Macht generative KI Softwareentwickler:innen überflüssig?

Generative KI verändert die Softwareentwicklung in einem Tempo, das lange undenkbar schien. Große Sprachmodelle erzeugen Quellcode, Tests und Dokumentation und übernehmen zunehmend Aufgaben, die bislang Softwareentwickler:innen vorbehalten waren. Ich vertrete die These, dass generative KI Softwareentwickler:innen nicht überflüssig macht, sondern ihr Aufgaben- und Kompetenzprofil grundlegend verändert. Während implementierungsnahe Tätigkeiten zunehmend automatisiert werden, gewinnen Systemverständnis, Architekturkompetenz sowie die Fähigkeit, KI-gestützte Entwicklungsprozesse kritisch zu steuern und zu bewerten, weiter an Bedeutung.

01   Einleitung

Kaum ein Thema wird in der Informatik derzeit so kontrovers diskutiert wie die Folgen generativer Künstlicher Intelligenz für die Softwareentwicklung. Was vor wenigen Jahren als intelligente Unterstützung beim Programmieren begann, wird heute zu agentischen Systemen, die zunehmend eigenständig Anforderungen analysieren, Quellcode erzeugen, Software testen, Fehler beheben und Entwicklungswerkzeuge bedienen (Hou et al., 2024; Panyam & Gujar, 2025; Applis et al., 2025). In den Mittelpunkt rückt damit eine Frage, die vor kurzem noch nach Science-Fiction geklungen hätte: Macht generative KI Softwareentwickler:innen überflüssig?

Für meine Betrachtung ist weniger entscheidend, was diese Systeme können. Wichtiger ist, welche Rolle Softwareentwickler:innen künftig noch bei der Entwicklung komplexer Softwaresysteme spielen - auch wenn beide Fragen eng zusammenhängen. Die Antwort hängt davon ab, welche Aufgaben Softwareentwickler:innen tatsächlich erfüllen und wie wichtig diese Aufgaben für komplexe Softwaresysteme sind.

02   Software Engineering ist mehr als Programmieren

Die eigentliche Aufgabe von Softwareentwickler:innen ist weit mehr als Quellcode zu erzeugen - sie ist eine Ingenieursaufgabe. Seit 1968 spricht man von Software Engineering, ein Begriff, der auf der NATO Software Engineering Conference geprägt wurde. Anlass war die sogenannte Softwarekrise: Je größer und komplexer die Systeme wurden, desto deutlicher zeigte sich, dass die bisherigen Vorgehensweisen nicht mehr genügten, um Projekte hinsichtlich Qualität, Kosten und Terminen zuverlässig zu beherrschen (Naur & Randell, 1969).

An diesem Grundverständnis hat sich bis heute wenig geändert. Der Guide to the Software Engineering Body of Knowledge definiert Software Engineering als die Anwendung eines systematischen, disziplinierten und messbaren Ansatzes auf Entwicklung, Betrieb und Wartung von Software (Bourque & Fairley, 2024). Damit umfasst die Disziplin den gesamten Lebenszyklus eines Systems - von der Anforderungsanalyse über Architekturentwurf, Implementierung und Qualitätssicherung bis zu Betrieb, Wartung und Weiterentwicklung.

Schon Brooks wies in seinem Essay No Silver Bullet darauf hin, dass die eigentliche Schwierigkeit der Softwareentwicklung nicht im Schreiben von Quellcode liegt, sondern in der Beherrschung der inhärenten Komplexität von Softwaresystemen (Brooks, 1987). Quellcode ist nur das sichtbare Ergebnis. Die ingenieurwissenschaftliche Leistung liegt davor und dahinter: Anforderungen verstehen, Zielkonflikte abwägen, tragfähige Architekturen entwerfen, technische Entscheidungen treffen und für Qualität, Wartbarkeit und Weiterentwicklung einstehen.

