Zum Inhalt springen

Zur Blogübersicht

Zwischen Produktivitätsboost und KI-Slop

Softwareentwicklung

Wer in den letzten Monaten mit LLMs oder Agentic AI entwickelt hat, kennt das Gefühl: Ein Feature, das früher einen halben Tag gekostet hätte, steht nach zwanzig Minuten. Der Prototyp läuft am selben Nachmittag. Die Geschwindigkeitssteigerung ist beeindruckend. Dadurch ist die Versuchung groß, dieses Tempo einfach hochzurechnen und als neue Normalität zu akzeptieren.

Der schnellste Weg ist nicht immer der kürzeste

Es steht außer Frage, dass KI-gestützte Werkzeuge die Softwareentwicklung beschleunigen können. Boilerplate-Code, Debugging, Testgenerierung, Dokumentation, Refactoring-Vorschläge: die Liste der sinnvollen Einsatzgebiete ist lang und wächst weiter. Wer diese Möglichkeiten ignoriert, verschenkt Potenzial. Aber wer sie unreflektiert einsetzt, riskiert Probleme, die erst mit Verzögerung sichtbar werden.

Dieser Blogpost richtet sich nicht an Teams, die ein Wegwerfprodukt oder einen Prototypen entwickeln, der in sechs Monaten wieder vom Tisch ist. Wer sicher weiß, dass der eigene Code in zwei bis drei Jahren keine Rolle mehr spielt, kann hier aufhören zu lesen. Für alle anderen stellen sich Fragen, die im Hype oft untergehen: Wie wird die Codebasis mit der gewählten KI-Strategie langfristig aussehen? Wird sie noch wartbar und daher ihr langfristiger Betrieb bezahlbar sein? Kann man sie erweitern, ohne alles neu zu schreiben? Versteht noch jemand im Team, was das System tut und warum?

Unterschätzte Risiken

Die „Velocity Trap“

Es klingt erst einmal gut: mehr Output in weniger Zeit. Wenn ein Team seinen Fortschritt vor allem an der Geschwindigkeit misst (erledigte Tickets pro Sprint, ausgelieferte Features pro Monat), dann sehen die Zahlen mit KI-Unterstützung besonders beeindruckend aus. Die Falle besteht darin, nur auf diese Metriken zu schauen und dabei die Qualität des Ergebnisses aus dem Blick zu verlieren.

Denn wenn die Fähigkeit eines Teams, generierten Code zuverlässig zu überprüfen, nicht im gleichen Tempo mitwächst wie die Geschwindigkeit der Code-Generierung, entsteht eine wachsende Lücke. Dazu kommt ein Effekt, der auch als Ironie der Automatisierung bekannt ist: Je zuverlässiger die Automatisierung funktioniert, desto seltener üben Menschen die Fähigkeiten aus, die sie brauchen, wenn etwas schiefgeht. Solange alles läuft, fällt das nicht auf. Aber wenn früher oder später ein komplexes Problem auftritt, dann fehlt die Routine, um es schnell und sicher zu lösen. Die Folge: Was die Velocity-Metriken nicht zeigen, taucht erst viel später in der Incident-Statistik auf. Und in den technischen Schulden, die sich im Hintergrund aufbauen.

Technische Schulden

Technische Schulden sind kein neues Konzept. Bereits vor der KI-gestützten Entwicklung galt: Wer mit maximal möglicher Geschwindigkeit Software baut, nimmt niedrigere Qualität in Kauf und zahlt dafür später mit höheren Kosten für Wartung und Feature-Erweiterung. Dieses Prinzip hat sich nicht verändert, aber die Geschwindigkeit, mit der sich Schulden aufbauen können, hat sich vervielfacht.

Wenn durch KI-gestützte Entwicklung Feature nach Feature hinzugefügt wird, ohne dass jemand bewusst strukturelle Entscheidungen trifft, dann „entwickelt" sich die Softwarearchitektur nicht, sondern sie wuchert zu einem unüberschaubaren System. Die Schulden-Metapher ist hier bewusst gewählt: Kurzfristig wird etwas schnell ermöglicht. Langfristig folgt die Rechnung in Form von kostspieligem Wartungsbedarf.

