KI in der Software Entwicklung: Was Dominik Amon (WKO Inhouse) realistisch über Copilot, Risiko und Verantwortung zeigt

Kontext: Zwischen Hype, Dystopie und Alltag im Code

In der Session „KI in der Software Entwicklung“ von Dominik Amon (WKO Inhouse) begleitet uns ein erfahrener Full‑Stack‑Entwickler durch eine nüchterne Bestandsaufnahme: Künstliche Intelligenz ist in der Praxis angekommen, doch ihre Auswirkungen auf die Softwareentwicklung sind differenzierter, als Headlines vermuten lassen. Wir bei DevJobs.at haben genau hingehört – und mitgeschrieben, wo KI konkret hilft, wo sie Gefahren birgt und wie Teams ihre Arbeitsweise anpassen sollten.

Amon stellt eingangs die lauten Stimmen vor, die mittlerweile fast jede Entwickler-Pipeline erreichen:

• Aussagen wie jene, dass 2025 „viele Mid‑Level‑Engineers“ ersetzt werden könnten.
• Ein CEO, der „Technologie schaffen“ möchte, um „gar nicht mehr programmieren zu müssen“.
• Die steile Ansage, 2025 überhaupt keine EntwicklerInnen mehr einzustellen – weil KI die Effizienz so stark erhöhen würde.
• Und eine populäre Risiko-Website, die „Computer Programmers“ mit 67 % als High‑Risk einstuft.

Die Frage, die über allem schwebt: Wird Programmieren wirklich „wegrationalisiert“ – oder erleben wir gerade den nächsten Produktivitätssprung mit neuen Spielregeln? Statt spekulativer Antworten entscheidet sich Amon für ein praktisches Experiment.

Das Demo: GitHub Copilot in Visual Studio 2022 – eine Methode „rückwärts“ denken

Dominik Amon öffnet Microsoft Visual Studio 2022 und aktiviert GitHub Copilot. Ausgangspunkt ist ein kleines, aber alltagsnahes Stück Logik: eine Methode, die einen String enkodiert, komprimiert und ausgibt. Die Aufgabe: das Ganze umkehren – also den zuvor erzeugten String wieder dekomprimieren und als menschenlesbaren Text anzeigen.

Die Arbeitsweise im Demo ist typisch für moderne KI‑gestützte Entwicklung:

• Inline‑Vorschläge tauchen auf, noch während Amon schreibt. Copilot erkennt Muster und schlägt passende Bausteine vor.
• Zusätzlich nutzt Amon die Abfrage über Prompt („create a decode method“) – mit dem vorhandenen Code als Referenz.
• Copilot liefert eine kompakte Implementierung, die logisch die Schritte invertiert: Base64 zurück in Bytes, Dekompression, Rückgabe als String.
• Amon fügt die Methode ein, ergänzt den Aufruf und testet. Ergebnis: Der menschenlesbare String erscheint korrekt.

Die Botschaft des Demos ist bewusst unaufgeregt: KI hilft dabei, die Logik „rückwärts“ zu denken und Boilerplate zu sparen. Nicht mehr, nicht weniger. Oder, wie Amon es praktisch vorführt: „mit nur wenigen Mausklicks“. Er muss die Lösung nicht neu erfinden, sondern validiert, dass der Vorschlag im konkreten Kontext funktioniert.

Von der Kurve der Erwartungen zur Nüchternheit

Amon ordnet die Debatte mit einer Langzeitperspektive ein: Über Jahre lag die gefühlte Wahrscheinlichkeit, dass der Job der SoftwareentwicklerInnen „wegautomatisiert“ wird, bei rund 50 %. Mit dem KI‑Schub 2022/2023 sprang der Wert auf 73 % – sank dann aber wieder. Warum?

