Die nächsten zwei Jahre der Softwareentwicklung

• AI-agentenbasierte Entwicklung geht über das Niveau der Autovervollständigung hinaus in die Phase der tatsächlichen Aufgabenausführung über, wodurch die Rolle der Softwareentwicklung und ihre Einstiegspfade schnell ins Wanken geraten.
• Weniger Junior-Einstellungen und auf Effizienz ausgerichtete Organisationen treten gleichzeitig auf, und es verbreitet sich eine Struktur, in der eine kleine Zahl erfahrener Fachkräfte mit AI-Tools mehr Arbeit bewältigt.
• Wichtiger als das eigentliche Coden werden Verifikation, Design und Urteilsvermögen, und menschliche Fähigkeiten im Umgang mit AI-Ausgaben steigen zum zentralen Differenzierungsmerkmal auf.
• T-förmige Talente (tiefe Fachkompetenz + breite Anpassungsfähigkeit) sind in der sich schnell wandelnden AI-Umgebung im Vorteil, und der Trend zu gleichzeitiger Tiefe in einem Bereich und Anpassungsfähigkeit über mehrere Disziplinen hinweg beschleunigt sich.
• Mit der Abschwächung des traditionellen, auf CS-Abschlüssen basierenden Weges verbreitet sich zugleich ein mehrschichtiges Lernökosystem aus Portfolios, Bootcamps und unternehmensgetriebener Ausbildung.

---

1. Das Problem der Junior-Entwickler

• Da AI Aufgaben auf Entry-Level automatisiert, existieren gleichzeitig zwei Entwicklungen: ein starker Rückgang bei der Einstellung von Junior-Entwicklern und eine erneute Zunahme der Nachfrage, weil sich Software auf alle Branchen ausbreitet.
• In einer Harvard-Studie mit 62 Millionen Beschäftigten sinkt bei Unternehmen, die generative AI einführen, die Beschäftigung von Junior-Entwicklern um etwa 9–10 %, während Senior-Einstellungen fast unbeeinflusst bleiben.
• Big-Tech-Unternehmen haben in den vergangenen drei Jahren die Einstellung von Berufseinsteigern um 50 % reduziert.
• Ein Ingenieur formulierte es so: "Wenn AI-Coding-Agenten billiger sind, warum sollte man dann einem Junior 90.000 Dollar zahlen?"
• Makrofaktoren wie Zinserhöhungen und die Anpassung nach der Pandemie um 2022 wirkten sich bereits vor der Verbreitung von AI-Tools aus, doch AI beschleunigt diesen Trend.
• Ein Senior Engineer mit AI-Unterstützung kann heute ein Arbeitsvolumen bewältigen, für das früher ein kleines Team nötig war.
• Optimistisches Szenario: AI könnte die Nachfrage nach Entwicklern nicht nur im Tech-Sektor, sondern in allen Branchen wie Gesundheitswesen, Landwirtschaft, Fertigung und Finanzwesen explosionsartig steigern.
  • Statt Entwickler zu ersetzen, fungiert AI als Force Multiplier, der Entwicklungsarbeit in Bereiche ausweitet, die zuvor nie Coder eingestellt haben.
  • Es könnte mehr Entry-Level-Rollen anderer Art geben, in denen "AI-native" Entwickler schnell Automatisierungen und Integrationen für spezifische Nischen aufbauen.
• Das US Bureau of Labor Statistics prognostiziert für Softwareberufe von 2024 bis 2034 weiterhin ein Wachstum von rund 15 %.
• Langfristiges Risiko im pessimistischen Szenario: Die Junioren von heute sind die Senior Engineers und technischen Führungskräfte von morgen; wird die Talentpipeline vollständig abgeschnitten, entsteht in 5 bis 10 Jahren ein Leadership-Vakuum.
  • Branchenveteranen bezeichnen dies als "slow decay": ein Ökosystem, das die Ausbildung von Nachfolgern einstellt.

