Lange hieß künstliche Intelligenz in der Softwareentwicklung: Die Entwicklungsumgebung ergänzt die nächste Zeile. Heute lesen Coding-Agenten wie Claude Code, GitHub Copilot oder Cursor ein ganzes Repository, ändern mehrere Dateien, führen Tests aus und schlagen fertige Pull Requests vor.
Daraus folgen zwei verbreitete Fehlschlüsse. Der erste: Software wird jetzt fast umsonst. Der zweite: KI-Code ist grundsätzlich Pfusch. Beides stimmt nicht. Dieser Beitrag zeigt aus Sicht eines Teams, das maßgeschneiderte Software für den Mittelstand entwickelt, wo KI hilft und wo nicht, wie du die Qualität sicherst und was das für Kosten und Verträge heißt.
Was sich verändert hat und was nicht
Verändert hat sich der Preis für das reine Schreiben von Code. Eine Aufgabe, die klar beschrieben ist und sich automatisch prüfen lässt, erledigt ein Agent heute deutlich schneller als ein Mensch allein. Das senkt die Schwelle für Projekte, die sich früher nicht gerechnet haben. Warum das die Nachfrage nach Software eher erhöht als senkt, beschreibt der Beitrag zum Jevons-Paradox der Software.
Nicht verändert hat sich, was Softwareprojekte schwierig macht: unklare Anforderungen, Fachregeln, die nirgends aufgeschrieben sind, gewachsene Systemlandschaften und die Frage, wer für ein Ergebnis geradesteht. Ein Sprachmodell kennt deinen Betrieb nicht. Es kennt nur, was im Code, in den Tickets und im Prompt steht.
Wo KI-Assistenten im Projekt wirklich helfen
Die folgenden Aufgaben haben zwei Dinge gemeinsam: Sie lassen sich gut beschreiben, und das Ergebnis lässt sich schnell prüfen. Genau dort spielt KI ihre Stärke aus.
Boilerplate und Grundgerüste
Datenmodelle, Formulare, API-Endpunkte nach vorhandenem Muster, Konfigurationsdateien, Migrationsskripte: Vieles in einem Projekt ist Handwerk nach Vorlage. Hier liefert ein Assistent schnell einen brauchbaren Entwurf, den ein Entwickler anpasst. Die gesparte Zeit fließt in die Teile, die Nachdenken brauchen.
Tests
Tests werden in Projekten gern verschoben. Mit KI sinkt die Hürde deutlich: Der Assistent schlägt Testfälle vor, auch für Randfälle, an die im Alltag niemand denkt. Aber ein Test, der nur bestätigt, was der Code ohnehin tut, prüft nichts. Welche Fälle fachlich richtig sind, legt jemand fest, der die Anforderungen kennt.
Refactoring und Upgrades
Framework-Updates, umbenannte Schnittstellen, veraltete Bibliotheken: Mechanische Änderungen über viele Dateien sind eine typische Agenten-Aufgabe. Voraussetzung sind Tests, die zeigen, dass sich das Verhalten nicht verändert hat. Was Refactoring genau ist, erklärt unser Wiki. Bei Altsystemen helfen Agenten außerdem, Abhängigkeiten zu analysieren und Abläufe zu dokumentieren, wie im Beitrag Legacy-Software modernisieren beschrieben.
Dokumentation und Codeverständnis
Ein Assistent kann fremden oder alten Code erklären, Abläufe zusammenfassen und Entwürfe für technische Dokumentation schreiben. Das beschleunigt die Einarbeitung neuer Teammitglieder spürbar. Prüfen muss die Dokumentation trotzdem jemand, denn auch eine gut formulierte Erklärung kann falsch sein.
Code-Review als zweite Meinung
KI-gestützte Reviews finden vertauschte Bedingungen, vergessene Fehlerbehandlung oder uneinheitliche Benennungen. Sie sind eine nützliche zusätzliche Prüfung vor dem menschlichen Review, aber kein Ersatz dafür. Ob eine Änderung fachlich stimmt und zur Architektur passt, beurteilt ein Mensch.
