrechtlichen Konflikten? Was passiert mit meinem USP, wenn ich sensible Logik über APIs preisgebe?

Effizienzgewinn oder neue Komplexität? Das Prompten und genaue Beschreiben der Aufgaben ist oft aufwendiger, als auf bestehende Codebestandteile zurückzugreifen. Wenn ich bereits weiß, was ich will, habe ich möglicherweise bereits Code, den ich verstehe, dokumentiert und leicht erweitern kann. Warum also neu generieren lassen?

Trainierte Masse ≠ hohe Qualität: Große Sprachmodelle sind auf Masse trainiert – das bedeutet nicht, dass sie automatisch hochwertige Lösungen generieren. Qualitätsstandards, Richtlinien und unternehmensspezifische Konventionen müssen erst vermittelt werden, und das ist kein trivialer Prozess. Es erfordert Schulung, Dokumentation und Qualitätskontrolle.

Es gibt ein Spannungsverhältnis zwischen Automatisierung und Kontrolle, wer KI nutzt, muss dennoch die Verantwortung tragen und Qualitätsstandards sichern.

Die Rolle des Menschen

Trotz aller Technik bleibt der Mensch im Zentrum der Entwicklung. Denn auch wenn die KI Code vorschlägt, verstehen, kontrollieren und weiterentwickeln muss ihn jemand:

Verstehen bleibt essenziell: Nur wer das Problem und den Code versteht, kann sicherstellen, dass die Lösung funktioniert, auch unter Stress oder im Notfall.

Lernen durch Fehler: Wer sich nur auf die KI verlässt, nimmt sich selbst Lernchancen. Fehler, so frustrierend sie sind, sie sind wichtige Lehrmeister.

KI als Dialogpartner, nicht als Ersatz: Der größte Mehrwert entsteht, wenn man sich mit der KI auseinandersetzt, Ideen testet, verwirft, hinterfragt. Nur dann ist es echte Unterstützung.

Kann jetzt jeder Entwickler:in sein? Die Hürde, in Softwareprojekte einzusteigen, ist dank KI-Tools gesunken. Das ist eine große Chance. Menschen können schneller Prototypen bauen, mehr ausprobieren, eigenständiger lernen. Doch diese Befähigung ist kein Freifahrtschein. Qualität, Sicherheit und nachhaltige Architektur lassen sich nicht generieren. Sie müssen verstanden, durchdacht und verantwortet werden.

Gute Ergebnisse mit KI erfordern klare Anweisungen. Je besser der Input, desto besser der Output. Dafür braucht es Verständnis, Erfahrung und kritisches Denken.

Praktische Erfahrungswerte

In meiner täglichen Arbeit experimentiere ich unter anderem mit ChatGPT und Claude Code als strukturierender, diskursiver Partner. Das sieht konkret so aus:

Ich lasse mir Strukturen, Teilschritte und Lösungsansätze vorschlagen. Ich reviewe sie und gebe Feedback.

Scratches helfen mir, Vorschläge zu isolieren, bevor ich sie in meine Code Basis übernehme.

Ich entwickle Lösungsstrategien, um ein Problem strukturiert zu lösen. Dabei kann das gute Denkanstöße geben, um verschiedene Optionen zu evaluieren.

Ich merke aber auch: Meine eigenen Qualitätsansprüche müssen immer wieder mit Beispielen, Konventionen und Anleitungen „antrainiert“ werden. Das kostet Zeit und Energie – vor allem am Anfang.

Und ich frage mich zunehmend: Wie lange wird es dauern, bis ich ausreichend Templates, Beispiele und Strukturen gesammelt habe, um der KI wirklich effizient Anweisungen geben zu können? Wird sich der anfängliche Aufwand langfristig lohnen – oder verlagere ich lediglich den Komplexitätsaufwand von der Codeebene auf die Kommunikation mit der KI?

Die Zusammenarbeit mit KI ist kein Selbstläufer. Sie verlangt Einarbeitungszeit, Disziplin und eine wachsende Sammlung an Beispielen und Vorlagen.

Ausblick und Fazit

Dass KI wird die Softwareentwicklung verändert, steht außer Frage. Was es dafür braucht:

Verantwortung und Wachsamkeit, gerade in Bezug auf Sicherheit, Qualität und rechtliche Fragen.

Kritisches Bewusstsein, ob man wirklich produktiver wird, oder nur neue Tätigkeiten übernimmt, die ebenfalls Ressourcen binden.

Strukturen und Regeln, um die Zusammenarbeit mit KI sinnvoll und nachhaltig zu gestalten.

Bewusster Umgang mit Befähigung: KI kann Entwickler:innen enorm unterstützen. Mehr Menschen können schneller Ideen umsetzen, eigenständiger lernen und produktiver werden. Doch das darf nicht dazu führen, dass Schnelligkeit allein zum Maßstab wird. Qualität braucht Zeit, auch im KI-Zeitalter.

KI-generierter Code kann faszinieren, doch blinder Einsatz ist gefährlich. Qualität, Wartbarkeit und Sicherheit bleiben menschliche Verantwortung. Solange Unternehmen Wert auf verlässliche Software legen, bleibt das Coding ein Handwerk, unterstützt, aber nicht ersetzt durch KI.

ÜBER DIE AUTORIN

Anna Holzmann ist seit über vier Jahren Data‑&‑AI‑Engineer bei der MATHEMA GmbH und zugleich seit März 2025 Team Lead Data & AI. Sie steuert und optimiert ETL/ELT‑Pipelines auf Plattformen wie Snowflake und Databricks, bereitet umfangreiche Daten auf und trainiert Machine‑Learning-Modelle. Ihr Fokus liegt derzeit auf GenAI‑Lösungen, Conversational AI‑Agenten (etwa Chatbots wie „Chatty“) und der Frage, wie solche Technologien unseren Arbeitsalltag nachhaltig verändern. (Stand 2025)