Der Wandel der Entwicklerrolle im Zeitalter des AI Coding: vom Coding-Ausführer zum Designer von Kontext, Validierung und Produktisierung

Zusammenfassung

• Kernaussage

  • Da AI inzwischen ein Niveau erreicht hat, auf dem sie Code direkt schreiben, ändern und testen kann, verschiebt sich die Rolle von Entwicklern weg vom reinen Coding hin zu Problemdefinition, Arbeitsgestaltung, Validierung, Kontextmanagement und Unterstützung bei der Produktisierung.

• Strukturelle Ursachen

  • AI hat die Geschwindigkeit der Codeproduktion deutlich erhöht, aber Code wird dadurch nicht automatisch zu einem guten Produkt.
  • Nicht-Coding-Bereiche wie Anforderungen, Dokumentation, Tests, Strukturierung, UX-Entscheidungen und Wartbarkeit sind wichtiger geworden.

• Wichtige Beispiele

  • Erfahrungen damit, AI über Playwright auch Browser-Tests durchführen zu lassen.
  • Erfahrungen damit, wiederkehrende Aufgaben als Commands, Skills und Workflows zu spezifizieren.
  • Ein Fall, in dem ein mit AI erstellter Frontend-Prototyp äußerlich hervorragend wirkte, intern aber eine fragile Struktur hatte.

• Lösungsrichtung

  • Man sollte AI nicht nur Code überlassen, sondern zugleich die Abläufe und Kriterien des gesamten Entwicklungsprozesses gestalten.
  • Entwickler müssen AI-Ergebnisse prüfen, Kontext festhalten und die Struktur so ordnen, dass daraus ein nachhaltiges Produkt entstehen kann.

---

Einleitung

Der Umbruch im Zeitalter des AI Coding

• Der Beitrag geht von der Frage aus: „Was sollen Entwickler in einer Zeit tun, in der Menschen nicht mehr selbst coden?“
• Der Autor war früher der Ansicht, dass wegen Halluzinationen und Fehlern von AI die finale Beurteilung durch Menschen erfolgen müsse.
• Durch die jüngsten Leistungssteigerungen von AI-Modellen sieht er jedoch ein Niveau erreicht, auf dem AI Issues versteht, Dateien durchsucht, Code ändert und Tests erfolgreich durchläuft.
• Durch diesen Wandel denken Entwickler nicht mehr nur darüber nach, AI als Hilfswerkzeug zu nutzen, sondern darüber, AI den Entwicklungsprozess selbst ausführen zu lassen.

Zentrale Problemstellung

• Dass AI gut Code schreiben kann, bedeutet nicht, dass die Rolle von Entwicklern verschwindet.
• Im Gegenteil: Je stärker Coding automatisiert wird, desto klarer treten andere Elemente der Entwicklung hervor.
• Das Strukturieren von Anforderungen, das Dokumentieren von Entscheidungen, das Entwerfen von Tests, das Management der Codestruktur und die Prüfung der Produkterfahrung werden zu Kernaufgaben von Entwicklern.

---

Hauptteil

1. AI hat sich vom Werkzeug zur Codeerstellung zum Ausführenden von Aufgaben entwickelt

• Der Autor sieht AI nicht mehr nur auf dem Niveau, einzelne Code-Snippets zu erzeugen, sondern als fähig, reale Entwicklungsabläufe zu bearbeiten.
• Früher mussten Menschen die Ergebnisse von AI ständig überwachen und korrigieren, heute ist es möglich, AI Aufgaben zu übergeben und die Ergebnisse zu prüfen.
• Verbesserungen in Benchmarks wie SWE Bench werden als Indikator für diesen Wandel genannt.
• Die zentrale Veränderung liegt darin, dass sich die Frage von „Kann AI Code schreiben?“ zu „Bis zu welchem Umfang kann man AI Aufgaben übergeben?“ verschoben hat.

2. Wenn AI scheitert, liegt das Problem nicht nur an „mangelnder Fähigkeit“

• AI ist weiterhin nicht immer erfolgreich.
• Es kommt vor, dass Fehler sich wiederholen oder dass AI behauptet, etwas korrigiert zu haben, während das Problem auf dem tatsächlichen Bildschirm bestehen bleibt.
• Anfangs reagierte der Autor darauf, indem er Fehlermeldungen kopierte und an die AI weitergab.
• Später nutzte er Playwright, damit AI den Browser selbst öffnet und Tests ausführt, und erkannte dadurch, dass auch Validierungsschritte, die bislang Menschen übernahmen, an AI delegiert werden können.
• Dieses Beispiel zeigt, dass manche vermeintlichen Grenzen von AI in Wirklichkeit dadurch entstanden, dass Nutzer keine entsprechenden Anweisungen gegeben hatten.