Wo KI nicht hilft oder sogar schadet
Architekturentscheidungen
Ob eine Anwendung als Monolith oder in Services gebaut wird, wo Daten liegen und wie Systeme gekoppelt werden, hängt von Zielen, Team, Budget und Betrieb ab. Ein Modell kann Optionen auflisten und Vor- und Nachteile benennen. Die Abwägung für deinen Fall und die Verantwortung für die Folgen über Jahre bleiben bei Menschen. Mehr dazu auf unserer Seite zu Systemarchitektur und Design.
Fachlogik, die nirgends steht
Die teuersten Fehler entstehen bei Regeln, die nur in Köpfen existieren: eine Sonderkondition für einen Großkunden, eine Ausnahme bei der Freigabe bestimmter Aufträge, ein Statusfeld, das in der Praxis etwas anderes bedeutet als im Handbuch. Ein Modell füllt solche Lücken oft mit einer plausiblen Annahme, statt nachzufragen. Deshalb stehen Anforderungsanalyse und Gespräche mit der Fachabteilung weiterhin am Anfang jedes Projekts.
Sicherheitsverantwortung
KI-generierter Code kann Sicherheitslücken enthalten wie jeder andere Code: fehlende Rechteprüfungen, ungeprüfte Eingaben, unsichere Standardeinstellungen. Dazu kommen neue Risiken. Modelle schlagen gelegentlich Pakete vor, die es gar nicht gibt, und Angreifer können solche Namen gezielt registrieren. Agenten, die Webseiten oder Tickets lesen, lassen sich über versteckte Anweisungen manipulieren, bekannt als Prompt Injection. Die Verantwortung für Sicherheit kann kein Werkzeug übernehmen. Warum „läuft“ nicht dasselbe ist wie „gut“, zeigt der Beitrag Vibe Coding vs. guter Code.
Code, den niemand versteht
Je schneller Code entsteht, desto größer die Versuchung, ihn ungelesen zu übernehmen. Code, den im Team niemand versteht, ist technische Schuld mit Zinsen: Bei der nächsten Änderung oder dem nächsten Fehler im Betrieb fängt die Analyse bei null an.
Qualitätsgates: So kommt KI-Code sicher in Produktion
Die wichtigste Regel ist einfach: Für KI-generierten Code gelten dieselben Gates wie für jeden anderen Code, ohne Ausnahme.
- Menschliches Review. Jede Änderung liest jemand, der sie versteht. Wer einen Pull Request freigibt, verantwortet ihn, egal wer ihn geschrieben hat.
- Kleine Änderungen. Agenten erzeugen schnell große Diffs. Kleine, thematisch saubere Pull Requests lassen sich prüfen, riesige nicht.
- Automatisierte Tests in der Pipeline. Unit-, Integrations- und End-to-End-Tests laufen bei jeder Änderung. Ohne grüne Pipeline kein Merge.
- Statische Analyse. Typprüfung, Linter und Sicherheitsscanner finden ganze Fehlerklassen, bevor ein Mensch hinsieht.
- Abhängigkeiten und Zugangsdaten prüfen. Neue Pakete werden auf Existenz, Pflege und Lizenz geprüft. Zugangsdaten gehören nie in den Code und nie in einen Prompt.
- Entscheidungen dokumentieren. Warum etwas so gebaut wurde, gehört in Tickets, Commit-Nachrichten oder Architekturentscheidungen, nicht nur in einen Chatverlauf.
Diese Gates sind nicht neu. Neu ist, dass ohne sie in kurzer Zeit sehr viel ungeprüfter Code entstehen kann.
Datenschutz, Geschäftsgeheimnisse und Urheberrecht
DSGVO und vertrauliche Daten
Quellcode selbst enthält meist keine personenbezogenen Daten. Testdaten, Logauszüge, Datenbank-Dumps und Fehlermeldungen aus dem Betrieb dagegen oft. Für die Arbeit mit KI-Werkzeugen heißt das: Geschäftsvarianten mit Vertrag zur Auftragsverarbeitung nach Art. 28 DSGVO nutzen, das Training auf eigenen Eingaben ausschließen, keine Produktionsdaten in Prompts geben und die Zugriffe der Agenten auf das Nötige beschränken. Auch Geschäftsgeheimnisse wie Preislogik gehören nur in Werkzeuge, deren Bedingungen du kennst. Wie du KI-Tools im Unternehmen datenschutzkonform aufsetzt, steht im Beitrag DSGVO und KI.
Wem gehört KI-generierter Code?
