Große Sprachmodelle (englisch: Large Language Models) haben in den letzten Jahren unter dem Stichwort Künstliche Intelligenz (KI; englisch: Artificial Intelligence, AI) völlig neue Möglichkeiten eröffnet. Entsprechend groß sind die Bemühungen aller Akteure, diese technologische Entwicklung zu adaptieren. Besonders betroffen ist die Softwareentwicklung, da Code ein textuelles Medium ist und generative KI besonders gut darin ist, Texte und damit Code zu generieren. Hinter dem Begriff „AI Coding“ steckt aber mehr als nur die Anwendung KI-basierter Technologien – zumindest wenn man das Thema ernst nimmt.
Was verändert sich durch künstliche Intelligenz in der Softwareentwicklung?
„Das Rad nicht neu zu erfinden“ ist ein grundlegendes Prinzip, das man besonders in der Softwareentwicklung häufig hört. Trotzdem befassen sich Entwickler jeden Tag mit Codezeilen, die es so oder extrem ähnlich in unzähligen anderen Projekten gibt. Große Sprachmodelle sind die Schlüsseltechnologie, um eine künstliche Intelligenz mit genau diesen repetitiven Mustern zu trainieren und diese dann bei Bedarf wiedergeben zu lassen. Computer erlangen also die Fähigkeit, „Boilerplate“-Code zu erzeugen und sogar an den aktuellen Kontext anzupassen. Früher musste man für jede automatisierte Anpassung im Code spezifische Instruktionen definieren, die dann auch nur für einen sehr strikten Kontext angewendet werden konnten. Für eine spezifische Eingabe hat ein spezifischer Algorithmus ein vorhersehbares Ergebnis produziert. Abweichungen führten zu Ausnahmefehlern. Mit großen Sprachmodellen hat man jetzt einen funktionalen Baustein, der für jede beliebige Eingabe ein Ergebnis liefert. Die neue Kunst ist es, die entsprechende Eingabe zu formulieren, um ein gewünschtes Ergebnis zu erzielen. Diese Eingabe versteht man im Kontext von künstlicher Intelligenz als Prompt.
„AI Coding“ definiert neue Disziplinen für Softwareentwickler: „Prompt Engineering“
Während der rasanten Entwicklung von großen Sprachmodellen in den letzten paar Jahren wurde der Begriff „Prompt Engineering“ sowohl als ein komplett neuer Berufszweig definiert als auch belächelt. Am Ende hat sich das Ganze so eingependelt, dass, wer effektiv mit künstlicher Intelligenz arbeiten möchte, egal aus welcher Richtung man kommt, sich mit der Erstellung effektiver Eingaben (Prompts) beschäftigen muss. Wer mit KI Software entwickeln will, wird sehen, dass sich die Tätigkeit vom Schreiben von Code hin zum Schreiben und Entwickeln von Prompts verschiebt. Auch wenn Werkzeuge wie AI-Coding-IDEs einen großen Teil der Prompterzeugung automatisieren, ist das Verständnis für die Funktionsweise des eingesetzten Prompts ein zentraler Faktor für die Qualität der Ausgabe. Nur wenn man die Wirkweise versteht, kann man KI für die eigenen Anforderungen und Prozesse effektiv adaptieren.
Unter dem Begriff „Prompt Engineering“ und somit auch „AI Coding“ verbergen sich die folgenden zusätzlichen Fähigkeiten:
- Prompt Management – Die Prompts sind die treibende Kraft bei der Arbeit mit LLMs. Von der Qualität des Prompts hängt das Ergebnis ab. Deshalb müssen Prompts wie eine Ressource behandelt und verwaltet werden. Individuelle Projekte erfordern individuelle Prompts, die erstellt, mit Kollegen geteilt und in Tools integriert werden müssen. Über Protokolle wie MCP Prompts können Prompts in Tools integriert werden.
- AI Scripting – Da die Problemstellungen nicht immer mit dem gleichen Prompt gelöst werden können, muss es Möglichkeiten geben, den Prompt flexibel und nachhaltig (nicht manuell) zu beeinflussen. Viele KI-Tools verwenden eine Template-Engine wie z. B. Jinja, um flexible Prompts definieren zu können. Auch das Zusammenbauen von Prompts durch Skriptsprachen ist eine mächtige Methode. Es gibt viele Frameworks und Libraries, die sich auf die Erstellung von KI-gestützten Programmen verstehen, bis hin zu spezialisierten Programmiersprachen (z. B. BAML).
