Das Developer's-Dilemma: Den Übergang zum AI Engineering meistern

Liebe Softwareentwicklerin, lieber Softwareentwickler, bitte entscheide dich für eine der folgenden Optionen für das Jahr 2026 und darüber hinaus:

a) Du stellst fest, dass deine Fähigkeiten veraltet sind, und wirst schließlich arbeitslos.
b) Deine Gehaltserhöhungen liegen unter der Inflationsrate, während die Erwartungen an deinen Output kontinuierlich steigen.

Klingt unangenehm? Auf dem Höhepunkt der CD-Ära stand die Musikindustrie vor einer ähnlichen Wahl. Sie machten etwa $6 Gewinn pro CD, als die Möglichkeit aufkam, MP3s zu verkaufen und nur 10c bis 20c pro Song zu verdienen – das entspricht Option (b). Welcher vernünftige Manager würde den Wechsel zu MP3 vorantreiben?

Ebenso stehen Softwareentwickler dem Übergang zum AI Engineering skeptisch gegenüber. Es ist ungewohnt, diese Arbeitsweise passt nicht zu ihrem Handwerk, es ist stressig, und Arbeitgeber werden immer mehr Output erwarten. Unsere exklusiven Fähigkeiten, unsere Knappheit, sind durch Werkzeuge bedroht, die das Programmieren für die Massen öffnen, was den Preis für diese Fähigkeiten drücken wird.

Du könntest bei Option (a) bleiben: Steck den Kopf in den Sand und hoffe, dass der Hype vorübergeht. Das ist im Grunde das, was die großen Musikstudios getan haben. Die Geschichte zeigt, dass sich der Markt trotzdem zu MP3 bewegte. Durch ihre Untätigkeit verloren diese Unternehmen nicht nur Gewinne, sondern auch die Vertriebskanäle an digitale Unternehmen wie Apple und später Spotify. Leider kann man den Markt nicht aufhalten.

Gut, jetzt denkst du also: Gibt es eine Option (c)? Vielleicht. Um das zu beantworten, müssen wir verstehen, woher die Optionen (a) und (b) kommen. Die Disruption, die das AI Engineering darstellt, hat Softwareingenieure in das „Innovator’s Dilemma“ gestürzt – ein Begriff, der durch das gleichnamige Buch von Clayton Christensen geprägt wurde.

Das Innovator’s Dilemma – warum die Geschichte uns lehrt, dass wir AI Engineering auf eigene Gefahr ignorieren

Das Innovator’s Dilemma besteht darin, dass disruptive Technologien dazu neigen, entweder neue Kunden zu bedienen oder die am wenigsten attraktiven Kunden mit einem billigeren, minderwertigen Angebot abzuwerben. Wenn sie mit einer solchen Disruption konfrontiert werden, sind Branchenführer natürlich motiviert, im Premiumsegment zu bleiben, anstatt die neuen oder bestehenden Low-End-Märkte zu verteidigen, die für die Innovatoren attraktiv sind. Dies ermöglicht es der disruptiven Technologie, Fuß zu fassen, von wo aus sie wachsen und den etablierten Unternehmen Marktanteile abjagen kann.

Ich habe viele Entwickler Dinge sagen hören wie: „KI-generierter Code ist von schlechter Qualität“, „Ich habe aufgehört, KI zu nutzen, nachdem ich wiederholt belogen wurde“ und „Es bremst mich oft mehr, als dass es mir hilft“. Und sie haben recht. KI produziert oft problematischen Code. Vibe-coded Anwendungen können schwer zu wartende technische Schulden verursachen.

Doch hier ist der Haken: Mangelnde Qualität ist nicht das Problem. Denn es spielt eigentlich keine Rolle, was die Premium-Kunden denken, wenn man an einen anderen Markt verkauft.

Die Sony Mavica, eine frühe Digitalkamera, speicherte Bilder – langsam – auf Disketten. Foto: Lëa-Kim Châteauneuf / CC BY-SA 4.0.

Als Digitalkameras aufkamen, war ihre Qualität ebenfalls schlecht. Anfangs mit 100x100 Pixeln – welcher ernsthafte Fotograf würde so ein Spielzeug wollen? Die Experten bei Leica schrieben sie ab. Leica hatte eine fantastische Marke und einen Kundenservice, der stark mit Qualität assoziiert wurde. Diese Leute waren echte Fotografen und hatten keine Mühe, Schrott zu erkennen. Ähnlich sehen kompetente Softwareentwickler heute das Qualitätsdesaster, das Vibe Coding erzeugt. Dennoch gab es einige wenige Fotokunden, wie Studios, die die Möglichkeit schätzten, unbegrenzt kostenlos Fotos zu machen, und die bereit waren, den Qualitätskompromiss einzugehen. Sobald Digitalkameras einen Markt fanden, begannen sie sich zu verbessern, und du weißt, wie das ausgegangen ist. Leica überlebte schließlich – aber erst nach einem schmerzhaften Übergang, einschließlich dreier CEO-Wechsel in vier Jahren.

