Zwischen Strategie und Code: GenAI in der Entwicklung

Wo steht slashwhy aktuell beim Thema GenAI in der Software-Entwicklung?

Joachim: Als Software-Dienstleister tragen wir Verantwortung für die Daten unserer Kunden und ebenso für die Qualität unserer Arbeit. Deshalb war für uns von Anfang an klar: Wir dürfen in Kundenprojekten nicht einfach mit GenAI experimentieren, sondern müssen verstehen, ob und wie sich KI in der Software-Entwicklung sinnvoll nutzen lässt und welche Auswirkungen das mit sich bringt. Wir haben also zunächst Know-how aufgebaut – sowohl technologisch als auch rechtlich. Wir haben intern eigene Lern- und Entwicklungsprojekte aufgesetzt, um Erfahrungen zu sammeln, und gleichzeitig haben wir Leitplanken geschaffen. Dazu gehört zum Beispiel eine interne KI-Richtlinie, die den Umgang mit GenAI bei slashwhy klar regelt. Parallel haben wir mit einzelnen Kunden erste Pilotprojekte identifiziert, in denen wir GenAI in einem gemeinsam abgestimmten Rahmen gezielt erproben.

Tobias: Genau. Wir kümmern uns um Wissensaufbau und Wissensverteilung rund um das Thema generative KI bei slashwhy. Dazu haben wir zum Beispiel eine umfassende Knowledge Base in unserem internen Confluence aufgebaut, führen regelmäßig Lightning Talks unter dem Titel „Promptly Speaking“ durch, in denen wir Basis-Kompetenzen im Umgang mit LLMs vermitteln, und veranstalten das KI-Café – ein interaktives Format, in dem wir Erfahrungen teilen, neue Use Cases besprechen und Multiplikator:innen aus verschiedenen Teams einbinden. Denn klar ist: Jede Domäne geht anders mit GenAI um. Darüber hinaus entwickeln wir gerade eine interne Chat-Lösung auf Basis unserer eigenen Knowledge Base – als Teil unserer GenAI-Plattform.

In welchen Bereichen kann GenAI in der Software-Entwicklung konkret unterstützen?

Tobias: Das geht weit über das reine Programmieren hinaus. GenAI kann Developer, UXler, Scrum Master – eigentlich alle Rollen in unseren crossfunktionalen Teams – unterstützen. Ein Tool, das wir als Entwickler:innen konkret nutzen, ist GitHub Copilot. Es ist direkt in die Entwicklungsumgebung integriert und spricht im Hintergrund mit einem spezialisierten Sprachmodell. Das hilft beim Dokumentieren, beim Initialisieren von Tests oder durch Autovervollständigung von Code. Ich persönlich finde vor allem die Unterstützung bei der Dokumentation super hilfreich – und auch das Anlegen von Tests funktioniert damit schon ziemlich gut. Aber wenn es ums eigentliche Coden geht, hängt die Qualität stark vom Kontext ab und auch davon, wie gut eine Programmiersprache im jeweiligen Sprachmodell vertreten ist. Da sehen wir aktuell noch deutliche Unterschiede – nicht alles ist schon auf einem Qualitätslevel, das wir in Kundenprojekten akzeptieren würden. Aber genau deshalb setzen wir uns so intensiv mit dem Thema auseinander: Damit wir GenAI dort einsetzen, wo es sinnvoll ist und echten Mehrwert bringt, und nicht einfach nur, weil „KI“ draufsteht.

Was habt ihr bislang aus dem Projekt gelernt?

Joachim: Ein zentrales Learning ist: Der Umgang mit GenAI muss aktiv begleitet werden. Es reicht nicht, einfach ein Tool zur Verfügung zu stellen. Wir sehen zum Beispiel, dass viele Developer GitHub Copilot nur sehr selektiv einsetzen – und das ist gut so. Die Akzeptanzrate von Vorschlägen liegt aktuell unter 20 %. Das zeigt uns: Die Kolleg:innen hinterfragen, adaptieren, passen an. Genau diesen professionellen, reflektierten Umgang wollen wir fördern. Das Projekt läuft inzwischen seit mehreren Monaten – und wir gehen davon aus, dass es nie vollständig abgeschlossen sein wird. Denn GenAI wird sich weiterentwickeln, und wir müssen kontinuierlich mitlernen. 

