Die nächsten zwei Jahre der Softwareentwicklung

 (addyosmani.com)
110 Punkte von GN⁺ 2026-01-13 | 10 Kommentare | Auf WhatsApp teilen
  • 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

Verwandte Beiträge

10 Kommentare

 
fantajeon 2026-01-15

Es wird eine Zeit kommen, in der Archtecture- und QA-Ingenieure überleben. Ob das stimmt oder nicht, zu beurteilen ...
 
GN⁺ 2026-01-13
Hacker-News-Kommentare

  • Ehrlich gesagt fühlt sich im Moment alles wie ein riesiges Glücksspiel an
    Weder Technologie noch Bildung, Beziehungen oder ein Job garantieren eine stabile Grundlage fürs Leben
    Wer Schulden abbezahlt, ein Haus kauft und eine Familie gründet, setzt gewissermaßen seinen künftigen Komfort aufs Spiel, und Berufseinsteiger mit Studienkrediten und einem instabilen sozialen Fundament setzen ihr ganzes Leben ein

    • Als ich jünger war, fühlte es sich viel sicherer an
      Jetzt, mit Familie, kann ich nicht einfach umziehen oder im Sparmodus leben, deshalb ist es viel beängstigender
    • Ich finde, es ist heutzutage schwer, mit Hoffnung zu leben
      Ob Programmierer oder nicht, alle leben mit der Angst, bald ersetzt zu werden
      Auch die US-Wirtschaft ist kaputt, gerade ist es eine harte Zeit zum Leben
    • In den letzten drei Jahren gab es ständig eine latente Grundangst
      Es geht auch ums Finanzielle, aber ebenso um die Angst, einen stabilen Job zu verlieren, den man auch ohne starke soziale Kompetenzen haben konnte
      In viereinhalb Jahren sollte ich grundlegende finanzielle Unabhängigkeit erreichen können, und ich frage mich, wie sich das dann anfühlen wird
    • Für Berufseinsteiger wird es wohl okay sein
      Mit 25 kann man neu anfangen, aber mit 42 und Familie stelle ich mir das als echten Stress vor
    • Man sollte selbst jetzt noch auf finanzielle Unabhängigkeit (FI) hinarbeiten
      Der beste Zeitpunkt war früh in der Karriere, der zweitbeste ist genau jetzt

  • Meiner Erfahrung nach automatisieren LLMs das Programmieren nicht wirklich, sie sind eher ein Werkzeug zur Beschleunigung
    Man stellt sich die gewünschte Lösung im Kopf vor und baut den Code auf, indem man dem LLM Block für Block erklärt, was man will
    Der größte Vorteil ist, dass man viel seltener nach Library-Funktionen oder Syntax suchen muss

    • Ein LLM kann schlechten Code automatisiert erzeugen oder guten Code schneller entstehen lassen
      Das Problem ist, dass auch schlechter Code oft ausreichend profitabel ist
      Für Prototypen oder Proofs of Concept ist das okay, für wartbaren Code aber nicht geeignet
      Wie bei der Analogie mit Bank und Damm: Eine Bank kann jeder bauen, einen Damm nicht
      LLMs machen es leicht, minderwertigen Code zu erzeugen, aber hochwertiger Code wird weiterhin gebraucht
    • Ich und die meisten Leute, die ich kenne, nutzen LLMs genau so
      Auf HN geht es aber nur um überzogene Geschichten wie „vibecoding“, wodurch eine sachliche Diskussion schwierig wird
    • Ich spüre die Kluft zwischen Realität und Hype
      LLMs entwickeln sich zwar dahin, immer autonomer arbeiten zu können, aber das Tempo ist schrittweise
      Die eigentliche Veränderung ist eher, dass Nicht-Entwickler zum ersten Mal ihre eigene Arbeit automatisieren können
      Das wird große Auswirkungen auf die gesamte Industrie haben und nähert sich letztlich dem eigentlichen Zweck des Computers an
    • Der beste Rat für Juniors ist: „Benutzt kein AI“
      Mit AI mehr Codezeilen zu produzieren ist keine Leistung, sondern eher das Aufbauen von Technical Debt
    • Mit minfx.ai habe ich festgestellt, dass die Qualität besser wird, je mehr Einschränkungen man dem Code auferlegt
      Rust hilft dabei besonders
      Ich hatte die paradoxe Erfahrung, dass die Entwicklung sogar leichter wird, je größer das System wird

