Google-Ingenieure erklären, wie man mit KI die Softwareentwicklung verbessert

Im Jahr 2024 hat das Schreiben von KI-Code alle Bereiche des Lebens durchdrungen und den gesamten Lebenszyklus von Software tiefgreifend beeinflusst. Die Frage ist also, KI-Code-Tools von Menschen verwendet sagen, gut, aber warum haben wir in der Regel verwenden die Software nicht das Gefühl, viel Fortschritt? Liegt es daran, dass wir KI auf die falsche Weise nutzen?

Kürzlich verriet uns Addy Osmani, Technikchef bei Google und Amazon-Bestsellerautor, wie KI-gestütztes Coding in der Entwicklungspraxis wirklich aussieht und welche Herausforderungen und Chancen KI-Tools in der realen Entwicklung bieten.

Wie nutzen Ingenieure KI?

Im Allgemeinen gibt es zwei verschiedene Modelle für Teams, die mit KI entwickeln: "Bootstrapper" und "Iteratoren". Beide Modelle helfen Ingenieuren (und sogar Nutzern mit schwachem technischen Hintergrund), den Weg von der Idee zum tatsächlichen Code zu verkürzen.

Bootstrapper

Zu dieser Kategorie gehören KI-Tools wie Bolt, v0 und screenshot-to-code, die sich durch folgende Merkmale auszeichnen:

• Beginnen Sie mit einer Entwurfszeichnung oder einem groben Konzept;
• Verwenden Sie AI, um eine vollständige ursprüngliche Codebasis zu erzeugen;
• Die Fähigkeit, innerhalb weniger Stunden oder Tage einen funktionierenden Prototyp zu erstellen;
• Konzentration auf die schnelle Validierung der Machbarkeit von Ideen

Dies ist ein beeindruckender Arbeitsablauf. Ein unabhängiger Entwickler kann zum Beispiel mit Bolt einen Figma-Entwurf in kürzester Zeit in eine funktionierende Webanwendung verwandeln. Nicht ganz auf Produktionsniveau, aber gut genug, um ein erstes Benutzerfeedback zu erhalten.

Iteratoren

Diese Kategorie ist in erster Linie für den täglichen Entwicklungsablauf verantwortlich, einschließlich Cursor, Cline, Copilot und WindSurf Solche Werkzeuge sind nicht so "auffällig" wie die oben genannten, aber dafür praktischer, zum Beispiel:

• Automatisierte Code-Vervollständigung, Bereitstellung von Code-Vorschlägen;
• Durchführung komplexer Code-Refactoring-Aufgaben;
• Generierung von Testcode und Dokumentation;
• "Partnerschaftsprogrammierung" als Lösung für Programmierprobleme

Beide Methoden können die Entwicklung zwar erheblich beschleunigen, aber wie man so schön sagt: "Es gibt nichts zum Nulltarif".

Die versteckten Kosten der "KI-Geschwindigkeit"

Wird von leitenden Ingenieuren verwendet Cursor vielleicht Kopilot KI-Tools wie dieses können innerhalb von Minuten das Grundgerüst für eine ganze Funktion erstellen, komplett mit den entsprechenden Tests und der Dokumentation - es ist wie Magie.

Bei näherer Betrachtung zeigt sich jedoch, dass leitende Ingenieure nicht nur KI-Empfehlungen heranziehen, sondern auch Folgendes tun:

• Refactoring von KI-generiertem Code in kleinere Module;
• Umgang mit verschiedenen Extremsituationen hinzufügen;
• Optimierung der Typdefinition und des Schnittstellendesigns;
• Hinzufügen eines umfassenden Mechanismus zur Fehlerbehandlung;
• Oder sogar die von der KI vorgegebenen architektonischen Lösungen in Frage stellen.

Mit anderen Worten, sie wenden jahrelanges Ingenieurwissen an, um die Leistung der KI zu formen und zu begrenzen, die für die Beschleunigung der Implementierung des Codes verantwortlich ist, aber menschliches Fachwissen stellt sicher, dass der Code wartbar ist - man kann das eine nicht ohne das andere haben.