• Ratschläge für Junior-Entwickler

  • AI-Kompetenz und Vielseitigkeit sind erforderlich.
  • Man muss nachweisen können, dass ein Junior plus AI Output auf dem Niveau eines kleinen Teams liefern kann.
  • Mit AI-Coding-Agenten wie Cursor, Antigravity, Claude Code und Gemini CLI größere Features bauen, dabei aber den größten Teil des Codes verstehen und erklären können.
  • Auf Fähigkeiten konzentrieren, die AI nicht leicht ersetzen kann: Kommunikation, Problemzerlegung, Domänenwissen.
  • Angrenzende Rollen wie QA, DevRel oder Datenanalyse als Einstiegspunkte in Betracht ziehen.
  • Ein Portfolio aufbauen, das auch Projekte mit integrierten AI-APIs enthält.
  • Erfahrungen in unterschiedlichen Formen sammeln, etwa über Trainee-Stellen, Praktika, Vertragsarbeit oder Open-Source-Beiträge.
  • Man sollte kein weiterer Berufseinsteiger mit Trainingsbedarf sein, sondern ein sofort einsetzbarer Engineer, der schnell lernt und direkt beitragen kann.

• Ratschläge für Senior-Entwickler

  • Durch den Rückgang bei Junioren landen mehr einfache Aufgaben und Routinetätigkeiten bei Seniors.
  • Automatisierung für alltägliche Aufgaben nutzen, aber nicht alles allein erledigen wollen.
  • CI/CD, Linter und AI-basiertes Testing aufsetzen, um grundlegende Probleme früh abzufangen.
  • Über Open Source oder das Coaching von Kollegen in anderen Abteilungen informelle Mentoring-Rollen übernehmen.
  • Dem Management die langfristigen Risiken rein aus Senior-Leuten bestehender Teams klar vermitteln.
  • Für den Fall einer wieder steigenden Junior-Nachfrage wirksame Onboarding- und AI-gestützte Delegationsstrukturen vorbereiten.
  • Den Wert nicht auf persönliche Produktivität, sondern auf die Verstärkung von Output und Wirkung des gesamten Teams konzentrieren.

2. Das Skill-Problem

• Aktuell nutzen 84 % der Entwickler regelmäßig AI-Assistenten.
• Wenn sie auf Bugs oder neue Features stoßen, ist es üblich geworden, statt Code von Grund auf zu schreiben Prompts zu formulieren und von AI generierte Codefragmente zu kombinieren.
• Entry-Level-Coder überspringen möglicherweise den "schwierigen Weg": Sie haben vielleicht nie selbst einen binären Suchbaum von Grund auf aufgebaut oder ein Memory Leak manuell debuggt.
• Der Schwerpunkt von Kompetenz verschiebt sich von der Implementierung von Algorithmen hin dazu, AI die richtigen Fragen zu stellen und ihre Ausgaben zu validieren.
• Einige Senior Engineers befürchten, dass dieser Trend zu einer Generation führt, die nicht mehr eigenständig coden kann, also zu einer Entqualifizierung.
• Von AI erzeugter Code kann subtile Bugs und Sicherheitslücken enthalten, die weniger erfahrene Entwickler leicht übersehen.

• Alternatives Szenario

  • AI übernimmt die repetitiven und routinemäßigen 80 % der Arbeit, während Menschen sich auf die schwierigsten 20 % der Probleme konzentrieren.
    • Architekturdesign, komplexe Integrationen, kreatives Design, Umgang mit Edge Cases
  • Die Allgegenwart von AI macht tiefes Wissen nicht überflüssig, sondern menschliche Expertise noch wichtiger.
  • Wenn alle Zugang zu AI-Coding-Agenten haben, unterscheidet hervorragende Entwickler vor allem, zu erkennen, wann AI falsch liegt oder nicht optimal ist.
  • Wie ein Senior Engineer sagte: "Der beste Software Engineer ist nicht der schnellste Coder, sondern derjenige, der weiß, wann man AI misstrauen muss."