- Context Engineering – KI-getriebene Prozesse finden nicht in einem isolierten Raum statt. Die Aufgabe des „AI Coders“ ist es, dafür zu sorgen, dass der Prompt mit aktuellen und relevanten Informationen aufgebaut wird. Technologien wie RAG, MCP, Scripting, Template-Engines usw. sind Möglichkeiten, Prompts abhängig von der Umgebung zu gestalten.
- Tool Integration – Vorhandene Werkzeuge und Prozesse werden durch KI nicht obsolet, sondern ergänzen sich. Eine Aufgabe von „AI Coding“ ist es, entsprechende Integrationen zu implementieren. Das kann über APIs, Plugins (z. B. für IDEs) oder Prozesse passieren. Protokolle wie MCP, ACP, A2A bieten einheitliche Rezepte für die Integration an. Workflow-Engines wie Dify, n8n oder sim bringen eine große Anzahl an Konnektoren mit.
„AI Coding“ – Werkzeugkasten
Für die Umsetzung der Theorie in die Praxis hat die Softwareentwicklung logischerweise Softwarelösungen geschaffen, die unsere bekannten Werkzeuge wie IDEs, Editoren, Pipelines usw. mit den neuen Technologien LLMs, Prompts usw. integrieren und automatisieren. Auch hier gibt es verschiedene Lösungen und Herangehensweisen, die man als „AI Coder“ verstehen und in den eigenen Prozess integrieren können sollte. Dabei kann man die Lösungen z. B. nach der Größe der Feedbackschleife (von schnell und klein zu groß und langsam) und der Nähe zum Code (der in der Regel über einen Editor repräsentiert wird) einordnen. Das Spektrum reicht dabei von Vorschlägen im Editor für die nächste Zeile Code bis hin zu Coding-Agenten, die irgendwo in der Cloud laufen und den Code nach dem Prinzip des Vibe Codings komplett vom Nutzer verbergen.
- Im Editor
- Inline code completion
- Next Edit code completion
- Inline edit
- Inline code generation
- In der IDE
- Fix with AI
- Ask about code
- Chat with code
- Code review
- In der gleichen Umgebung
- Agent in terminal
- Agent Chat
- Auf einem Server
- Agent on server
- Workflow engine
- Agent in pipeline
- Unabhängig vom Code
- Vibe coding service
Je weiter unten in der Liste wir uns befinden, desto weiter weg sind wir vom Code. Vibe Coding, komplett ohne den Code zu sehen, ist dabei ein Extrem am Ende der Skala, das für den erfahrenen Softwareentwickler wenig Sinn ergibt, da desen größte Stärke der Einsatz von Code als mächtiges Werkzeug ist. Entsprechend kann Code auch für die künstliche Intelligenz ein potentes Werkzeug sein wie z.B. die aktuelle Entwicklung zum Thema MCP und „Tool Calls“ zeigt.
Nichts dem Zufall überlassen
Die spannende Frage ist, wie viel wir unserem künstlichen Kollegen überlassen wollen. Das Arbeiten mit KI gleicht öfter mal dem Bedienen eines Glücksspielautomaten mit völlig unerwarteten Ergebnissen und Überraschungen. An dieser Stelle unterscheidet sich der professionelle „AI Coder“ von Nutzern von KI. Nur weil eine Aufgabe von einer KI übernommen werden kann, muss diese nicht automatisch von der KI übernommen werden.
Hier ein Beispiel:
Use the provided API to get the issue informations Implement the issue
In dieser Variante überlassen wir es der KI, die Informationen abzurufen. Das erfordert zusätzliche Informationen im Kontext, ist schwieriger nachvollziehbar und hat das Potenzial zu scheitern.
{{ curl http://issue-tracker.com/issues/1234 }}
Implement the issue
In dieser Variante behalten wir die volle Kontrolle über den Abruf und die darin enthaltenen Informationen. Wir erhalten einen klar auf das Hauptproblem fokussierten Prompt, sparen uns, dem LLM zusätzliche Werkzeuge zu geben, und können das Ergebnis effektiv reproduzieren.
Fazit: KI als Verstärker, nicht als Ersatz
KI macht Softwareentwickler nicht überflüssig – sie entfaltet ihr Potenzial nur in Zusammenarbeit mit einem AI Coder.
Wer AI Coding ernst nimmt,
- leitet KI an (statt sich leiten zu lassen),
- behält die Kontrolle (statt Ergebnisse dem Zufall zu überlassen),
- nutzt KI als Werkzeug (statt als Black Box).
→ Die Zukunft der Softwareentwicklung gehört denen, die beides beherrschen: Code und KI.
