Gwen Davis zufolge wird sich der Wert von Entwicklern mit der zunehmenden Nutzung von KI-Agenten stärker vom Schreiben jeder einzelnen Codezeile hin zur Steuerung der Werkzeuge, zur Überprüfung ihrer Ausgaben und zur technischen Entscheidungsfindung verlagern. Der Beitrag schlägt drei Praktiken vor: Agentenmanagement, die erste Antwort nicht zu akzeptieren und die eingesparte Zeit in die Lösung umfassenderer Probleme zu investieren.
Die Arbeit von Entwicklern verändert sich, da sich KI-Werkzeuge von der Unterstützung beim Schreiben von Code hin zur Ausführung größerer Teile der Programmieraufgaben entwickeln. Laut Gwen Davis reicht das Schreiben von Code allein nicht mehr aus; wichtiger werden die genaue Definition des Problems, die Bereitstellung des passenden Kontexts, die Bewertung der Ausgaben und die Erläuterung technischer Abwägungen, bevor eine Lösung übernommen wird.
1. Künstliche Intelligenz steuern, statt sie nur zu verwenden
Der Beitrag erklärt, dass die Umsetzung in einer auf künstlicher Intelligenz basierenden Umgebung mit einer klaren Definition der Arbeit beginnt, gefolgt von der Verteilung der Aufgaben und der Überprüfung der Ergebnisse. Bei einer Aufgabe zum Hinzufügen eines Authentifizierungspfads könnte beispielsweise ein Agent die Implementierung vorbereiten, während ein anderer die Dokumentation erstellt und ein dritter eine Reihe von Tests vorbereitet.
Dies entbindet den Entwickler nicht von der Verantwortung für das endgültige Ergebnis. Die praktische Veränderung besteht darin, dass der Entwickler weniger Zeit damit verbringt, jeden Teil manuell umzusetzen, und mehr Zeit darauf verwendet, die Anforderungen festzulegen, die Ausgaben der Agenten zu koordinieren und zu entscheiden, was sich für eine Überprüfung oder Veröffentlichung eignet. Davis kommt zu dem Schluss, dass das Erlernen der Steuerung von KI-Agenten zu einer eigenständigen praktischen Fähigkeit geworden ist.
2. Die erste Antwort nicht ungeprüft vertrauen
Werkzeuge können innerhalb von Sekunden eine überzeugend wirkende Lösung erzeugen, die jedoch Mängel enthalten kann, die beim schnellen Lesen nicht auffallen. Der Beitrag verwendet das Beispiel einer SQL-Abfrage, die die neueste Bestellung für jeden Kunden zurückgibt; die Lösung könnte den Umgang mit identischen Zeitstempeln übersehen, keinen geeigneten Index vorschlagen oder bei großen Tabellen an Leistung verlieren.
Davis schlägt vor, ein zweites Modell zur Kritik an der Arbeit des ersten Modells einzusetzen und anschließend auf beide Antworten technisches Urteilsvermögen anzuwenden. Sie weist darauf hin, dass sich die Modelle in ihren Stärken und blinden Flecken unterscheiden, und erwähnt, dass der in GitHub Copilot integrierte Rubber-Duck-Agent ein zweites Modell verwendet, um Pläne, Code und Tests zu kritisieren. Die menschliche Überprüfung bleibt jedoch notwendig; es geht nicht darum, menschliches Urteilsvermögen zu ersetzen, sondern vor dem Fortfahren eine kritische Perspektive hinzuzufügen.
3. Die eingesparte Zeit zur Lösung größerer Probleme nutzen
Wenn künstliche Intelligenz einen größeren Teil der Umsetzung übernimmt, kann der Entwickler die verfügbare Zeit darauf richten, die Bedürfnisse der Kunden zu verstehen, architektonische Abwägungen zu bewerten, Systeme zu entwerfen und Entscheidungen zu treffen, die das Werkzeug nicht an seiner Stelle treffen kann.
In einem Beispiel zur Einführung eines Dunkelmodus könnte die künstliche Intelligenz die Änderungen umsetzen, Tests generieren und die Dokumentation aktualisieren. Die Aufgabenliste des Entwicklers umfasst hingegen die Überprüfung des Problems, mit dem die Kunden konfrontiert sind, die Bewertung architektonischer Abwägungen, die Prüfung der Barrierefreiheit, die Festlegung von Erfolgskriterien und die Freigabe der Lösung.
Was verändert sich in der Praxis?
Die zentrale Botschaft lautet nicht, dass Programmierkenntnisse an Wert verloren haben, sondern dass sich der Verantwortungsbereich erweitert. Der Entwickler bleibt für die Qualität des Ergebnisses verantwortlich, muss jedoch die Fähigkeit zur Steuerung der Werkzeuge mit der Fähigkeit verbinden, deren Fehler zu erkennen und die Umsetzung mit dem eigentlichen Ziel des Projekts zu verknüpfen. Der Beitrag bietet allgemeine praktische Leitlinien, legt jedoch keine Kennzahlen zur Messung der Auswirkungen dieser Praktiken oder Grenzen für die Aufgaben fest, die an Agenten delegiert werden sollten; daher bleiben die Entscheidungen über die Anwendung von der Art des Projekts und dem Risikoniveau abhängig.