3. AI-natives Denken bedeutet, den gesamten Ablauf zu delegieren

• Der Autor löst sich von der Sichtweise, AI nur als Hilfswerkzeug zu nutzen, und wechselt zu einem Ansatz, bei dem AI ganze Abläufe ausführt, die er bisher selbst erledigt hat.
• Er versucht, wiederkehrende Aufgaben als Commands, Skills und Workflows zu definieren und sein implizites Wissen zu spezifizieren.
• Als Beispiele erstellt er Command-Flows wie /plan, /prd, /debug, /refactor, /verify und /retrospect.
• Entscheidend ist, AI nicht einfach nur zu sagen „Schreib den Code“, sondern auch zu regeln, wann sie nachfragen, wann sie stoppen und wann sie validieren soll.
• Dadurch wandelt der Entwickler seine Arbeitsweise und Entscheidungskriterien in eine Struktur um, die AI wiederverwenden kann.

4. Persönliches Know-how wird schnell in Tool-Funktionen absorbiert

• Commands und Workflows, die der Autor selbst erstellt hatte, tauchen mit der Zeit als offizielle Funktionen und Konzepte wie Skill, memory, hooks und orchestration auf.
• Je wirkungsvoller eine von Einzelpersonen entdeckte AI-Nutzungsmethodik ist, desto schneller wird sie in Produktfunktionen oder gemeinsame Methodiken aufgenommen.
• Daher ist es schwierig, sich langfristig allein durch bestimmte Prompts oder Tipps zur AI-Nutzung zu differenzieren.
• Wichtiger als die Methodik selbst ist, inwieweit man sie auf reale Probleme angewendet hat, was man damit gebaut hat und welche Grenzen man erfahren hat.

5. AI vergrößert den Umfang der Probleme, die Entwickler bearbeiten können

• AI ermöglicht dem Autor, große Ideen tatsächlich auszuprobieren, die er früher wegen Kosten und Zeit nicht angegangen wäre.
• So baut er beispielsweise schnell Tools, mit denen man Code und Dokumente wie auf einer Canvas ausbreiten kann, MD-Viewer, Code-Analyse-Tools und Entwicklungsassistenten.
• Der Kernpunkt ist nicht, dass AI sofort fertige Produkte liefert, sondern dass sie die Einstiegshürde senkt.
• Entwickler verschieben ihr Denken von „Kann ich das bauen?“ zu „Wie weit kann ich es zunächst einmal bauen?“

6. Wer größere Probleme bearbeitet, sieht die Entwicklungsarbeit jenseits des Codings

• Wenn durch AI die Menge des produzierten Codes steigt, wird es für Entwickler schwierig, den gesamten Code direkt zu lesen und den Kontext im Kopf zu behalten.
• Kontext, Entscheidungen und Strukturverständnis, die sich beim eigenen Coden auf natürliche Weise ansammeln, bleiben nicht automatisch erhalten, wenn man das Coding an AI übergibt.
• Daher werden Dokumente, Tests, Issues, Arbeitsberichte und Aufzeichnungen über Änderungsgründe wichtig.
• Das ist keine Verwaltungsarbeit, sondern ein zentrales Mittel, um im AI-Zeitalter Entwicklungskontext zu bewahren.
• Betont wird, dass die Fähigkeit, Kontext und Entscheidungen zu erhalten, ebenso wichtig wird wie Coding-Fähigkeit.

7. Mehr Commits und Tests bedeuten nicht automatisch ein besseres Produkt

• Mit AI steigt die Zahl von Commits, Dateien, Tests und Dokumenten schnell.
• Doch steigende Kennzahlen bedeuten nicht, dass das Produkt tatsächlich besser wird.
• Es entstehen Probleme: Funktionen werden ergänzt, aber die UX wirkt ungewohnt; Tests bestehen, aber der tatsächliche Ablauf auf dem Bildschirm ist instabil.
• Anfangs versuchte der Autor, dies nur als Problem von Codequalität und Struktur zu betrachten.
• Er stellt jedoch fest, dass sich die Produkterfahrung nicht automatisch verbessert, nur weil die Codestruktur verbessert wird.
• Letztlich sind Codeproduktion und Produktverbesserung unterschiedliche Fragen, und es braucht eine separate Beurteilung der Produktqualität.

8. Das Frontend ist ein Bereich, in dem AI besonders leicht ins Schwanken gerät

• AI kann schnell plausible initiale UIs wie Dashboards, Landingpages oder Admin-Oberflächen erstellen.
• Ein Frontend auf echtem Produktniveau erfordert jedoch komplexe Kriterien wie Design-System, State Management, Barrierefreiheit, Tastaturbedienung, Ausnahmezustände und User Flows.
• Viele Frontend-Anforderungen werden in vager Sprache ausgedrückt, etwa „natürlicher“, „weniger unbeholfen“ oder „so, dass es ausgewählt wirkt“.
• Beim Übersetzen solcher vagen Anforderungen in Code divergieren die Ergebnisse von AI leicht.
• Um AI im Frontend gut einzusetzen, braucht es daher Kriterien und Urteilsvermögen, um gelungene Teile festzuhalten und nur die unzureichenden Teile erneut überarbeiten zu lassen.

