70%-Abschlussfalle: Letzte 30%-Herausforderung für KI-gestützte Kodierung

Nachdem ich mich in den letzten Jahren intensiv mit der KI-gestützten Entwicklung beschäftigt habe, ist mir ein interessantes Phänomen aufgefallen. Während Ingenieure von erheblichen Produktivitätssteigerungen durch den Einsatz von KI berichten, scheint die Software, die wir täglich nutzen, nicht wesentlich besser zu sein. Was ist hier los?

Ich glaube, ich weiß warum, und die Antwort offenbart einige grundlegende Fakten über die Softwareentwicklung, denen wir uns stellen müssen. Lassen Sie mich meine Erkenntnisse teilen.

Wie Entwickler KI tatsächlich nutzen

Ich habe zwei verschiedene Muster bei der Entwicklung von Teams mit KI beobachtet. Wir nennen sie "Guides" und "Iteratoren". Beide helfen Ingenieuren (und sogar nicht-technischen Nutzern), die Kluft zwischen Idee und Ausführung (oder MVP) zu überbrücken.

Moderator: Von Null auf MVP

Tools wie Bolt, v0 und Screenshot-to-code AI revolutionieren die Art und Weise, wie wir neue Projekte aufsetzen. Diese Teams sind in der Regel:

• Beginnen Sie mit einem Entwurf oder einem groben Konzept
• Verwenden Sie AI, um eine vollständige anfängliche Codebasis zu erzeugen.
• Erhalten Sie einen funktionierenden Prototyp in Stunden oder Tagen, nicht in Wochen!
• Fokus auf schnelle Validierung und Iteration

Die Ergebnisse können beeindruckend sein. Kürzlich habe ich gesehen, wie ein Indie-Entwickler Schraube Ich habe den Figma-Entwurf in sehr kurzer Zeit in eine funktionierende Webanwendung verwandelt. Sie ist noch nicht produktionsreif, aber gut genug, um ein erstes Nutzerfeedback zu erhalten.

Iteratoren: tägliche Entwicklung

Das zweite Lager verwendet die Programme Cursor, Cline, Copilot und WindSurf Werkzeuge wie dieses für die täglichen Entwicklungsabläufe. Es ist weniger dramatisch, aber potenziell umwälzender. Diese Entwickler sind:

• Verwendung von KI für Code-Vervollständigung und -Vorschläge
• Nutzung von KI für komplexe Rekonfigurationsaufgaben
• Tests und Dokumentation generieren
• Einsatz von KI als "Paarprogrammierer" zur Lösung von Problemen

Der Haken an der Sache ist jedoch, dass beide Ansätze zwar die Entwicklung erheblich beschleunigen können, aber mit versteckten Kosten verbunden sind, die nicht sofort sichtbar sind.

Die versteckten Kosten der "KI-Geschwindigkeit"

Wenn Sie einen leitenden Ingenieur sehen, der Cursor vielleicht Kopilot Bei solchen KI-Tools sieht es aus wie Zauberei. Sie können eine ganze Funktion in wenigen Minuten erstellen, einschließlich Tests und Dokumentation. Aber wenn man genau hinsieht, fällt einem etwas Entscheidendes auf: Sie nehmen nicht nur den Rat der KI an. Sie tun es ständig:

• Refaktorierung des generierten Codes in kleinere, gezieltere Module
• AI-Behandlung für fehlende Kantenbedingungen hinzufügen
• Erweiterung von Typdefinitionen und Schnittstellen
• Hinterfragen von Architekturentscheidungen
• Hinzufügen einer umfassenden Fehlerbehandlung

Mit anderen Worten: Sie wenden jahrelanges, hart erarbeitetes Ingenieurwissen an, um den Output der KI zu formen und einzuschränken. Die KI beschleunigt ihre Implementierungen, aber es ist ihre Expertise, die dafür sorgt, dass der Code wartbar bleibt.

Nachwuchsingenieure übersehen diese kritischen Schritte oft. Sie akzeptieren eher die Ergebnisse der KI, was zu dem führt, was ich als "Kartenhauscode" bezeichne - er sieht vollständig aus, bricht aber unter realem Stress zusammen.

intellektuelles Paradoxon

Das ist das Widersinnigste, was ich gefunden habe: dass KI-Tools erfahrenen Entwicklern mehr helfen als Anfängern. Das scheint rückwärtsgewandt - sollte KI nicht die Programmierung demokratisieren?