  • Wenn AI Junior-Aufgaben automatisiert, dann bedeutet das nur, dass sich die Definition von ‚Junior‘ ändert
    Juniors verschwinden nicht, ihre Rolle verändert sich nur

    • Praktikumsstellen sind ein guter Indikator
      2024 gab es 14 Praktikanten, 2025 nur noch 4 — eine Budgetkürzung von 60–70 %
    • Tatsächlich gingen Junior-Positionen schon vor AI zurück
      Früher bestand die Hälfte des Teams aus Einsteigern, jetzt sind es nur noch Senior-Teams

  • Ich kann mich mit dem Szenario anfreunden, dass AI die Nachfrage nach Entwicklern in jeder Branche explosionsartig erhöht
    Ich denke nur nicht, dass diese Rolle unbedingt „Entwickler“ heißen muss
    Bestehende Rollen in jeder Branche werden sich dahin entwickeln, gut mit AI umgehen zu können
    Am Ende ist entscheidend, sich Domänenwissen anzueignen und gleichzeitig die Fähigkeit zur AI-Nutzung zu entwickeln

    • Entwickler, die gut mit AI umgehen können, werden weiterhin spezialisierte SWE-Rollen ausfüllen müssen
      Aber in dem Moment, in dem CTOs erkennen, dass sich SaaS ersetzen lässt, wird ein Boom bei internen Lösungen einsetzen

  • Wenn wir in einer Zeit leben, in der AI den Code schreibt, dann ist der Kernpunkt die Geschwindigkeit der Verifikation
    Wer Code selbst schreibt, versteht ihn besser, und ohne Verständnis ist Verifikation nicht möglich
    Am Ende muss man den Trade-off zwischen Geschwindigkeit und Genauigkeit akzeptieren

    • Im Review-Prozess gibt es viele menschliche Versuchungen
      Code kommt auf einmal in Massen herein, und wegen FOMO auf hohe Geschwindigkeit droht die Qualität der Prüfung zu sinken
      Schon die UX des Tools selbst verführt zur Nachlässigkeit

  • Ich bin skeptisch gegenüber der Behauptung, AI werde in allen Branchen die Nachfrage nach Entwicklern erhöhen
    Software ist bereits tief in alle Branchen eingedrungen, und was noch bleibt, ist nur vollständige Automatisierung
    Aber der Engpass dabei ist nicht die Technik, sondern politische und praktische Probleme

    • Sehe ich genauso. AI dient im Wesentlichen der Effizienzsteigerung, nicht der Schaffung neuer Jobs
      Anders als die Automobilrevolution schafft sie keine völlig neuen Berufsfelder
    • In Europa könnte die Nachfrage eher steigen
      Man muss Software-Abhängigkeiten abbauen, und besonders Deutschland muss jetzt wirklich anfangen, Computer zu nutzen
    • Schon vor LLMs gab es die Sorge, dass softwarezentriertes Denken übertrieben sei

  • Der Autor des ursprünglichen Beitrags scheint die zentralen Fragen rund um AI nicht gut zu verstehen
    Zum Beispiel ist die Aussage „Experten laufen Gefahr, automatisiert zu werden“ eher umgekehrt
    Experten überwachen die Werkzeuge, Nicht-Experten folgen den Anweisungen der Werkzeuge
    Dasselbe gilt für Universitäten: Wer die Theorie kennt, kontrolliert die Maschine

  • Ach, einfach ein Witz darüber, am liebsten alles hinzuschmeißen

  • Lustig ist, dass der Autor COBOL erwähnt hat, denn mein Nachbar arbeitet immer noch mit COBOL bei einer Bank
    Vor 14 Jahren war das schon so, und heute ist es immer noch genauso

    • Der Markt kann länger irrational bleiben, als du zahlungsfähig bleibst

  • Manchmal frage ich mich, ob die Entscheidung für Softwareentwicklung ein Fehler war
    Selbst als Senior wird man weiterhin zu Lernen und Side Projects gedrängt
    Ich weiß nicht, wann man jemals Zeit für Hobbys oder ein Sozialleben haben soll