• Veränderung des Programmierens

  • Das Schreiben von Boilerplate nimmt ab, während der Anteil steigt, logische Fehler, Sicherheitsmängel und Anforderungsabweichungen in AI-Ausgaben zu prüfen.
  • Kernkompetenzen: Softwarearchitektur, Systemdesign, Performance-Tuning, Sicherheitsanalyse
  • AI kann Webanwendungen schnell erstellen, aber spezialisierte Engineers prüfen, ob Security Best Practices eingehalten werden und ob Race Conditions auftreten können.
  • In der Entwickler-Community des Jahres 2025 teilt sich die Debatte in zwei Lager.
    • Die eine Seite meint, dass kaum noch Code von Hand geschrieben werde und sich auch Coding-Interviews ändern müssten.
    • Die andere Seite meint, dass das Überspringen der Grundlagen zu mehr Problemen führt, wenn AI-Ergebnisse auseinanderfallen.
  • Branchenweit entsteht die Erwartung an Engineers, sowohl die Geschwindigkeit von AI als auch die grundlegende Weisheit zu deren Kontrolle mitzubringen.

• Ratschläge für Junior-Entwickler

  • AI nicht als Krücke, sondern als Lernwerkzeug nutzen.
  • Analysieren, warum von AI vorgeschlagener Code funktioniert, und potenzielle Schwächen identifizieren.
  • Regelmäßig die AI-Hilfe abschalten und Kernalgorithmen von Grund auf selbst implementieren.
  • Auf grundlegende CS-Kompetenzen fokussieren: Datenstrukturen, Algorithmen, Zeit- und Speicherkomplexität, Speicherverwaltung.
  • Projekte zweimal umsetzen (mit AI und ohne AI) und vergleichen.
  • Fähigkeiten in Prompt-Design und Tool-Nutzung systematisch aufbauen.
  • Strenge Testgewohnheiten entwickeln: Unit-Tests schreiben, Stack Traces lesen, statt sofort die AI zu fragen, und im Umgang mit Debuggern sicher werden.
  • Ergänzende Fähigkeiten stärken, die AI nicht kopieren kann: Gespür für Systemdesign, Intuition für User Experience, Denken über Nebenläufigkeitsprobleme.

• Ratschläge für Senior-Entwickler

  • Sich als Verantwortliche für Qualität und Komplexität positionieren.
  • Zentrale Expertise stärken: Architektur, Sicherheit, Skalierung, Domänenwissen.
  • Systeme mit AI-Komponenten modellieren und Fehlerszenarien fortlaufend überprüfen.
  • Den aktuellen Kenntnisstand über häufige Schwachstellen und Problemtypen in AI-generiertem Code aufrechterhalten.
  • Die Rolle als Mentor und Reviewer annehmen: festlegen, wo AI-Nutzung erlaubt ist und welche Bereiche zwingend manuelle Reviews erfordern (z. B. Payment- oder Safety-Code).
  • Wiederkehrende API-Anbindungsarbeiten der Kombination aus Junior+AI überlassen und sich auf die kreative und strategische Rolle konzentrieren, zu entscheiden, welche APIs entworfen werden sollen.
  • Weiter in Soft Skills wie Kommunikationsfähigkeit und bereichsübergreifendes Verständnis investieren.
  • Sich auf das konzentrieren, was menschliche Entwickler unersetzlich macht: solides Urteilsvermögen, Denken auf Systemebene, Mentorship.

3. Das Rollenproblem

• Es ist sowohl möglich, dass die Rolle von Entwickler:innen auf eingeschränkte Auditoren zur Überwachung von AI-generiertem Code schrumpft, als auch, dass sie sich zu zentralen Orchestrator:innen entwickeln, die AI-gesteuerte Systeme entwerfen und koordinieren
• Extremszenario 1:
  • Die kreative Verantwortung von Entwickler:innen nimmt ab, sodass sie sich stärker auf die Prüfung und Überwachung von AI-Ergebnissen als auf den Bau von Software konzentrieren
  • AI-Systeme (oder „Citizen Developers“, die No-Code-Plattformen nutzen) übernehmen die Produktion; menschliche Entwickler:innen prüfen automatisch erzeugten Code, kontrollieren Fehler, Verzerrungen und Sicherheitsprobleme und geben Deployments frei
  • Aus Produzent:innen werden Prüfer:innen, und die Freude am Schreiben von Code wird durch die Anspannung des Risikomanagements ersetzt
  • Einige Ingenieur:innen verbringen bereits mehr Zeit damit, von AI erzeugte Pull Requests zu bewerten und automatisierte Pipelines zu verwalten, als Code von Grund auf zu schreiben
  • Aussage eines Engineers: „Ich möchte nicht als Code-Aufräumer enden, der hinter dem herräumt, was AI ausspuckt“