Die Realität sieht so aus, dass KI wie ein sehr eifriger Nachwuchsentwickler in Ihrem Team ist. Sie können schnell Code schreiben, aber sie brauchen ständige Aufsicht und Korrektur. Je mehr Sie wissen, desto besser können Sie sie anleiten.

Dies führt zu dem, was ich das "Wissensparadoxon" nenne:

• Ältere Menschen nutzen KI, um das, was sie bereits können, zu beschleunigen
• Nachwuchskräfte versuchen, mithilfe von KI zu lernen, was zu tun ist
• Die Ergebnisse waren sehr unterschiedlich

Ich sehe, wie leitende Ingenieure KI nutzen, um:

• Rascher Prototyping von Ideen, die sie bereits verstehen
• Basisimplementierungen zu erstellen, die sie anschließend verbessern können
• Untersuchung von Alternativen zu bekannten Problemen
• Automatisieren Sie routinemäßige Kodierungsaufgaben

Gleichzeitig sind die Nachwuchskräfte häufig:

• Akzeptanz falscher oder überholter Lösungen
• Fehlen wichtiger Sicherheits- und Leistungsaspekte
• KI-generierter Code ist schwer zu debuggen
• Sie bauen anfällige Systeme, die sie nicht vollständig verstehen.

70% Problem: Das Lernkurvenparadoxon der KI

Ein Tweet, der kürzlich meine Aufmerksamkeit erregte, fasst perfekt zusammen, was ich in der Praxis beobachte: Nicht-Ingenieure, die mit KI programmieren, stoßen auf frustrierende Hindernisse. Sie können 70% mit einer alarmierenden Geschwindigkeit abschließen, aber am Ende wird 30% zu einer Übung mit abnehmendem Ertrag.

Diese "70%-Frage" verrät einiges über den aktuellen Stand der KI-gestützten Entwicklung. Anfangs war der Fortschritt erstaunlich - man konnte beschreiben, was man wollte, und ein KI-Tool wie v0 oder Bolt generierte einen funktionierenden Prototyp, der beeindruckend aussah. Doch dann setzte die Realität ein.

Zweistufiger Rückwärtsmodus

In der Regel tritt dann ein vorhersehbares Muster auf:

• Sie haben versucht, einen kleinen Fehler zu beheben.
• AI schlug eine Änderung vor, die sinnvoll erschien
• Diese Korrektur hat etwas anderes kaputt gemacht.
• Sie haben die KI gebeten, ein neues Problem zu lösen.
• Dies wirft wiederum zwei Fragen auf
• immer und immer wieder

Dieser Kreislauf ist für Nicht-Ingenieure besonders schmerzhaft, weil ihnen die mentalen Modelle fehlen, um zu verstehen, was eigentlich schief gelaufen ist. Wenn ein erfahrener Entwickler auf einen Fehler stößt, kann er aufgrund seiner jahrelangen Erfahrung mit der Mustererkennung auf mögliche Ursachen und Lösungen schließen. Ohne diesen Hintergrund spielen Sie im Grunde genommen mit einem Code, den Sie nicht vollständig verstehen, ein Spiel mit dem Maulwurf.

Die Fortsetzung des Lernparadoxons

Das Problem liegt tiefer: Genau das, was KI-Codierungstools für Nicht-Ingenieure benutzerfreundlich macht - sie stehen für die Fähigkeit, mit Komplexität umzugehen -, kann das Lernen behindern. Wenn Code "auftaucht" und man die zugrunde liegenden Prinzipien nicht versteht:

• Sie entwickeln keine Fähigkeiten zur Fehlersuche.
• Sie verpassen es, die grundlegenden Muster zu lernen
• Sie können architektonische Entscheidungen nicht extrapolieren
• Sie haben Schwierigkeiten bei der Pflege und Entwicklung von Code

Dadurch entsteht eine Abhängigkeit, bei der Sie immer wieder auf die KI zurückgreifen müssen, um Probleme zu lösen, anstatt Ihr eigenes Fachwissen im Umgang mit diesen Problemen zu entwickeln.