    • Ich kann mich mit der Aussage identifizieren: „Setz nicht dein Leben auf einen Tech-Stack“
      Jedes Mal, wenn sich das JS-Framework änderte, fühlte sich die Karriere wie ein Glücksspiel an
      Ich habe auf Angular gesetzt und dann gesehen, wie alles zu React wechselte, und ständig überlegt, worauf ich eigentlich setzen soll
      Am Ende fühlte es sich an, als würde ich mein ganzes Leben lang unter Angst wetten
    • Wenn es für dich reicht, ein „guter Entwickler“ zu sein, ist das okay
      Wenn du aber Exzellenz willst, braucht es zusätzlichen Einsatz
      Beides sind legitime Entscheidungen
    • Die Frage „Wann kann ich Hobbys haben?“ ist letztlich ein gesellschaftliches Problem
      Unternehmen haben das Ziel, Gewinn zu machen, deshalb muss man sein Privatleben selbst schützen
    • Als Senior muss man lernen zu sagen: „It depends“
      Man kann in einem stabilen Unternehmen langsam lernen und arbeiten oder Trends hinterherjagen und schnell wachsen
      Letztlich hängt es von den eigenen Zielen und Werten ab
    • Wenn du Computer nicht magst, könnte es die falsche Entscheidung gewesen sein
      Wenn es dir aber ums Geld ging und du dieses Ziel erreicht hast, ist daran nichts falsch
      Wenn du allerdings zur Spitze gehören willst, musst du die Arbeit selbst lieben
 
kangmumu 2026-01-15

Das war sehr hilfreich 👍👍
 
kandk 2026-03-09

So wie man in der Softwareentwicklung trotz Fortran, C++, Java oder Next.js Computer Science verstehen muss, denke ich, dass auch mit dem Aufkommen von AI grundlegendes Wissen über Computer Science unverzichtbar ist. Am Ende ändern sich nur die Werkzeuge, das Wesen bleibt gleich. Solange man in der IT-Branche arbeitet, ist kontinuierliches Lernen letztlich Schicksal ...
 
joypinkgom 2026-01-23

Ich halte das für einen Text mit echten Einsichten.
Ich bin ein Senior-Entwickler mit 23 Jahren Praxiserfahrung und nutze seit der zweiten Hälfte von 2024 Entwicklung mit LLMs und Vibe Coding bis ans Limit. Ich setze es in ganz unterschiedlichen Bereichen ein – von AOS/iOS über Full-Stack-Webservices und Batch-Jobs bis hin zu Model-Fine-Tuning – und arbeite dabei mit etwa fünf gleichzeitig laufenden Agenten.
Ich hätte nie gedacht, dass ich noch einmal die Erfahrung machen würde, so vertieft zu entwickeln, dass ich darüber einschlafe – zuletzt hatte ich das Anfang der 2000er.

Wie auch immer, mein jüngster Gedanke ist, dass Entwicklung inzwischen ein Bereich geworden ist, den nun wirklich jeder machen kann.
Die Weiterentwicklung von Coding-Agenten wird sich noch weiter beschleunigen, und Entwicklung wird noch einfacher und bequemer werden. Es wird ungefähr auf dem Niveau sein, ein Excel- oder Word-Dokument zu erstellen.
Ich stimme Andrej Karpathy zu, wenn er sagt, dass die beste Programmiersprache „Englisch“ ist.

Persönlich lese ich mehr AI-Papers und versuche, mehr zu schreiben, um mich logisch klarer ausdrücken zu können. (Ich bemühe mich auch darum, häufiger mit AI zu sprechen.)
Wirklich spannende Zeiten im Moment.
 
gomjellie 2026-01-20

Ich teile diesen übersetzten Artikel.

https://rosetta.page/post/…
 
bungker 2026-01-17

Ein aufschlussreicher Beitrag – ich lese ihn immer wieder.
 
xguru 2026-01-14

Wirklich großartig. Das ist ein Text, den alle lesen sollten, von Junior bis Senior.
Ich glaube, dass der Zeitraum von letztem Jahr bis zum nächsten Jahr zum größten Wendepunkt im Software Engineering werden wird.
Wenn man hier den Lauf der Zeit verpasst, könnte man weit zurückfallen.
 
ragingwind 2026-01-14

Ich habe manchmal auch denselben Gedanken. Es hat kein Ende.

"Manchmal frage ich mich, ob es die falsche Entscheidung war, Softwareentwicklung zu wählen.
Selbst wenn man Senior wird, werden weiterhin Lernen und Side Projects erwartet.
Ich weiß nicht, wann ich überhaupt Zeit für Hobbys oder ein Sozialleben haben werde."
 
illiil1lii 2026-01-14

Wenn Sie AI derzeit noch nicht ausreichend in Ihre Arbeit integrieren, scheint es durchaus sinnvoll, FOMO zu verspüren.