CoreConsultKI in der Softwareentwicklung – eine praktische Bestandsaufnahme
Seit Ende 2022, als ChatGPT erstmals in die Hände von Mainstream-Entwicklern gelangte, verändert KI still, aber stetig, wie wir Software bauen. Was als „Code einfügen, Antwort erhalten" begann, hat sich zu einem Werkzeugset entwickelt, das im Editor, in der CI, im Chat sitzt – und in der Praxis nahezu jeden Schritt der Delivery-Pipeline berührt.
Dieser Artikel selbst ist ein gutes Beispiel: Struktur und große Teile des Textes wurden mit KI-Hilfe entworfen, dann von Menschen überprüft und angepasst. Diese Kombination – KI als schneller, unermüdlicher Assistent und Ingenieure als Redakteure, Entscheidungsträger und Qualitätsverantwortliche – ist genau die Arbeitsweise, die wir bevorzugen.
Von ChatGPT im Browser zu KI überall
- 2022–2023: ChatGPT in einem Tab – erste Experimente, Ad-hoc-Fragen, Codeerklärungen
- Nächster Schritt: KI in der IDE – Inline-Vorschläge, schnelle Refactorings, Test-Scaffolding
- Heute: mehrere KIs parallel – wir nutzen ChatGPT, Claude, Grok und Gemini nebeneinander, wählen das Tool, das am besten zur Aufgabe passt, oder prüfen Antworten gegen, wenn etwas kritisch ist.
Anstelle eines einzelnen „Zauber"-Modells behandeln wir KI-Tools wie Libraries: jedes hat Stärken und Kompromisse, und wir kombinieren sie, um für ein gegebenes Problem das beste Ergebnis zu erzielen.
Wo KI in unsere Delivery-Pipeline passt
- Entdeckung und Design – Erkundung von Lösungsoptionen, Generierung von UI/UX-Skizzen, Entwurf von Akzeptanzkriterien und Edge-Case-Listen.
- Implementierung – Boilerplate schreiben, alternative APIs vorschlagen, Legacy-Patterns in moderne übersetzen (z. B. von Ad-hoc-React zu Next.js + Design-System).
- Testen – Generierung realistischer Testdaten, Vorschlag von E2E-Szenarien für Playwright, Hilfe bei Fixtures und Mocking-Strategien.
- Wartung – große PRs zusammenfassen, unbekannte Code-Pfade erklären, Refactorings vorschlagen, die die Komplexität reduzieren.
Das Ziel ist nicht, Entscheidungen an ein Modell abzugeben, sondern KI als Kraftmultiplikator zu nutzen: weniger Zeit für Boilerplate und Yak-Shaving, mehr Zeit für Produktdenken und echte Trade-offs.
Produktivität und der Wandel vom T-shaped zum Full-Stack-Entwickler
Einer der stärksten Effekte, die wir beobachten, ist, wie KI individuelle Rollen neu gestaltet. Klassische T-shaped Developer – tief in einem Bereich, angemessen breit in anderen – können sich jetzt viel schneller entlang der horizontalen Leiste des „T" bewegen. Mit KI, die Lücken in unbekannten Frameworks, Sprachen oder Tools füllt, wird es viel realistischer, im Alltag als Full-Stack-Engineer zu arbeiten.
Konkret bedeutet das: Backend-lastige Entwickler können moderne Frontend-Stacks (React, Next.js, TypeScript, Playwright) mit weniger Reibung navigieren, und Frontend-lastige Entwickler können rund um APIs, Infrastruktur und Daten produktiver sein. Das Ergebnis für das Unternehmen: höhere Flexibilität beim Staffing, weniger Übergaben zwischen Silos und schnellere End-to-End-Lieferung von Features.
Risiken, Leitplanken und menschliche Verantwortung
Die Produktivitätsgewinne sind real, aber die Risiken auch: halluzinierte Fakten, subtile Bugs, Sicherheitslücken und Code, der „richtig aussieht", aber das Falsche tut. Unser Standpunkt ist einfach: KI darf viel vom Entwurf schreiben, aber Menschen bleiben verantwortlich für Architektur, Korrektheit, Sicherheit und Ethik.
- Wir prüfen KI-generierte Änderungen wie jeden anderen Code.
- Wir verlassen uns auf Tests (Unit, Integration, E2E mit Playwright) und statische Analyse, nicht auf Vertrauen.
- Wir halten Domain-Wissen und Schlüsselentscheidungen im Team, nicht in Prompts.
So eingesetzt ist KI weniger ein Ersatz und mehr ein Hebel: Sie ermöglicht es uns, mit kleineren Teams schneller qualitativ hochwertigere Software zu liefern – und macht die Arbeit selbst etwas angenehmer.