Fünf Erfolgsfaktoren im AI-Assisted Software Engineering

Unglaublich dass das erste Release von Claude Code - eines der populärsten Werkzeuge zur Code-Generierung mit KI - erst ein Jahr alt ist. Während es bereits vorher KI-basierte Entwicklungswerkzeuge gab, bedeutete der agentische Ansatz von Claude Code einen grossen Schritt: Die KI konnte plötzlich nicht nur Code generieren. Sie erhielt einen Feedback-Loop mit Build und Tests, und kann so Fehler selber erkennen und beheben bis das geforderte Ziel erreicht ist.

Der aktuelle Hype wird oft unter dem Begriff “Vibe Coding” diskutiert: Man beschreibt, was man will, die KI generiert Code, und man iteriert, bis es “läuft”. Das passt erstaunlich gut für Prototypen, stösst aber im Enterprise-Kontext schnell an Grenzen. Ohne Struktur entstehen schwer wartbare Systeme, Sicherheitsrisiken bleiben unentdeckt und die Integration in bestehende Delivery-Prozesse fehlt oft vollständig.

Genau hier liegt der entscheidende Unterschied zu AI-Assisted Software Engineering: Es reicht nicht, dass AI Code erzeugt - es braucht weiterhin einen strukturierten Software Delivery Lifecycle um nachvollziehbar zu arbeiten und eine hohe Lieferqualität sicherzustellen.

Firmen, welche bereits nach DevOps-Prinzipien arbeiten und wo Continuous Delivery zum Tagesgeschäft gehört, sind gut aufgestellt für die Beschleunigung durch KI. Bei allen anderen wir der Nachholbedarf noch sichtbarer. Die Good News sind, dass KI auch bei der Generierung von Tests und dem Scripting von Automatisierungen hilft.

Wo AI den Entwicklungsprozess wirklich beschleunigt

In der Praxis zeigt sich meiner Erfahrung nach, dass der grösste Hebel aktuell tatsächlich in der Generierung von Code, Tests und dem automatisierten Review von Code liegt. Aber KI kann entlang des gesamten Entwicklungszyklus eingesetzt werden: Bereits bei der Anforderungsanalyse unterstützt KI dabei, unscharfe Anforderungen zu strukturieren und in Spezifikationen zu überführen. In der Implementierung beschleunigt sie - die richtigen Leitplanken vorausgesetzt - die Programmierung, während sie beim Testing automatisch sinnvolle Testfälle und Edge Cases generiert.

Auch in späteren Phasen entfaltet sich ihr Potenzial: Dokumentation kann aus Code und Spezifikationen abgeleitet werden, Pull Requests werden analysiert und verbessert, und im Betrieb hilft AI bei der Auswertung von Logs oder der Optimierung von Systemverhalten. AI wirkt damit weniger als reines Coding-Tool, sondern vielmehr als Force Multiplier über den gesamten Lifecycle.

Fünf Erfolgsfaktoren im AI-Assisted Software Engineering

1. Struktur statt „Vibes“: Scaffolding und stabile Primitives

Unstrukturierte Nutzung von AI führt schnell zu inkonsistenten Ergebnissen. Ohne klare Leitplanken entsteht ein explorativer, teilweise zufälliger Prozess, der schwer reproduzierbar ist. Erfolgreiche Teams setzen deshalb bewusst auf Scaffolding: Klare Projektstrukturen mit vorgegebenen Technologien, Mustern und Architektur, definierte Konventionen und wiederverwendbare Bausteine.

KI arbeitet dadurch nicht im luftleeren Raum, sondern innerhalb eines stabilen Systems. Das reduziert Varianz, erhöht Qualität und macht Ergebnisse nachvollziehbar.

2. Context Engineering als zentraler Hebel

Der wohl wichtigste Erfolgsfaktor ist Context Engineering. Fortschritt entsteht hier weniger durch bessere Modelle, sondern durch besseren Kontext. Je klarer Anforderungen formuliert, Systemgrenzen definiert, gewünschte Umsetzungmuster beschrieben und Annahmen dokumentiert sind, desto präziser kann die KI arbeiten. Eigentlich gleich wie ein Mensch: Bei unklaren Erwartungen ist die Varianz im Ergebnis gross.

Neben der Beschreibung von Kontext direkt im Source Code Repository können Tools wie GitHub Codespaces für eigenen Kontext oder Context7 für aktuelle Framework-Spezifikationen helfen - die Auswahl an Tools und MCP-Servers in diesem Bereich ist gross.

3. Feedback Loops

Frühe Ansätze im Umgang mit KI waren oft linear gedacht: Eingabe, Ausgabe, fertig. Inzwischen zeigt sich klar, dass Qualität erst durch Iteration entsteht. Moderne Setups integrieren KI in kontinuierliche Feedback Loops, in denen Ergebnisse überprüft, verbessert und erneut verarbeitet werden.

Diese Feedbacks müssen maschinenlesbar und automatisiert sein - etwa durch Tests von Funktion und Architektur, Regeln oder automatisierte Checks (statische Code-Analyse, Security Scans, …). Ohne solche Rückkopplungen bleibt KI unzuverlässig. Klassische Engineering-Praktiken gewinnen dadurch nicht an Bedeutung - sie werden essenziell.

4. Integration in CI/CD und Delivery

Mit hohem Vertrauen in die Qualität KI-generierten Code produktiv zu setzen bedingt einen strukturierten Software Delivery Prozess. Genau hier scheitern viele erste Ansätze: Es fehlt an Automatisierung, Testing, Security und Governance.

