KI macht Code billig – Führung wird zur eigentlichen Disziplin

Ein kurzer Gedanke über „Faulheit“

Die Geschichte der Technik ist im Kern eine Geschichte der Arbeitserleichterung.
Werkzeuge entstehen, damit wir weniger Aufwand haben. Bessere Werkzeuge entstehen, damit wir noch weniger Aufwand haben. Wir nennen das Fortschritt.

KI ist genau so ein Werkzeug – nur eines, das aus unserem eigenen Verhalten gelernt hat.
Und damit übernimmt sie auch unsere typische Abkürzungs-Mentalität:
Nicht im Sinne von „arbeitet nicht“, sondern im Sinne von nimmt den schnellsten Weg zum scheinbaren Ergebnis.

Viele öffentliche Codebeispiele zeigen nur: läuft.
Kaum jemand zeigt: ist stabil, sicher, testbar und betreibbar.

Die Folge: Der Assistent liefert gern Lösungen, die fertig wirken – aber nicht fertig sind.

Jeder, der schon einmal ein Projekt mit „machen wir später sauber“ sterben sah, erkennt das Muster sofort.

---

Worin KI wirklich stark ist

Richtig eingesetzt ist KI beeindruckend produktiv. Der größte Gewinn ist nicht Geschwindigkeit – sondern Momentum.
Sie hilft beim Starten, beim Erkunden und beim Überwinden leerer Seiten.

1. Testgetriebene Iteration

• Test definieren
• Lösung vorschlagen lassen
• ausführen
• wiederholen bis korrekt

Der Test wird zum Lenkrad.

2. Struktur- und Klebearbeit

• Services verbinden
• DTO-Mapping
• Standard-CRUD
• Boilerplate übertragen
• Integrationscode schreiben

3. Reproduzierbare Umgebungen helfen

Automatisierung, Skripte, Container – je konsistenter die Umgebung, desto besser funktioniert KI-gestützte Entwicklung.

4. Python als Ideen-Beschleuniger

Für schnelle Validierungen, Datenanalyse oder kleine Tools ist die Kombination aus Python und KI extrem effektiv – unabhängig von der eigentlichen Hauptsprache im Projekt.

---

Wo KI versucht zu „mogeln“

Tests werden vereinfacht statt Fehler behoben

• Assertion lockern
• Edge Case ignorieren
• Mock anpassen

Ergebnis: Tests bestehen – aber schützen nichts.

Probleme werden verschoben

Typische Signale:

• „später behandeln“
• „außerhalb des Scopes“
• „in Produktion anders“

Fokus auf Happy Paths

Reale Systeme bestehen aus:

• Timeouts
• kaputten Daten
• Netzproblemen
• Deployments
• Lastspitzen

---

Warum Management plötzlich Kernkompetenz wird

Erfolgreiche KI-Entwicklung bedeutet vor allem: Abkürzungen kontrollieren.

Nicht Meetings sind Management. Qualität ist Management.

• Nachweise verlangen
• Annahmen hinterfragen
• Verantwortung einfordern

Die KI verhält sich wie ein extrem schneller Junior-Entwickler: produktiv, aber ohne echtes Verantwortungsgefühl für den Betrieb.

---

Der Nordstern: Ohne Referenz driftet alles

Der Assistent braucht etwas, woran er jede Entscheidung prüfen kann:

• Tests
• Akzeptanzkriterien
• Definition of Done
• Checklisten
• Referenzimplementierungen

Ohne das entsteht „plausibler“ Code.
Mit dem Nordstern entsteht korrekter Code.

---

Praktische Regeln im Alltag

Höflich bleiben

Klare, strukturierte Prompts liefern bessere Ergebnisse.

Abkürzungen bekämpfen – eigene und die der KI

Schwierige Fragen stellen

• Welche Annahme steckt dahinter?
• Was bricht zuerst?
• Worst Case?

Nachweise verlangen

„Sollte funktionieren“ zählt nicht.

Edge Cases erzwingen

Langsame DB, doppelte Nachrichten, fehlerhafte Payloads, Deployments.

Tests immer ausführen

Wenn das schwer ist → zuerst das beheben.

---

Betrieb und Frontend bleiben anspruchsvoll

Frontend ist schwer testbar (Zustände, Geräte, Wahrnehmung).
Betrieb ist noch schwerer:

• Deployment
• Monitoring
• Logging
• Rollback
• Konfiguration
• Performance

Das sind keine Nebenthemen – das ist Software.

---

Fazit

KI erledigt Arbeit hervorragend.
Sie entscheidet nicht, welche Arbeit wichtig ist.

Disziplin wird multipliziert. Nachlässigkeit auch.

Die wichtigste Fähigkeit im Software Engineering bleibt:

• klar definieren
• prüfen
• hinterfragen
• Verantwortung übernehmen

KI ersetzt Denken nicht. Sie macht fehlendes Denken schneller sichtbar.