AI-Einfluss auf die Softwareentwicklung (aus meiner Sicht)

Als ich KI (genauer: Cursor) zum ersten Mal fürs Coden nutzte, war ich schwer beeindruckt, von der Hochwertigkeit der generierten Code. Inzwischen, verstehe ich, warum es eines der am weitesten verbreiteten Tools für Softwareentwickler ist. Allerdings wurde mir mit regelmäßiger Nutzung klar, dass das Tool noch lange nicht perfekt ist. Die Effektivität hängt stark davon ab, wie du es einsetzt und in welchem Kontext. In diesem Blogpost möchte ich teilen, wie ich KI-Coding-Tools im Alltag nutze und wo sie aus meiner Sicht wirklich hilfreich sind.

Cursor für die Code-Navigation

Die Code-Navigation ist die für mich nützlichste Funktion. In jeder reifen Organisation gibt es irgendeine Form eines monolithischen Codebases, und sich darin zurechtzufinden ist nicht leicht – besonders, wenn du neu im Team bist. Wenn du weißt, wonach du suchst, kann KI sehr genaue Erklärungen liefern und dich zu den richtigen Dateien, Funktionen, Mustern usw. führen. Als ich im Juni 2025 bei ilert anfing, fand ich die Code-Navigation von Cursor und die Erklärung der Flows sehr hilfreich. Dadurch konnte ich mir Kontext rund um den Monolithen einfach erklären. Ohne das Tool hätte ich deutlich mehr Aufwand betreiben und stärker auf Teamkollegen zurückgreifen müssen, um offene Fragen zu klären.

Boilerplate-Code und Unit-Tests

Bei der Code-Generierung ist KI sehr effektiv beim Erstellen von Boilerplate-Code und beim Schreiben von Unit-Tests. Cursor baut Kontext für das gesamte Projekt auf und versteht bestehende Coding-Patterns und -Stile. Wenn du also etwas Triviales brauchst – neue DB-Tabellen und Entities anlegen, Testdaten generieren, Test-Setup aufsetzen oder Mocks entwickeln –, kann KI das leicht übernehmen, indem sie den bestehenden Code nachbildet. Ähnlich kann eine gute Menge an Unit-Tests generiert werden.

‍

Auch bei komplexeren Tests kann Cursor helfen. Jedoch zeigt mir meine bisherige Erfahrung, dass die Ergebnisse nicht immer exakt sind. Da das Erstellen von Boilerplate-Code durch KI abgedeckt ist, sind Implementierung und Testschreiben deutlich schneller geworden. Ein wichtiger Hinweis: Du solltest den erzeugten Code prüfen – insbesondere in geschäftskritischen Bereichen – und seine Korrektheit verifizieren. Bei Code-Generierung für hochsichere oder kritische Anwendungen bin ich zusätzlich vorsichtig.

Beschleunigtes Lernen neuer Technologien

‍

Ein weiterer Bereich, in dem ich KI hilfreich finde, ist der Umgang mit neuer Technologie. KI verkürzt die Zeit, die du brauchst, um neue Technologien zu meistern.

‍

ServiceNow-App

‍

Ich arbeitete an einer Marketplace-App für ServiceNow, mit dem ich zuvor nie gearbeitet hatte. Sich in ServiceNow einzuarbeiten, kann zeitaufwändig sein. Zu Beginn kannte ich nur die Aufgabe selbst, aber keine technischen Details über ServiceNow, seine Apps oder den Marketplace. Mit KI gibst du einfach an, welche Art von App du brauchst, und dass du neu in der ServiceNow-App-Entwicklung bist. Anschließend liefert dir die KI Schritte, um mit ServiceNow zu starten. Sie skizziert verschiedene Wege, eine App zu entwickeln, erläutert, welche Art von Code du schreiben musst, und erklärt auch, wie du eine App rein über Konfiguration erstellen kannst. Ohne KI-Tools hätte ich diese Konzepte letztlich auch gelernt – nach umfangreichen Google-Recherchen und dem Lesen vieler Quellen –, aber mit KI war es schneller, einfacher, prägnanter und effizienter. ChatGPT und ServiceNows internes Coding-Assistenz-Tool (ähnlich wie Cursor) halfen mir, die Plattform deutlich schneller zu verstehen, und ich konnte den POC vor der Deadline erstellen.

