«Vibe Coding» steht für einen neuen Ansatz in der Softwareentwicklung, bei dem Künstliche Intelligenz mit minimalen Anweisungen eigenständig Code generiert. Das Potenzial ist gross: Entwicklungsprozesse könnten massiv beschleunigt, die Zusammenarbeit zwischen Mensch und Maschine neu gedacht werden. Gleichzeitig stellen sich Fragen zur Code-Qualität, Sicherheit und zur Rolle von Entwicklerinnen und Entwicklern. DevOps- und AI-Professional Alex Lichtenberger ordnet ein, welche Chancen und Herausforderungen dieser Paradigmenwechsel mit sich bringt.
Mit dem Konzept des «Vibe Coding» generieren KI-Modelle auf Basis knapper Anweisungen eigenständig Code. Doch was bedeutet das für die Rolle von Entwickler/innen, die Qualität von Software und die Ausbildung im IT-Bereich? Alex Lichtenberger, erfahrener DevOps- und AI-Professional und langjähriger Trainer bei der Digicomp Academy spricht im Interview über die Chancen und Herausforderungen dieser Entwicklung – und darüber, warum menschliche Expertise weiterhin unverzichtbar bleibt.
Welche Bedeutung kommt dem Trend «Vibe Coding» zu, bei dem KI-Modelle aus knappen Anweisungen eigenständig Code erzeugen?
Alex Lichtenberger: Als ich vor drei Jahren erstmals damit experimentierte, war meine Reaktion: «Naja». Inzwischen haben sich die KI-Modelle jedoch massiv verbessert. «Vibe Coding» ist mehr als nur ein Trend zu höherer Abstraktion – es ist ein neues Modell der Zusammenarbeit zwischen Mensch und KI.
Eines ist dabei entscheidend: Wer sich blind auf KI-generierten Code verlässt, ohne kritisch hinterfragen zu können und ohne die Prinzipien von Clean Code und Softwarearchitektur zu beherrschen, wird zwangsläufig auf Probleme stossen. Ich sehe «Vibe Coding» daher eher als Assistenz und Beschleuniger – nicht als Ersatz für fundiertes Software Engineering.
📌«Wer sich blind auf KI-generierten Code verlässt, ohne kritisch hinterfragen zu können und ohne die Prinzipien von Clean Code und Softwarearchitektur zu beherrschen, wird zwangsläufig auf Probleme stossen.»
Welche Auswirkungen hat dieser Ansatz auf traditionelle Programmierpraktiken?
Traditionelle Programmierpraktiken werden sich verändern, aber nicht verschwinden. Das handwerkliche «Coding» wird teilweise durch generierten Code ersetzt. Das Schreiben von Code rückt in den Hintergrund – das Verstehen von Systemen wird zentral. Die Arbeit wird dadurch spannender, aber auch anspruchsvoller. Wer Systemarchitekturen nicht versteht, wird Schwierigkeiten haben, generierten Code richtig einzuordnen, zu prüfen und nachhaltig zu integrieren.
Inwiefern wird diese zunehmende Automatisierung von Routine-Coding-Aufgaben die Karrierepfade von Junior-Entwickler/innen beeinflussen?
Junior-Entwickelnde haben traditionell viel durch das praktische Lösen einfacher Aufgaben gelernt – das war bei mir nicht anders. Wenn diese repetitiven oder standardisierten Tasks nun zunehmend automatisiert werden, besteht das Risiko, dass wichtige Lernmomente wegfallen. Umso wichtiger werden eine strukturierte Einarbeitung und Mentoring, bei der Junioren zwar KI-Tools nutzen können, aber zugleich angeleitet werden, die Zusammenhänge «hinter dem Code» zu verstehen.
Welche Strategien sollten Unternehmen implementieren, um den Wissenstransfer und die Entwicklung von Nachwuchstalenten sicherzustellen?
Unternehmen sollten gezielt Programme aufsetzen, die einerseits den Einsatz von KI-Tools fördern, andererseits aber auch den systematischen, «KI-freien» Aufbau von Kernkompetenzen sicherstellen. Als Analogie: Wer in der Schule im Mathematikunterricht als Erstes lernt, den Taschenrechner zu bedienen statt zu rechnen, wird nie ein guter Mathematiker. Unterstützend können Wissenstransfer-Techniken wie Pair Programming (gemeinsam statt isoliert Code generieren), Mentoring-Programme und ein Rotationsprinzip (Wechsel zwischen Bereichen) die Entwicklung von Nachwuchstalenten fördern.
