KI-Tools in der Softwareentwicklung sind mittlerweile allgegenwärtig. Fast wöchentlich erscheinen neue Werkzeuge, Workflows oder Analysen, welche die Transformation unserer Branche beschreiben. Bei codecentric erleben wir diese Veränderung bereits täglich – die Frage ist längst nicht mehr ob, sondern wie.
Genau das hat mich interessiert: Wie sieht es in der echten Praxis aus? Nicht das, was theoretisch möglich ist, sondern das, was wir in unseren professionellen Projekten tatsächlich machen und natürlich was funktioniert. In Gesprächen mit Kollegen, die in unterschiedlichen Projekten arbeiten und verschiedene Erfahrungslevel mitbringen, wollte ich genau das herausfinden. Eines haben sie alle gemeinsam: Sie arbeiten aktiv und täglich mit KI-Tools.
Dabei hat sich gezeigt: Obwohl die Projekte und Werkzeuge variieren, kristallisieren sich klare Muster heraus. Das überraschendste Ergebnis: Erfolgreicher KI-Einsatz hat weniger mit dem Tool zu tun als mit dem Rahmen, den man um das Tool herum baut.
Dex Horthy von HumanLayer hat dafür ein treffendes Bild: KI-Output ist wie geschmolzene Lava – extrem mächtig, aber ohne Führung fließt sie unkontrolliert in alle Richtungen. Man muss Kanäle graben, damit die Energie nutzbar wird. Genau diese Kanäle haben meine Kollegen gebaut – und ihre Erfahrungen zeigen, wie das in der Praxis aussieht.
Die neue Arbeitsweise: In drei Phasen zum Ziel
Ich habe mich bewusst mit Kollegen unterhalten, die mit sogenannten Agentic Tools arbeiten – CLI-basierte Werkzeuge wie Claude Code oder OpenCode. Diese Werkzeuge können eigenständig Dateien lesen, Code schreiben und Tests ausführen. Sie bieten volle Kontrolle über den Kontext, integrieren sich nahtlos in bestehende Workflows und machen unabhängig von spezifischen IDEs. In dieser Art zu arbeiten sehe ich deutlich mehr Potenzial als in reiner Code-Completion.
Dabei kristallisierte sich ein gemeinsames Muster heraus: Niemand lässt die KI einfach blind loslaufen. Statt "Vibe-Coding" hat sich ein strukturierter Workflow etabliert, der sich in drei klare Phasen unterteilen lässt: Planning, Implementation und Validation. Die konkreten Umsetzungen unterscheiden sich – manche arbeiten mit etablierten Frameworks wie BMAD oder SpecKit, andere haben eigene Methoden entwickelt. Aber das zugrunde liegende Prinzip ist bei allen dasselbe.
1. Planning: Den Kanal graben
Bevor auch nur eine Zeile Code generiert wird, investieren alle Kollegen massiv in die Planung. Aus groben Anforderungen entstehen präzise Spezifikationen und detaillierte Pläne, die oft in dedizierten .md-Dateien festgehalten werden.
Ein Kollege beschrieb seine plan.md so präzise, dass man sie "theoretisch einem Werkstudenten geben könnte". Das Ziel dieser Phase ist es, der KI einen klaren Pfad vorzugeben und architektonische Leitplanken zu setzen. Erst wenn das "Was" und "Wie" im Dialog geklärt sind, folgt der Wechsel in den Schreibmodus.
2. Implementation: Der kontrollierte Fluss
In der Umsetzungsphase wird der Plan Schritt für Schritt abgearbeitet. Wichtig ist hier die enge Begleitung: Viele nutzen "Manual Accept"-Modi, um zu verhindern, dass die KI bei komplexen Aufgaben in die falsche Richtung abbiegt.
Ein Kollege geht noch einen Schritt weiter und setzt auf spezialisierte Agenten-Teams. Ein "Implementer"-Agent schreibt den Code, während ein "QA-Agent" parallel die passenden Tests dazu entwickelt – in seinem Fall in einem klassischen TDD-Zyklus (Red-Green-Refactor). Nach jedem funktionierenden Teilschritt wird sofort committet, um einen sauberen Zustand zu bewahren.
3. Validation: Der Qualitäts-Check
Die letzte Phase stellt sicher, dass das Ergebnis den Anforderungen und Qualitätsstandards entspricht. Da Code heute schneller entsteht, als man ihn im Detail lesen kann, verschiebt sich hier der Fokus.
Automatisierte Tests sind der wichtigste Anker. Zusätzlich etablieren sich LLM-basierte Reviews als wertvolles Werkzeug. Ein besonders spannender Ansatz ist der Einsatz unterschiedlicher "Personas": Ein Agent führt ein Standard-Review durch, während ein zweiter als "strenger Kritiker" den Code gezielt nach Schwachstellen durchsucht. Erst wenn dieser "Check" erfolgreich ist, gilt die Aufgabe als erledigt.