Der Toyota Corolla von 1968. Unbequem. Uncoole, schmale Reifen. Unbedingt besser als nichts. Foto: D.Bellwood / CC BY-SA 3.0.

Oder nimm Toyotas ersten Massenmarkterfolg in den USA: den Toyota Corolla von 1968. Er war nicht besser als US-Autos. Er war kleiner, weniger leistungsstark und eigentlich ziemlich unbequem. Aber er war kosteneffizient und brachte dich zuverlässig dorthin, wo du hin musstest. Sie fanden einen teilweise neuen Markt unter Erstkäufern, Studenten und Einwanderern. Sobald sie einen Fuß im Markt hatten, verbesserten sie schrittweise die Qualität, um die „nächsthöhere Nische“ ins Visier zu nehmen. Heute sind sie der größte Autohersteller der Welt.

Lange Zeit erforderte die Stahlproduktion große Investitionen in teure Maschinen. Die Herstellung flacher Stahlbleche für Konservendosen ist weitaus schwieriger als die Herstellung von minderwertigem Stahl, der zur Verstärkung von Zement (Bewehrungsstahl) verwendet wird. Das Diagramm zeigt dies für vier verschiedene Stahlanwendungen, basierend auf Daten aus The Innovator’s Dilemma.

Als die „Minimill“ eingeführt wurde, konnte sie Stahl mit weniger Anfangsinvestitionen und billiger produzieren, aber die Qualität war so niedrig, dass er nur für die Herstellung von Betonrippenstahl (rebar) nützlich war. Kunden von Betonrippenstahl achten meist nur auf den Preis (hey, man kann die Qualität des Stahls ohnehin nicht mehr überprüfen, sobald er im Zement ist), also ist das untere Ende des Marktes ein Preiskrieg. Traditionelle Stahlproduzenten konnten mit der Minimill nicht konkurrieren, also trafen sie die konventionell kluge Managemententscheidung: Sie zogen sich auf andere Stahlarten zurück, wo sie mit höheren Margen arbeiten konnten. Betonrippenstahl macht ohnehin nur 4 % des Stahlmarktes aus.

Aber sobald die Minimill einen Markt hatte, verbesserte sich die Technologie. Bis 1980 war sie in der Lage, Winkeleisenstahl zu produzieren, und wieder waren die konventionellen Produzenten gezwungen, sich auf die höheren Margen von Baustahl zurückzuziehen. Nun glaubten Branchenexperten weithin, dass Minimills gegen eine Wand gefahren waren. Ihr Prozess machte es technisch einfach unmöglich, das nächste Qualitätsniveau zu erreichen. Klingelt da etwas bei dir, wenn du an KI und Vibe Coding denkst?

Aber die Minimill-Produzenten waren entschlossen. Außergewöhnliche Innovationen, die niemand für möglich gehalten hatte, erlaubten es den Minimills schließlich, alle Arten von Stahl zu produzieren. Währenddessen saßen die konventionellen Produzenten immer noch auf ihrem alten Prozess fest, der Stahl zu 20 % höheren Kosten produziert.

Was, wenn Vibe Coding demselben Trend folgt? In diesem zweiten Diagramm habe ich einige Beschriftungen ausgetauscht, um dies symbolisch darzustellen. Die Jahreszahlen sind nicht unbedingt wörtlich gemeint, aber das Prinzip ist es. In den oben genannten Beispielen sahen die etablierten Akteure weder das Gewinnpotenzial noch den Wert für ihre Kunden. Sie erkannten nicht, dass die Kunden teilweise völlig neu sind (Menschen, die die bestehende Technologie nicht genutzt hätten). Also ignorierten sie die neue Technologie und mussten schließlich versuchen aufzuholen, sobald die neue Technologie begann, ihren Markt anzufressen.

Sobald Geld über zahlende Kunden in die neue, qualitativ minderwertige Lösung fließt, beginnt ein sich verstärkender Zyklus aus Investitionen und Verbesserungen. Und AI Engineering, so unvollständig es auch ist, hat definitiv zahlende Kunden. Mach dich bereit für die Revolution.

