KI verändert die Softwareentwicklung spürbar. Über Vibe Coding lassen sich Ideen und Prototypen innerhalb kurzer Zeit in funktionierende Anwendungen überführen. Gleichzeitig setzen Entwicklungsteams Large Language Models gezielt ein, um bestehende Software schneller zu analysieren, weiterzuentwickeln oder technologisch zu modernisieren.
Beide Ansätze eröffnen neue Möglichkeiten. Funktionierender Code allein stellt jedoch noch keine belastbare Softwarelösung dar. Spätestens sobald Anwendungen produktiv genutzt, oder Kunden- und Unternehmensdaten verarbeitet werden, braucht es klare Regeln, technische Leitplanken und Menschen, die Ergebnisse fachlich bewerten.
Wenn aus Geschwindigkeit eine produktive Lösung werden soll
Vibe Coding senkt die Einstiegshürde in die Softwareentwicklung. Fachbereiche können erste Anwendungen, Oberflächen oder Prozessideen umsetzen, ohne jede technische Einzelheit selbst programmieren zu müssen. Das kann insbesondere für Prototypen und klar abgegrenzte interne Anwendungsfälle wertvoll sein.
Architektur, Berechtigungen, Datenhaltung und Betrieb sind bei jeder produktiven Geschäftsanwendung von Beginn an relevant. Beim Vibe Coding besteht jedoch die besondere Gefahr, dass ein schnell erstellter Prototyp produktiv eingesetzt wird, bevor diese Grundlagen ausreichend geklärt und umgesetzt sind.
Deshalb muss unabhängig von der Entwicklungsmethode festgelegt sein, wer auf welche Daten zugreifen darf, wie Änderungen getestet und freigegeben werden, wie Backups und Updates organisiert sind und wer langfristig die technische Verantwortung übernimmt.
Dieselben Grundsätze gelten, wenn ein LLM innerhalb eines professionellen Entwicklungsprojekts eingesetzt wird. Dabei muss nicht zwangsläufig eine komplett neue Anwendung entstehen. Häufig unterstützt die KI bei der Entwicklung einzelner Komponenten, bei der Analyse bestehender Systeme oder bei einer technischen Migration. Auch hier können Ergebnisse zunächst überzeugend wirken und trotzdem nicht zur vorhandenen Architektur, zu bestehenden Schnittstellen oder zu den fachlichen Anforderungen passen.
KI-gestützte Entwicklung benötigt daher unabhängig vom konkreten Ansatz definierte Anforderungen, Entwicklungsstandards, Test- und Freigabeprozesse sowie klare Verantwortlichkeiten.
Daten und KI-Umgebungen müssen zum Anwendungsfall passen
Besondere Aufmerksamkeit ist erforderlich, sobald Kunden-, Projekt- oder Unternehmensinformationen verarbeitet werden. Dabei geht es nicht nur um klassische Produktivdaten. Auch Quellcode, Fehlermeldungen, technische Dokumentationen, Konfigurationen oder Repository-Strukturen können vertrauliche Informationen enthalten.
In einem aktuellen Kundenumfeld werden deshalb speziell für den Kunden bereitgestellte KI-Systeme eingesetzt. Diese Umgebungen wurden unter Berücksichtigung der erhöhten Anforderungen an Datenschutz und Informationssicherheit geprüft und freigegeben. Sensible Informationen werden damit nicht unkontrolliert übertragen.
Neben der technischen und vertraglichen Freigabe ist auch die Auswahl des Modells entscheidend. Nicht jedes leistungsstarke LLM ist automatisch die beste Wahl. Das Modell muss zur konkreten Aufgabe passen und für den jeweiligen Anwendungsfall ausreichend gute Ergebnisse liefern.
Ein sehr umfangreiches Modell kann für eine klar begrenzte Aufgabe sogar unnötig komplex sein. Ein kleineres Modell erzielt möglicherweise eine vergleichbare Qualität, arbeitet jedoch schneller und verursacht geringere Token- und Betriebskosten. Eine sinnvolle Modellauswahl berücksichtigt deshalb Ergebnisqualität, Laufzeit, Kosten, Datenschutz und den konkreten fachlichen Zweck gemeinsam.
Praxisbeispiel: Bestehenden Quellcode mit KI analysieren und modernisieren
Wie weit KI-gestützte Entwicklung bereits gehen kann, zeigen zwei aktuelle Migrationsprojekte. Ausgangspunkt sind umfangreiche Repositories einer bestehenden Integrationslösung, deren Entwicklungsstände über mehrere Branches verteilt sind.