Das deutsche Urheberrecht schützt nur persönliche geistige Schöpfungen (§ 2 Abs. 2 UrhG). Code, den eine KI ohne nennenswerten menschlichen Beitrag erzeugt, ist deshalb womöglich nicht urheberrechtlich geschützt. Für dich als Auftraggeber ist wichtiger, was im Vertrag steht: Du solltest die Nutzungsrechte am gesamten Ergebnis und Zugriff auf den Quellcode erhalten, unabhängig davon, mit welchen Werkzeugen er entstanden ist.
Ein zweites Risiko sind Lizenzen. Ein Assistent kann Passagen aus Open-Source-Projekten nahezu wörtlich wiedergeben, samt den Pflichten der jeweiligen Lizenz. Manche Werkzeuge bieten Filter, die Vorschläge mit Übereinstimmungen zu öffentlichem Code erkennen. Eine Lizenzprüfung der Abhängigkeiten gehört ohnehin in jedes Projekt. Dieser Abschnitt ersetzt keine Rechtsberatung. Bei Verträgen mit hohem Wert lohnt der Blick einer Fachanwältin oder eines Fachanwalts für IT-Recht.
KI-Kompetenz im Team
Der EU AI Act verpflichtet Unternehmen, die KI-Systeme einsetzen, Maßnahmen zur KI-Kompetenz ihres Personals zu ergreifen (Artikel 4). Das betrifft auch Entwicklungsteams, die mit Coding-Assistenten arbeiten. Was der AI Act sonst für den Mittelstand bedeutet, fasst der Beitrag zum EU AI Act zusammen.
Was KI für die Kosten deines Projekts bedeutet
Niemand kann heute seriös sagen, um wie viel KI ein bestimmtes Projekt günstiger macht. Das hängt davon ab, wie viel Routinearbeit drinsteckt und wie gut Anforderungen und Tests sind. Was sich sagen lässt: Der Aufwand verschiebt sich.
Günstiger wird das Umsetzen klar beschriebener Aufgaben. Gleich bleibt oder wichtiger wird alles drumherum: Anforderungen klären, Architektur entscheiden, prüfen, testen, integrieren, betreiben. Bei Projekten mit vielen Formularen, Standardabläufen und Umbauten ist der Effekt größer als bei Projekten, deren Aufwand in Fachregeln und Schnittstellen zu Altsystemen steckt.
Für Auftraggeber hat das zwei Folgen. Erstens werden Vorhaben realistisch, die bisher am Budget scheiterten, etwa eine eigene Fachanwendung statt der nächsten Excel-Liste. Zweitens verschiebt sich die Wartungsrechnung: Updates und Umbauten, die früher liegen blieben, werden bezahlbar. Was das für die Wahl zwischen Open Source, SaaS und Eigenentwicklung heißt, steht im Beitrag Open Source Revolution.
Wirbt ein Anbieter mit KI-Rabatten, frag nach, wo genau die Zeit eingespart wird und wer die Prüfung übernimmt. Wird bei Review und Tests gespart, ist das kein Rabatt, sondern ein Risiko. Welche Faktoren den Preis eines Softwareprojekts tatsächlich bestimmen, zeigt der Ratgeber Was kostet Softwareentwicklung?
Worauf du als Auftraggeber achten solltest
Ob dein Anbieter KI-Werkzeuge nutzt, ist kaum noch die Frage. Interessant ist, wie. Diese Fragen helfen im Auswahlgespräch:
- Welche KI-Werkzeuge setzt ihr ein, und in welcher Variante, also mit Auftragsverarbeitung und ohne Training auf unseren Daten?
- Gelangen Daten aus unserem Betrieb in Prompts, und wenn ja, welche?
- Wer prüft KI-generierten Code, und nach welchen Regeln wird gemergt?
- Welche automatisierten Tests und Prüfungen laufen bei jeder Änderung?
- Wem gehören Quellcode und Nutzungsrechte, auch an KI-generierten Teilen?
- Wie wird dokumentiert, damit auch ein anderes Team die Software weiterentwickeln kann?
Gute Antworten sind konkret und passen zu dem, was du später im Repository und in der Pipeline selbst sehen kannst.
