Von der Vergessenheit bis zum Kampf der Giganten: Warum hat KI zuerst die Programmierung entflammt?

AI-Programmierung ist möglicherweise der derzeit größte ursprüngliche AI-Anwendungsmarkt.

Das klingt auf den ersten Blick un-intuitiv, denn in den letzten Jahrzehnten war der Bereich der "Entwicklungstools" nie der lukrativste im Software-Industrie-Sektor. Doch heute hat sich alles verändert.

Dieser Markt ist viel größer, als Sie vielleicht denken.

Es gibt weltweit ungefähr 30 Millionen Softwareentwickler. Wenn jeder von ihnen jährlich einen wirtschaftlichen Mehrwert von 100.000 US-Dollar schafft, beläuft sich das Gesamtergebnis dieser Gruppe auf 3 Billionen US-Dollar, was fast dem BIP Frankreichs entspricht.

Nach den Ergebnissen von Gesprächen des a16z-Teams mit mehreren Dutzend Technologieunternehmen kann selbst ein einfacher AI-Coding-Assistent die Effizienz der Softwareentwicklung um 20 % steigern. Unter idealen Bedingungen ist es sogar möglich, die Effizienz zu verdoppeln.

Hinter der Steigerung der Entwicklungseffizienz verbirgt sich eine Neubewertung der gesamten Softwareindustrie. Die dahinter stehende Logik ist recht einfach: Je höher die Entwicklungseffizienz, desto höher die Nachfrage; je schneller die Entwicklung, desto mehr Software wird produziert.

Mit anderen Worten: Die AI-Programmierung hat das Potenzial, der Weltwirtschaft zusätzliche 3 Billionen US-Dollar an Mehrwert zu bringen - und das ist erst der Anfang.

Heute trägt die AI-Programmierung nicht nur eine Reihe von Start-ups mit einem Unternehmenswert von mehreren Milliarden US-Dollar, sondern hat auch das Potenzial, den nächsten Technologieriesen im Billionen-Dollar-Bereich hervorzubringen. Dies ist der Grund, warum immer mehr Akteure auf dem Gebiet der AI-Programmierung aktiv werden:

Cursor hat es in nur 15 Monaten geschafft, ein Jahresumsatz von 500 Millionen US-Dollar zu erzielen und einen Unternehmenswert von fast 10 Milliarden US-Dollar zu erreichen; Google hat 2,4 Milliarden US-Dollar ausgegeben, um Windsurf zu erwerben; Anthropic hat Claude Code eingeführt; und OpenAIs GPT-5 hat seine Programmierfähigkeiten verbessert.

Es ist offensichtlich, dass das Zeitalter des Kampfes um die AI-Programmierung in vollem Gange ist. Wie die AI-Codierung in Zukunft aussehen wird, ist noch nicht festgelegt, aber die ersten Anzeichen sind bereits erkennbar.

Kürzlich hat A16Z einen Artikel über die AI-Programmierung veröffentlicht, in dem die Struktur dieses aufstrebenden Bereichs systematisch zerlegt wird: Von Innovationen in der Toolchain bis hin zu Veränderungen in der Zusammenarbeit wird die Zukunft der Softwareentwicklung dargestellt, die sich derzeit neu formt.

Das Paradigma der Softwareentwicklung hat sich verändert

In der Vergangenheit sah der Prozess des Schreibens von Code mit AI so aus: Sie fragten die AI, ein Login-Interface zu schreiben, und sie antwortete mit einem Code-Snippet, das Sie dann in Ihr Projekt kopierten. Dieser "Bestellstil" der Codierung wird immer seltener eingesetzt.

Heute ist ein neues Entwicklungsparadigma populär, das als "Planung → Code → Überprüfung" bezeichnet wird. Anstatt dass der Mensch fragt und die AI antwortet, beteiligt sich die AI von Anfang bis Ende am gesamten Prozess:

Zunächst die Planung: Die AI hilft Ihnen dabei, eine detaillierte Funktionsbeschreibung zu erstellen und fragt nach erforderlichen Informationen wie API-Schlüsseln, Zugangsberechtigungen und Systemabhängigkeiten.

Dann die Codierung: Die AI generiert automatisch Code anhand der Planung und kann sogar Unit-Tests durchführen. Dabei entsteht ein kleiner "Agenten-Zyklus".

Schließlich die Überprüfung: Der menschliche Entwickler überprüft lediglich die Arbeit der AI und passt sie bei Bedarf an.