Dieser Workflow ist kein Zufall, sondern eine bewusste Investition. Alle Kollegen haben verschiedene Ansätze ausprobiert und iteriert, bevor sie bei ihrem aktuellen Vorgehen gelandet sind. Wenn du ein neues Projekt startest, plane diese Zeit bewusst ein – es ist die wichtigste Investition in deine Produktivität. Der dreiphasige Workflow ist der Kanal, der die Lava in die richtige Richtung lenkt.
Je präziser der Plan, desto besser das Ergebnis – ein durchdachter Workflow ist die beste Investition in KI-gestützte Entwicklung.
Aber der beste Workflow greift nur, wenn auch der Kontext stimmt – und genau das hat sich als eigenständige Kompetenz herausgestellt.
Kontext ist König
Kontext-Management ist mehr als ein Detail des Workflows – es hat sich zu einer völlig eigenständigen Kompetenz entwickelt. Unsere Kollegen haben unabhängig voneinander fast identische Strategien entwickelt: Den Kontext regelmäßig leeren, ihn so klein wie möglich halten und nur absolut relevante Informationen für die aktuelle Teilaufgabe übergeben.
Manche leeren den Kontext strikt nach jeder Story und vermeiden so "Kontext-Vollläufe". Andere haben schmerzhaft gelernt, dass ein zu schnell wachsender Kontext die Code-Qualität drastisch verschlechtert.
Markdown als externalisiertes Gedächtnis
Pläne, Spezifikationen und Zustände zwischen KI-Sessions werden konsequent in .md-Dateien festgehalten. Das ist kein Overhead, sondern die essenzielle Brücke zwischen den Arbeitsphasen. Wenn eine plan.md präzise genug formuliert ist, bleibt sie auch ohne den ursprünglichen Chat-Kontext verständlich. Diese Dateien dienen als durchgehendes Tracking und externalisiertes Gedächtnis für die KI.
Projektregeln als Leitplanken
Regel-Dateien wie CLAUDE.md sind weit mehr als nur passive Dokumentation. Sie sind aktiver Kontext. Sie bringen der KI bei, wie sie sich in exakt diesem Projekt verhalten soll – vom Coding Style bis hin zu Architekturentscheidungen. Ein Kollege berichtete von einer spürbaren, messbaren Erhöhung der Code-Qualität, nachdem er eigene Agenten und Skills über eine solche Projektdatei gesteuert hat.
Das Prinzip dahinter nennt sich "Context Bounding": Wenn der Workflow der Kanal ist, dann bestimmt der Kontext, wie breit oder eng er ist. Die KI sollte niemals mehr Informationen erhalten, als sie für den spezifischen nächsten Schritt benötigt.
Wer den Kontext kontrolliert, kontrolliert die Qualität.
Workflow und Kontext zusammen erzeugen einen enormen Schub – bringen aber auch völlig neue Herausforderungen mit sich.
Das Spannungsfeld: Geschwindigkeit vs. Kontrolle
Bringen die Tools wirklich etwas? Ja, definitiv. Aber was passiert, wenn die Lava doch ausbricht?
Die echten Gewinne
Geschwindigkeit: Alle Gesprächspartner bestätigen einen enormen Speedup. Einer formulierte es passend: "Wenn man ein Architekturmuster hat, dann ist die Umsetzung deutlich schneller." Die Geschwindigkeit entsteht nicht durch wildes Generieren, sondern durch die solide Vorplanung. Der Sparringspartner: KI wird intensiv genutzt, um Architekturentscheidungen zu diskutieren. Das hilft nicht nur bei der Lösungsfindung, sondern dokumentiert die Entscheidungen direkt im Repository. Dokumentation und Tests: Die Hemmschwelle sinkt drastisch. "Es ist sehr motivierend und es gelingt besser, die Dokumentation nachzuziehen", so einer der Entwickler. Die Testabdeckung steigt, weil die Fleißarbeit abgenommen wird. Repetitive Aufgaben: Besonders unbeliebte Aufgaben wie groß angelegte Migrationen lassen sich spürbar schneller abarbeiten.
Die Kehrseite der Medaille
Die Vertrauensfrage: Wie viel muss ich eigentlich noch kontrollieren? Ein Kollege merkte kritisch an, dass sich über die Zeit oft ein "blindes Vertrauen" einschleicht, weil die Ergebnisse oberflächlich gut aussehen. Wissensverlust: Wenn man nicht aktiv gegensteuert, wird man vom eigenen Code abgehängt. Man beschäftigt sich schlicht weniger tiefgreifend mit dem, was Zeile für Zeile geschrieben wird. Das Review-Bottleneck: Code entsteht mittlerweile schneller, als man ihn gründlich lesen kann. Das Nadelöhr verschiebt sich vom Schreiben zum Reviewen. Technische Grenzen: Bei Nischen-Tools, sehr speziellen Testframeworks oder komplexer Infrastruktur stößt die KI heute noch spürbar an ihre Grenzen und produziert Fehler. Verbosität und Boilerplate: Ein wiederkehrendes Thema in den Gesprächen: KI neigt dazu, zu viel Code zu generieren. "90% gut, aber mit Drang zu viel Code", wie ein Kollege es zusammenfasste. Ohne klare Vorgaben entsteht schnell unnötiger Boilerplate, den man anschließend wieder reduzieren muss. Präzise Spezifikationen und Projektregeln helfen, aber das Problem bleibt spürbar.