„Comprehension Debt“

Neben den bekannten technischen Schulden bringt KI-gestützte Entwicklung ein neues Phänomen mit sich, das in der Fachliteratur als „Comprehension Debt“ („Verständnis-Schulden“) bezeichnet wird: eine wachsende Kluft zwischen einerseits der Menge an Code und getroffenen Architekturentscheidungen und andererseits dem, was die Entwicklerinnen und Entwickler im Team davon tatsächlich verstehen.

Wenn ein LLM große Teile des Codes generiert, kann es schnell passieren, dass niemand im Team erklären kann, warum bestimmte technische Entscheidungen so und nicht anders getroffen wurden. Das äußert sich anders als klassische Technische Schulden, aber das Ergebnis ist ähnlich: Wartbarkeit geht verloren. Wer nicht versteht, was der Code tut und warum, kann ihn nicht zuverlässig ändern, erweitern oder debuggen.

KI-Slop

Im schlimmsten Fall entsteht das, was inzwischen als KI-Slop bezeichnet wird: ein Produkt mit spürbar niedriger Qualität. Viele Bugs, hohe Ausfallraten, inkonsistentes Verhalten. Nutzer reagieren zunehmend empfindlich darauf. Der Begriff „Slop" ist nicht freundlich, aber er trifft einen Nerv. Software, die sich anfühlt, als hätte niemand wirklich hingeschaut, erzeugt Misstrauen. Und dieses Misstrauen färbt auf das gesamte Produkt und das Unternehmen dahinter ab.

KI ist ein Verstärker, kein Garant

Was all diese Risiken gemeinsam haben: Features werden implementiert und ausgeliefert, ohne ausreichend zu reflektieren, welches System man dabei eigentlich entwickelt. KI ist dabei kein eigenständiger Akteur mit eigener Agenda, sondern lediglich ein verstärkendes Werkzeug. Sie beschleunigt sowohl bewährte als auch schlechte Praktiken. Ein Team mit einer soliden Architektur und funktionierender Qualitätssicherung wird durch KI tatsächlich schneller. Ein Team ohne diese Voraussetzungen wird eher in beispiellosem Tempo Technische Schulden produzieren. Das ist langfristig kostspielig.

Rollenwandel für Entwickler

Daraus folgt: Es braucht nach wie vor – vielleicht sogar mehr denn je – Menschen mit fundierten Systemkenntnissen, die ein Verständnis dafür aufrechterhalten, was die Codebasis tatsächlich tut und warum.

Bei KI-gestützter Entwicklung verändert sich die Rolle der menschlichen Entwickler im Team. Code schnell und kostengünstig zu generieren, heißt nicht, dass man auf das Verstehen der Software, die man entwickelt, verzichten kann. Im Gegenteil: Systemverständnis aufzubauen ist die eigentliche Aufgabe. Nur wer das System durchdrungen hat, kann sinnvolle Spezifikationen und Prompts schreiben, Schwachstellen zuverlässig identifizieren und beseitigen, Komponenten erfolgreich integrieren und langfristig tragfähige technische Entscheidungen treffen.

Was konkret hilft

Die gute Nachricht: Die Mittel, um den beschriebenen Risiken zu begegnen, sind nicht neu. Es sind im Kern dieselben Prinzipien, die auch vor dem Einsatz von KI gute Softwareentwicklung ausgemacht haben.

Was es braucht, ist eine bewusste strukturelle Entscheidung: nicht nur in die Geschwindigkeit der Code-Generierung zu investieren, sondern auch in die Fähigkeit des Teams, das Gesamtsystem zu verstehen und zu steuern. Agile Praktiken wie kurze Feedbackzyklen, regelmäßige Retrospektiven und iterative Planung helfen dabei, weil sie genau die Mechanismen stärken, die verhindern, dass ein Team blind auf Durchsatz optimiert und dabei nicht bemerkt, was auf der Strecke bleibt. Sie schaffen Räume, in denen Qualitätsprobleme früh sichtbar werden, bevor sie sich in der Codebasis festsetzen.