‍

Rust lernen

‍

Ähnlich musste ich für die Arbeit die Programmiersprache Rust lernen. Ich stellte fest, dass ChatGPT und Cursor die Einstiegshürden senken. Für alle, die Rust nicht kennen: Für Einsteiger ist die Sprache ziemlich anspruchsvoll – besonders, wenn du als Java-Programmierer einsteigst. Rusts einzigartiges Speichermanagement und das Borrowing-Konzept können einschüchternd sein.

‍

Grundsätzlich musst du zum Lernen einer Sprache Syntax, Keywords, Flows, Datentypen usw. verstehen. Die Basics von Syntax und Datentypen ließen sich leicht aus Java übertragen. Sobald du die Grundlagen verstanden hast, willst du mit Übungen loslegen, Fehler identifizieren, verstehen, warum sie auftreten, und sie beheben.

‍

Hier waren ChatGPT und Cursor besonders hilfreich:

‍

• Fehler entschlüsseln: Statt auf Stack Overflow zu suchen, bekam ich schnell detaillierte Erklärungen, warum der Fehler auftrat.
• Proaktives Lernen: Die KI listete neben meinen eigenen Fragen häufige Stolpersteine auf, die andere Entwickler hatten. Sie verstand, dass ich neu in Rust war, und ich fand es sehr nützlich, wichtige Fallstricke zu kennen, bevor ich auf sie stoße.
• Effiziente Suche: Das Internet ist ein Meer an Informationen. Du findest die Antwort irgendwann nach intensiver Suche und vielen Webseiten – aber KI liefert die passende Antwort für deinen spezifischen Fehler.

‍

KI hilft dir nicht nur beim Coden, sie hilft dir auch, dich weiterzuentwickeln. Sie senkt die Einstiegshürden für komplexe Technologien und ermöglicht es Entwicklern, in einer sich schnell wandelnden Branche Polyglotten zu bleiben.

Learnings

1. Gib genug Kontext für genauere Ergebnisse

‍

Kontext für deine Anforderungen zu liefern, ist entscheidend. Anders als Menschen stellt KI keine Rückfragen. Wenn die Anfrage vage ist, greift KI auf allgemeine, öffentliche Daten zurück und produziert Ergebnisse, die wenig akkurat sind. Wenn du hingegen besseren Kontext lieferst – z. B. Edge Cases, bevorzugte Libraries, klarere Business-Anforderungen –, produziert KI bessere Ergebnisse. Es kommt also darauf an, wie du fragst, wie präzise du deine Fragen formulierst und wie viele Informationen du zu deinem Problem bereitstellst.

‍

Beispiel 1. File-Processing-Standards

‍
In meinem vorherigen Unternehmen implementierten wir einen File-Processing-Workflow. Die Anforderung war, die Datei zu lesen, zu verarbeiten und ins S3-Archiv zu verschieben. Die KI erzeugte Code, der Dateien mit Javas modernem NIO-Path-API las, während unser Standard FileReader vorschrieb. Das ist ein subtiles, aber wichtiges Beispiel dafür, wie Ergebnisse nicht mit Organisationsstandards konsistent sein können.

‍

Beispiel 2. Unit-Tests: Fehlender Business-Kontext

‍
Ähnlich bei Unit-Tests: Wenn du Anweisungen gibst wie „Schreibe einen Unit-Test für die Methode“, erzeugt KI grundlegende Tests, die einfache Entscheidungszweige und Happy Paths abdecken. Ohne explizit formulierte Erwartungen – Business-Regeln, Edge Cases, Fehlszenarien usw. – werden kritische Randfälle oft nicht berücksichtigt. KI kann nicht erkennen, welche Fälle wirklich zählen. Das Ergebnis: Tests wirken vollständig, bieten in realen Projekten aber nur begrenztes Vertrauen.

‍

Kontext zu liefern ist essenziell, um genaue Ergebnisse zu bekommen. Selbst wenn du es nicht sofort tust, wirst du es am Ende nachholen, weil du mit den Ergebnissen unzufrieden bist. Zeit in präzise, gut definierte Informationen zu investieren, ist kein Extraufwand – es ist schlicht die bessere Praxis. Klarer Kontext ermöglicht der KI, Code zu generieren, der nutzbarer und produktionsreifer ist.

