Wie KI den Entwicklungsprozess statt nur den Code verändert

Markus Stolze, Professor an der Ostschweizer Fachhochschule. (Source: zVg)

Markus Stolze, Professor an der Ostschweizer Fachhochschule. (Source: zVg)

Vibe Coding verspricht einen Wendepunkt in der Softwareentwicklung. Was verändert sich dadurch grundlegend?

Der Begriff «Vibe Coding» wird heute sehr unterschiedlich verwendet. Wörtlich könnte man ihn als «Programmieren nach Gefühl» übersetzen. Teilweise wird er als Sammelbegriff für KI-gestützte Softwareentwicklung verwendet. Ich verwende ihn bewusst enger für einen explorativen «Prompt-and-Pray»-Ansatz. Unter «AI-Augmented Software Engineering» verstehe ich dagegen den systematischen Einsatz von KI innerhalb professioneller Entwicklungsprozesse. Der eigentliche Wendepunkt für die Softwareentwicklung liegt nicht darin, dass KI Code schreibt. Neu ist, dass KI – richtig eingesetzt – nahezu den gesamten Entwicklungsprozess unterstützen kann: von Anforderungen über Design und Implementierung bis zu Tests und Qualitätssicherung. Dadurch verschiebt sich der Engpass der Softwareentwicklung von der Code-Erstellung hin zur Definition und Sicherstellung von Anforderungen, Architektur sowie der Softwarequalität – einschliesslich Sicherheit, Benutzbarkeit und Barrierefreiheit. KI verändert damit nicht nur, wie Software entwickelt wird, sondern auch, wie Produktmanager, UX-Fachpersonen und Softwareentwickler zusammenarbeiten. Die eigentliche Herausforderung liegt damit nicht mehr im Schreiben von Code, sondern in der Gestaltung robuster KI-gestützter Entwicklungsprozesse und der systematischen Sicherstellung ihrer Qualität.

Die Anbieter von Vibe-Coding-Tools sprechen von einer Demokratisierung der Softwareentwicklung. Eine Studie der ETH Zürich legt jedoch nahe, dass dafür weiterhin fundierte Informatikkenntnisse entscheidend sind. Überschätzen wir die Fähigkeit von KI, fehlendes Software-Know-how zu kompensieren?

Für einfache Anwendungen kompensiert KI fehlendes Programmierwissen heute erstaunlich gut. Das erklärt auch, weshalb immer mehr Fachpersonen ohne klassische Informatikausbildung Anwendungen für den Eigengebrauch entwickeln können. Sobald Anwendungen jedoch nicht mehr nur für den privaten Gebrauch, sondern für einen grösseren Nutzerkreis oder sogar geschäftskritisch entwickelt werden, bleiben fundierte Kenntnisse in User Experience, Softwarearchitektur, Testing, Security und Wartbarkeit entscheidend. Die Frage ist deshalb weniger, ob KI Softwareentwickler ersetzt, sondern welche Kompetenzen künftig den Unterschied ausmachen. Hier lohnt sich eine Unterscheidung zwischen Citizen Development und professioneller Softwareentwicklung. Während Fachpersonen mit KI zunehmend eigene Lösungen für den internen Gebrauch erstellen können, steigen bei professioneller Softwareentwicklung die Anforderungen an User Experience, Architektur, Qualitätssicherung, Security und Governance.

Welche Aufgaben in der Softwareentwicklung profitieren heute am stärksten von Vibe Coding – und wo stösst der Ansatz an seine Grenzen?