03   Was sich verändert - und was bleibt

Generative KI unterstützt insbesondere klar strukturierte und wiederkehrende Tätigkeiten: die Implementierung bekannter Algorithmen, die Erzeugung standardisierter Schnittstellen, die Übersetzung zwischen Programmiersprachen, die Erstellung einfacher Testfälle oder die Analyse bestehender Codebasen. Empirische Untersuchungen zeigen, dass sich solche klar abgegrenzten Programmieraufgaben mit KI-Unterstützung häufig deutlich schneller bearbeiten lassen. Das Ausmaß der Produktivitätsgewinne hängt jedoch von der Komplexität der Aufgabe, vom Kontext des Projekts und von der Erfahrung der Entwickler:innen ab (Peng et al., 2023; Paradis et al., 2024). Der DORA-Bericht nennt neben den positiven Wirkungen auch Spannungen zwischen individuellem Produktivitätsgewinn und der Stabilität übergreifender Entwicklungsprozesse (DORA, 2025).

In Brooks' Begriffen reduziert generative KI vor allem die akzidentielle Komplexität - den Aufwand, eine bereits verstandene Lösung technisch umzusetzen. Die essenzielle Komplexität bleibt. Sie steckt in der fachlichen Problemstellung selbst: im Verständnis der Anforderungen, im Abwägen von Zielkonflikten, im Entwurf geeigneter Lösungsarchitekturen (Brooks, 1987). Dazu kommt, dass KI-generierte Ergebnisse nicht automatisch korrekt sind. Sie können funktionale Fehler, Sicherheitslücken oder unpassende Architekturentscheidungen enthalten (Pearce et al., 2022). Je leichter sich Software erzeugen lässt, desto wichtiger werden Bewertung, Validierung und kontinuierliche Qualitätssicherung.

Generative KI ersetzt Software Engineering nicht. Sie erneuert seine Werkzeuge - und verschiebt den Schwerpunkt auf Systemverständnis, Gestaltung, Bewertung und Verantwortung.

04   Produktivität und Nachfrage: Das Jevons-Paradoxon

Aus den Produktivitätsgewinnen wird gerne gefolgert, dass künftig weniger Softwareentwickler:innen gebraucht werden. Der Schluss liegt nahe - ökonomisch zwingend ist er nicht. Schon 1865 widersprach William Stanley Jevons einer ganz ähnlichen Annahme, damals mit Blick auf den Verbrauch von Kohle:

„It is wholly a confusion of ideas to suppose that the economical use of fuel is equivalent to a diminished consumption. The very contrary is the truth."
- William Stanley Jevons, The Coal Question (1865)

Jevons beobachtete, dass technische Effizienzgewinne den Verbrauch einer Ressource nicht zwangsläufig senken. Sinkende Kosten erschließen neue Anwendungen und lassen die Gesamtnachfrage oft sogar steigen. Der Zusammenhang, später Jevons-Paradoxon genannt, wurde in der ökonomischen und ökologischen Forschung weiter ausgearbeitet; man unterscheidet zwischen Rebound-Effekten und einer vollständigen Überkompensation der Effizienzgewinne (Alcott, 2005; Sorrell, 2009).

Ein ähnlicher Mechanismus ist für die Softwareentwicklung plausibel. Senkt generative KI den Aufwand, werden Lösungen wirtschaftlich, die bisher nicht realisierbar waren. Und generative KI schafft selbst neue Anforderungen: Ihre Funktionen müssen in bestehende Systeme integriert, überwacht, abgesichert und weiter gepflegt werden. Mittlerweile wird das Jevons-Paradoxon auch für KI und digitale Infrastrukturen als möglicher Erklärungsansatz herangezogen (Greenstein, 2025). Es liefert keine Prognose, sondern einen theoretischen Rahmen. Es macht aber deutlich, dass höhere Produktivität nicht zwangsläufig weniger menschliche Arbeit bedeutet.

05   Fazit

Generative KI wird die Softwareentwicklung tiefgreifend verändern und immer mehr Tätigkeiten übernehmen, die heute noch von Menschen erledigt werden. Das verschiebt Rollen, Arbeitsweisen und Kompetenzprofile - überflüssig macht es Softwareentwickler:innen aus meiner Sicht nicht.