• Ein Praxisbericht aus einem Ministerium: Im australischen Finanzministerium testete man KI 14 Wochen lang. Die „hohen Erwartungen“ wurden nicht erfüllt; bei komplexen Aufgaben half KI „nicht wirklich“. Die Nutzung war anfangs hoch – und brach dann ein.
• Auch aus dem Microsoft‑Umfeld kommt eine Einordnung: KI ist „kein Game‑Changer“, aber „sehr hilfreich“. Klingt unspektakulär – trifft aber das, was wir in vielen Teams sehen.
• Eine weitere beobachtete Wirkung: KI kann kritisches Denken behindern. Amon nennt dafür den Begriff „Vibe‑Coding“ – also das blinde Übernehmen von Vorschlägen, weil sie plausibel klingen.
• Gleichzeitig widerspricht eine Stimme aus der Microsoft‑Welt der Empfehlung, nicht mehr IT zu studieren: Es wird „weiterhin Programmierer benötigen“, nur „deutlich effizienter“.

Für uns bei DevJobs.at sind das drei Kernpunkte, die gut zusammenpassen: KI beschleunigt, aber sie adoptiert nicht automatisch Qualität. Sie entlastet, aber ersetzt nicht den fachlichen Blick. Und sie erhöht die Verantwortung – gerade, wenn Output schnell in Produktionscode landet.

Wo KI in der Softwareentwicklung heute tatsächlich hilft

Amon bündelt die praktischen Vorteile aus seiner täglichen Arbeit. Vieles davon konnten wir im Demo und in seinen Beispielen wiedererkennen:

• Code verstehen lassen: „Was tut das?“ – KI erklärt fremden oder älteren Code, inklusive schwer lesbarer Abschnitte.
• Regular Expressions entmystifizieren: Gerade bei RegEx lohnt sich das Nachfragen: „Was macht dieses Ding?“
• Schnellere Einarbeitung in neue Umgebungen: Wer z. B. noch keine Erfahrung mit Smartphone‑Apps hat, kommt mit KI‑Unterstützung schneller rein.
• Rückfragen und Konversation: Statt alleine zu grübeln, wird die KI zum Dialogpartner über Lösungswege.
• Debugging‑Hilfe: Amon schildert, wie ihn ein Hinweis aus der KI nach zwei frustrierenden Stunden auf die „richtige Stelle“ brachte. Lösen musste er das Problem selbst – aber die KI half, sich nicht zu verrennen.
• Effizienzsteigerung durch weniger Tipparbeit: Ein guter Teil der Softwareentwicklung ist repetitiv. KI nimmt „Monkey Work“ ab, damit Menschen sich auf das Lösungsdesign konzentrieren können.

Die Gemeinsamkeit all dieser Punkte: KI ist ein Verstärker – besonders dort, wo Erfahrungswissen und Kontext bereits vorhanden sind. Sie entkoppelt uns nicht von Verantwortung, sondern verschiebt den Schwerpunkt hin zu Bewertung, Architektur und Absicherung.

Risiken und Fallstricke: Warum „Vibe‑Coding“ teuer werden kann

Amon macht keinen Hehl daraus: Wo viel Licht, da viel Schatten. Vier Problemklassen stechen heraus.

1) Vibe‑Coding: Plausibel ist nicht korrekt

Wenn Vorschläge „gut klingen“, wächst die Versuchung, sie zu übernehmen – ohne sie fachlich und architektonisch einzuordnen. Das mag im Demo funktionieren, kann in produktiven Geschäftsanwendungen aber gefährlich werden. Fehlannahmen schleichen sich leise ein, Reviews werden lax, technische Schulden wachsen schneller. Und das „Warum“ hinter Entscheidungen verschwimmt.

2) Halluzinationen: Methoden, die es gar nicht gibt

Ein Beispiel aus Amons Praxis: Bei einer Smartwatch‑App schlug die KI eine Methode vor, um die Uhr „vibrieren“ zu lassen. Der Name klang plausibel – die Methode existierte aber gar nicht. Erst die Dokumentation brachte Klarheit. Genau hier zeigt sich die Grenze: KI kann überzeugend falsch liegen. Wer das nicht erkennt, verliert Zeit – oder verschleppt Fehler in die Produktion.

3) Durchschnittscode durch Trainingsdaten

Wenn Modelle mit GitHub‑Code trainiert werden, steckt dort „viel guter Code, aber auch mittelmäßiger oder gar schlechter Code“. Der Output tendiert – sofern man nicht präzise steuert – zum Durchschnitt. Wer High‑Quality‑Code will, muss Qualitätskriterien explizit machen, statt sich von generischem Output treiben zu lassen.

