Warum gute Programmierer im KI-Zeitalter wichtiger sind als je zuvor

Es klingt paradox, aber es stimmt: Ausgerechnet jetzt, wo KI-Tools ganze Codebasen in Sekunden generieren können, zählen solide Software-Grundlagen mehr als je zuvor. Wer glaubt, sein handwerkliches Können als Entwickler sei durch KI wertlos geworden, kann aufatmen. Das Gegenteil ist der Fall.

In letzter Zeit hat sich ein Trend breitgemacht, der sich "Specs-to-Code" nennt: Du schreibst eine Spezifikation, lässt die KI daraus Code generieren, und wenn etwas nicht funktioniert, änderst du einfach die Spezifikation und lässt den "Compiler" erneut laufen. Klingt verlockend einfach - funktioniert aber in der Praxis nicht. Wer das ausprobiert hat, kennt das Ergebnis: Nach ein paar Durchläufen wird der Code nicht besser, sondern schlechter. Und schlechter. Bis am Ende nur noch Müll übrig bleibt. Das ist im Grunde nichts anderes als Vibe-Coding mit einem neuen Namen - und genau hier setzt dieser Ratgeber an.

Warum schlechter Code jetzt teurer ist denn je

Es gibt einen Satz, der in der Tech-Szene gerade die Runde macht: "Code ist billig." Das stimmt so nicht. Schlechter Code war noch nie so teuer wie heute. Der Grund: Wenn deine Codebasis schwer zu verändern ist, kannst du das volle Potenzial von KI gar nicht ausschöpfen. KI liefert in einer guten Codebasis exzellente Ergebnisse - und in einer schlechten eben katastrophale.

Zwei Klassiker der Softwareliteratur bringen es auf den Punkt. John Ousterhout beschreibt in "A Philosophy of Software Design" schlechten Code als "komplex": Komplexität ist alles, was die Struktur eines Systems so gestaltet, dass es schwer zu verstehen und zu verändern ist. Und "The Pragmatic Programmer" beschreibt das Prinzip der Software-Entropie: Jede Änderung, die nur den Moment im Blick hat und nicht das Gesamtdesign, lässt eine Codebasis mit der Zeit zerfallen. Genau das passiert beim Specs-to-Code-Ansatz - man verzichtet komplett auf Investition in gutes Design.

Fünf typische Probleme und wie du sie löst

Im Alltag mit KI-Tools tauchen immer wieder dieselben Stolpersteine auf. Die gute Nachricht: Für jedes dieser Probleme gibt es eine Lösung, die auf altbewährten Software-Prinzipien beruht.

Problem 1: Die KI baut etwas anderes, als du wolltest. Das liegt schlicht daran, dass niemand von Anfang an genau weiß, was er will - auch du nicht. Zwischen dir und der KI besteht eine Kommunikationslücke. Frederick P. Brooks beschreibt in "The Design of Design" das sogenannte Design-Konzept: die unsichtbare, gemeinsame Vorstellung davon, was gebaut werden soll, die zwischen mehreren Beteiligten entsteht. Die Lösung dafür ist denkbar simpel und enorm wirkungsvoll: Lass die KI dich löchern. Eine Anweisung wie "Interviewe mich gnadenlos zu jedem Aspekt dieses Plans, bis wir ein gemeinsames Verständnis erreichen" sorgt dafür, dass die KI dir 40, 60, manchmal sogar über 100 Fragen stellt, bevor sie loslegt. Aus diesem Gespräch lässt sich anschließend ein Anforderungsdokument oder direkt eine Liste von Aufgaben ableiten.

Problem 2: Die KI redet an dir vorbei. Das kennst du vielleicht aus der Zusammenarbeit mit Fachexperten aus fremden Domänen - ihr sprecht einfach nicht dieselbe Sprache. Genau hier hilft ein Konzept aus dem Domain-Driven Design: die sogenannte "Ubiquitous Language", eine gemeinsame Sprache. Erstelle eine Markdown-Datei mit den zentralen Begriffen deiner Codebasis, halte diese Begriffe konsequent im Code, im Gespräch mit Fachleuten und in der Kommunikation mit der KI ein. Das Ergebnis: Die KI denkt weniger umständlich, plant präziser, und die Umsetzung entspricht viel eher dem, was du dir vorgestellt hast.