Die Herausforderung bestand zunächst darin, die Repositories automatisiert herunterzuladen und ihre Struktur auszuwerten. Dabei musste die KI erkennen, welche Komponenten in welchen Branches vorhanden sind und wo sich jeweils der aktuelle Entwicklungsstand befindet. Dazu wurden Branches, Commit-Zeitpunkte und enthaltene Komponenten systematisch miteinander verglichen.
Die daraus erzeugte Übersicht musste anschließend mit den tatsächlich in Produktion eingesetzten Artefakten abgeglichen werden. Erst dadurch konnte verlässlich bestimmt werden, welcher Stand als Grundlage für die weitere Migration dienen sollte.
Im nächsten Schritt werden die bestehenden Entwicklungsergebnisse in nativen Java-Quellcode überführt. Das LLM unterstützt diesen Prozess iterativ: Es erzeugt Code, überprüft Ergebnisse, nimmt Korrekturen vor und verbessert die Umsetzung schrittweise.
Gerade dieses Beispiel zeigt, warum KI kein Ersatz für Engineering-Erfahrung ist. Das Modell kann große Mengen an Code und Metadaten schneller auswerten und die technische Umsetzung beschleunigen. Die erzeugten Ergebnisse werden jedoch fortlaufend durch die verantwortlichen Entwickler gesichtet und fachlich eingeordnet.
Dabei beginnt die menschliche Kontrolle bereits bei der Aufgabenstellung. Ohne präzise Vorgaben neigen viele Modelle dazu, unnötig komplexe Lösungen zu erzeugen. Deshalb muss klar beschrieben werden, welche Anforderungen gelten, welche Architekturmuster umgesetzt werden sollen und wie sich der erzeugte Code in die bestehende Lösung einfügen muss. Erst durch diese fachliche Steuerung, die iterative Prüfung und gezielte Nachbesserungen entsteht aus dem KI-generierten Vorschlag eine tragfähige und wartbare Lösung.
Gute Ergebnisse brauchen Erfahrung und verlässliche Prüfungen
Ein LLM kann Code generieren, Abhängigkeiten untersuchen und technische Lösungswege vorschlagen. Es kennt jedoch nicht automatisch sämtliche fachlichen Zusammenhänge, historischen Architekturentscheidungen oder Auswirkungen einer Änderung auf den produktiven Betrieb.
Deshalb bleiben Code Reviews, Tests und kontrollierte Freigaben unverzichtbar. KI-generierte Ergebnisse müssen nicht nur syntaktisch funktionieren. Sie müssen verständlich, wartbar, sicher und mit der vorhandenen Systemlandschaft kompatibel sein.
Hier bewährt sich die Zusammenarbeit von Kolleginnen und Kollegen mit unterschiedlichen Erfahrungen und Perspektiven. Technisches Fachwissen, Architekturverständnis, Projekterfahrung und ein sicherer Umgang mit neuen KI-Werkzeugen ergänzen sich dabei. So lassen sich Potenziale schneller nutzen, ohne Risiken und Auswirkungen auf den produktiven Betrieb aus dem Blick zu verlieren.
Diese Kombination bildet schon heute die Grundlage dafür, Lösungen erfolgreich zu entwickeln und langfristig zu betreiben. KI erweitert das Werkzeugset des Teams, ersetzt aber weder Fachwissen noch Verantwortung.
Logging macht den KI-Einsatz messbar und nachvollziehbar
Klare Strukturen enden nicht mit der Entwicklung. Auch der laufende Einsatz eines LLMs sollte technisch nachvollziehbar und auswertbar sein.
In einem weiteren Kundenanwendungsfall wird der Inhalt eingehender E-Mails an ein lokal gehostetes LLM übergeben. Das Modell erstellt daraus eine Zusammenfassung und liefert zuvor definierte Attribute in einem strukturierten JSON-Format zurück. Diese Informationen können anschließend automatisiert von der bestehenden Anwendung weiterverarbeitet werden.
Für jede Anfrage werden der Input an das LLM, die Antwort des Modells, die Anzahl der verbrauchten Tokens und die Laufzeit in einer SQL-Tabelle protokolliert. Dadurch lässt sich der Einsatz des Modells mit klassischen SQL-Abfragen detailliert auswerten.
So können beispielsweise durchschnittliche Laufzeiten ermittelt, Entwicklungen über einen längeren Zeitraum beobachtet oder die Länge der Eingabe mit dem jeweiligen Tokenverbrauch verglichen werden. Auch auffällige Antworten, ungewöhnlich hohe Tokenverbräuche oder längere Verarbeitungszeiten lassen sich gezielt untersuchen.