Junge Ingenieure neigen jedoch dazu, diese kritischen Schritte zu übersehen. Sie neigen eher dazu, die KI-Ausgabe in ihrer Gesamtheit zu akzeptieren, was zu einem so genannten "Kartenhauscode" führt - etwas, das oberflächlich betrachtet vollständig aussieht, aber unter realem Stress leicht auseinanderfallen kann.

intellektuelles Paradoxon

Tatsächlich kann KI erfahrenen Entwicklern besser helfen als Anfängern - was nicht unbedingt intuitiv ist.

Erfahrene Ingenieure nutzen KI, um Ideen schnell zu prototypisieren (um Anforderungen zu verstehen), grundlegende Implementierungen zu erstellen (um spätere Verbesserungen zu erleichtern), alternative Lösungen für bekannte Probleme zu untersuchen und vieles mehr;

Stattdessen übernehmen Anfänger oft direkt falsche oder veraltete Lösungen, die von der KI vorgegeben werden, ignorieren kritische Sicherheits- und Leistungsprobleme, wissen nicht, wie man KI-generierten Code debuggt, und bauen schließlich ein anfälliges System, das sie nicht vollständig verstehen.

70% Frage

Nicht-Ingenieure, die KI-Code schreiben, geraten oft in ein frustrierendes Dilemma: Sie können 70% Arbeit überraschend schnell erledigen, aber die letzten 30% sind außerordentlich mühsam.

Das "70%-Problem" zeigt den aktuellen Stand der KI-gestützten Entwicklung, die zunächst wie ein Geschenk des Himmels erscheint, dann aber von der Realität unter die Nase gerieben wird.

Die Realität sieht meist anders aus:

• Ich versuche, einen kleinen Fehler zu beheben -->
• AI schlägt eine scheinbar vernünftige Änderung vor -->
• Diese Änderung beeinträchtigt den Rest des Codes -->
• Bitten Sie AI, auftretende Probleme zu beheben -->
• Es wurden zwei neue Bugs erstellt -->
• Endlosschleife

Dieser Kreislauf ist besonders schmerzhaft für Nicht-Ingenieure, denen das Fachwissen fehlt, um zu verstehen, was wirklich falsch gelaufen ist.

Erfahrene Entwickler, die auf Fehler stoßen, können aufgrund ihrer jahrelangen Erfahrung und Mustererkennung auf mögliche Ursachen und Lösungen schließen. Ohne dieses Hintergrundwissen arbeiten Sie im Grunde mit Code, den Sie nicht vollständig verstehen, und die Probleme sind endlos.

Lernparadoxon

Es gibt noch ein tieferes Problem: Wenn man Nicht-Ingenieuren Zugang zu KI-Code-Schreibwerkzeugen gibt, kann das ihren Lernprozess sogar behindern.

Der Code wird erzeugt und läuft, aber die "Entwickler" verstehen die zugrunde liegenden Prinzipien nicht. An diesem Punkt verpassen sie die Gelegenheit, grundlegende Programmiermuster zu erlernen, Debugging-Fähigkeiten zu entwickeln und über architektonische Entscheidungen nachzudenken, die in der Zukunft gepflegt und erweitert werden müssen.

Infolgedessen wenden sich die "Entwickler" ständig an die KI, um Probleme zu lösen, ohne das Fachwissen zu entwickeln, um sie selbst zu bewältigen.

Der beste Weg für Nicht-Ingenieure, KI-Code zu schreiben, ist wahrscheinlich der "gemischte Modus":

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

Aber das erfordert Geduld und Engagement - das Gegenteil von dem, was viele Menschen mit KI-Tools erreichen wollen: Sie wollen nur eine schnelle Lösung.

Das "70%-Problem" zeigt, dass die derzeitige KI nicht die "perfekte KI" ist, die viele Menschen erwarten. Letztendlich erfordert die Aufgabe von 30% (Software in einer Produktionsumgebung nutzbar und wartbar zu machen usw.) immer noch echtes Ingenieurwissen, das nicht vollständig durch KI ersetzt werden kann.

bestes Verfahren

Addy Osmani hat nach der Beobachtung von Dutzenden von Teams einige Best-Practice-Ansätze entwickelt:

• Modell "AI first draft"
  Lassen Sie die KI die Grundimplementierung des Codes generieren, überprüfen Sie ihn manuell und führen Sie ein modulares Refactoring durch, fügen Sie eine umfassende Fehlerbehandlung hinzu, schreiben Sie umfassende Testfälle und dokumentieren Sie wichtige Entscheidungen.
• "Modell "Kontinuierlicher Dialog
  Beginnen Sie für jede Aufgabe einen neuen KI-Dialog; halten Sie den Kontext fokussiert und prägnant; überprüfen und bestätigen Sie Änderungen häufig; und halten Sie eine enge Feedbackschleife ein.
• Modell "Vertrauen, aber überprüfen".
  Verwenden Sie KI, um den ersten Code zu generieren, überprüfen Sie alle kritischen Pfade manuell, automatisieren Sie Tests für verschiedene Grenzfälle und führen Sie regelmäßige Sicherheitsaudits durch.

Die wahre Zukunft der KI?

Trotz dieser Herausforderungen sind die Autoren optimistisch, was die Rolle der KI in der Softwareentwicklung angeht. Der Schlüssel liegt darin, die tatsächlichen Vorteile der KI voll auszuschöpfen:

• Beschleunigung bekannt
  Die KI hilft uns hervorragend dabei, Muster zu erkennen, die wir bereits kennen, wie ein Programmierpartner mit unendlicher Geduld und schneller Tippgeschwindigkeit.
• Erkunden Sie die Möglichkeiten
  KI eignet sich hervorragend für die schnelle Entwicklung von Prototypen und die Erprobung verschiedener Ansätze, wie ein Sandkasten, in dem wir Konzepte schnell testen können.
• Automatisierungsroutine
  KI reduziert den Zeitaufwand für Beispielcode und alltägliche Programmieraufgaben drastisch, so dass wir uns auf interessantere Probleme konzentrieren können.

Wenn Sie gerade erst anfangen, mit KI-gestützter Entwicklung zu experimentieren, raten die Autoren, klein anzufangen: Verwenden Sie KI für entkoppelte, klar definierte Aufgaben, prüfen Sie jede generierte Codezeile und bauen Sie dann nach und nach größere Funktionen auf.

Behalten Sie die Modularität im Entwicklungsprozess bei: Zerlegen Sie alles in kleine, gut fokussierte Dokumente, pflegen Sie klare Schnittstellen zwischen Komponenten und dokumentieren Sie Modulgrenzen.

Wichtig ist, dass Sie Ihrer eigenen Erfahrung vertrauen: KI wird eingesetzt, um die Entwicklung zu beschleunigen, aber sie kann Ihr Urteilsvermögen nicht ersetzen; haben Sie den Mut, zu hinterfragen, wenn sich etwas nicht richtig anfühlt, und halten Sie stets Ihre technischen Standards ein.

Agent Emergenz

Die Landschaft der KI-gestützten Entwicklung verändert sich auf dem Weg ins Jahr 2025 dramatisch. Während aktuelle Tools die Art und Weise, wie wir Prototypen erstellen und iterieren, verändert haben, stehen wir am Anfang eines noch wichtigeren Wandels: dem Aufstieg von KI-Agenten (Agenten) im Software-Engineering.KI-Agenten werden nicht nur in der Lage sein, auf Befehle zu reagieren, sondern auch Lösungen mit einem zunehmenden Maß an Autonomie zu planen und auszuführen.

Anthropisch, zum Beispiel. Claude direkten Zugang zu einem Computer haben, oder Cline Sie können den Browser starten und Tests automatisch ausführen lassen.

Während der Fehlersuche schlägt der KI-Agent nicht nur Fehlerbehebungen vor, sondern identifiziert auch proaktiv potenzielle Probleme, startet und führt Testsuiten aus, untersucht UI-Elemente und macht Screenshots, schlägt Korrekturen vor und implementiert sie und überprüft, ob die Lösungen funktionieren.

Die nächste Generation von Tools wird in der Lage sein, visuelles Verständnis (UI-Screenshots, Modelle, Diagramme), verbalen Sprachdialog und Umgebungsinteraktionen (Browser, Terminals, APIs) nahtlos zu integrieren.

Bei der KI der Zukunft geht es nicht darum, Entwickler zu ersetzen, sondern darum, ein immer leistungsfähigerer Kooperationspartner zu werden, der proaktiv Aufgaben übernehmen kann und dabei die menschliche Führung und Expertise respektiert.