Wir werden uns eine goldene Nase verdienen

• In einem Szenario über etwa fünf Jahre könnte die Verbreitung von AI-Coding dazu führen, dass weniger Junior-Entwickler eingestellt werden und sich Code-Komplexität ansammelt – was den Marktwert erfahrener Senior-Entwickler, die das wieder aufräumen, deutlich steigern könnte
• Unternehmen, die Coding-Modelle für weit genug entwickelt halten, um Junior-Entwickler zu ersetzen, beginnen statt Personal mehr Tokens zu kaufen; tatsächlich gehen auch die Einstiegschancen für Junior-Entwickler zurück
• LLMs neigen dazu, eher neuen Code hinzuzufügen, als bestehenden Code aufzuräumen; zusammen mit den Grenzen des Kontextfensters, das nicht ein ganzes Repository aufnehmen kann, führt das zu mehr dupliziertem Code und technischer Schuld
• Während sowohl die Fehlerrate von AI-generiertem Code als auch die gesamte Codemenge steigen, nimmt die Zahl der Bugs zu; wegen duplizierter Implementierungen ohne saubere Abstraktion muss derselbe Fehler an mehreren Stellen immer wieder behoben werden
• Wenn durch den Einstellungsstopp bei Junior-Entwicklern und einen Anstieg schweren Burnouts um 22 % das Angebot an erfahrenen Fachkräften sinkt, könnten Entwickler mit Wartungserfahrung aus der Zeit vor AI und gutem Urteilsvermögen ähnlich rare Chancen bekommen wie COBOL-Entwickler zur Y2K-Zeit

---

Von AI vergrößerte Codebasen und Komplexität

• Der gesamte Prozess dauert etwa 5 Jahre und geht von der Annahme aus, dass wir derzeit bereits ungefähr 1,5 bis 2 Jahre darin sind
• Aktuelle AI-Modelle haben beim Coding ein Niveau erreicht, das dem von Junior-Entwicklern ähnelt oder darüber liegt, auch wenn sie nicht perfekt sind
  • Die Einschätzung verbreitet sich, dass man für dieselben Kosten statt eines Junior-Entwicklers viele Tokens nutzen und damit mehr Arbeit erledigen kann
  • Stellenanzeigen für Junior-Entwickler könnten zurückgehen; laut einer Analyse des Stanford Digital Economy Lab zeigen sich solche Veränderungen am Arbeitsmarkt bereits
• LLMs können sogar Hilfsfunktionen und Methoden von Third-Party-Bibliotheken direkt erzeugen, denen sie in Trainingsdaten begegnet sind, und bevorzugen daher das Hinzufügen neuen Codes
  • Dadurch wachsen der geschriebene Code und die Repository-Größe kontinuierlich; auch entsprechende Forschung bestätigt ein Wachstum der Codemenge
• AI neigt stark dazu, bestehendem Code Funktionen hinzuzufügen, statt Code aufzuräumen, Duplikate zu entfernen und die Wartbarkeit zu verbessern
  • Selbst große Kontextfenster können nicht ein ganzes modernes Repository aufnehmen, sodass bestehende Implementierungen übersehen werden können
  • Von AI geschriebener Code ist meist additiv und häufig redundant; eine Studie zur Qualität von AI-unterstütztem Code zeigt dasselbe Phänomen
• AI kann komplexen Code und Kontrollflüsse schneller und genauer lesen als Menschen
  • Entsprechend wächst auch das Komplexitätsbudget und die technische Schuld, die Organisationen in Kauf nehmen
  • Der Grundsatz, dass Debugging doppelt so schwer ist wie das Schreiben von Code, gilt weiterhin; wenn sich die Komplexität weiter ansammelt, kann ein Punkt erreicht werden, an dem selbst AI sie nicht mehr bewältigt
  • Einige Codebases haben bereits ein Komplexitätsniveau überschritten, das Menschen handhaben können; das zeigen auch Beispiele zur Krise technischer Schuld durch AI
• Die Fehlerrate von AI-generiertem Code ist im Allgemeinen höher als bei von Menschen geschriebenem Code
  • Selbst wenn die Fehlerrate künftig unter die menschliche sinkt, kann die absolute Zahl der Fehler steigen, weil die insgesamt erzeugte Codemenge wächst
  • Da Code nicht angemessen getrennt und abstrahiert ist, bleibt eine duplizierte Implementierung an anderer Stelle bestehen, selbst wenn ein Bug an einer Stelle behoben wird; so muss derselbe Fehler wiederholt korrigiert werden