Wissenslücke

Die erfolgreichsten Nicht-Ingenieure, die ich bei der Verwendung von KI-Codierungstools erlebt habe, haben einen hybriden Ansatz gewählt:

1. Rapid Prototyping mit KI
2. Nehmen Sie sich Zeit, um zu verstehen, wie der generierte Code funktioniert
3. Erlernen grundlegender Programmierkonzepte unter Verwendung von AI
4. Aufbau der Wissensbasis Schritt für Schritt
5. KI als Lernwerkzeug nutzen, nicht nur als Codegenerator

Aber es erfordert Geduld und Hingabe - das Gegenteil von dem, was sich viele vom Einsatz von KI-Tools erhoffen.

Folgen für die Zukunft

Das "70%-Problem" deutet darauf hin, dass die derzeitigen KI-Codierungstools am besten als solche zu betrachten sind:

• Prototyp-Beschleuniger für erfahrene Entwickler
• Lernhilfen für alle, die Entwicklung verstehen wollen
• MVP-Generator für die schnelle Validierung von Ideen

Aber sie sind noch nicht die Lösung für die Demokratisierung des Programmierens, die sich viele erhoffen. Schließlich erfordert 30% - der Teil, der Software produktionsreif, wartbar und robust macht - immer noch echtes Ingenieurwissen.

Die gute Nachricht? Wenn sich die Werkzeuge verbessern, könnte sich die Lücke schließen. Aber im Moment ist der pragmatischste Ansatz, KI zu nutzen, um das Lernen zu beschleunigen, nicht um es ganz zu ersetzen.

Was wirklich funktioniert: ein praktisches Modell

Nachdem ich Dutzende von Teams beobachtet habe, habe ich festgestellt, dass Folgendes immer funktioniert:

1. das Modell "AI first draft"

• Lassen Sie die KI eine grundlegende Implementierung erstellen
• Manuelle Überprüfung und Refaktorierung für Modularität
• Hinzufügen einer umfassenden Fehlerbehandlung
• Schreiben Sie umfassende Tests
• Dokumentation der wichtigsten Entscheidungen

2. das Modell "Kontinuierlicher Dialog"

• Starten Sie einen neuen AI-Chat für jede unterschiedliche Aufgabe
• Den Kontext im Auge behalten und minimieren
• Häufige Überprüfung und Einreichung von Änderungen
• Aufrechterhaltung einer engen Feedbackschleife

3. das Modell "Vertraue, aber überprüfe".

• Erste Codegenerierung mit AI
• Manuelle Überprüfung aller kritischen Pfade
• Automatisiertes Testen von Randfällen
• Regelmäßige Sicherheitsaudits durchführen

Blick in die Zukunft: Was ist die wirkliche Zukunft der KI?

Trotz dieser Herausforderungen bin ich optimistisch, was die Rolle der KI in der Softwareentwicklung angeht. Der Schlüssel ist, zu verstehen, was sie wirklich gut kann:

1. Beschleunigung bekannt
   KI ist gut darin, uns zu helfen, Muster zu erkennen, die wir bereits verstehen. Das ist so, als hätte man einen unendlich geduldigen Programmierer in Zwillingsform, der sehr schnell tippen kann.
2. Erkunden Sie die Möglichkeiten
   KI eignet sich hervorragend, um Ideen schnell in Prototypen umzusetzen und verschiedene Ansätze zu erproben. Es ist wie ein Sandkasten, in dem wir Konzepte schnell testen können.
3. Automatisierungsroutine
   Die KI reduziert den Zeitaufwand für Muster und reguläre Programmieraufgaben erheblich und ermöglicht es uns, uns auf interessante Probleme zu konzentrieren.

Was bedeutet das für Sie?