‍

2. KI kann halluzinieren – Verifikation ist wichtig

‍

Mit Halluzinationen meinen wir Fälle, in denen KI Code oder Erklärungen erzeugt, die plausibel wirken, aber falsch sind. Das ist mir beim Bauen einer ServiceNow-Anwendung mehrfach begegnet. Das zeigt: Du kannst dich nicht blind auf die Antworten verlassen – Verifikation und Tests sind essentiell.

‍

Beispiel 1: Sealed Objects und ServiceNow-Einschränkungen

‍
In einem Szenario musste die Anwendung einen externen REST-Call machen. ServiceNow stellt dafür das Objekt sn_ws bereit. Der von der KI generierte Code nutzte das Objekt theoretisch korrekt und entsprach gängigen REST-Aufrufmustern.

In der Laufzeit schlug die Implementierung jedoch mit dem Fehler „Cannot change the property of a sealed object“ fehl. Trotz mehrerer Iterationen konnte die KI die Ursache nicht diagnostizieren. Weitere Untersuchung zeigte: Bestimmte ServiceNow-Objekte sind „sealed“ und auf spezifische Ausführungskontexte beschränkt. Diese Objekte können nicht instanziiert oder modifiziert werden – sie müssen innerhalb von Plattformkomponenten genutzt werden. Das ist eine plattformspezifische Einschränkung, die aus generischen Beispielen nicht offensichtlich ist und von der KI nicht gehandhabt wurde.

‍

Beispiel 2: Zyklische Vorschläge

‍
In einem anderen Fall funktionierte die von der KI vorgeschlagene Lösung nicht. Weitere Prompts lieferten Alternativen, die das Problem ebenfalls nicht lösten. Nach mehreren Iterationen begann die KI, bereits genannte Ansätze zu wiederholen – wie in einer Schleife. An diesem Punkt musste ich zur offiziellen API-Dokumentation und einer tieferen Analyse der Plattformkomponenten zurückkehren, um das Problem zu lösen.

‍

KI kann ungültige Ergebnisse erzeugen oder Libraries mit Schwachstellen vorschlagen. Daher ist es entscheidend, Ergebnisse zu validieren – besonders bei sicherheitsrelevantem oder geschäftskritischem Code.

‍

3. KI ist oft sehr ausschweifend – fordere Prägnanz ein

‍

KI-Systeme liefern standardmäßig sehr ausführliche Antworten. Das kann fürs Lernen hilfreich sein, ist aber nicht immer ideal für den Arbeitsalltag in der Softwareentwicklung. In der Praxis arbeiten wir oft unter Zeitdruck, wo Geschwindigkeit wichtiger ist als Detailtiefe. Als Coding-Assistent ist knapper Output meist effektiver. Lange Erklärungen, übermäßige Kommentare oder mehrere Alternativen können dich ausbremsen. Wenn du explizit um eine knappe Antwort bittest, produziert die KI Ergebnisse, die sich schneller bewerten und leichter nutzen lassen.

‍

Das ist besonders wichtig bei Routinetätigkeiten wie kleinen Utility-Methoden, Refactoring, dem Generieren von Unit-Tests und der Erkundung bestehender Projekte. In diesen Fällen brauchst du meist umsetzbaren Code, nicht ein Tutorial. Ein Prompt wie „Gib eine prägnante Lösung mit minimaler Erklärung“ kann die Ergebnisse deutlich verbessern und Zeit sparen.

‍

Ausführlichkeit ist nicht per se schlecht, aber nicht immer effektiv. Indem du prägnanten Output einforderst, leitest du die KI an, genau das zu liefern, was du schneller brauchst.

Fazit

KI hat meine Arbeit als Software Engineer spürbar verändert. Sie hilft mir bei der Code-Navigation, beim Lernen neuer Technologien, beim Schreiben von Dokumentation und steigert meine Produktivität. Perfekt ist sie nicht, aber ich bin überzeugt, dass sie sich stark verbessern wird. Für mich ist sie ein hilfreicher Assistent – ein weiteres Werkzeug in deinem Repertoire.