Im engeren Sinn eignet sich Vibe Coding vor allem für die schnelle Erstellung von intern genutzter Software für einfache Aufgaben und von Prototypen – beispielsweise um neue Produktideen zu demonstrieren, Konzepte mit Nutzenden zu evaluieren oder Usability-Tests vorzubereiten. KI unterstützt dabei heute bereits den Weg von ersten Anforderungen über UX-Konzepte und Design bis hin zu lauffähigen Prototypen. Der geringe Aufwand macht diesen Ansatz insbesondere für Product Manager, UX-Fachpersonen oder Citizen Developer attraktiv. AI-Augmented Software Engineering umfasst dagegen professionelle Softwareentwicklung mit KI – sowohl bei neuen Systemen (Greenfield) als auch bei der Weiterentwicklung bestehender Systeme (Brownfield). Besonders profitieren repetitive und gut spezifizierte Aufgaben wie Implementierung, Bug-Fixing, Testgenerierung, Dokumentation, Refactoring und Migrationen. Gerade bei Refactoring und Migrationen zeigt sich aber auch eine wichtige Grenze: Viele bestehende Systeme sind über Jahre gewachsen, heterogen und nur unzureichend durch Tests abgesichert. Bevor KI hier sicher unterstützen kann, lohnt es sich häufig, zuerst in eine gute automatisierte Testabdeckung zu investieren. Erst dadurch lassen sich grössere Änderungen mit vertretbarem Risiko durchführen. Eine ähnliche Herausforderung zeigt sich bei der Entwicklung neuer Features in solchen gewachsenen Systemen. Ohne ausreichende Tests und ein gutes Verständnis der bestehenden Architektur kann KI zwar schnell neuen Code erzeugen. Gleichzeitig steigt jedoch das Risiko, unbeabsichtigt bestehende Funktionalität zu verändern, technische Schulden aufzubauen oder Sicherheitsprobleme einzuführen. Grenzen zeigen sich generell überall dort, wo Ziele unklar sind, Zielkonflikte bestehen oder Erfahrungswissen gefragt ist – etwa bei Architekturentscheidungen, Produktstrategie, Security, regulatorischen Anforderungen oder der Gestaltung einer guten User Experience.

Viele Unternehmen experimentieren derzeit mit KI-gestützter Softwareentwicklung. Woran erkennen sie, ob dies tatsächlich einen Mehrwert schafft?

Nicht an der Anzahl erzeugter Codezeilen. Entscheidend ist vielmehr, ob sich der gesamte Entwicklungsprozess verbessert. Hinweise darauf sind beispielsweise kürzere Durchlaufzeiten bis zum Release, stabilere Software, weniger Produktionsfehler, eine schnellere Einarbeitung neuer Mitarbeitender oder eine höhere Zufriedenheit der Entwicklungsteams. Wenn KI zwar schneller Code erzeugt, gleichzeitig aber Review-, Test- und Wartungsaufwand überproportional steigen, wurde der Engpass lediglich verschoben. Der eigentliche Mehrwert entsteht erst dann, wenn KI nicht nur die Implementierung beschleunigt, sondern den gesamten Entwicklungsprozess effizienter und qualitativ besser macht.

Wie verändert KI-gestützte Softwareentwicklung die Rolle von Softwareentwicklern und IT-Fachkräften?

Routineprogrammierung verliert weiter an Bedeutung. Dafür gewinnen Kompetenzen in Problemanalyse, Systemspezifikation, User Experience, Architektur, Qualitätsmanagement, Security, Governance und Kommunikation an Gewicht. Gleichzeitig verkürzt sich die Halbwertszeit technischer Detailkenntnisse, während die Fähigkeit, KI sinnvoll in Entwicklungsprozesse einzubinden, immer wichtiger wird. Die Rolle von Softwareentwicklern verändert sich grundlegend. Gleichzeitig verändert sich auch die Zusammenarbeit in interdisziplinären Entwicklungsteams. Während KI zunehmend Teile der Implementierung übernimmt, gewinnen Aufgaben wie die Definition von Anforderungen, Architektur und Qualitätskriterien sowie die Gestaltung KI-unterstützter Entwicklungsprozesse an Bedeutung. Ziel ist nicht mehr primär, möglichst viel Code selbst zu schreiben, sondern sicherzustellen, dass KI zuverlässig, sicher und im Sinne der Projektziele arbeitet. Gleichzeitig entstehen neue Rollen rund um die Einführung und kontinuierliche Weiterentwicklung KI-gestützter Entwicklungsprozesse. Unternehmen benötigen Fachpersonen, die geeignete Werkzeuge auswählen, Entwicklungsrichtlinien etablieren und KI-Infrastrukturen an organisatorische, technische und rechtliche Rahmenbedingungen anpassen. Diese Entwicklung beobachten wir auch in der Weiterbildung. Im CAS AI-Augmented Software Engineering beschäftigen wir uns deshalb nicht nur mit KI-Coding-Tools, sondern insbesondere mit deren verantwortungsvoller Einbindung in individuelle und teamübergreifende Entwicklungsprozesse.

