Stimmen der Branche

Wenn man die Schlagzeilen liest…

Anthropic · Feb 2026
„Coding is practically solved.“
Boris Cherny · Schöpfer von Claude Code
Nvidia · TechRadar 2024
„Don’t learn to code.“
Jensen Huang · CEO Nvidia
Anthropic · März 2025
„In 3 to 6 months, AI will be writing 90 % of the code.“
Dario Amodei · CEO Anthropic
Meta · Joe Rogan, Jan 2025
„AI can effectively be a midlevel engineer that writes code.“
Mark Zuckerberg · CEO Meta
Fortune · Feb 2026
„Software engineers may not exist by year end.“
Schlagzeile zu Boris Cherny / Claude Code

Verantwortungsvoller & skalierbarer
KI-Einsatz in der Softwareentwicklung

Wie wir KI nutzen, um bessere Ergebnisse schneller zu liefern

Jurij Befus · ERGON Datenprojekte GmbH

Vibe Coding

Was ist „Vibe Coding“?

Andrej Karpathy · Feb 2025 · Wort des Jahres (Collins) 2025
Eine neue Art zu programmieren — man gibt sich den Vibes hin, umarmt das Exponentielle und vergisst, dass der Code überhaupt existiert.

Wann es gut funktioniert

  • Schnelles Prototyping & Ideenvalidierung
  • Interne Tools & Wegwerf-Skripte
  • Lernprojekte & Experimente
  • Wenn Geschwindigkeit wichtiger als Nachhaltigkeit ist

Wo es an seine Grenzen stößt

  • Business-kritische Anwendungen & Kundenprojekte
  • Sicherheitsrelevante Systeme & Compliance
  • Langlebige Produkte, die gewartet werden müssen
  • Wenn niemand den Code wirklich versteht
Vibe Coding hat seinen Platz — die spannende Frage ist nicht ob, sondern wann und wofür.
Unsere Erfahrung

KI ist nur so gut wie der Input, der sie steuert

REST API

„Verbinde meine Webseite mit meinen Daten“
→ keine Auth, kein Rate-Limiting
Schnittstellenbeschreibung (OpenAPI), Auth-Strategie, Versionierung
skalierbar & integrationsfähig

Data Dashboard / BI

„Visualisiere meine Daten“
→ Algorithmen unspezifiziert, keine Caching-Strategie, keine Zugriffskontrolle
Validierte KPIs, Datenmodell, Rollen-Konzept, Echtzeitfähigkeit
performant, sicher & vertrauenswürdig

Cloud Migration

„Löse diese Access-Anwendung durch eine WebApp ab“
→ versteckte Geschäftslogik und Compliance-Pflichten werden übersehen
Compliance- und Datenanalyse vorab, wiederholbare Migration mit Rollback, getesteter Cutover
planbar & freigabefähig

Datenpipeline / ETL

„Verarbeite diese CSVs“
→ keine Fehlerbehandlung, kein Audit-Trail
Validierungsregeln, sichere Wiederholbarkeit, robust gegen Format-Änderungen
zuverlässig & wartbar

Gleiche Tools, völlig andere Ergebnisse — der Unterschied ist die Erfahrung hinter dem Prompt.
Abgrenzung

Vibe Coding vs. Responsible AI Engineering

Vibe Coding

  • KI als Black Box — generiert, ohne dass jemand Architektur oder Patterns steuert
  • Heute schnell, morgen teuer — wartbarkeitsfeindlich, schwer skalierbar
  • Intransparent — Entscheidungen und Verantwortung bleiben diffus

Responsible AI Engineering

  • Technische Expertise steuert die KI — Architektur, Patterns & Designentscheidungen kommen vom Menschen
  • Skalierbar & wartbar — Code, der auch in vielen Jahren noch trägt
  • Transparenz & Verantwortung — klare Zuständigkeiten, Beratung statt blinder Umsetzung
Verantwortung lässt sich nicht an KI delegieren!
Workflow

Responsible AI Engineering Prozess

Spezifikation steuert. KI generiert. Experten und dedizierte Werkzeuge prüfen.

1

Spezifikation

Detaillierte technische und fachliche Anforderungen in Form eines KI-tauglichen Dokuments.

2

Generierung

KI-gestützte Implementierung basierend auf Spezifikation.

3

Validierung

Unit-, Integration- & E2E-Tests. Manuelle Prüfung.

4

Statische
Codeanalyse

Linting, Security-Scans, Abhängigkeitsprüfung.

5

Code Reviews

KI-gestützte Kontrolle, menschliche Kontrolle, Architektur- & Qualitätsprüfung.

Jeder Schritt ist klar verantwortet — KI ist im Werkzeugkasten, nicht am Steuer.
Aus der Praxis

Das Projekt im Überblick

> 1 Mrd. €
Jahresumsatz, getragen durch diese business-kritische Anwendung.

Kernprozesse

Operativer Geschäftsbetrieb des Kunden — von Auftrag bis Auslieferung.