• Alternative Zukunft: Orchestrator auf hoher Ebene

  • Entwickler:innen entwickeln sich zu Orchestratoren auf hoher Ebene, die technische, strategische und ethische Verantwortung verbinden
  • Durch AI-„Worker“ übernehmen menschliche Entwickler:innen die Rolle von Architekt:innen oder Generalunternehmern:
    • Entwurf der gesamten Systemarchitektur
    • Entscheidung, welche Aufgaben welcher AI oder welcher Softwarekomponente zugewiesen werden
    • Verknüpfung verschiedener Bausteine zu einer Lösung
  • In agentischen Entwicklungsumgebungen übernehmen Engineers eher die Rolle von Komponist:innen, die ein Ensemble aus AI-Agenten und Services dirigieren
    • Sie schreiben nicht jeden Code selbst, definieren aber die Melodie aus Architektur, Schnittstellen und Interaktionen der Agenten
    • Eine Verbindung aus den Rollen von Softwareentwickler:in, Systemarchitekt:in und Produktstrateg:in
  • Optimistische Sicht: Während AI monotone Aufgaben übernimmt, verschiebt sich die Rolle von Entwickler:innen zwangsläufig hin zu wertschöpfenderen Tätigkeiten. Die Arbeit könnte interessanter werden
  • Welche Richtung es nimmt, hängt davon ab, wie Organisationen AI integrieren
    • Unternehmen, die AI als Mittel zum Ersatz von Arbeitskräften sehen: Verkleinerung der Entwicklungsteams, während die verbleibenden Engineers die Automatisierung instand halten sollen
    • Unternehmen, die AI als Mittel zur Verstärkung des Teams sehen: Beibehaltung der Teamgröße, wobei jede:r Engineer größere Probleme und ambitioniertere Projekte angeht

• Ratschläge für Junior-Entwickler:innen

  • Den eigenen Aufgabenbereich über reines Codieren hinaus erweitern
  • Fähigkeiten mit Prüf- und Managementcharakter aufbauen, etwa beim Schreiben von Test Cases, beim Aufbau von CI-Pipelines und beim Monitoring von Anwendungen
  • Durch persönliche Projekte praktische Bauerfahrung bewahren und die kreative Motivation erhalten
  • Systemisches Denken entwickeln: verstehen, wie Komponenten kommunizieren, und lernen, was eine gut entworfene API ausmacht
  • Kontinuierlich Engineering-Blogs und Fallstudien zum Systemdesign lesen
  • Das Verständnis für Automatisierungswerkzeuge insgesamt erweitern, darunter Orchestrierungs-Frameworks und AI-APIs ebenso wie Codegenerierung
  • Sich angewöhnen, Dokumentation so klar zu schreiben, als würde man sie jemand anderem erklären
  • Senior-Kolleg:innen nicht nur fragen: „Funktioniert der Code?“, sondern auch: „Habe ich keine wichtigen Elemente übersehen?“
  • Sich darauf vorbereiten, nicht nur ein einfacher Coder, sondern Prüfer:in, Designer:in und Kommunikator:in zu werden