📌«Als Analogie: Wer in der Schule im Mathematikunterricht als Erstes lernt, den Taschenrechner zu bedienen statt zu rechnen, wird nie ein guter Mathematiker.»
Welche Ausbildungswege und Weiterbildungsangebote sind notwendig, um diesen Anforderungen gerecht zu werden?
Neben klassischen Informatikstudiengängen, die Grundkompetenzen vermitteln, braucht es mehr interdisziplinäre Weiterbildungen, die Data Science, Machine Learning und Software Engineering verbinden. Zudem können spezialisierte Angebote gezielt Wissenslücken schliessen – etwa zu Themen wie Prompt Engineering, DevOps/MLOps oder Machine Learning.
Welche ethischen und rechtlichen Aspekte sind beim Einsatz von KI in der Softwareentwicklung zu berücksichtigen?
Gerade in sicherheitskritischen Bereichen – in der Schweiz etwa Fintech oder Pharmazie – kann ein einzelner Fehler im Code schwerwiegende Folgen haben.
Wie können diese sichergestellt werden?
Besonders problematisch ist die fehlende Nachvollziehbarkeit: Die KI-Codegenerierung ist oft eine Black Box – es bleibt unklar, warum genau ein bestimmter Code erzeugt wurde. Das erschwert Audits und Zertifizierungen und macht es schwierig, potenzielle Fehler systematisch zu identifizieren. Hinzu kommt ein weiteres Risiko: Wenn das zugrunde liegende Trainingsmaterial fehlerhaft oder verzerrt ist, können sich diese Mängel direkt im Code widerspiegeln – ein klassisches Beispiel für Bias-Vererbung.
Wie können Entwickler/innen sicherstellen, dass KI-generierter Code den hohen Standards in sicherheitsrelevanten Bereichen entspricht
Als DevOps-Enthusiast setze ich auf einen ganzheitlichen Ansatz aus Automatisierung, Testing und menschlicher Expertise. KI-generierter Code muss strenge Qualitätsprüfungen durchlaufen, bevor er in sicherheitskritischen Systemen eingesetzt wird. Dafür sind DevOps-Praktiken wie automatisierte Pipelines, statische Code-Analysen und umfassende Tests essenziell. Besonders in sensiblen Bereichen sind reproduzierbare Builds, transparente Versionierung und stabile CI/CD-Prozesse unverzichtbar.
Allerdings reicht reine Automatisierung nicht aus. Ein erfahrener Entwickler oder eine erfahrene Entwicklerin sollte stets in den Review-Prozess eingebunden sein.
📌«Menschliche Expertise ist unerlässlich, um komplexe Zusammenhänge zu bewerten, potenzielle Risiken zu identifizieren und architektonische Entscheidungen kritisch zu hinterfragen.»
In welchem Ausmass sollten Entwickler/innen in die Entwicklung und das Training von KI-Modellen eingebunden sein, die in der Softwareentwicklung eingesetzt werden?
Eine enge Einbindung ist unerlässlich. Entwickelnde verstehen die Anforderungen und Kontexte, in denen das KI-Modell agieren soll, am besten. Sie können relevante Trainingsdaten identifizieren – etwa Codebasen, Patterns oder Libraries. Denn: «Shit in – shit out.»
Garry Tan, CEO des renommierten Startup-Inkubators Y Combinator, betont in einem Interview, dass durch Vibe Coding kleine Teams von zehn Entwickelnden die Arbeit von zuvor 50 bis 100 Personen leisten können. Ist diese Aussage realistisch?
Ich stimme Garry Tan grundsätzlich zu, wäre mit konkreten Zahlen aber vorsichtig. Gewisse Voraussetzungen müssen erfüllt sein. Besonders spannend finde ich die Möglichkeit, die natürlichen Grenzen von Teamgrössen zu verschieben. In der Vergangenheit mussten komplexe Aufgaben oft auf mehrere Teams verteilt werden, was zu erheblichem Koordinationsaufwand führte – Stichwort: Scaled Agile. Wenn es nun dank KI gelingt, diese Aufgaben innerhalb eines Teams zu lösen, entsteht enormes Potenzial für mehr Agilität und Geschwindigkeit.
Kommentar