Tobias: Aus den bisherigen Erkenntnissen haben wir schon erste konkrete Maßnahmen abgeleitet. Zum Beispiel haben wir ein Onboarding-Format eingeführt, das den Einstieg erleichtert und typische Anwendungsszenarien zeigt. Und je mehr Kolleg:innen GitHub Copilot nutzen, desto wichtiger wird auch der Erfahrungs­austausch. Deshalb planen wir offene Advanced-Workshops, in denen Teams gemeinsam reflektieren: Wie genau nutzen wir GenAI? Was funktioniert gut? Wo hakt es noch? 

Joachim: GenAI kann bestimmte Aufgaben abnehmen, aber noch ersetzt es keine:n Entwickler:in. Es trifft keine Architekturentscheidungen, führt keine Nutzerinterviews und versteht auch nicht, was der Kunde wirklich will. Was es aber gut kann: einfache, repetitive Aufgaben automatisieren – und genau da liegt aktuell der Mehrwert. So gewinnen wir Zeit für das Wesentliche: kreative, komplexe, menschliche Arbeit. Interessant sind auch Ergebnisse aus Coding Competitions, in denen ein Teil der Teilnehmenden mit GenAI arbeiten durfte und ein anderer nicht. Teilweise waren die Ergebnisse der KI-Nutzer:innen sogar schlechter, weil sie sich mehr mit dem Tool als mit der eigentlichen Aufgabe beschäftigt haben. Das zeigt: Wir müssen erst lernen, wie wir GenAI sinnvoll einsetzen. Es geht darum, bewusst zu entscheiden, wann es hilft – und wann eben nicht.

Ist GenAI ein Innovationsmotor in der Software-Entwicklung?

Joachim: Das ist differenziert zu betrachten. Dass durch GenAI automatisch innovativere Software entsteht, sehe ich nicht. Sicherlich vereinfacht GenAI den Zugang zur Software-Entwicklung, beispielsweise durch Vibe Coding. So wird Software schneller erlebbar, was neue Impulse und weitere Auseinandersetzung mit den Möglichkeiten von Software befeuert. Diese Form von Feedback versuchen wir auch in unseren Kundenprojekten immer zu erzeugen, weil es tatsächlich Innovation fördert. GenAI wird aber auch ein Innovationsmotor für Software-Entwicklung sein, weil die Modelle sehr einfach eine weitgehend neuer Art der Interaktion mit Software und Maschinen ermöglicht – per Spracheingabe. Dafür sind diese Modelle trainiert, und daraus können neue Produkte oder Features entstehen. GenAI hat jedoch kein echtes Kontext- oder Domänenverständnis. Sie kann keine Zusammenhänge erkennen oder Abhängigkeiten in komplexen Systemen durchdringen. Hinzu kommt: Wenn KI irgendwann nur noch von KI lernt, droht ein „automatisiertes Mittelmaß“. Deshalb bleibt das Entscheidende: Denken, Verstehen, Kombinieren – das kann uns keine KI abnehmen.

Tobias: Ein wirklich reeller Vorteil ist, dass wir mithilfe von GenAI deutlich schneller und mit wenig Aufwand Prototypen bauen können. Unsere Kunden können mit konkreteren Vorstellungen auf uns zukommen, wir können Anforderungen schnell visualisieren, neue Ideen früh testen und mit Nutzer:innen validieren, bevor viel Zeit in technische Details fließt. Das macht Diskussionen konkreter und wir bekommen schneller ein Gefühl dafür, ob wir auf dem richtigen Weg sind. So lassen sich Innovationszyklen verkürzen und die Time-to-Market neuer Produkte beschleunigen. Aber genau hier liegt auch eine Gefahr, und zwar wenn der Eindruck entsteht, dass mit dem Prototyp das Produkt schon fast fertig ist – schließlich sieht man ja schon etwas Funktionierendes. Dabei wird oft unterschätzt, wie viel Aufwand es dennoch bedeutet, aus einem schnellen Prototyp ein qualitativ hochwertiges, skalierbares und sicheres Produkt zu machen. GenAI kann den Start erheblich beschleunigen, aber der Weg zur Marktreife erfordert trotzdem weiterhin dieselbe Sorgfalt und Kompetenz.