• Ratschläge für Senior-Entwickler:innen

  • Führungsverantwortung und Verantwortung für die Architektur aktiv annehmen
  • Standards und Frameworks definieren, denen AI und Juniors folgen können
  • Checklisten für Codequalität und Richtlinien für den ethischen Einsatz von AI festlegen
  • Sich kontinuierlich über Compliance- und Sicherheitsfragen im Zusammenhang mit von AI erzeugter Software auf dem Laufenden halten
  • Sich auf Expertise in Systemdesign und Integration konzentrieren; Datenflüsse zwischen Services abbilden und Fehlerpunkte im Voraus identifizieren
  • Sich mit Orchestrierungsplattformen vertraut machen (Kubernetes, Airflow, serverlose Frameworks, Agenten-Orchestrierungswerkzeuge)
  • Die Rolle als technische:r Mentor:in stärken: mehr Code Reviews, Design-Diskussionen und technische Leitlinien
  • Die Fähigkeit schärfen, den Code anderer (oder von etwas anderem) schnell zu bewerten und Feedback auf hoher Ebene zu geben
  • Produkt- und Geschäftssinn entwickeln: verstehen, warum Features gebaut werden und was Kund:innen wichtig finden
  • Die kreative Energie durch Prototypen, Hackathons und das Erkunden neuer Technologien aufrechterhalten
  • Den Übergang vollziehen vom Menschen, der Code schreibt, zum Menschen, der Systeme dirigiert

4. Das Problem Spezialist vs. Generalist

• Spezialisten, die nur auf einen engen Bereich fokussiert sind, laufen Gefahr, dass ihre Nische automatisiert wird oder sehr schnell an Wert verliert
• In einem sich schnell wandelnden AI-Umfeld sind T-förmige Engineers im Vorteil (breite Anpassungsfähigkeit + ein oder zwei tiefe Fachkompetenzen)
• Wenn Modelle, Tools und Frameworks schnell aufkommen und wieder verschwinden, ist es riskant, die eigene Karriere auf einen einzigen Tech-Stack zu setzen
• Spezialisten für Legacy-Frameworks könnten einen starken Nachfragerückgang erleben, sobald neue AI-Tools dieselben Aufgaben mit minimalem menschlichem Eingriff erledigen
• Entwickler, die nur eng auf einen „bestimmten Stack, ein bestimmtes Framework oder einen bestimmten Produktbereich“ spezialisiert sind, können die Orientierung verlieren, wenn dieser Bereich an Bedeutung verliert oder redundant wird
  • wie COBOL-Entwickler, Flash-Entwickler oder Experten für Mobile-Game-Engines, die den Wechsel der Branche nicht mitgemacht haben
• Der Unterschied zur Vergangenheit ist die Geschwindigkeit des Wandels: AI-Automatisierung kann bestimmte Programmieraufgaben praktisch über Nacht trivial machen und damit auf diese Aufgaben zentrierte Rollen schwächen
• Spezialisten, die nur eine Sache beherrschen (Feintuning von SQL-Queries, das Umsetzen von Photoshop-Designs in HTML), könnten in eine Lage kommen, in der AI 90 % dieser Arbeit übernimmt
• Der Arbeitsmarkt jagt den neuesten Nischen hinterher: Vor ein paar Jahren wurden Cloud-Infrastruktur-Spezialisten gesucht, heute steigt die Nachfrage nach AI/ML-Engineers rasant
• Fachkräfte, die eng auf die Technologien von gestern spezialisiert sind, erleben Karrierestagnation, wenn ihre Nische an Attraktivität verliert

• T-förmige Entwickler: ein alternatives Ergebnis

  • „vielseitige Spezialisten“ oder T-förmige Entwickler: tiefe Expertise in ein oder zwei Bereichen (der vertikale Balken) + breite Vertrautheit mit vielen anderen Bereichen (der horizontale Balken)
  • Diese Engineers übernehmen in interdisziplinären Teams eine „Klebstoff“-Rolle: Sie kommunizieren mit anderen Arten von Spezialisten und schließen bei Bedarf Lücken
  • Unternehmen bevorzugen Talente mit starken Kernkompetenzen + der Fähigkeit, stackübergreifend zu arbeiten, statt Entwickler, die entweder zu oberflächlich oder zu eng fokussiert sind
  • T-förmige Engineers können Probleme End-to-End lösen, ohne auf Handoffs zu warten, was die Effizienz steigert
    • Das Zusammenwirken von Wissen aus verschiedenen Bereichen erhöht das Innovationspotenzial
  • AI-Tools verstärken tatsächlich eher Generalisten: Eine Person kann leichter mehrere Komponenten bearbeiten
    • Ein Backend-Engineer kann mit Hilfe von AI grundlegende UI-Implementierungen umsetzen
    • Ein Frontend-Entwickler kann mit AI Server-Boilerplate generieren
  • In einer AI-reichen Umgebung wird es einfacher, dass eine Person einen größeren Umfang abdeckt
  • Umgekehrt könnten Fachkräfte mit nur tiefer Spezialisierung begrenzte Entwicklungspfade haben, wenn ihre Nische teilweise automatisiert wird
  • Derzeit erfordern etwa 45 % der Engineering-Jobs Fähigkeiten in mehreren Domänen
    • Programmierung + Wissen über Cloud-Infrastruktur
    • Frontend + grundlegendes Verständnis von ML

