KI-gestützte Entwicklung: Das unfaire Rennen, das alles verändert

„Softwareentwicklung ohne KI-Unterstützung ist wie der Versuch, ein Auto auf einem Fahrrad zu überholen.“

Diese Erkenntnis traf mich mit voller Wucht, als ich kürzlich beschloss, den neuen Agentenmodus von GitHub Copilot zu testen. Was als Neugierde begann, entwickelte sich schnell zu einem intensiven viertägigen Entwicklungssprint, der Ergebnisse hervorbrachte, die ich allein in diesem Zeitrahmen nicht hätte erreichen können.

Bei dieser Erfahrung ging es nicht nur darum, schneller Code zu produzieren. Sie hat meine Einstellung zur Softwareentwicklung grundlegend verändert. Die Synergie zwischen meinem Fachwissen und den Programmierfähigkeiten des Agenten schuf einen Arbeitsablauf, der sich im Vergleich zu herkömmlichen Entwicklungsmethoden fast unfair effizient anfühlte.

Die Contemplation Machine ist eine Meditations-App, die ich schon immer haben wollte – ein persönliches Projekt, das schon seit Monaten in meinem mentalen Backlog lag. Ich habe sie entwickelt, um geführte Meditationssitzungen mit anpassbarer Dauer, Themen und eignen Texten anzubieten.

Als ich das Projekt begann, hatte ich eigentlich nicht vor, es zu vollenden. Ich wollte lediglich die neuen Agentenfunktionen von GitHub Copilot an einem praktischen Beispiel testen. Aber schon nach wenigen Stunden waren die Ergebnisse so beeindruckend, dass ich mich entschloss, eine vollständige Open-Source-Version zu entwickeln.

Was diese Anwendung so besonders macht, ist nicht nur ihre Funktionalität, sondern auch der Prozess, durch den sie entstanden ist. Fast jede Zeile des Codes trägt die Fingerabdrücke der Zusammenarbeit von Mensch und KI – ein Entwicklungsansatz, der noch vor wenigen Jahren Science Fiction gewesen wäre.

Mein Entwicklungsprozess mit dem GitHub Copilot Agent unterschied sich drastisch von meinem üblichen Arbeitsablauf. Ich begann damit, dass ich dem LLM meine Projektidee vorstellte und fragte, welche Herangehensweise, Technologie und Architektur es empfahl. Diese anfängliche Beratung prägte das gesamte Projekt, obwohl ich mit einigen der empfohlenen Frameworks nur wenig Erfahrung hatte.

Für jede Version erstellte ich eine kurze Beschreibung der Anforderungen und bat den Agenten, ein Konzept und einen Implementierungsplan zu erstellen. Nach Überprüfung und Anpassung dieses Dokuments unterteilten wir die Umsetzung in der Regel in drei oder vier Phasen. Dann wies ich den Bearbeiter an, jede Phase nacheinander umzusetzen.

Was mich am meisten erstaunte, war, wie der Agent diese Phasen fast unabhängig voneinander bewältigen und koordinierte Änderungen an mehreren Dateien vornehmen konnte. Am Ende brauchte ich oft nur noch die Funktionalität der fertigen Anwendung zu überprüfen.

Ich habe hauptsächlich mit dem Claude Sonnet 3.7 Modell von Anthropic in GitHub Copilot gearbeitet, das sich unter den verfügbaren Optionen als das leistungsfähigste und brauchbarste erwies. Der Qualitätsunterschied zwischen den Modellen war beträchtlich, wobei die Angebote von Anthropic durchweg die wertvollste Unterstützung boten.

Trotz der beeindruckenden Fähigkeiten war dieser Entwicklungsansatz nicht ohne erhebliche Herausforderungen. Ein großes Problem war die Interferenzkapazität – die Reaktionsfähigkeit des LLMs. Ich hatte häufig mit langen Wartezeiten zu kämpfen, und manchmal wurden Aufforderungen ganz abgebrochen, so dass ich sie wiederholen musste. Diese Unvorhersehbarkeit störte meinen Entwicklungsfluss und zwang mich oft, Pausen einzulegen, bis sich die Antwortzeiten verbesserten.

Eine weitere große Herausforderung war die Beherrschung der Komplexität. Ich begann zunächst mit einem ehrgeizigeren Programmmodell, das eine vollständige Benutzerverwaltung mit Authentifizierung vorsah. Der Agent generierte zwar beeindruckenden Code, aber sobald die Komplexität einen bestimmten Schwellenwert überschritt, begann er bei jedem Iterationszyklus neue Fehler zu machen. Schließlich konnte ich die Codebasis nicht mehr stabilisieren und musste alles verwerfen und von vorne beginnen.