Neben Agilen Methoden lohnt sich dabei besonders ein Blick auf zwei Disziplinen.

Architektur als Leitplanke

In der Architekturarbeit werden Qualitätsziele und architektonische Merkmale identifiziert und in Spezifikationen und Modelle der technischen Umsetzung übersetzt. Eine gut formulierte Spezifikation dient dabei nicht nur menschlichen Entwicklern als Leitlinie, sondern sie liefert auch LLM einen besseren Kontext. Dies führt zu besseren Ergebnissen, weniger notwendigen Korrekturschleifen und damit zu einer Geschwindigkeitssteigerung, die auch langfristig ohne Qualitätsverlust tragfähig ist.

Für Entwicklungsteams hat das noch einen weiteren Effekt: Softwarearchitektur befähigt Entwickler dazu, mit dem Rollenwandel mitzugehen und im Rahmen von KI-gestützter Entwicklung fundierte und nachhaltige Entscheidungen zu treffen. Wer in Softwarearchitektur investiert, fördert genau die Fähigkeiten, die an Wert gewinnen: Systemdenken, Urteilsvermögen, Qualitätsbewusstsein. Und die Disziplin hält ein bewährtes Toolkit an Methoden bereit, um vor Entscheidungen gründlich abzuwägen. Das reduziert die langfristigen Kosten, denn schlecht getroffene oder gar nicht bewusst getroffene Entscheidungen sind oft die teuersten.

Qualitätssicherung als Immunsystem

Qualitätssicherung funktioniert in der Softwareentwicklung wie ein Immunsystem: Sie erkennt Probleme, bevor sie Schaden anrichten. In einer Welt, in der Code schneller entsteht als je zuvor, werden Qualitätskontrollen noch wichtiger. Auch deshalb, weil sich das Aufkommen und die Art von Fehlern verändern, wenn Teile des Codes generiert werden. Wer mehr Code schneller produziert, benötigt Mechanismen, um Fehler zu fangen, bevor sie in Produktion landen, da allein schon durch den vermehrten Output unweigerlich mehr Fehler entstehen. Und es braucht systematische Prüfmechanismen, die generierten Output anhand der Architektur-Dokumentation verifizieren und validieren, um den Blick auf das Gesamtbild bewahren: Erfüllt das Produkt tatsächlich seinen Zweck?

Fazit: Quality Matters – gerade jetzt

Die zentrale Erkenntnis ist im Grunde nicht neu: Qualität ist kein Luxus, den man sich leistet, wenn das Budget es hergibt. Softwarequalität von Anfang an mitzudenken ist eine Investition, die sich auszahlt.

Was sich geändert hat, ist die Geschwindigkeit, mit der schlechte Entscheidungen skalieren. KI verstärkt bewährte wie schlechte Praktiken gleichermaßen. Es braucht deshalb Experten, die wissen, worauf es ankommt.

KI-assistierte Softwareentwicklung funktioniert auch dann gut, wenn die Projektstruktur insgesamt stimmt. Das Interessante dabei: Die Voraussetzungen, die den KI-Einsatz effektiver machen – klare Spezifikationen, ein agiles Vorgehen, durchdachte Architektur, robuste Qualitätssicherung, technische Exzellenz –, sind dieselben, die auch ohne KI eine gute Idee wären.

Ja, mit einem solchen bewussten Investment ist man anfangs etwas langsamer. Dafür lässt sich die Implementierung mit weniger Bedenken ausliefern. Und zwei bis drei Jahre später zeigt sich der eigentliche Gewinn: eine Codebasis, die man noch versteht, die sich warten lässt und die man erweitern kann, anstatt sie ersetzen zu müssen.

Von Tatiana Hetzel

Das Formular wird geladen …