Unsere Antworten aus der Praxis
Wie gehen wir mit diesen Problemen um? Der wichtigste Qualitätsanker sind automatisierte Tests. Sie fangen auf, was das menschliche Auge beim schnellen Review übersieht.
Beim Thema Review sehen wir aktuell zwei funktionierende Ansätze. Manche lesen weiterhin dediziert jede generierte Änderung doppelt durch. Andere experimentieren bereits erfolgreich mit LLM-basierten Reviews. Ein Kollege nutzt dafür sogar zwei unterschiedliche KI-Personas – einen Standard-Reviewer und einen strengen "Linus Torvalds"-Bot, der den Code gnadenlos auseinandernehmen soll.
Letztlich steht und fällt alles mit der Vorarbeit: Mit einer guten Anleitung wird der Code wahrscheinlich gut. Ohne Anleitung sinkt die Qualität dramatisch.
In der KI-gestützten Entwicklung werden gute Spezifikationen, Projektregeln und Tests wichtiger als der Code selbst.
All diese Veränderungen – im Workflow, im Umgang mit Kontext, in der Qualitätssicherung – verändern letztlich auch, was von uns als Entwicklern erwartet wird.
Die Rollenverschiebung: Vom Coder zum Architekten
Wir beobachten eine fundamentale Verschiebung in unserem Berufsbild. Die Mehrheit der Kollegen räumte ein, dass ihre reinen Programmierfähigkeiten auf Syntax-Ebene nachlassen könnten, da man weniger Dinge selbst nachschlägt und abtippt.
Im Gegenzug wachsen jedoch andere, wichtigere Fähigkeiten: Das Architektur-Denken und das Lösungsdesign rücken in den Fokus. Die Kernkompetenz verschiebt sich vom reinen Erstellen von Code hin zum Beurteilen von Systemen.
Das zeigt sich auch in einem bewussteren Werkzeugeinsatz. Reife im Umgang mit KI bedeutet zu wissen, wann man sie nicht nutzt. Große Renamings macht man besser mit sicheren IDE-Refactoring-Tools. Sehr kleine Änderungen baut man oft schneller von Hand, als einen Prompt dafür zu schreiben. Und die grundlegenden Lösungsideen sollte man nach wie vor selbst im Kopf entwickeln, bevor man sie mit der KI diskutiert.
Wir entwickeln uns vom Schreiber zum Planer und Kontrolleur.
Fazit
Unter den Kollegen herrscht Konsens: Niemand möchte mehr ohne KI arbeiten. Die Vorteile überwiegen die Stolperfallen bei Weitem. Die eigentliche Erkenntnis aus all diesen Gesprächen: Es geht nicht mehr primär darum, Code zu schreiben – sondern darum, einen Rahmen zu schaffen, in dem guter Code entsteht.
Wenn du KI in deinem aktuellen oder nächsten Projekt effektiver nutzen willst, nimm diese drei Dinge mit:
- Investiere Zeit in deinen Workflow: Plan-First schlägt Vibe-Coding. Plane ganz bewusst Zeit ein, um verschiedene Frameworks auszuprobieren und deinen eigenen Ablauf zu iterieren.
- Kontrolliere den Kontext und definiere Projektregeln: Halte den Kontext klein, leere ihn regelmäßig und gib der KI durch
.md-Dateien klare Leitplanken für Coding-Standards. - Setze auf automatisierte Qualitätssicherung: Solide Tests und strukturierte Reviews (ob manuell oder durch LLM-Personas) sind dein Rettungsanker, wenn der Code schneller entsteht, als du ihn lesen kannst.
Wir stehen alle noch am Anfang dieser Entwicklung. Aber die Lava fließt – und die Kanäle, die wir dafür graben, werden jeden Tag besser.
War dieser Beitrag hilfreich?
Weitere Artikel in diesem Themenbereich
Entdecke spannende weiterführende Themen und lass dich von der codecentric Welt inspirieren.
3.3.2026
Blog-Autor*in
Denis Stalz-John
Machine Learning Specialist
Du hast noch Fragen zu diesem Thema? Dann sprich mich einfach an.
Du hast noch Fragen zu diesem Thema? Dann sprich mich einfach an.