• Ratschläge für Junior-Entwickler

  • Zu Beginn der Karriere bewusst eine breite Grundlage aufbauen
  • Auch wenn man für eine bestimmte Rolle eingestellt wird, kontinuierlich Bereiche außerhalb dieses Silos beobachten
  • Mobile-Entwickler sollten sich Backend-Grundlagen aneignen, Frontend-Entwickler Erfahrungen mit einfachen Server-Implementierungen sammeln
  • Deployment- und Operations-Tools wie Docker und GitHub Actions lernen
  • Ein oder zwei persönlich interessante Bereiche auswählen, tief einsteigen und so vertikale Expertise aufbauen
  • Eine hybride Positionierung aufbauen
    • Beispiel: Full-Stack-Entwickler mit Schwerpunkt Cloud-Security
    • Beispiel: Frontend-Entwickler mit UX-Expertise
  • AI-Tools nutzen, um neue Domänen schnell zu lernen
    • Als Backend-Anfänger mit AI grundlegenden API-Code erzeugen und die Struktur verstehen
  • Kontinuierliches Reskilling als alltägliche Gewohnheit etablieren
  • An Hackathons oder funktionsübergreifenden Projekten teilnehmen, um sich gezielt in eine Generalistenrolle zu erweitern
  • Dem Manager sagen, dass man sich an anderen Bereichen des Projekts beteiligen möchte
  • Zu Beginn der Karriere ist Anpassungsfähigkeit selbst die stärkste Wettbewerbsfähigkeit

• Ratschläge für Senior-Entwickler

  • Die eigene Skill-Grafik klar erfassen
    • Fachbereiche, in denen man echte Tiefe hat
    • Angrenzende Domänen, die man bisher nur oberflächlich berührt hat
  • Ein oder zwei angrenzende Bereiche auswählen und auf ein gesprächsfähiges Niveau bringen
    • Wer Datenbankexperte ist, sollte sich etwa mit modernen Frontend-Frameworks vertraut machen oder Grundlagen von ML-Pipelines lernen
  • Mit AI-Unterstützung kleine experimentelle Projekte in Bereichen umsetzen, in denen man schwächer ist
  • Bestehende Expertise in neue Kontexte übertragen
    • Wer Experte für Web-App-Performance ist, kann untersuchen, wie sich dieses Wissen auf die Optimierung von ML-Inferenz anwenden lässt
  • Die eigene Rolle stärker cross-funktional gestalten oder solche Positionen aktiv vorschlagen
  • Sich freiwillig für die Rolle des Integrationsverantwortlichen in Projekten melden, in denen mehrere Bereiche zusammenkommen
  • Andere mentorieren, um Wissen weiterzugeben und zugleich neue Perspektiven und Erkenntnisse von ihnen zu gewinnen
  • Den Lebenslauf so aktualisieren, dass Vielseitigkeit und Skalierbarkeit sichtbar werden
  • Auf Basis der gesammelten Erfahrung wiederkehrende Muster und übertragbares Wissen ordnen
  • Ein T-förmiges Vorbild sein: Tiefe im Fachgebiet haben (für Autorität und Selbstvertrauen) und sich zugleich aktiv in die Breite entwickeln