KI kann heute in wenigen Minuten lauffähigen Code erzeugen. Wie verändert das die Anforderungen an Qualitätssicherung, Testing und Security in Softwareprojekten?

KI erhöht die Geschwindigkeit der Softwareentwicklung massiv. Menschliches Code Review bleibt zwar wichtig, skaliert aber allein nicht mehr mit der Geschwindigkeit KI-gestützter Entwicklung. Qualität muss deshalb zunehmend systematisch im Entwicklungsprozess abgesichert werden. Dazu gehören klare Anforderungen und Architekturvorgaben, automatisierte Tests, statische Codeanalyse, Architekturregeln, Accessibility- und Security-Tests, automatisierte Qualitätsprüfungen sowie die gezielte menschliche Überprüfung kritischer Entscheidungen. Je autonomer KI-Systeme werden, desto wichtiger wird dieses Zusammenspiel aus automatisierten Qualitätsmechanismen und menschlicher Verantwortung. Ziel ist nicht, möglichst viel KI-generierten Code zu produzieren, sondern möglichst zuverlässig qualitativ hochwertige, sichere und benutzbare Software.

Wie können Unternehmen verhindern, dass durch KI-generierten Code neue technische Schulden entstehen, die sie später teuer bezahlen müssen?

Der häufigste Fehler besteht darin, KI «einfach machen zu lassen». KI macht schlechte Entwicklungsprozesse nicht besser – sie beschleunigt sie. Bestehende Schwächen wie unklare Anforderungen, fehlende Architektur oder unzureichende Tests werden dadurch schneller und in grösserem Umfang reproduziert. Erfolgreiche Teams investieren deshalb zuerst in eine tragfähige Architektur, klare Entwicklungsrichtlinien und automatisierte Qualitätsprüfungen. So kann KI ihre Stärken ausspielen, ohne dass Wartbarkeit, Sicherheit oder Softwarequalität leiden. Gleichzeitig sollten Unternehmen bewusst experimentieren. Bewährt haben sich kleine, interdisziplinäre Teams, die zunächst weniger kritische Anwendungen entwickeln und dabei Erfahrungen mit KI-gestützten Entwicklungsprozessen sammeln. Die gewonnenen Erkenntnisse lassen sich anschliessend schrittweise auf grössere und geschäftskritische Projekte übertragen.

Wenn Mitarbeitende ausserhalb der IT-Abteilung mit KI eigene Anwendungen entwickeln können: Welche Leitplanken und Governance-Regeln braucht es, damit aus Innovation nicht Schatten-IT wird?

Hier bewegt man sich am ehesten im Bereich dessen, was heute häufig unter Vibe Coding verstanden wird: Einzelpersonen entwickeln mit KI schnell eigene Anwendungen – oft ausserhalb etablierter Entwicklungsprozesse und teilweise mit privat genutzten KI-Diensten oder eigener Hardware. Das eröffnet grosse Innovationschancen. Unternehmen sollten diese Entwicklung deshalb nicht verhindern, sondern sichere und attraktive Alternativen anbieten. Wenn Mitarbeitende ihre Aufgaben mit freigegebenen KI-Werkzeugen effizient erledigen können, sinkt der Anreiz, auf private Lösungen auszuweichen. Gleichzeitig braucht es klare Leitplanken. Dazu gehören Regeln für den Umgang mit Unternehmensdaten, Berechtigungskonzepte, Security Policies, Freigabeprozesse sowie Kostenkontrolle. KI-generierter Code kann beispielsweise ineffiziente Cloud-Abfragen oder Datenbankzugriffe erzeugen, die im Betrieb unerwartet hohe Kosten verursachen. Unternehmen benötigen deshalb technische und organisatorische Governance, damit aus Innovation keine Schatten-IT entsteht.

Viele KI-Agenten und Coding-Assistenten greifen auf Open-Source-Software zurück. Wenn KI deren Nutzung vereinfacht und zugleich den direkten Kontakt zu den zugrunde liegenden Projekten reduziert: Wer pflegt künftig die Software, auf der die KI-Werkzeuge aufbauen?