KI im Entwicklungsprozess und KI im Produkt
Dieser Beitrag behandelt KI als Werkzeug beim Bauen von Software. Davon zu trennen ist KI als Funktion in deiner Software, etwa ein Assistent, der Dokumente auswertet, oder ein Agent, der Anfragen vorsortiert. Dafür gelten eigene Fragen zu Datenfluss, laufenden Kosten und Kontrolle. Willst du KI-Funktionen in bestehende Systeme einbinden, findest du unser Vorgehen bei der KI-Systemintegration und bei KI-Agenten als digitalen Mitarbeitern. Soll dein eigenes Entwicklungsteam den Umgang mit Coding-Assistenten lernen, passen unsere KI-Workshops für Teams.
So gehen wir bei nextlevels damit um
Wir setzen KI-Assistenten dort ein, wo das Ergebnis prüfbar ist: für Grundgerüste, Tests, Upgrades, Dokumentation und als zusätzliche Prüfung vor dem Review. Jede Änderung läuft durch ein menschliches Review und eine automatisierte Pipeline mit Typprüfung, Linting und Tests. Echte Kundendaten gehören nicht in Prompts. Architektur, Fachlogik und Abnahme verantworten Menschen im Projektteam, mit Ansprechpartnern, die du kennst. Die Zeit, die KI bei der Routine spart, stecken wir lieber in Anforderungen, Tests und Betrieb als in mehr ungeprüften Code.
Fazit
KI hat die Softwareentwicklung verändert, aber nicht abgeschafft. Sie macht das Schreiben von Code schneller und billiger, vor allem bei Routine, Tests und Umbauten. Sie nimmt niemandem die Entscheidung über Architektur, das Verständnis der Fachlogik und die Verantwortung für Sicherheit ab. Für Auftraggeber heißt das: Achte weniger darauf, ob ein Anbieter KI nutzt, und mehr darauf, wie er Qualität sichert.
Planst du ein Softwareprojekt, findest du unser Vorgehen auf der Seite zur individuellen Softwareentwicklung. Eine erste Kostenspanne für dein Vorhaben liefert der Projekt-Rechner.
Häufige Fragen zu KI in der Softwareentwicklung
Wie wird KI in der Softwareentwicklung eingesetzt?
Vor allem als Coding-Assistent und Coding-Agent. Die Werkzeuge schreiben Entwürfe für Code, Tests und Dokumentation, erklären bestehenden Code, führen mechanische Umbauten über viele Dateien aus und geben im Code-Review eine zusätzliche Einschätzung. Entwicklerinnen und Entwickler prüfen die Ergebnisse und entscheiden, was übernommen wird.
Ersetzt KI Softwareentwickler?
Nein. KI übernimmt einen Teil der Schreibarbeit. Anforderungen verstehen, Architektur entscheiden, Fachlogik prüfen, Ergebnisse verantworten und Systeme betreiben bleiben Aufgaben von Menschen. Die Rolle verschiebt sich vom Schreiben zum Spezifizieren, Prüfen und Entscheiden.
Ist KI-generierter Code sicher?
Nicht automatisch. Er kann dieselben Lücken enthalten wie von Menschen geschriebener Code, dazu kommen neue Risiken wie erfundene Paketnamen oder eingeschleuste Anweisungen. Sicher wird er durch dieselben Qualitätsgates wie jeder andere Code: menschliches Review, automatisierte Tests, statische Analyse und geprüfte Abhängigkeiten.
Wem gehören die Rechte an KI-generiertem Code?
Rein KI-generierter Code ist nach deutschem Urheberrecht womöglich nicht geschützt, weil das Gesetz eine persönliche geistige Schöpfung verlangt. Entscheidend für dich ist der Vertrag: Lass dir die Nutzungsrechte am gesamten Ergebnis und den Zugriff auf den Quellcode einräumen, unabhängig von den eingesetzten Werkzeugen. Bei Unsicherheit hilft eine Fachanwältin oder ein Fachanwalt für IT-Recht.
Wird Individualsoftware durch KI günstiger?
Die Umsetzung klar beschriebener Aufgaben wird günstiger. Anforderungen, Architektur, Prüfung, Integration und Betrieb bleiben Aufwand. Wie stark der Effekt ist, hängt vom Projekt ab: Viel Routine spart mehr als viele Fachregeln und Altsystem-Schnittstellen. Eine Spanne für dein Vorhaben liefert der Projekt-Rechner.