Neue Coder sind Vibe-Coder

Letzte Woche habe ich mich mit Harald unterhalten. Er kümmert sich um Themen und Prozesse der Informationssicherheit, und im Gegensatz zu den meisten von uns bei codecentric schreibt er eigentlich keinen Code. Nun ja, bis vor kurzem, als er sein erstes Apps Script vibe-codete, um ihm bei der Migration von Assets zwischen Google Sheets zu helfen.

Harald bringt den Vibe ins ISMS.

Ein IT-Freund von mir namens Timo hat einen 15-jährigen Sohn, der Münzen sammelt. Er kann nicht programmieren, aber er hat eine Anwendung vibe-gecodet, die es ihm ermöglicht, seine Münzen nach Details wie dem Fundort zu kategorisieren und zu klassifizieren. Sie ist auf AWS mit DynamoDB deployed. Wenn es nicht funktioniert, prüft er den Quellcode und versucht herauszufinden, was los ist – er lernt also implizit das Programmieren.

Wenn ich diese Geschichte erzähle, melden sich oft Leute zu Wort: „Mein 12-Jähriger vibe-codet Minecraft-Mods!“ Es scheint mir, dass es da draußen viele Teenager-Vibe-Coder gibt. Es ist ein neuer Markt. Viele dieser Leute hätten niemals programmiert. Sie kümmern sich nicht so sehr um die theoretischen Qualitätsmetriken unserer Generation, sie wollen Wert schaffen. Anfangs ist es Wert für sie selbst, aber nützliche Dinge verbreiten sich. Mein Kollege Ralf programmiert nicht mehr, außer für seine vibe-gecodete iOS-Schlagzeug-App. Als Schlagzeuger habe ich sie neulich selbst installiert.

Das bin ich, bevor ich Ralfs App hatte. Jetzt geht's also wirklich ab :-).

So programmiert die nächste Generation. Die neue Art, Programmieren zu lernen, wird Vibe Coding sein – Code lesen und versuchen, ihn zu verstehen, wenn es absolut notwendig ist. Diese Generation lässt ChatGPT ihre Hausaufgaben schreiben; sie werden sicherlich keinen Code von Hand schreiben, den sie nicht schreiben müssen – ob das nun deinen Vorlieben entspricht oder nicht.

Schon im März 2025 sagte Y-Combinator-CEO Garry Tan, dass bei einem Viertel ihrer Startups 95 % des Codes von KI geschrieben wurde. Aber es ist nicht nur der neue Markt. Mit jedem verbesserten LLM-Release stellen mehr bestehende Entwickler fest, dass das Programmieren mit KI, trotz aller Probleme, zu hilfreich ist, um es zu ignorieren.

Ein Ereignis, das Softwareberater auslöschen könnte?

Diese Abkehr vom direkten Schreiben von Code klingt höchst problematisch für ein Unternehmen, dessen Geschäftsmodell darin besteht, Entwickler zu vermieten. In unserem Fall steht sogar Code im Zentrum des Firmennamens.

Dennoch ist dieser Wandel eine fantastische Chance für codecentric. Ja, wir verleihen Entwickler, aber der eigentliche Mehrwert, den wir bieten, ist, dass wir Menschen und Unternehmen verbessern, während wir das tun. Wir bringen Menschen bei, Software besser zu entwickeln, wir coachen Produktverantwortliche, mehr Wert für Kunden zu schaffen. Wir sitzen genau an der Schnittstelle zwischen dem theoretischen Anweisen, was zu tun ist, und dem bloßen Entgegennehmen von Befehlen zur Softwareentwicklung: Unser Tagesgeschäft ist das praktische Tun, Lernen und Lehren.

Genau das brauchen unsere Kunden in den nächsten Jahren. Im Grunde wird jedes Unternehmen da draußen zum AI Engineering übergehen müssen. Das wird weitreichender sein als nur die Art und Weise, wie wir Code entwickeln. Ja, es werden ein paar PowerPoint-Präsentationen erstellt werden, aber was Unternehmen wirklich brauchen, sind Ingenieure, Produktleute und Organisations- (Agile-) Coaches, die sich die Hände schmutzig machen, um den Kunden zu helfen, Arbeitsweisen zu etablieren, die sie in den kommenden Jahren zu marktschlagender Wertschöpfung antreiben. Mitarbeiter psychologisch mit ins Boot holen und ihnen helfen, den gesamten Softwareentwicklungszyklus zu verbessern. Als Early Adopters führen wir bereits seit einigen Jahren Schulungen für KI-Entwicklung durch und entwickeln dieses Angebot weiter. Doch es sind die mittelfristigen, praxisnahen Lern-Engagements, die unsere Kunden wirklich beschleunigen.

Early Adopters: Daniel Hartung und ich haben schon vor ein paar Jahren damit begonnen, Menschen mit Vorträgen und Workshops zu KI-gestützter Entwicklung zu befähigen.