Das Diagramm zeigt, wie Künstliche Intelligenz eine hochrangige Spezifikation zerlegt und Fragen stellt

Dieses Diagramm zeigt den typischen Ablauf, wenn die AI in ein neues Projekt eingreift. Ihre erste Aufgabe besteht darin, eine hochrangige Funktionsbeschreibung zu erstellen. Sie stellt eine Reihe von Fragen, um alle erforderlichen Hintergrundinformationen zu erhalten.

Diese Fragen und Anforderungen betreffen oft Details der Anforderungen, Architekturentscheidungen, externe Abhängigkeiten, Zugangskonfigurationen und vieles mehr. Sie kann sogar konkret nach API-Schlüsseln und Zugangsberechtigungen zu Tools verlangen. Am Ende entsteht eine ausführliche Liste mit zusätzlichen Informationen.

Dieses Spezifikationsdokument hat zwei Vorteile. Einerseits kann es die anschließende Codegenerierung genau steuern und sicherstellen, dass der von der AI geschriebene Code den Entwicklungsanforderungen entspricht. Andererseits kann es als "Langzeitgedächtnis" des gesamten Projekts dienen, um Entwicklern oder anderen Modellen zu helfen, die Funktionen eines bestimmten Moduls oder einer Datei zu verstehen. Insbesondere in großen Projekten, in denen die Codebasis oft sehr komplex ist, ist eine klare Spezifikation der Schlüssel für die Aufrechterhaltung der Ordnung.

Dieser Prozess ist nicht einmalig. Nachdem der menschliche Entwickler den Code geändert hat, lässt er in der Regel das Sprachmodell die Spezifikationsdokumentation aktualisieren, um sicherzustellen, dass diese immer den neuesten Stand des Codes widerspiegelt. Am Ende entsteht ein "vollständig dokumentiertes" Projektprodukt, das sowohl für Menschen als auch für die AI leicht zugänglich ist und so einen positiven Kreislauf in der Mensch-Maschine-Zusammenarbeit ermöglicht.

Bild des Cursor Directory, einer LLM-Coding-Richtlinienbibliothek

Abgesehen von den Anforderungen jedes einzelnen Projekts verfügen die meisten AI-Coding-Systeme heute über eine Reihe von allgemeinen Architektur- und Codierungsrichtlinien. Einige dieser Richtlinien gelten für das gesamte Unternehmen, andere sind auf ein bestimmtes Projekt oder Modul zugeschnitten. Sie dienen hauptsächlich dazu, die Code-Style, die Architekturauswahl und die Schnittstellendesign zu regeln und so die Entwicklung zu strukturieren.

Interessanterweise gibt es auch eine Reihe von "Best Practices" für AI-Modelle im Internet, wie z.B. die Regelsätze von Cursor, die Prompt-Vorlagen aus der GitHub-Community und sogar die Entwicklungsanleitungen zu Claude Code.

Diese Inhalte sind nicht für Menschen gedacht, sondern speziell für AI-Modelle.

Wir erleben die Entstehung einer neuen Art von Wissensbasis - nicht mehr für die Schulung von neuen Mitarbeitern, sondern für die Zusammenarbeit mit AI.

In diesem neuen Paradigma ist die AI nicht mehr nur ein Werkzeug, das auf Ihre Anweisungen hin Code schreibt, sondern ein "Teammitglied", das an der gesamten Produktentwicklung beteiligt sein kann. Sie kann die technischen Richtlinien des Unternehmens verstehen, den Projektkontext kennen und sogar die Branchenstandards beherrschen. Ihre Fähigkeit, den Kontext zu verstehen, wird immer stärker. Sie ist nicht mehr nur auf die Ausführung von Befehlen beschränkt, sondern kann auch an der Architekturplanung, der Funktionsentwicklung und sogar der Früherkennung potenzieller Risiken beteiligt sein.

Im Bereich der Projektplanung befindet sich die Rolle der AI zwar noch in der Anfangsphase, aber bereits viele Unternehmen versuchen, sie in frühere Prozessschritte zu integrieren.

Beispielsweise können Tools wie Nexoro Informationen automatisch aus Slack, Foren, E-Mails und CRM-Systemen (z.B. Salesforce, Hubspot) extrahieren und sie in einer Liste zusammenfassen, die zeigt, was die Kunden möchten.