Die Auswirkungen von KI auf Open Source sind vielschichtiger, als es auf den ersten Blick scheint. Einerseits erleichtert KI den Zugang zu Open-Source-Bibliotheken. Entwickler finden schneller geeignete Komponenten und können sich bestehende APIs oder Frameworks erklären lassen. Gleichzeitig steigt die Verantwortung, vorgeschlagene Bibliotheken hinsichtlich Sicherheit, Wartbarkeit, Projektgesundheit und Lizenzierung kritisch zu prüfen. Ob vorhandene Funktionalität als Bibliothek eingebunden oder mit KI gezielt selbst implementiert wird, muss bewusst entschieden werden. Bei wenigen hundert Zeilen überschaubarem Code kann eine Eigenimplementierung sinnvoller sein als eine zusätzliche Abhängigkeit mit unnötigem Funktionsumfang und eigenen Update- oder Sicherheitsrisiken. Bei komplexerer Funktionalität ist eine etablierte, gut gepflegte Bibliothek dagegen häufig die robustere Lösung. Entscheidend sind Umfang, Wartbarkeit, Security, Lizenzierung und die langfristigen Kosten beider Varianten. Auch die Open-Source-Communities selbst stehen vor neuen Herausforderungen. Viele Projekte berichten über einen starken Anstieg KI-generierter Pull Requests und Bug Reports, deren Qualität häufig ungenügend ist und die Maintainer zusätzlich belasten. Gleichzeitig nutzen viele Maintainer KI selbst für Code Reviews, Tests, Dokumentation oder die Modernisierung bestehender Projekte. KI verändert Open Source also auf der Nutzer- wie auch auf der Seite der Projektpflege. Unternehmen, die geschäftskritisch von Open-Source-Komponenten abhängen, sollten zudem deren nachhaltige Finanzierung als Teil ihrer Cybersecurity-Strategie verstehen: Unzureichend gepflegte Abhängigkeiten können zum Sicherheitsrisiko werden. Entscheidend ist, dass KI die Zusammenarbeit zwischen Entwicklern und Open-Source-Projekten unterstützt, statt sie zu ersetzen.

Wie sieht die Softwareentwicklung in fünf Jahren aus, wenn sich Vibe Coding durchsetzt – und welche Rolle wird Open Source dann noch spielen?

Ich glaube, dass wir in einigen Jahren deutlich weniger von Vibe Coding sprechen werden. Rückblickend werden wir den Begriff vermutlich als Bezeichnung für eine wichtige Experimentierphase betrachten. In der professionellen Softwareentwicklung wird sich AI-Augmented Software Engineering als Standard etablieren. Der nächste Entwicklungsschritt zeichnet sich bereits heute mit Agentic Software Engineering ab: KI-Agenten übernehmen zunehmend eigenständig Entwicklungsaufgaben, während der Mensch Ziele definiert, Leitplanken setzt und Verantwortung für User Experience, Architektur, Qualität, Security und Governance trägt. Parallel dazu wird sich auch das Citizen Development weiterentwickeln. Schon heute erstellen viele Unternehmen produktive Lösungen mit Low-Code-Plattformen, die eng in ihre bestehende IT-Infrastruktur integriert sind. KI wird diese Entwicklung weiter beschleunigen und neue Nutzergruppen befähigen, eigene Anwendungen zu entwickeln. Dadurch verschiebt sich die Grenze zwischen professioneller Softwareentwicklung und der Softwareentwicklung in den Fachbereichen. Der grössere Wandel führt zugleich von der individuellen Beschleunigung zu produktiveren teamübergreifenden Prozessen. Gemeinsame Strukturen wie Designsysteme können Produktmanagement, UX, Entwicklung, Betrieb und Support verbinden. Open Source wird weiterhin eine zentrale Rolle spielen – als technologische Grundlage vieler KI-Werkzeuge und als Innovationsmotor. Entscheidend wird weniger sein, wer den Code schreibt, sondern wie Menschen und Teams KI einsetzen, um hochwertige, sichere und benutzbare Software zu entwickeln.