Wenn Sie gerade erst mit der KI-gestützten Entwicklung beginnen, sind hier meine Empfehlungen:

1. Klein anfangen
   • Einsatz von KI für isolierte, klar definierte Aufgaben
   • Überprüfen Sie jede Zeile des generierten Codes
   • Schrittweise Erweiterung der Funktionalität
2. Beibehaltung der Modularität
   • Zerlegen Sie alles in kleine, gezielte Dokumente
   • Klare Schnittstellen zwischen den Komponenten beibehalten
   • Dokumentieren Sie Ihre Modulgrenzen
3. Vertrauen Sie auf Ihre Erfahrung.
   • Nutzen Sie KI, um Ihr Urteilsvermögen zu beschleunigen, nicht zu ersetzen
   • Hinterfragen von generiertem Code, der sich nicht richtig anfühlt
   • Behalten Sie Ihre technischen Standards bei

Der Aufstieg der Agentensoftwareentwicklung

Auf dem Weg ins Jahr 2025 verändert sich die Landschaft der KI-gestützten Entwicklung dramatisch. Während aktuelle Tools die Art und Weise, wie wir Prototypen erstellen und iterieren, verändert haben, glaube ich, dass wir an der Schwelle zu einer noch wichtigeren Veränderung stehen: dem Aufstieg des agentenbasierten Software-Engineerings.

Was meine ich mit "Agent"? Diese Systeme reagieren nicht nur auf Aufforderungen, sondern planen, führen aus und iterieren Lösungen mit zunehmender Autonomie.

Wenn Sie mehr über Proxies erfahren möchten, einschließlich meiner Gedanken zu Cursor/Cline/v0/Bolt, dann könnten Sie an mir interessiert sein.

Es gibt bereits erste Anzeichen für diese Entwicklung:

Von Reagierern zu Kollaborateuren

Das aktuelle Tool wartet hauptsächlich auf unsere Befehle. Aber sehen Sie sich die aktualisierten Funktionen an, wie Anthropic in der Claude (a) den Einsatz von Computern in der Cline Die Fähigkeit, automatisch Browser zu starten und Tests durchzuführen. Dies sind nicht nur glorifizierte Autovervollständigungen - sie verstehen die Aufgabe und ergreifen die Initiative, um das Problem zu lösen.

Denken Sie an die Fehlersuche: Diese Agenten schlagen nicht nur Korrekturen vor:

• Proaktive Identifizierung potenzieller Probleme
• Die Testsuite zum Laufen bringen
• Inspektion von UI-Elementen und Erstellung von Bildschirmfotos
• Abhilfemaßnahmen vorschlagen und umsetzen
• Überprüfen Sie, ob die Lösung funktioniert (dies kann eine große Sache sein)

Die multimodale Zukunft

Die Werkzeuge der nächsten Generation können mehr als nur Code verarbeiten - sie können nahtlos integriert werden:

• Visuelles Verständnis (UI-Screenshots, Modelle, Diagramme)
• mündlicher Sprachdialog
• Interaktion mit der Umgebung (Browser, Terminal, API)

Diese multimodale Fähigkeit bedeutet, dass sie Software wie Menschen verstehen und nutzen können - insgesamt, nicht nur auf Code-Ebene.

Autonom, aber geführt

Die wichtigste Erkenntnis, die ich aus dem Einsatz dieser Tools gewonnen habe, ist, dass die Zukunft nicht darin besteht, dass KI Entwickler ersetzt, sondern darin, dass KI zu einem immer fähigeren Kollaborateur wird, der die Initiative ergreifen kann, ohne die menschliche Anleitung und Expertise zu vernachlässigen.

Die effektivsten Teams im Jahr 2025 könnten diejenigen sein, die lernen:

• Festlegung klarer Grenzen und Leitlinien für ihre KI-Agenten
• Erstellung leistungsfähiger Architekturmuster, mit denen Agenten arbeiten können
• Schaffung effektiver Rückkopplungsschleifen zwischen Menschen und KI-Funktionen
• Beibehaltung der menschlichen Aufsicht bei gleichzeitiger Nutzung der KI-Autonomie

Englischsprachige Entwicklungsumgebung

Wie Andrej Karpathy hervorhebt:

"Englisch wird zur heißesten neuen Programmiersprache."

Dies ist ein grundlegender Wandel in der Art und Weise, wie wir mit Entwicklungswerkzeugen interagieren werden. Die Fähigkeit, klar zu denken und präzise in natürlicher Sprache zu kommunizieren, wird genauso wichtig wie traditionelle Programmierkenntnisse.