9. Gute Ergebnisse entstehen nicht auf einmal, sondern durch einen Konvergenzprozess

• Der Autor ändert seine Sichtweise, nachdem er einen hochwertigen Prototyp gesehen hat, den ein Product Planner mit AI erstellt hatte.
• Dieses Ergebnis entstand nicht durch einen einzigen besonderen Prompt, sondern durch wiederholtes Überarbeiten „bis es funktioniert“.
• Der Fall zeigt, dass der Kern der AI-Nutzung nicht einfache automatische Generierung ist, sondern ein Konvergenzprozess, in dem man Schwachstellen immer wieder erkennt und erneut Anforderungen stellt.
• Menschen, die gute Ergebnisse erzielen, beurteilen, was in den von AI erzeugten Resultaten fehlt, und justieren beharrlich nach, bis das gewünschte Niveau erreicht ist.
• Auch im AI-Zeitalter machen menschliche Standards, Gespür und kontinuierliche Prüfung den Unterschied im Ergebnis aus.

10. Entwickler übernehmen die Rolle, vielversprechende Ergebnisse in Produkte zu überführen

• Mit AI erstellte Ergebnisse können äußerlich gut aussehen, intern aber eine fragile Codestruktur haben.
• Es können Probleme entstehen wie instabiles State Management, unklare Komponentenverantwortlichkeiten oder Tests, die den tatsächlichen Ablauf nicht absichern.
• Die Rolle von Entwicklern besteht nicht darin, solche Ergebnisse pauschal geringzuschätzen oder zu verwerfen.
• Zugleich dürfen sie auch nicht unverändert produktisiert werden.
• Entwickler müssen die Struktur ordnen, Risiken markieren, testbare Einheiten schaffen und Kontext hinterlassen, damit vielversprechende Ergebnisse weiter getragen werden können.
• Anders gesagt: Die Rolle von Entwicklern erweitert sich von „jemand, der alles bis zum Ende allein baut“ zu „jemand, der Ergebnisse von AI und Menschen in ein nachhaltiges Produkt überführt“.

11. Entwicklungsrollen im AI-Zeitalter konvergieren nicht auf eine einzige Rolle

• Wenn die Einstiegshürde fürs Coding sinkt, werden auch die Typen von Menschen vielfältiger, die an Entwicklung teilnehmen.
• Product Planner, Designer, PMs und Fachabteilungen können mit AI funktionierende Prototypen oder interne Tools bauen.
• Das bedeutet nicht, dass Entwickler überflüssig werden, sondern dass sich entwicklungsbezogene Rollen stärker ausdifferenzieren.
• Der Autor vergleicht dies mit dem YouTube-Ökosystem.
• So wie YouTube Videoexperten nicht abgeschafft, sondern Rollen wie Auftretende, Cutter, Planner, Kanalbetreiber und Plattformbauer diversifiziert hat, kann auch AI Entwicklungsrollen diversifizieren.
• Künftig werden voraussichtlich Menschen koexistieren, die tiefe Systeme bauen, Prototypen zu Produkten verfeinern, Ebenen schaffen, auf denen AI gut arbeiten kann, und Probleme direkt lösen.

---

Fazit

Entwickler müssen Entwicklung jenseits des Codings gestalten

• Das Fazit des Beitrags ist keine Dichotomie zwischen „weiter coden“ und „loslassen“.

• Da AI Coding ausführen kann, müssen Entwickler erfahrungsbasiert lernen, was sie AI überlassen und was sie selbst beurteilen sollten.

• Besonders wichtig werden die folgenden Fähigkeiten:

  • Probleme größer zu fassen
  • Wiederkehrende Abläufe in Skills und Workflows zu überführen
  • Anforderungen, Dokumentation, Tests und Issues zu strukturieren
  • AI-Ergebnisse zu prüfen und unzureichende Teile erneut anzuweisen
  • Rohresultate zu nachhaltigen Produkten zu verfeinern
  • Tools und Arbeitsabläufe außerhalb des Codes mit AI zu verbinden

Kernbotschaft

• AI ist nicht so perfekt, wie Entwickler es erwarten, kann aber deutlich mehr erledigen, als man denkt.
• Bevor man urteilt, dass AI etwas nicht kann, sollte man experimentieren, wie weit man sie tatsächlich damit beauftragen kann.
• Umgekehrt darf man Ergebnisse nicht einfach unverändert vertrauen, nur weil AI sie leicht erstellt hat.
• Entwickler müssen die von AI erzeugten Ergebnisse beurteilen, zur Konvergenz bringen, Kontext bewahren und in Produkte überführen.
• Letztlich wird der Entwickler im AI-Zeitalter weniger zu jemandem, der besonders viel Code selbst schreibt, sondern eher zu jemandem, der Probleme, Abläufe, Kriterien und Kontext so gestaltet, dass Ergebnisse von AI und Menschen zu besseren Resultaten führen.