Andere Tools wie Delty und Traycer konzentrieren sich stärker auf die "Aufgabenteilung". Sie können eine Funktionsbeschreibung automatisch in ausführbare User Stories umwandeln und diese dann in ein Ticket-System wie Linear synchronisieren, um das Team bei der Entwicklung zu unterstützen.

Diese Trends geben ein sehr klares Signal: Die traditionelle Methode, mit Wikis und manuellen Task-Trackern zu arbeiten, kann den heutigen Anforderungen an schnelle und komplexe Projekte nicht mehr gerecht werden.

Entweder werden die traditionellen Tools allmählich abgelöst, oder sie müssen von der AI neu gestaltet werden, um intelligenter, effizienter und automatisierter zu werden. Die Art und Weise, wie die Softwareentwicklung kooperiert wird, wird neu definiert.

Von der Code-Schreibung zum Programmier-Partner

Sobald die Planung abgeschlossen ist, beginnt der "Zyklus" der AI-Codierung: Die AI schreibt zunächst den Code, und der Entwickler überprüft und passt ihn dann an. Dieser Prozess wird wiederholt, und die Art der Interaktion hängt von der Komplexität der Aufgabe und der Notwendigkeit der asynchronen Ausführung ab.

Die häufigste Methode ist die "Tab-Vervollständigung" und die "Intelligente Bearbeitung". Diese Funktionen sind in vielen modernen Code-Editoren wie Cursor, Windsurf, Sourcegraph Amp und sogar in verschiedenen VSCode-Plug-ins integriert.

Wenn der Benutzer normalerweise im Editor Code schreibt, vervollständigt die AI die aktuelle Zeile automatisch anhand des Kontexts oder ändert lokal Inhalte, ohne dass der Benutzer manuell eine Vorschlagsfunktion auslösen muss. Diese Fähigkeiten basieren auf speziell optimierten kleinen Modellen, die sowohl leichtgewichtig als auch reaktionsschnell sind und lokal schnell auf Anfragen reagieren können, um die Entwicklungseffizienz zu erhöhen.

Eine flexiblere Methode ist die "Chat-basierte Dateibearbeitung". Der Benutzer kann der AI direkt Anweisungen geben, wie z.B. "Ändere diese Funktion in eine asynchrone Funktion" und dabei den relevanten Kontext bereitstellen. Die AI ruft ein großes Modell mit einem großen Kontextfenster auf, um das gesamte Projektverzeichnis zu verstehen und sogar über Dateigrenzen hinweg zu arbeiten, wie z.B. das Erstellen neuer Dateien oder das Hinzufügen von Abhängigkeiten.

Diese Tools können entweder in eine IDE integriert oder über eine Webseite verwendet werden. Jeder Schritt wird visuell dargestellt, damit der Benutzer die Änderungen schnell bestätigen kann.

Einfach ausgedrückt: Die AI-Codierung entwickelt sich von der "Schreibung einiger Code-Zeilen" hin zur "gemeinsamen Erledigung eines gesamten Entwicklungsprojekts". Die Interaktionsmöglichkeiten werden immer vielfältiger, von leichtgewichtigen Modellen mit sofortiger Reaktion bis hin zu großen Modellen mit globalem Verständnis, so dass Entwickler mit unterschiedlichen Anforderungen die Arbeitsweise finden können, die für sie am besten geeignet ist.

Die im Hintergrund laufenden AI-Agenten unterscheiden sich von normalen AI-Assistenten. Sie müssen nicht ständig von Menschen interagiert werden, sondern können lange Zeit unabhängig arbeiten und Aufgaben automatisch vorantreiben. Diese Agenten führen in der Regel selbst Tests durch, um sicherzustellen, dass die Ergebnisse korrekt sind - schließlich ist der Benutzer nicht vor Ort, und das System muss in der Lage sein, selbst zu entscheiden, ob etwas richtig oder falsch ist.

Das Endergebnis dieser AI sind oft bereits korrigierte Codebäume oder ein Pull Request (Code-Zusammenführungsanfrage), der in ein Git-Repository eingereicht werden soll. Beispiele für diese Art von "stumm arbeitenden" AI sind Devin, Anthropic Code und der Hintergrund-Agent von Cursor.

Zur gleichen Zeit entsteht auch eine neue Art von Tools, nämlich AI-Anwendungsbauern und Prototypen-Tools. Plattformen wie Lovable, Bolt (von Stackblitz), Vercel v0 und Replit versuchen, mit natürlicher Sprache, Wireframes oder sogar einfachen UI-Beispielen direkt eine lauffähige Applikation zu generieren, nicht nur die Frontend-Seite.

