KI-gestützte Entwicklung: Wo sie hilft, wo nicht
Ein ehrlicher Blick auf den Einsatz von LLMs zur Code-Generierung in echten Projekten — was funktioniert, was scheitert und wie man das Beste herausholt.
Nach Monaten täglicher Nutzung von KI-Assistenten in Produktions-Codebases habe ich eine differenzierte Sicht entwickelt, die irgendwo zwischen „es wird uns alle ersetzen” und „es ist nur Autocomplete” liegt.
Wo KI wirklich Zeit spart
Boilerplate und repetitive Muster. Den 15. API-Endpoint schreiben, der dem gleichen Schema folgt? KI trifft das perfekt. Sie versteht das Muster aus dem Kontext und generiert korrekten, konsistenten Code in Sekunden.
Test-Generierung. Gib ihr eine Funktion und frag nach Randfällen — sie findet oft Szenarien, an die ich nicht sofort gedacht hätte. Nicht immer korrekt, aber ein solider Ausgangspunkt.
Dokumentation und Kommentare. Erklären, was komplexer Code tut, JSDoc generieren, README-Abschnitte schreiben. Hier ist die Zeitersparnis dramatisch.
Übersetzungen und i18n. Den gleichen Text in drei Sprachen brauchen? KI macht das überraschend gut für technische Inhalte.
Wo sie an Grenzen stößt
Architekturentscheidungen. KI generiert fröhlich Code, der funktioniert, aber architektonisch falsch für deinen Kontext ist. Sie versteht nicht die Constraints deines Systems, die Konventionen deines Teams oder deine Skalierungsanforderungen.
Debugging komplexer Probleme. Wenn der Bug mehrere Services umfasst und Timing, State oder Infrastruktur betrifft — da tut sich KI schwer. Sie kann gängige Fixes vorschlagen, aber nicht über dein spezifisches verteiltes System nachdenken.
Sicherheitskritischer Code. Authentifizierungsflows, Verschlüsselung, Zugriffskontrolle. KI-generierter Code in diesen Bereichen braucht extrem sorgfältiges Review. Er tendiert dazu, korrekt auszusehen, aber subtile Schwachstellen zu übersehen.
Mein Workflow
Ich habe mich auf ein Muster eingependelt: KI entwirft, ich architekturiere. Ich treffe die strukturellen Entscheidungen, definiere die Interfaces und lasse KI die Implementierung ausfüllen. Dann reviewe ich jede Zeile, als hätte ein Junior-Entwickler sie geschrieben — denn das ist ungefähr das Qualitätsniveau.
Die zentrale Erkenntnis: KI ist ein Multiplikator, kein Ersatz. Ein 10x-Tool für jemanden, der weiß, was er baut, und eine Falle für jemanden, der es nicht weiß.
Tools die ich nutze
- Claude Code für komplexe Refactorings und Änderungen über mehrere Dateien
- GitHub Copilot für Inline-Vervollständigungen beim Tippen
- ChatGPT für Recherche und Rubber-Ducking bei Architekturentscheidungen
Die besten Ergebnisse kommen durch Spezifität. Vage Prompts produzieren vagen Code. Je mehr Kontext du gibst — dein Tech-Stack, Constraints, bestehende Muster — desto besser das Ergebnis.