Die fachliche Qualität wird zusätzlich durch Service-Mitarbeitende bewertet. Dabei zeigt sich, dass menschliches Feedback ohne klare Kriterien verzerrt sein kann, selbst wenn die KI fachlich gute oder teilweise bessere Ergebnisse liefert. Für belastbare Bewertungen braucht es daher eindeutige Maßstäbe, geeignete Arbeitsanweisungen und entsprechend vorbereitete Personen. Technische Kennzahlen und menschliches Feedback sollten immer gemeinsam mit den tatsächlich korrekten Ergebnissen betrachtet werden.
Das Logging schafft damit nicht nur Nachvollziehbarkeit bei Fehlern. Es liefert eine Grundlage, um Performance, Kosten und Ergebnisqualität des KI-Einsatzes zu bewerten und das gewählte Modell gegebenenfalls anzupassen.
Dabei bleibt menschliche Expertise entscheidend. Fachkräfte müssen erkennen können, welche Abweichungen relevant sind und wie sich die protokollierten Informationen sinnvoll auswerten lassen. Sie können die Logs mit SQL und weiteren Analysewerkzeugen selbst untersuchen oder geeignete Ausschnitte kontrolliert an eine KI zur Analyse übergeben. Die KI kann Muster sichtbar machen. Die abschließende Bewertung und die Entscheidung über notwendige Maßnahmen bleiben beim Menschen.
Informationssicherheit als Teil des Entwicklungsprozesses
Als ISO/IEC-27001-zertifiziertes Unternehmen arbeitet COViS innerhalb eines etablierten Informationssicherheitsmanagementsystems (ISMS). Diese Erfahrung bringen wir in Kundenprojekte ein, um KI-Anwendungen nicht isoliert zu betrachten, sondern in einen kontrollierten organisatorischen und technischen Rahmen einzubetten. Das Vorhandensein eines ISMS ersetzt dabei keine rechtliche oder projektspezifische Prüfung, unterstützt aber einen strukturierten Umgang mit Risiken, Verantwortlichkeiten und Freigaben.
Damit KI in Kundenprojekten sicher eingesetzt werden kann, müssen technische Möglichkeiten und Schutzbedarf von Beginn an gemeinsam betrachtet werden. Entscheidend ist nicht nur, welches Modell fachlich geeignet ist, sondern auch, welche Informationen verarbeitet werden, wie sensibel diese sind und welche KI-Umgebung dafür zulässig ist.
Informationen werden zunächst klassifiziert und der eingesetzte Dienst anhand dieser Einstufung ausgewählt. Für Kunden- oder andere besonders schützenswerte Daten braucht es eine ausdrückliche Freigabe sowie klare Vorgaben zu Zugriffen, Speicherung, Logging und Aufbewahrungsfristen. Ebenso müssen Monitoring, der Schutz von Zugangsdaten, der Umgang mit Sicherheitsvorfällen und die langfristige Wartung der Lösung bereits vor dem produktiven Einsatz geregelt sein.
KI-gestützte Entwicklung braucht klare Leitplanken
Vibe Coding und der professionelle Einsatz von LLMs können Entwicklungsprozesse erheblich beschleunigen. KI kann neue Anwendungen schneller entstehen lassen, komplexe Repository-Strukturen analysieren, technische Migrationen unterstützen und bestehende Geschäftsprozesse automatisieren.
Damit daraus belastbare Lösungen entstehen, braucht es jedoch mehr als ein leistungsfähiges Modell. Entscheidend sind klar formulierte Anforderungen, passende Architekturmuster, eine geeignete und freigegebene KI-Umgebung sowie eine Modellauswahl, die Qualität, Geschwindigkeit und Kosten berücksichtigt. Ebenso wichtig sind nachvollziehbares Logging und klare Kriterien, nach denen technische und fachliche Ergebnisse bewertet werden.
Entscheidend bleibt der Mensch. Erfahrene Entwickler müssen die KI präzise steuern, Ergebnisse fortlaufend prüfen und erkennen, wann unnötige Komplexität oder fachlich ungeeignete Lösungen entstehen. Auch Bewertungen durch Mitarbeitende sollten nach klaren, einheitlichen Kriterien erfolgen und mit fachlich geprüften Referenzergebnissen abgeglichen werden. So lässt sich unterscheiden, ob eine Rückmeldung auf einem tatsächlichen Fehler der KI oder auf einer subjektiven Einschätzung beruht.
Der Mix aus Erfahrung, jungen Talenten und geeigneten KI-Werkzeugen schafft die Grundlage, Software schneller zu entwickeln und weiterzuentwickeln, ohne Sicherheit, Wartbarkeit und Qualität aus den Augen zu verlieren.