Für Praxis, Lehre und Forschung bedeutet das einen Perspektivwechsel. Programmieren bleibt eine unverzichtbare Grundlage, muss aber noch enger mit Softwarearchitektur, Requirements Engineering, Qualitätssicherung, Sicherheit und dem verantwortungsvollen Einsatz generativer KI zusammengedacht werden. Zunehmend wichtig wird zudem etwas Neues: Software zu verstehen, die man nicht selbst geschrieben hat, sondern die von KI-Systemen stammt.

Die eigentliche Frage ist deshalb nicht, ob generative KI Softwareentwickler:innen überflüssig macht, sondern wie sich ihre Rolle verändert. Wer sich auf die neuen Werkzeuge einlässt und zugleich die ingenieurwissenschaftlichen Grundlagen beherrscht, wird auch in einer von KI geprägten Zukunft eine zentrale Rolle spielen.

06   Literaturverzeichnis

1. 01Alcott, B. (2005). „Jevons' Paradox“. Ecological Economics 54(1), S. 9-21. https://doi.org/10.1016/j.ecolecon.2005.03.020
2. 02Applis, L.; Zhang, Y.; Liang, S.; Jiang, N.; Tan, L.; Roychoudhury, A. (2025). „Unified Software Engineering Agent as AI Software Engineer“. arXiv:2506.14683. https://arxiv.org/abs/2506.14683
3. 03Bourque, P.; Fairley, R. E. (Hrsg.) (2024). Guide to the Software Engineering Body of Knowledge (SWEBOK Guide), Version 4.0. IEEE Computer Society. https://www.computer.org/education/bodies-of-knowledge/software-engineering
4. 04Brooks, F. P. (1987). „No Silver Bullet: Essence and Accidents of Software Engineering“. Computer 20(4), S. 10-19. https://doi.org/10.1109/MC.1987.1663532
5. 05DeBellis, D.; Forsgren, N.; Humble, J.; Mace, M.; Nagappan, N.; Zimmermann, T. (2025). DORA Accelerate State of DevOps Report 2025. Google Cloud / DORA. https://dora.dev/research/2025/dora-report/
6. 06Greenstein, S. (2025). „Artificial Intelligence and the Jevons Paradox“. IEEE Micro 45(2), S. 118-120. https://doi.org/10.1109/MM.2025.3554606
7. 07Hou, X. et al. (2024). „Large Language Models for Software Engineering: A Systematic Literature Review“. ACM TOSEM 33(8), Artikel 220. https://doi.org/10.1145/3695988
8. 08Jevons, W. S. (1865). The Coal Question. Macmillan, London. https://www.econlib.org/library/YPDBooks/Jevons/jvnCQ.html
9. 09Naur, P.; Randell, B. (Hrsg.) (1969). Software Engineering: Report on a Conference Sponsored by the NATO Science Committee, Garmisch, 7.-11. Oktober 1968. http://homepages.cs.ncl.ac.uk/brian.randell/NATO/nato1968.PDF
10. 10Panyam, N.; Gujar, S. (2025). „How AI Agents Are Transforming Software Engineering and the Future of Product Development“. Computer 58(5), S. 71-77. https://doi.org/10.1109/MC.2024.3488378
11. 11Paradis, E. et al. (2024). „How Much Does AI Impact Development Speed? An Enterprise-Based Randomized Controlled Trial“. arXiv:2410.12944. https://arxiv.org/abs/2410.12944
12. 12Pearce, H.; Ahmad, B.; Tan, B.; Dolan-Gavitt, B.; Karri, R. (2022). „Asleep at the Keyboard? Assessing the Security of GitHub Copilot's Code Contributions“. IEEE S&P, S. 754-768. https://doi.org/10.1109/SP46214.2022.9833571
13. 13Peng, S.; Kalliamvakou, E.; Cihon, P.; Demirer, M. (2023). „The Impact of AI on Developer Productivity: Evidence from GitHub Copilot“. arXiv:2302.06590. https://arxiv.org/abs/2302.06590
14. 14Sorrell, S. (2009). „Jevons' Paradox Revisited: The Evidence for Backfire from Improved Energy Efficiency“. Energy Policy 37(4), S. 1456-1469. https://doi.org/10.1016/j.enpol.2008.12.003