4) Unpräzise Prompts = funktional, aber unsicher

„Funktioniert“ ist nicht genug. Geschäftsanwendungen verlangen explizite Zusicherungen: Sicherheit, Performance, Wiederverwendbarkeit. Wenn Prompts zu allgemein bleiben, werden diese Anforderungen oft ignoriert. Der Code läuft – doch lässt sich „leicht hacken“, skaliert schlecht oder baut auf schwer wartbaren Mustern auf.

Verantwortlichkeit: Wer trägt die Folgen eines KI‑Bugs?

Amon adressiert den Elefanten im Raum: Wenn ein sicherheitsrelevanter Fehler live geht – wer ist verantwortlich?

• Die KI, die den Vorschlag gemacht hat?
• Die Entwicklerin oder der Entwickler, der übernommen hat?
• Der Review‑Prozess, der versagt hat?

Gerade bei KI‑unterstütztem Code kann wertvolle Zeit vergehen, bis man das „Warum“ hinter einer Implementation versteht. Das verschärft die Notwendigkeit klarer Prozesse, Auditierbarkeit und Qualitätskriterien – bevor etwas in Produktion landet.

Praktische Leitplanken: Wie Teams KI sicher und nützlich einsetzen

Aus Amons Empfehlungen lassen sich robuste Arbeitsweisen ableiten, die wir bei DevJobs.at als sofort umsetzbar einschätzen.

1) KI dort einsetzen, wo sie repetitiv entlastet

Repetitive Aufgaben sind prädestiniert: standardisierte Konvertierungen, Boilerplate, wiederkehrende Muster. Genau dort liefert KI unmittelbare Zeitersparnis, ohne kritische Architekturentscheidungen zu überspielen.

2) Automatisierte Prüfungen verpflichtend machen

„KI‑Code sollte auf jeden Fall automatisiert geprüft werden“, sagt Amon. Konkret: Static Code Analysis (STA‑Tools) wie „SonaQ“ für Qualität und Sicherheit. So verschiebt man die Kontrolle nach links – Fehler fallen früher auf, bevor Reviews überlastet werden.

3) Vier‑Augen‑Prinzip konsequent halten

Schon heute ist es best practice, dass Code von einer zweiten Person freigegeben wird. Für KI‑Code gilt das doppelt. Wenn die KI einen Pull‑Request erstellt, muss ein Mensch prüfen, ob er den Unternehmensvorgaben entspricht. Kein Merge ohne Review.

4) Nachwuchs begleiten und Vibe‑Coding adressieren

EinsteigerInnen brauchen bewusstes Mentoring: Wann hilft die KI wirklich? Wo ist Dokumentation, Codeverständnis und Architekturdenken wichtiger als ein schneller Vorschlag? Amon warnt, dass blindes Vertrauen „schnell“ in teure Bugs mündet – inklusive Sicherheitsrisiken.

5) Erwartungsmanagement im Projekt steuern

„KI hilft uns in der Effizienz, aber sie löst nicht jedes Problem.“ Diese Botschaft muss ins Projektmanagement. Wer voreilig Personal abbaut oder auf „Magie“ hofft, läuft Gefahr, unbrauchbaren oder nicht wartbaren Code in großem Stil zu erzeugen – der später teuer umgeschrieben werden muss.

6) Wirtschaftlichkeit realistisch bewerten

Amon nennt ein konkretes Preisschild: GitHub Copilot kostet rund 20 Euro pro Entwickler und Monat. Sein Urteil: „fair“ – bei der Leistung, die es aktuell bringt. Mehr will er derzeit nicht zahlen. Das ist eine klare Ansage: Nutzen bilanzieren, statt blind zu investieren.