Die Knappheit erfahrener Senior-Entwickler

• In komplexen, schlecht strukturierten Codebases mit vielen Bugs und Duplikaten braucht es Senior-Entwickler, die beurteilen können, was gelöscht werden sollte, welche Abstraktionen falsch sind und ob der gesamte Ansatz neu entworfen werden muss
• Erfahrene Fachkräfte werden nicht nur durch natürliches Ausscheiden aus der Branche weniger, sondern auch durch die Belastung, AI-generierte Komplexität zu managen
  • Bei Senior-Entwicklern ist schwerer Burnout um 22 % gestiegen
  • Wenn Junior-Einstellungen gestoppt werden, schrumpft auch der Pool an Talenten, die zur nächsten Generation von Seniors heranwachsen können
  • Auch Entwickler, die ihre Karriere nach AI begonnen haben, können kompetent sein, aber ihnen könnte die Erfahrung fehlen, wartbaren Code nach den Methoden der Vor-AI-Zeit geschrieben zu haben
• Schon heute sind Senior Engineers, die direkt in Produktionsteams einsetzbar sind, ein zentraler Engpass am Arbeitsmarkt; der Bedarf an Entwicklern mit Erfahrung und gutem Code-Gespür dürfte daher weiter wachsen
• Wenn die Nachfrage steigt und das Angebot sinkt, steigen die Preise; für Senior-Entwickler könnten sich Chancen ergeben, die denen von COBOL-Entwicklern rund um Y2K ähneln
• Erfahrene Entwickler, die die Phase AI-getriebener Entlassungen überstehen, könnten zu dem Zeitpunkt, an dem der Fachkräftemangel voll durchschlägt, hohe Vergütungen erzielen

[GN⁺]

Kommentare auf Lobste.rs

• Ich plane, in den nächsten fünf Jahren allein damit sehr viel Geld zu verdienen, das von AI ausgespuckte Chaos zu beheben, und dann irgendwo auf einer Jacht in Rente zu gehen.
  Ich gehe davon aus, dass das Ausmaß deutlich schlimmer sein wird als früher beim Aufräumen von Ergebnissen aus WYSIWYG-Tools oder von Offshore-Outsourcing-Teams.
  • Ich frage mich, ob solche Aufräumarbeiten Spaß machen würden, egal wie viel Geld man dafür bekommt; selbst mit den nötigen Fähigkeiten bin ich mir nicht sicher, ob ich mir das zutraue.
• Zugehöriges Projekt: https://odra.dev/slopfix/
• Statt Unternehmen mit mangelnder Vision unbedingt retten zu wollen, scheint es besser, sie einfach scheitern zu lassen und ein neues Geschäft zu starten.
• Das sage ich dieses Jahr schon häufiger: Es wird vermutlich nicht nur ein großer Markt dafür entstehen, vermurksten Code aufzuräumen, sondern auch dafür, LLMs aus Aufgaben zu entfernen, die eigentlich deterministisch erledigt werden sollten.
  Wenn ein Nutzer monatlich 20.000 Dollar an einen Chatbot zahlt, nur um herauszufinden, welche von vier Optionen jemand gewählt hat, kann man ihm für denselben Betrag ein Programm bauen, das weder von Token-Preisen noch von probabilistischen Fehlern abhängt, und dazu noch einen Wartungsvertrag für 1.000 Dollar im Monat anbieten.
  Unternehmen merken bereits, dass der Einsatz von LLMs in vielen Arbeitsabläufen teurer ist, als Menschen einzustellen; da viele aber ihre bisherigen Mitarbeiter bereits entlassen haben, dürfte die Erntezeit deutlich früher als in fünf Jahren kommen.
  • Ich habe tatsächlich schon mehrfach Gespräche gehört, in denen Leute Prompt Engineering für Probleme versuchten, für die es bereits bekannte deterministische, optimale Algorithmen gibt.
• Zumindest im Hinblick auf Code-Duplikation und Wartbarkeit gibt es bei AI Agents künftig viel Raum für Verbesserungen.
  Wenn man eine sehr gute semantische Suche hat, braucht man nicht zwingend ein riesiges Kontextfenster.
  Wenn man ein Embedding-Modell gezielt so trainiert, dass Coding Agents doppelte Konzepte gut finden, könnten sie fünf andere Ressourcen, die Ablaufzeiten über eine Priority Queue verwalten, in den Speicher laden und zu einer einzigen Klasse ExpirationQueue zusammenführen.
  Allerdings besteht auch die Gefahr, dass eine solche AI allzu vorschnell verfrühte Abstraktionen einführt.