Problem 3 bis 5: Der Code funktioniert nicht, obwohl alles richtig geplant war. Hier kommen Feedback-Schleifen ins Spiel - statische Typisierung, Browserzugriff für Frontend-Aufgaben, automatisierte Tests. Das Problem: KI nutzt diese Feedback-Möglichkeiten von sich aus schlecht. Sie produziert riesige Mengen Code auf einmal und denkt erst danach ans Testen. Das nennt "The Pragmatic Programmer" "Outrunning your headlights" - du fährst schneller, als deine Scheinwerfer reichen. Die Geschwindigkeit deines Feedbacks ist dein Tempolimit. Die Lösung: testgetriebene Entwicklung (TDD). Erst der Test, dann die Umsetzung, dann die Verfeinerung.

Deep Modules: Der Schlüssel zu testbarem, verständlichem Code

Damit TDD überhaupt funktioniert, muss deine Codebasis testbar sein. Und testbarer Code hat laut Ousterhout eine bestimmte Struktur: wenige, aber "tiefe" Module mit einfachen Schnittstellen, statt vieler "flacher" Module mit komplizierten Schnittstellen. Ein tiefes Modul versteckt jede Menge Funktionalität hinter einer simplen Oberfläche - du kannst reinschauen, musst es aber nicht. Ein flaches Modul dagegen bietet wenig Funktionalität bei komplizierter Schnittstelle, und genau solche Strukturen produziert KI von sich aus erschreckend gerne: viele kleine verstreute Bausteine, durch die sich die KI mühsam durchwühlen muss, ohne wirklich zu verstehen, was zusammengehört.

Die Lösung: Räume deine Codebasis regelmäßig auf. Suche nach zusammengehörigem Code, bündle ihn hinter klaren Schnittstellen, und designe diese Schnittstellen mit besonderer Sorgfalt selbst. Die Umsetzung dahinter kannst du getrost der KI überlassen.

Genau dieser Ansatz macht auch mental einen riesigen Unterschied. Wer schon einmal erschöpfter war als je zuvor in seiner Entwicklerkarriere, kennt das Gefühl: Eine chaotische Codebasis zwingt dich, ständig alles im Kopf zu behalten - zusätzlich zu dem, was die KI tut. Eine saubere Struktur mit tiefen Modulen nimmt dir diese Last ab. Du musst nicht mehr jede Implementierung im Detail verstehen, solange die Schnittstelle klar definiert und testbar ist.

Die Essenz: Investiere täglich ins Design

Alles läuft auf einen zentralen Gedanken hinaus, den Kent Beck einst formuliert hat: Investiere jeden Tag in das Design deines Systems. Genau das ist der Punkt, an dem Specs-to-Code scheitert - dort wird nicht investiert, sondern desinvestiert. Wenn du KI als eine Art hochkompetenten Programmierer auf operativer Ebene betrachtest - jemanden, der die Arbeit vor Ort erledigt - dann brauchst du trotzdem jemanden, der auf strategischer Ebene denkt. Und das bist du. Diese Rolle erfordert genau die Software-Grundlagen, die seit Jahrzehnten gültig sind: gutes Design, klare Schnittstellen, testbare Strukturen und eine gemeinsame Sprache mit deinem Werkzeug.

Fazit: KI macht gute Software-Fundamente nicht überflüssig, sie macht sie unverzichtbar. Wer seine Codebasis pflegt, klare Sprache mit der KI etabliert, in kleinen testgetriebenen Schritten arbeitet und Module bewusst gestaltet, holt das Maximum aus den neuen Werkzeugen heraus. Wer stattdessen einfach nur Spezifikationen durch den Compiler jagt, produziert am Ende teuren, unbrauchbaren Code. Probier es aus: Nimm dir dein aktuelles Projekt vor, lass die KI dein Vorhaben kritisch hinterfragen, bevor du losbaust - und beobachte, wie viel zielgerichteter die Zusammenarbeit plötzlich läuft.