Intern stellen wir sicher, dass alle unsere Entwickler qualifiziert sind – nicht nur, um mit KI zu entwickeln, sondern um anderen zu zeigen, wie es geht. Wir investieren stark in internes KI-Upskilling, und das spiegelt sich auch nach außen wider – unser Wissensaustausch und unsere Konferenzpräsenz mit Talks und Workshops zu AI Engineering werden 2026 weiter zunehmen.

Disruptive oder erhaltende Innovation?

In seinem Folgebuch The Innovator’s Solution stellt Christensen klar, dass disruptive Innovation im Allgemeinen auf neue oder Low-End-Märkte abzielt. Wenn eine Innovation genutzt werden kann, um bestehende Kunden besser zu bedienen, wird sie möglicherweise einfach von den etablierten Unternehmen übernommen, anstatt sie zu verdrängen. Um nicht verdrängt zu werden, sollten Unternehmen wie codecentric darauf abzielen, AI Engineering erfolgreich für ihre Kunden anzuwenden. Wenn ihre bestehenden Strukturen dies verhindern, ist die vielversprechendste Strategie, eine autonome Organisation zu schaffen. Übrigens hat codecentric erfolgreich eine Reihe von Spin-offs gestartet, darunter Instana, Steadybit und Centerdevice.

Option (c) – Kontinuierliche Schaffung von hohem Wert

Wo lässt das alles den bescheidenen Softwareentwickler? Die Marktentwicklung führt uns an einen Ort, an dem traditionelle Softwareentwicklungsfähigkeiten weniger knapp oder wertgeschätzt sind als früher. Aber traditionelles Programmieren wird nicht über Nacht verschwinden. Einige von uns können vielleicht sogar mit traditionellem Programmieren und begrenzter KI-Unterstützung in Rente gehen (Option a). Wenn es das ist, was du liebst, kannst du vorerst dabei bleiben. Dieser Teil des Marktes wird jedoch immer kleiner werden, und du musst möglicherweise andere Kompromisse eingehen (Standort, Branche, Gehalt).

Alternativ kannst du das tun, was ich die meisten Entwickler (zumindest hier in Deutschland) tun sehe: dich vom Strom mitreißen lassen, ein bisschen mit KI herumtüfteln und sie langsam in deinen normalen Prozess integrieren, ohne den guten alten Arbeitsalltag zu sehr zu stören (Option b). Diese Strategie könnte gut funktionieren. Aber sie könnte auch dazu führen, dass du von der schnellen Veränderungsrate und brillanten jüngeren Kollegen etwas abgehängt wirst. Es ist schwer zu sagen.

Mein Rat, meine Option (c), ist, das, was ich oben für codecentric beschrieben habe, auf einer persönlichen Ebene umzusetzen. Werde die Person, die massiven Wert schafft, indem sie die neuen KI-Workflows vorantreibt, anderen beibringt, die Technologie effektiv zu nutzen, und das Geschäft verbessert. Menschen, die Wert schaffen, sind immer gefragt. Wenn du einen technischen Hintergrund hast, über hilfreiche Fähigkeiten wie Lernbereitschaft, Proaktivität und Geschäftsbewusstsein verfügst und all dies dann auf AI Engineering anwendest, wirst du „irgendeinen Typen mit einem Vibe-Coding-Tool“ jederzeit schlagen.

Der Unterschied zwischen Option (b) und (c) ist die Einstellung und das Energielevel. Entwickler der Option (b) spüren keinen wirklichen Drang zur Veränderung. Sie sind nicht gegen KI, aber sie sind bequem. Sie erwarten, dass sie KI schon irgendwie nutzen können werden wenn es erwartet wird. Entwickler der Option (c) über so viel wie möglich, sie probieren verrückte neue Ideen aus. Sie sprechen mit den Produktleuten darüber, wie sie gemeinsam an etwas Spannendem arbeiten könnten. Sie fragen ihre Rechtsabteilung, ob sie persönlich ins Gefängnis gehen, wenn sie nicht-autorisierte KI-Tools verwenden.

Niemand weiß, was die Zukunft bringt. Unabhängig davon, welchen Weg du wählst: Versuche, einen flexiblen Standpunkt zum Thema AI Engineering zu bewahren. Äußere deine aktuelle Meinung, aber sei bereit, sie in zwei Monaten im Lichte neuer Fakten zu ändern. Das Schlimmste, was du tun kannst, ist, dich aus Stolz darauf zu versteifen, einen Standpunkt zu verteidigen, der seine Berechtigung verloren hat. Widerlegt zu werden ist eine fantastische Lernerfahrung!