Wie verändert sich denn das Berufsbild von Entwickler:innen durch GenAI? Welche Kompetenzen brauchen Entwickler:innen künftig?

Tobias: Kritisches Denken wird noch wichtiger. Nur weil etwas von der KI kommt, heißt das nicht, dass es richtig ist – es klingt nur oft so. Wer heute schon versteht, wie man sich Wissen erschließt und Software wirklich durchdringt, kann GenAI als wertvolles Werkzeug nutzen. Wer aber den eigenen Kopf nicht anstrengt und nur mit Copy & Paste arbeitet, lernt nichts. Wer aber nur Ergebnisse übernimmt, ohne sie zu hinterfragen, wird schnell an Grenzen stoßen. Wir sehen das gerade bei Junior-Entwickler:innen: Wenn man sich zu stark auf die Qualität der KI verlässt, fehlt oft das tiefere Verständnis. Das merkt man spätestens dann, wenn Senior-Entwickler:innen im Code Review grundlegende Probleme aufdecken müssen – und sich dabei nicht selten wie ein menschlicher Compiler fühlen. Das ist frustrierend. Für ein gutes Miteinander im Team brauchen wir aber ein echtes gemeinsames Verständnis für Problem und Lösung – und keine Blackbox-Antworten.

Joachim: Im Grunde brauchen wir schneller mehr erfahrene Entwickler:innen – weil GenAI die einfachen Aufgaben übernimmt und der Fokus stärker auf komplexen Themen liegt: Architektur, Skalierung, Sicherheit. Das sind Bereiche, die typischerweise mehr Erfahrung und tiefes Verständnis erfordern. Dadurch verändert sich auch das Berufsbild. Gleichzeitig birgt GenAI das Risiko eines De-Skilling: Wenn junge Entwickler:innen sich früh zu sehr auf die KI verlassen, fehlen ihnen später wichtige Kompetenzen. Die Frage, wie Entwickler:innen im Zeitalter von GenAI die relevanten Skills erlernen, beschäftigt derzeit die gesamte Community. Wir müssen also Wege finden, wie Lernprozesse und Erfahrungsaufbau auch mit KI-Einsatz weiterhin gut funktionieren – auch und gerade im Team. Spannend wird sein, wie die nächste Generation – die GenAI Natives – mit den Tools umgehen wird. Ihr Verhältnis zu GenAI wird ein ganz anderes sein: selbstverständlicher, aber hoffentlich auch reflektierter.

Wie ist euer Fazit zu GenAI in der Software-Entwicklung aus heutiger Sicht?

Tobias: Beim Programmieren ist generative KI für mich vor allem ein Assistent. Ich nutze GenAI regelmäßig – etwa für Tests, Dokumentation oder einfache Snippets. Aber gerade bei größeren Projekten oder komplexer Logik stößt GenAI schnell an Grenzen: Sie kann bestimmte Aufgaben abnehmen, aber sie ersetzt keine:n Entwickler:in. Sie trifft keine Architekturentscheidungen, führt keine Nutzerinterviews und versteht auch nicht, was der Kunde wirklich will. Was sie aber gut kann: einfache, repetitive Aufgaben automatisieren – und genau da liegt aktuell der Mehrwert. Dadurch bleibt mir als Entwickler mehr Raum für kreative, komplexe, menschliche Arbeit.

Joachim: Die Software-Branche steht derzeit an einem Wendepunkt. Generative KI wird die Software-Entwicklung entscheidend verändern. Dafür braucht es aber ein kritisches Bewusstsein: Wofür ist GenAI tatsächlich hilfreich und wofür nicht? Wer das sauber für sich klärt, kann das Potenzial gut nutzen, ohne sich von der Technologie ablenken zu lassen. Wichtig ist, die Tools nicht planlos einzuführen, sondern ein echtes Verständnis dafür aufzubauen. Wir bei slashwhy haben uns entschieden, das datengestützt, reflektiert, transparent zu tun. Unsere Erkenntnisse teilen wir gerne mit anderen Unternehmen und mit der Community.