Programmieren mit KI: Tools und Grenzen

01Was macht KI beim Programmieren?

Code-Assistenten sind Sprachmodelle, die mit riesigen Mengen an Open-Source-Code und Dokumentation trainiert wurden. Sie sagen anhand Ihres Kontexts die nächste Zeile voraus, erzeugen aus Ihrer Beschreibung eine Funktion oder lesen eine Fehlermeldung und nennen die wahrscheinliche Ursache.

Der entscheidende Punkt: Das Modell versteht Code nicht, es rät. Meist liegt es richtig; kennt es aber die Sonderregeln Ihres Projekts, das Datenbankschema oder eine Abhängigkeit in einer anderen Datei nicht, kann es eine plausibel wirkende, aber falsche Lösung liefern. Die Produktivität beim Programmieren mit KI vervielfacht sich in den Händen von Entwicklern, die diesen Unterschied kennen.

Dieser Beitrag beschreibt den Platz der KI in der täglichen Programmierarbeit. Wie sie sich auf Team- und Prozessebene einordnen lässt, zeigt unser Beitrag KI-gestützte Softwareentwicklung in einem größeren Rahmen.

02Arten von Code-Assistenten

Auch wenn sich die Tools am Markt ständig ändern, lassen sie sich nach Arbeitsweise in drei Gruppen einteilen. Welche Gruppe zu Ihnen passt, hängt von der Größe Ihrer Aufgabe ab.

Autovervollständigung im Editor

Tools wie GitHub Copilot machen beim Schreiben Vorschläge als graue Textvorschau. Sie sparen Zeit bei wiederkehrenden Strukturen, beim Vorbereiten von Testdaten und bei der Syntax einer Bibliothek, die Ihnen nicht vertraut ist. Offizielle Hinweise zur Nutzung finden Sie in der GitHub-Copilot-Dokumentation.

Agentenbasierte Tools

Agentenbasierte Tools wie Claude Code laufen im Terminal oder im Editor; sie können Projektdateien lesen, Befehle ausführen und Änderungen über mehrere Dateien vorschlagen. Diese Fähigkeit macht Berechtigungen und Kontrolle noch wichtiger. Die Grundlogik von Agenten haben wir im Beitrag Was ist ein KI-Agent? erklärt.

03Wo bringt KI Tempo?

KI glänzt am meisten bei Aufgaben, deren Regeln klar sind, die aber mühsam zu schreiben sind. Für erfahrene Entwickler liegt der eigentliche Gewinn darin, mehr Zeit für den Teil zu haben, der Nachdenken erfordert.

• Boilerplate-Code: Formularvalidierung, Datentransformation, einfache CRUD-Endpunkte.
• Test-Gerüste: Entwurf eines Unit-Tests für eine bestehende Funktion und eine Liste von Grenzfällen.
• Fehlersuche: Fehlermeldung und zugehörigen Code übergeben und mögliche Ursachen auflisten lassen.
• Code lesen: Zusammenfassen lassen, was ein altes oder fremdes Modul tut.
• Umwandlung: Ein kleines Skript aus einer Sprache in eine andere Sprache oder Bibliothek übertragen.
• Dokumentation: Funktionsbeschreibungen, README und Installationshinweise.

04Einen sicheren Workflow aufbauen

Die wichtigste Gewohnheit beim KI-gestützten Programmieren ist, jede Änderung rückgängig machbar zu halten. Der Weg dahin ist die Versionskontrolle; wenn Git für Sie neu ist, lesen Sie zuerst unseren Beitrag Was ist Git?.

Der folgende Ablauf funktioniert mit jedem Assistenten: Eigenen Branch anlegen, eine kleine, klar definierte Aufgabe stellen, die Änderung prüfen, Tests ausführen und erst danach zusammenführen.

git checkout -b ai/form-dogrulama
# Änderung mit dem Assistenten vornehmen
git status
git diff
npm test
git add -p
git commit -m "Formularvalidierung hinzugefügt"

05Grenzen und Fallstricke der KI

Die Fehler von Code-Assistenten sind meist unauffällig: Der Code kompiliert, läuft, liefert aber ein falsches Ergebnis. Deshalb sollte man die Risiken vorab kennen.

Erfundene Bibliotheken und Funktionen

Das Modell schlägt manchmal ein Paket oder eine Funktion vor, die es nicht gibt. Bevor Sie ein unbekanntes Paket installieren, prüfen Sie, ob es im offiziellen Paketverzeichnis existiert und aus einer vertrauenswürdigen Quelle stammt; ähnlich benannte Schadpakete sind eine reale Gefahr.