Aus dieser Erfahrung habe ich mehrere wichtige Strategien gelernt:

• Änderungen klein und konzentriert halten
• Häufiges Commit
• Ein klares Releasemodell einführen um problematischer Änderungen revidieren zu können
• Tendenz des Agenten zu übermäßig komplexe Lösungen durch Prompt-Engineering einschränken
• Bei Bedarf explizit um Vereinfachung bitten

Die Arbeit mit dem GitHub Copilot Agent zwang mich, mich mit einer unbequemen Wahrheit auseinanderzusetzen: Der Agent generierte durchweg besseren Code, als ich ihn selbst schreiben konnte. Bei Verzögerungen in der Beantwortung zögerte ich, die manuelle Programmierung fortzusetzen, weil der Qualitäts- und Geschwindigkeitsunterschied so groß war.

Diese Dynamik bezeichne ich als „das unfaire Rennen“. Es ist, als würde man versuchen, ein Auto zu überholen, während man Fahrrad fährt, oder mit einem Stadtplan zu navigieren, während andere ein GPS haben. Fachleute, die sich diese Tools zu eigen machen, haben einen fast unfairen Vorteil in Bezug auf Produktivität und Fähigkeiten.

Die Auswirkungen auf die IT-Branche sind tiefgreifend. Entwickler, die sich gegen KI-Assistenten sträuben, könnten sich zunehmend von denen abgehängt sehen, die sie nutzen. Der Wettbewerbsvorteil ist nicht nur marginal, er ist transformativ. Da diese Tools immer besser werden, wird sich diese Kluft nur noch vergrößern.

Gleichzeitig entwickelt sich die Rolle des Entwicklers weiter. Technisches Fachwissen ist nach wie vor unerlässlich, aber konzeptionelles Denken, architektonische Planung und effektive KI-Zusammenarbeit werden zu ebenso wichtigen Fähigkeiten. Die erfolgreichsten Entwickler werden nicht diejenigen sein, die den meisten Code schreiben, sondern diejenigen, die KI-Fähigkeiten orchestrieren können, um ehrgeizige Ziele zu erreichen.

Meine Reise zur Entwicklung der Contemplation Machine mit dem GitHub Copilot Agent hat meine Sichtweise auf die Softwareentwicklung grundlegend verändert. Was als einfacher Test begann, hat ein neues Paradigma offenbart, das menschliche Kreativität und KI-Ausführung in einer Weise kombiniert, die sich manchmal fast magisch anfühlt.

Trotz der Herausforderungen und Einschränkungen sind die Vorteile unbestreitbar. Ich habe in vier Tagen geschafft, was mit herkömmlichen Methoden Wochen gedauert hätte, vor allem, wenn man bedenkt, wie wenig vertraut ich mit einigen der beteiligten Technologien bin.

Diese Erfahrung hat mich davon überzeugt, dass die KI-gestützte Entwicklung nicht nur eine inkrementelle Verbesserung ist – sie ist ein Umbruch, der unsere Branche umgestaltet. Die Frage ist nicht, ob wir diese Tools übernehmen sollen, sondern wie schnell wir unsere Arbeitsabläufe und mentalen Modelle anpassen können, um ihr Potenzial optimal zu nutzen.

Für alle, die noch zögern, kann ich nur Folgendes sagen: Das Rennen hat bereits begonnen, und die Radfahrer werden die Autofahrer nicht einholen, egal wie schnell sie in die Pedale treten.

• Der GitHub Copilot Agent bietet Funktionen zur Codebearbeitung, die über einfache Vorschläge hinausgehen.
• Modellauswahl ist wichtig: Die Claude-Modelle von Anthropic schnitten durchweg besser ab als andere.
• Komplexitätsmanagement ist unerlässlich – teilen Sie Projekte in überschaubare Phasen auf.
• Häufige Übertragungen und ein solides Release-Modell helfen, gelegentliche Instabilität zu bewältigen.
• Die konzeptionelle Richtung sollte von Menschen bestimmt werden, mit der Bitte um Vereinfachung, wenn nötig.
• Die Produktivität von Entwicklern steigt durch effektive KI-Zusammenarbeit dramatisch an.