CI/CD wird deshalb zum Rückgrat von AI-Assisted Engineering. Automatisierte Tests, Security-Scans und automatisierte Pipelines sorgen dafür, dass generierter Code nicht nur schnell entsteht, sondern auch kontrolliert und sicher ausgeliefert werden kann. Ohne diese Integration bleibt KI ein Spielzeug - mit ihr wird sie produktionsfähig.

Die klassischen Best Practices aus dem Software Engineering werden also nicht abgelöst - sie bilden weiterhin die Grundlage um Qualität und Wartbarkeit sicherzustellen.

5. Verifikation und Review neu gedacht

Mit steigender Geschwindigkeit wächst auch das Risiko. KI generiert Code schnell, aber nicht automatisch korrekt. Deshalb verschiebt sich der Fokus von Reviews deutlich.

Das Review von Pull Requests und Changesets hat sich meines Erachtens nach verändert: Während früher vielleicht auch mal Implementierungsdetails im Vordergrund standen, liegt der Schwerpunkt heute stärker auf fachlicher Korrektheit und Systemverhalten. Entscheidend sind Fragen wie: Ist die Geschäftslogik korrekt umgesetzt? Werden nicht-funktionale Anforderungen wie Performance, Sicherheit und Skalierbarkeit erfüllt? Wie verhält sich das System im Betrieb? Stellen die Tests sicher dass die Funktion korrekt ist?

Wie sich die Rolle von Software Engineers verändert

Es lässt sich nicht von der Hand weisen: Diese Entwicklungen verändern die Rolle von Software Engineers grundlegend. Der Anteil an manueller Implementierung nimmt ab, während andere Fähigkeiten in den Vordergrund rücken.

Der Fokus verschiebt sich hin zu einem tieferen Verständnis der Geschäftsdomäne, zu Architekturentscheidungen und zur Fähigkeit, KI-Systeme effektiv zu orchestrieren. Engineers definieren zunehmend den Kontext, in dem KI arbeitet, und übernehmen die Verantwortung für Qualität und den Prozess.

Die Rolle fokussiert sich damit ein Stück weit weg vom Programmieren hin zu einer Kombination aus Business Analyst, Software Engineer, Systemdesignerin und Operator.

Weniger Code, mehr Business und DevOps

Parallel dazu verschiebt sich auch der Wert innerhalb von Teams. Code wird günstiger und schneller verfügbar, während Kontext, Prozesse und Delivery an Bedeutung gewinnen.

Business-Verständnis wird noch kritischer, weil KI nur so gut ist wie die zugrunde liegenden Anforderungen. DevOps wird zur Kernkompetenz, weil stabile Delivery-Prozesse die Voraussetzung für den produktiven Einsatz von KI sind. Kommunikation und Klarheit gewinnen gegenüber reiner Implementierung deutlich an Gewicht.

Durch die schnelleren Iteration wird Kundennähe noch wichtiger - wie wir das bei unserer Entwicklung von Individualsoftware im Solution Atelier für Kunden täglich praktizieren.

Ausblick: Wohin sich AI-Assisted Engineering entwickelt

Die Entwicklung steht noch am Anfang - ich wage mal einen Blick in die Glaskugel.

Context Engineering wird sich als Disziplin etablieren, in die Organisationen gezielt investieren. KI muss den Firmenkontext kennen um wirklich Nutzen zu generieren. Gleichzeitig gewinnt Spec-Driven Development an Bedeutung: Statt Code direkt zu schreiben, werden Spezifikationen zum zentralen Steuerungsartefakt, aus dem Implementierungen teilweise abgeleitet werden. Methoden wie der AI Unified Process oder die BMad Method zeigen Ansätze um Spec-Driven Development in der Praxis einzusetzen - inwiefern sich diese wirklich etablieren wird sich noch zeigen.

Auch die Art der Interaktion mit der KI verändert sich. Einzelne Prompts werden durch agentenbasierte Systeme ersetzt, die Aufgaben eigenständig planen, ausführen und iterativ verbessern. Der Mensch bleibt im Driver Seat um Anforderungen zu verstehen, Resultate zu prüfen und sicherzustellen dass das nicht das falsche schneller gebaut wird. Die meiste Software wird immer noch von Menschen genutzt. Parallel dazu verschmelzen DevOps und AI immer stärker, wobei CI/CD zur zentralen Steuerinstanz wird.

Fazit

AI-Assisted Software Engineering ist kein reines Tooling-Thema, sondern ein grundlegender Paradigmenwechsel. Der Unterschied entsteht nicht durch die eingesetzte KI, sondern durch das Engineering darum herum.

Erfolgreich sind Teams, die klare Strukturen schaffen, hochwertigen Kontext bereitstellen, Feedback systematisch nutzen und automatisierte Delivery-Prozesse etablieren. Genau diese Faktoren entscheiden darüber, ob KI ein kurzfristiger Produktivitätsgewinn bleibt - oder ein nachhaltiger Wettbewerbsvorteil wird.

Wenn dich diese Themen beschäftigen oder du Erfahrungen austauschen möchtest, bieten Formate wie ein DevOps Meetup Bern eine gute Gelegenheit, um reale Use Cases und Best Practices zu diskutieren.

Und was uns interessiert: Wie sind deine Erfahrungen damit?