Technische Lektionen aus dem Demo: Muster erkennen, Kontext behalten

Auch wenn Amons Demo klein wirkt, lassen sich daraus robuste Muster für den Alltag ziehen:

• Musterumkehr ist dank KI schnell: Encoding/Kompression vs. Decoding/Dekompression. Wer die „richtigen“ Gegenstücke benennt (Base64‑Decode, Decompress), bekommt nützliche Vorschläge.
• Tests bleiben Pflicht: Amon ergänzt den Aufruf, prüft die Ausgabe – erst dann ist der Vorschlag „grün“. Ohne Test ist die Wahrscheinlichkeit hoch, dass ein plausibler Fehler durchrutscht.
• Kontext füttern: Die Qualität der KI‑Antwort hing sichtbar am umgebenden Code. Die Referenz gab Copilot das Gerüst. Daraus folgt: guter Prompting‑Kontext ist Teil der Engineering‑Leistung.
• Menschliches Urteil entscheidet: Amon bewertet den Vorschlag, integriert nur das Passende, verwirft implizit den Rest. Genau dieses „Gatekeeping“ macht KI nützlich statt gefährlich.

Checkliste: So operationalisieren Teams Amons Empfehlungen

• KI gezielt ansetzen: wiederholbare, standardisierte Aufgaben priorisieren.
• Qualitätskriterien im Prompt sichtbar machen: Sicherheit, Performance, Wiederverwendbarkeit benennen, wenn relevant.
• STA‑Tools (z. B. „SonaQ“) in die CI‑Pipeline integrieren.
• Vier‑Augen‑Prinzip für alle PRs, explizit auch für KI‑generierte Änderungen.
• Wissensaufbau fördern: EinsteigerInnen mit erfahrenen KollegInnen pairen, „Vibe‑Coding“ thematisieren.
• Erwartungsmanagement klären: KI steigert Effizienz, ersetzt aber keine EntwicklerInnen.
• Kosten/Nutzen regelmäßig evaluieren: Tools wie Copilot in Retrospektiven bewerten.

Was wir aus „KI in der Software Entwicklung“ mitnehmen

Dominik Amon (WKO Inhouse) liefert kein Schwarz‑Weiß‑Bild. Er zeigt, wie KI die Softwareentwicklung verändert – ohne den Berufsstand zu entwerten.

Diese Einschätzung rahmt die gesamte Session: Wer KI als Beschleuniger versteht, gewinnt. Wer sie als Ersatz für Denken, Architektur und Verantwortung missversteht, verliert – Zeit, Qualität und letztlich Vertrauen.

Gleichzeitig macht Amon Mut, die Werkzeuge kompetent zu nutzen: Code erklären lassen, Einstiegshürden senken, Debugging abkürzen, repetitives Tippen automatisieren. Und er erinnert an das, was bleibt: saubere Qualitätsprozesse, Sicherheitsdenken, Reviews – und die Fähigkeit, zwischen plausibel und korrekt zu unterscheiden.

Fazit: Effizienz ja, Delegation der Verantwortung nein

„KI ist gekommen, um zu bleiben.“ Diese Aussage zieht sich wie ein roter Faden durch Amons Vortrag. Der Weg nach vorne ist klar: Teams definieren, wo KI sinnvoll entlastet, sichern den Output mit STA‑Tools und Reviews ab, und investieren in Bewusstseinsbildung – insbesondere für EinsteigerInnen. Projektleitende steuern Erwartungen, statt sie von Schlagzeilen bestimmen zu lassen. Und Budgets folgen dem tatsächlichen Mehrwert.

Wer so arbeitet, bringt das Beste aus zwei Welten zusammen: menschliches Urteilsvermögen und maschinelle Beschleunigung. Genau das hat das kleine Visual‑Studio‑Demo eindrucksvoll gezeigt – und genau dort liegt der realistische, produktive Kern von „KI in der Software Entwicklung“.

• 

  

  Dominik Amon, Senior Software Engineer bei WKO Inhouse

  Dominik Amon von WKO Inhouse gibt im Interview Einblicke in die Teamstruktur des Unternehmens, die eingesetzten Technologien und erläutert den Ablauf des Bewerbungs- sowie Onboardingprozesses.

  Jetzt ansehen

• 

  

  Michael Blank, Full Stack Developer bei WKO Inhouse

  Michael Blank berichtet im Interview über seinen beruflichen Werdegang, seine aktuellen Aufgaben im Full Stack Development und gibt wertvolle Ratschläge für Einsteiger.

  Jetzt ansehen