5. Das Bildungsproblem

• Es ist ungewiss, ob ein Informatikstudium weiterhin der Goldstandard bleibt oder ob schnellere Lernpfade wie Bootcamps, Online-Plattformen und arbeitgebergetriebene Trainings es ersetzen werden
• Es ist auch möglich, dass Universitäten strukturell kaum in der Lage sind, mit dem Tempo einer Branche Schritt zu halten, die sich im Monatsrhythmus verändert

• Szenario 1: Universitäten bleiben wichtig, haben aber Mühe, relevant zu bleiben

  • Der Abschluss bleibt eine grundlegende Qualifikation, fällt aber durch langsame Zyklen der Curriculumsanpassung und bürokratische Genehmigungsverfahren hinter das Veränderungstempo zurück
  • Studierende und Arbeitgeber haben das Gefühl, dass die akademische Welt von der Industrie abgekoppelt ist und Theorie oder veraltete Praxisinhalte vermittelt, die sich nicht in berufliche Fähigkeiten übersetzen lassen
  • Jüngste Absolventen berichten, dass sie im Studium nichts über Cloud Computing, modernes DevOps oder AI-Tools gelernt haben
  • Wenn Universitäten hohe Zeit- und Finanzinvestitionen verlangen, dabei aber Ausbildung mit geringer Relevanz bieten, laufen sie Gefahr, wie teure Gatekeeper zu wirken
  • Viele Unternehmen verlangen aus Gewohnheit weiterhin einen Bachelor-Abschluss, sodass die Last auf die Studierenden abgewälzt wird, die die Lücke mit Bootcamps, Online-Kursen und selbstgesteuerten Projekten schließen
  • Studienkreditschulden sind enorm, und Unternehmen geben Milliarden Dollar für die Einarbeitung neuer Absolventen aus, weil berufsrelevante Fähigkeiten fehlen
  • Universitäten können zwar Kurse zu AI-Ethik oder Wahlfächer zu Cloud Computing hinzufügen, doch bis zur tatsächlichen Einführung haben sich die Tools der Branche womöglich schon wieder verändert

• Szenario 2: Traditionelle Bildung wird schrittweise durch ein neues System ersetzt

  • Coding-Bootcamps, Online-Zertifikate, selbst erarbeitete Portfolios und von Arbeitgebern aufgebaute Trainingsakademien
  • Große Unternehmen wie Google und IBM haben für bestimmte Tech-Rollen die Abschlussanforderung abgeschafft
  • Stand 2024 planen rund 45 % der Unternehmen, für einige Positionen die Bachelor-Anforderung abzuschaffen
  • Bootcamps treten in eine reifere Phase ein und bringen Talente hervor, die zusammen mit Informatikabsolventen bei Top-Unternehmen eingestellt werden
  • Diese Programme sind kürzer (12 intensive Wochen) und konzentrieren sich auf praktische Fähigkeiten: aktuelle Frameworks, Cloud-Services und Teamarbeit
  • Die Einstellungskriterien verlagern sich von Abschlüssen hin zu realen Portfolios, Micro-Credentials und nachgewiesenen Fähigkeiten
  • Ein solides GitHub-Portfolio oder eine anerkannte Zertifizierung dient als Mittel, um Abschlussanforderungen zu umgehen
  • Arbeitgebergetriebene Bildung nimmt zu: Unternehmen schaffen eigene Trainingspipelines oder gehen direkte Partnerschaften mit Bootcamps ein
  • Einige Big-Tech-Unternehmen haben begonnen, interne Ausbildungsprogramme für nicht traditionelle Talente zu betreiben
  • AI selbst bietet neue Lernmethoden: AI-Tutoren, interaktive Coding-Sandboxes und personalisierte Lernumgebungen außerhalb der Universität
  • Ein modulares Lernökosystem ist dem teuren vierjährigen Studium bei Zugänglichkeit und Flexibilität überlegen
  • Lernende aus Ländern ohne starke Informatik-Universitäten können denselben Coursera-Kurs belegen wie jemand aus dem Silicon Valley und dasselbe Portfolio aufbauen