Mehrere Business-Module

Eigenständige Module mit eigener Domäne, Logik und Verantwortlichkeit.

~70 externe Schnittstellen

Tief eingebettet in eine komplexe IT-Landschaft beim Kunden.

Kein Prototyp, kein Wegwerf-Projekt — Fehler haben echte Konsequenzen.
Aus der Praxis

Entwicklung passiert nicht im Vakuum

Das Geflecht aus Menschen, das zu jedem Inkrement beiträgt — Code ist nur ein Bruchteil davon.

Stakeholder

50+ Beteiligte

  • 10+ Module Owners + 34 SMEs
  • Enterprise Architecture
  • Compliance Focal Points
  • Scrum Master
  • Mehrere Management-Ebenen

Business & Anforderungen

Dedizierte BA-Power

  • 3 Business Analysts
  • 1 UI/UX-Spezialist:in
  • Transformation Office: übergreifende BA-, PM- und Change-Management-Unterstützung

Core Engineering

5 in Kern-Entwicklung · 13 gesamt

  • 1 Dev Lead
  • 4 Entwickler:innen
  • 1 Architect
  • 2 Infrastruktur / DevOps
  • 1 Data Analyst
KI beschleunigt Code — aber jede Zeile lebt in einem dichten Geflecht aus Anforderungen, Entscheidungen und Verantwortlichkeiten.
Aus der Praxis

Die Codebasis in Zahlen

Seit 14 Monaten KI-gestützt entwickelt — Umfang und Komplexität in Zahlen.

65

Screens / Ansichten

201

API-Endpunkte
über 24 Controller

2.145

Versionierte Files
in 575 Verzeichnissen

1.415
Backend
5.270
Client

Unit- & Integration-Tests

744 Frontend
35 %
736 Backend
34 %
665 Doku · Automation · Instructions
31 %

Code-Verteilung nach Bereich

Zum Vergleich: etwa die Größenordnung der ursprünglichen Twitter-Codebasis aus den frühen Jahren (~2008).
Aus der Praxis

Monatliche Liefergeschwindigkeit

Gemergte Pull Requests und abgeschlossene Arbeitspakete eines KI-gestützten Kundenprojekts.

Monatlich gemergte Pull Requests

Mär 25 (vor Sprint 0) und Mai 26 (Sprint 20 noch aktiv) sind ausgeblendet.

Wirkung

Wie sich die Durchlaufzeit eines Features verändert

Vergleich der Feature-Durchlaufzeit: klassisch vs. mit Responsible AI Engineering

Der Schwerpunkt eines Features verschiebt sich — weg von der Implementierung, hin zur Qualitätssicherung. Die Gesamtdauer sinkt spürbar.

Reflexion

Herausforderungen & Erkenntnisse

Herausforderung

Konsistenz & Qualität durchsetzen

Teamübergreifend und über hunderte Dateien hinweg.

Unsere Antwort
Kontext-Schichten: dynamisch vs. statisch
Kontext-Skalierung

Den richtigen Ausschnitt eines großen Moduls bereitstellen.

Vertikal geschnittene, domänenorientierte Architektur mit starker Kapselung, plus iterative Kontext-Destillation.

KI eigenständig arbeiten lassen

Damit KI uns wirklich Zeit spart, muss sie eigenständig iterieren können — befähigt und eingegrenzt zugleich.

Responsible-AI-Prozess + Sandboxing, Versionierungs-Hygiene und deterministische Tools für autonomes Arbeiten.

Change Management & Vertrauen

Neue Arbeitsweisen brauchen Mitstreiter:innen — Menschen begleiten und Vertrauen in den Prozess aufbauen.

Arbeitsprozesse & Verantwortlichkeiten neu denken · mitnehmen statt erzwingen · Qualität beweisen.

Mein Fazit

Was halte ich nun von den Schlagzeilen?

1
Programmieren an sich

Strukturierter Code wird wichtiger denn je.

Der Code kommt von der KI — die Struktur aus Erfahrung.

2
Bedeutung für die Branche

Die Branche muss reagieren.

Aus unserer Sicht besteht eine echte Reaktionsnotwendigkeit — verantwortungsvoll, nicht reflexartig.

3
Software-Entwickler:innen & Consultants bei ERGON

Mehr zu tun denn je. KI als Skill-Multiplikator, nicht als Rivalen.

Mehr als das blinde Erstellen von Quellcode — wir verstehen, beraten, tragen Verantwortung.

Uns interessiert eure Meinung!

Wie nutzt ihr KI? Was sind eure Erfahrungen & Herausforderungen?
Ob Austausch oder Rückfragen — kommt auf uns zu!

ERGON Datenprojekte GmbH

Lust auf einen unverbindlichen Austausch?

Termin vereinbaren

Folgt uns auf Social Media:

Eure Ansprechpartner

Ihr möchtet mehr über unser Angebot erfahren?

Daniel Kresin
Lisa Stamm

Ihr habt Fragen zu unseren Arbeitsweisen oder Interesse an technischem Austausch?

Jurij Befus
Christian Vierkant