Diese Verlagerung auf die Entwicklung von Agenturen wird uns dazu zwingen, unsere Fähigkeiten zu entwickeln:

• Stärkeres Systemdesign und architektonisches Denken
• Bessere Anforderungsspezifikation und -kommunikation
• Verstärkte Konzentration auf Qualitätssicherung und Validierung
• Verbesserung der Zusammenarbeit zwischen Menschen und KI-Funktionen

Die Rückkehr der Software als Technik?

Während es dank KI einfacher denn je ist, Software schnell zu entwickeln, laufen wir Gefahr, etwas Entscheidendes zu verlieren - die Kunst, wirklich ausgefeilte Erfahrungen in Verbraucherqualität zu schaffen.

Qualitätsfallen demonstrieren

Das entwickelt sich zu einem Muster: Die Teams nutzen KI, um schnell beeindruckende Demos zu erstellen. Der glückliche Weg läuft wunderbar. Investoren und soziale Netzwerke schwärmen davon. Aber was ist, wenn echte Nutzer anfangen zu klicken? Das ist der Moment, in dem die Dinge auseinander fallen.

Ich habe das mit eigenen Augen gesehen:

• Fehlermeldungen, die für den durchschnittlichen Benutzer nichts bedeuten
• Randfälle, die zum Absturz der Anwendung führen
• Unordentliche UI-Zustände, die nie bereinigt wurden
• Völlige Missachtung der Barrierefreiheit
• Leistungsprobleme auf langsameren Geräten

Das sind nicht nur P2-Fehler - sie machen den Unterschied zwischen Software, die von den Benutzern toleriert wird, und Software, die sie lieben.

Die verlorene Kunst der Verschönerung

Die Entwicklung echter Selbstbedienungssoftware, bei der die Benutzer keinen Support in Anspruch nehmen müssen, erfordert eine andere Denkweise:

• Besessen von Fehlinformationen
• Testen bei einer langsamen Verbindung
• Elegantes Handling für jeden Grenzfall
• Funktionalität auffindbar machen
• Tests mit echten, oft nicht-technischen Benutzern

Diese Liebe zum Detail kann (vielleicht) nicht durch KI erzeugt werden. Sie entspringt dem Einfühlungsvermögen, der Erfahrung und einem tiefen Interesse für das Handwerk.

Persönliche Software-Renaissance

Ich glaube, wir werden eine Renaissance der persönlichen Softwareentwicklung erleben. Während der Markt mit KI-generierten MVPs überschwemmt wird, werden die Produkte herausragen, die von Entwicklern erstellt werden, die

• Stolz auf ihre Handwerkskunst
• Aufmerksamkeit für kleine Details
• Konzentration auf das gesamte Nutzererlebnis
• Gebaut für Grenzfälle
• Schaffung eines echten Selbstbedienungserlebnisses

Ironischerweise könnten KI-Tools tatsächlich zu dieser Renaissance beitragen. Indem sie routinemäßige Programmieraufgaben übernehmen, ermöglichen sie es den Entwicklern, sich auf das Wesentliche zu konzentrieren - die Erstellung von Software, die den Nutzern tatsächlich dient und sie erfreut.

Unterstreichen

KI macht unsere Software nicht besser, denn die Qualität von Software war (vielleicht) noch nie in erster Linie durch die Geschwindigkeit der Programmierung begrenzt. Die schwierigen Teile der Softwareentwicklung - das Verstehen von Anforderungen, der Entwurf wartbarer Systeme, der Umgang mit Grenzfällen, die Gewährleistung von Sicherheit und Leistung - erfordern immer noch menschliches Urteilsvermögen.

KI ermöglicht es uns, schneller zu iterieren und zu experimentieren, was zu besseren Lösungen führen kann, wenn wir schneller forschen. Aber nur, wenn wir unsere technische Disziplin beibehalten und KI als Werkzeug einsetzen, nicht als Ersatz für gute Software-Praktiken. Denken Sie daran: Das Ziel ist nicht, mehr Code schneller zu schreiben. Vielmehr geht es darum, bessere Software zu entwickeln. Klug eingesetzt, kann uns KI dabei helfen, dies zu erreichen. Aber es liegt immer noch an uns, zu verstehen, was "besser" bedeutet und wie wir es erreichen können.

Welche Erfahrungen haben Sie mit KI-gestützter Entwicklung gemacht? Ich würde mich freuen, Ihre Geschichten und Erkenntnisse in den Kommentaren zu hören.