• Ratschläge für Einsteiger und Junior-Entwickler

  • Auch in einem traditionellen Informatikstudium nicht davon ausgehen, dass es allein ausreicht
  • Das Studium durch reale Projekte ergänzen: Web-Apps bauen, zu Open Source beitragen
  • Praktika oder kooperative Programme zwischen Hochschule und Unternehmen aktiv nutzen
  • Aktuelle Themen, die im Curriculum fehlen, über Online-Plattformen ergänzen
  • Branchenzertifizierungen wie GCP, AWS oder Azure erwerben, um praktische Kompetenz klar zu signalisieren
  • Wer autodidaktisch lernt oder ein Bootcamp besucht, sollte sich auf ein überzeugendes Portfolio konzentrieren: mindestens ein substanzielles, gut dokumentiertes Projekt
  • In Entwickler-Communities aktiv sein: zu Open Source beitragen, technische Posts schreiben
  • Networking über LinkedIn, Meetups und Entwicklerveranstaltungen
  • Empfehlungen und Vertrauen erfahrener Entwickler gewinnen
  • Mit kontinuierlichem Lernen als Grundannahme denken: Die Halbwertszeit technischer Fähigkeiten ist kurz
  • AI aktiv als persönlichen Tutor nutzen
  • Fähigkeiten auf konkrete Weise belegen: Portfolio, Zertifizierungen und die Fähigkeit, intelligent über die eigene Arbeit zu sprechen, öffnen Türen

• Ratschläge für Senior-Entwickler und Führungskräfte

  • Man kann sich nicht für immer allein auf frühere Zertifikate oder Abschlüsse verlassen
  • In kontinuierliche Weiterbildung investieren: Online-Kurse, Workshops, Konferenzen, Zertifizierungen
  • Fähigkeiten auf neue Weise nachweisen; Interviews vorbereiten, die aktuelle Kompetenz anhand realer Probleme bewerten
  • Side Projects mit neuen Technologien fortlaufend betreiben
  • Stellenanforderungen neu bewerten: Braucht es wirklich einen Informatikabschluss oder eher bestimmte Fähigkeiten und Lernvermögen?
  • Skill-basierte Einstellung vorantreiben, um den Talentpool zu erweitern
  • Interne Trainingsprogramme oder Rollen im Stil einer Ausbildung unterstützen
  • Mentoring-Zirkel für Junior-Entwickler ohne formalen Hintergrund fördern
  • Austausch mit Hochschulen und alternativen Bildungsanbietern: Beiräte, Gastvorträge, Feedback zu Lücken im Curriculum
  • Dies auch auf das eigene Karrierewachstum anwenden: reale Ergebnisse und kontinuierliches Lernen sind wichtiger als zusätzliche Abschlüsse

Zentrale Kernaussage

• Die vorgestellten Szenarien schließen einander nicht aus; die Realität wird sich wahrscheinlich als Mischung aus Elementen aller Szenarien entfalten
• Manche Unternehmen reduzieren die Einstellung von Juniors, während andere ihre Entwicklerteams in neuen Domänen ausbauen
• Je stärker AI die alltägliche Programmierung automatisiert, desto höher werden paradoxerweise die Qualitätsstandards für den Code, den Menschen direkt bearbeiten
• Ein möglicher Arbeitsablauf für Entwickler: morgens von AI erzeugte Ergebnisse prüfen, nachmittags Architekturen auf hohem Niveau entwerfen
• Der übergreifende Kontext ist die Einsicht, dass nur der Wandel die einzige Konstante bleibt

• Wer sowohl den technologischen Trends als auch einer skeptischen Perspektive darauf Raum gibt, gerät seltener in überzogene Erwartungen oder Pessimismus
• Wer Technologien laufend aktualisiert, die eigenen Fähigkeiten ausbaut und sich auf menschliche Stärken wie Kreativität, kritisches Denken und Zusammenarbeit konzentriert, bleibt nicht zurück
• Ob eine Renaissance des Codings kommt oder eine Ära, in der sich Code selbst schreibt: Es wird immer Nachfrage nach Ingenieuren geben, die das Gesamtbild sehen, kontinuierlich lernen und Technologie auf reale Problemlösungen anwenden
• Die beste Methode, die Zukunft vorherzusagen, ist, sie aktiv zu engineerieren