Diese Tools ziehen zwei Arten von Nutzern an: einerseits Unternehmer oder Designer, die schnell ein MVP erstellen möchten, und andererseits professionelle Entwickler, die mit AI schnell Fehler testen und Prototypen erstellen möchten. Zurzeit werden die von AI generierten UI-Codes noch selten in produktiven Projekten eingesetzt, aber das liegt eher daran, dass die Tools noch in der Entwicklungsphase sind, als dass die Richtung falsch wäre.

In Zukunft, wenn die Stabilität dieser Tools verbessert ist, könnte die AI möglicherweise nicht nur UI- und Backend-Code schreiben, sondern auch Datenbanken verbinden und APIs integrieren. Wir könnten dann tatsächlich einen "Full-Stack-Partner" haben. Vielleicht sind wir nicht mehr so weit von dem Tag entfernt, an dem man mit einem Satz eine Applikation generieren kann.

Mit zunehmender Bedeutung der AI-Agenten in Projekten hat sich auch der Schwerpunkt der Entwickler verschoben. Früher waren wir interessiert, wie der Code geändert wurde; heute interessiert uns eher, warum er geändert wurde und ob die Änderung effektiv war. Insbesondere wenn die AI eine gesamte Datei auf einmal generiert, ist die traditionelle Methode des "Diff-Vergleichs" weniger effektiv.

Deshalb beginnen einige neue Tools, die "Versionskontrolle" neu zu definieren. Beispielsweise orientiert sich Gitbutler nicht mehr an den Änderungen in den Dateien, sondern an der "Absicht" hinter der Entwicklung: Wie hat die AI die Anforderungen verstanden? Welche Prompt-Wörter wurden verwendet? Wie waren die Testergebnisse? Diese Informationen sind wertvoller als die bloßen Code-Unterschiede. Git wird zum "Buchhaltungssystem" im Hintergrund, während die wirklich wichtigen Entscheidungen auf der "semantischen Ebene" - d.h. im Bereich der Ziele, Entscheidungen und Ergebnisse - getroffen werden.

Zur gleichen Zeit nimmt die AI auch zunehmend an der Quellcodeverwaltung (z.B. in GitHub) teil. Viele Teams lassen die AI bereits an Diskussionen zu Issues und Pull Requests teilnehmen. Diese Diskussionen dienen als "Kontext-Eingabe", die es der AI ermöglicht, die Entwicklungsabsicht besser zu verstehen und passendere Lösungen anzubieten.

Im Bereich der Code-Überprüfung übernimmt die AI inzwischen die Rolle des "Prüfers". Sie konzentriert sich auf die Korrektheit, Sicherheit und Compliance des Codes und unterstützt die Entwickler dabei, die Code-Qualität zu verbessern. Beispiele für Tools in dieser Richtung sind Graphite und CodeRabbit, die eine neue Art der Entwicklungszusammenarbeit - die "AI-Überprüfung durch AI" - erforschen.

Heute sind die Arbeitsabläufe der meisten AI-Coding-Assistenten bereits hochgradig automatisiert. Das bedeutet, dass sie selbst entscheiden, was als nächstes zu tun ist, und verschiedene Tools nutzen, um die Aufgaben zu erledigen (in Frameworks wie Hugging Face wird dies als "3-Sterne-Fähigkeit" bezeichnet). Beispielsweise können Aufgaben wie kleine Textänderungen, das Aktualisieren einer Bibliothek oder das Hinzufügen einer einfachen Funktion oft vollständig von der AI unabhängig erledigt werden, ohne dass menschliche Intervention erforderlich ist.

Dieser Trend hat auch einige "Höhepunkte" gebracht. Beispielsweise wurde in einem GitHub-Issue zur Diskussion einer Funktion letztendlich nur der Befehl "@aihelper bitte implementieren" hinterlassen. Wenige Minuten später hatte die AI einen fast perfekten Pull Request generiert, der direkt in die Produktion integriert wurde. Obwohl solche "Genieschüsse" derzeit noch selten sind, werden sie in einfachen Szenarien möglich.

Im Vergleich dazu erfordern komplexere Entwicklungsaufgaben immer noch menschliche Entscheidungen, aber es gibt einen Bereich, der sich als besonders geeignet für die AI erwiesen hat: die Migration