Sicherheitslücken

SQL-Abfragen durch String-Verkettung zu bauen, Nutzereingaben nicht zu filtern oder geheime Schlüssel in den Code zu schreiben, sind häufige Fehler in erzeugtem Code. Die Sicherheitsprüfung darf nicht der KI überlassen werden, sondern muss durch menschliche Kontrolle gehen.

Fehlender Kontext

Kennt der Assistent die Architekturentscheidungen Ihres Projekts nicht, schreibt er eine vorhandene Hilfsfunktion neu oder baut eine Struktur, die gegen die Regeln des Teams verstößt. Projektregeln in einer schriftlichen Datei zu führen und dem Assistenten mitzugeben, verringert dieses Problem erheblich.

Lizenz und Vertraulichkeit

Bevor Sie Quellcode oder geheime Schlüssel eines Kunden an einen externen Dienst senden, prüfen Sie die Unternehmensrichtlinie und die Datennutzungsbedingungen des Tools.

06Wie erteilt man dem Assistenten eine Aufgabe?

Die Qualität des Ergebnisses eines Code-Assistenten steht in direktem Verhältnis zur Klarheit der Aufgabe. Eine vage Anfrage wie »Repariere diese Seite« lässt den Assistenten auf Basis eigener Annahmen einen weiten Bereich verändern. Kleine, messbare Aufgaben liefern bessere Ergebnisse und erleichtern das Review.

Eine gute Aufgabenbeschreibung nennt die zu bearbeitende Datei, das erwartete Verhalten, die Stellen, die nicht angefasst werden dürfen, und wie der Erfolg überprüft wird. Ein Auftrag wie »Zeige im Kontaktformular eine Fehlermeldung, wenn das E-Mail-Feld leer ist, nutze die vorhandenen Stilklassen, fasse die anderen Felder nicht an und füge den passenden Test hinzu« liefert ein weit sichereres Ergebnis als ein Einzeiler.

In einer langen Sitzung wird der Kontext aufgebläht, und der Assistent beginnt, die anfänglichen Regeln zu vergessen. Das lässt sich verringern, indem man eine große Aufgabe in Teile zerlegt und jedes Teil in einer eigenen Sitzung als eigenen Commit voranbringt.

07Worauf achtet man im Code-Review?

KI-Code sollte mit einem anderen Blick geprüft werden als menschlicher Code. Menschen machen Fehler aus Müdigkeit; das Modell macht Fehler mit großer Selbstsicherheit. Die Review-Checkliste muss diesen Unterschied berücksichtigen.

1. Beschränkt sich die Änderung auf die gestellte Aufgabe, oder wurden andere Dateien angefasst?
2. Gibt es jedes verwendete Paket und jede verwendete Funktion tatsächlich?
3. Sind Grenzfälle bedacht: leere Liste, null, fehlendes Feld, große Datenmengen?
4. Werden Nutzereingaben validiert und Abfragen parametrisiert?
5. Messen die Tests tatsächlich das Verhalten, oder wurden sie nur geschrieben, um zu bestehen?
6. Ist der Code so einfach, dass das Team ihn lesen und warten kann?

08Einsatz in Web- und Unternehmensprojekten

In echten Projekten ersetzt KI den Entwickler nicht, sondern verändert dessen Tempo. Schon bei einer Unternehmenswebsite werden Komponentengerüste und Inhaltsumwandlungen schneller; Designentscheidungen, Barrierefreiheit und Speed- und Performance-Optimierung erfordern aber weiterhin Messung und Erfahrung. Auch bei Branchensoftware für Reservierung, Reisebüro oder Immobilien werden Geschäftsregeln und Datenmodell vom Team entworfen, bevor ein Assistent ins Spiel kommt.

Bei Systemen, die mit Marktplätzen, Versanddienstleistern oder Zahlungsdiensten sprechen, ist die Fehlertoleranz sehr gering. Bei Aufgaben wie der E-Commerce-Integration hilft KI beim Lesen von Dokumentation und beim Vorbereiten von Testdaten; jede Zeile, die ins Livesystem geht, wird jedoch in der Testumgebung verifiziert.

Auch für Marketingteams gibt es kleine Gewinne: Skripte, die prüfen, ob Conversion-Tags korrekt eingerichtet sind, oder schnelle Prototypen für Kampagnenseiten. Diese Ergebnisse an die Messstrategie anzubinden, ist Teil des Online-Marketing-Plans.