NORTHEAST PHILADELPHIA / LONDON (IT BOLTWISE) – Ein kontroverser Blogbeitrag stellt die These auf, KI-Tools würden die „mittlere“ Gehalts- und Skill-Klasse im Software-Engineering aushöhlen. Als Beispiel dient ein riesiger Pull-Request mit 24.506 Zeilen neuer Code-Änderungen, deren Kontext das Team später kaum noch erklären kann. Parallel dazu zeigen Recherchen zu Entlassungen, dass Kostendruck, Reorganisationen und Marktbedingungen oft als Haupttreiber gelten. Entscheidend sei deshalb weniger der Wegfall von Jobs insgesamt, sondern die Verschiebung zwischen Entscheiden, Umsetzen und Ausliefern.
In Northeast Philadelphia ist Software längst kein Randbereich mehr, sondern ein regionaler Arbeitsmarkt: Entwickler arbeiten in kleinen Firmen entlang der Boulevard-Flächen ebenso wie remote aus Wohnräumen. Genau dort prallen derzeit zwei gegensätzliche Beobachtungen aufeinander. Auf der einen Seite beschleunigen KI-gestützte Coding Agents das Schreiben von Code. Auf der anderen Seite entsteht ein Gefühl von „unsichtbarer Verschuldung“ im Entwicklungsprozess, weil niemand mehr sicher erklären kann, warum eine Änderung so aussieht wie sie aussieht – und wer dafür verantwortlich ist, wenn später ein Bug auftaucht.
Ausgangspunkt der Debatte ist ein Blogbeitrag von Florian Herrengt, der den Effekt zugespitzt mit dem Bild eines Luxury-Car-Kredits beschreibt. Konkret schildert er, wie in einem realen Team-Workflow am Montag gleich mehrere Pull Requests bereitliegen: Einer davon umfasst 24.506 Zeilen neu, während 3.938 Zeilen gelöscht werden. Besonders brisant: Eine KI liefert nicht nur den Code, sondern auch eine Beschreibung, was der Patch „tun soll“. Sobald jedoch Folgefragen kommen, wird es schwierig. Ein Teammitglied kann nicht überzeugend erklären, aus welchen Daten oder Annahmen eine Funktion ihre Logik bezieht. Ein anderes steckt mitten in einer KI-Konversation, in der das Modell Empfehlungen abwechselnd ausspricht, sich „korrigiert“ und anschließend weitere Iterationsrunden anstößt. Die Folge ist eine wachsende Schicht aus KI-Services und Abstraktionen, die sich nicht mehr so leicht in menschliche Verantwortung übersetzen lässt.
Technisch betrachtet verschiebt sich damit der Aufwand weg vom reinen Erstellen von Artefakten hin zur Erklärung, Nachvollziehbarkeit und Korrektur. Revert-Vorgänge zeigen das besonders deutlich. Herrengt argumentiert, dass das Rückgängigmachen einer „schlechten“ Datenbankänderung längst nicht so schnell erledigt ist wie das Erzeugen des Startszenarios durch einen Agenten. Stattdessen kommen Migrationsplanung, das Verhindern von Unterbrechungen in einer laufenden Umgebung und das Management von „orphaned data“ hinzu. Während das Team also eine einzige Entscheidung wieder entwirrt, laufen bereits neue KI-Patches in den Review-Queue nach. Der eng getaktete Review-Takt ist damit nicht nur ein Kapazitätsproblem, sondern ein Wissensproblem: Wenn zu viel Kontext in Chats und Modellantworten steckt, fehlt später das mentales Modell dafür, wie die Änderung tatsächlich wirkt.
In einem großen Entwicklerforum wurde die These anschließend hitzig diskutiert. Ein Kommentator mit dem Handle Syntaf argumentierte, „schlechte“ Engineers könnten ihre Fehler jetzt in Organisationen deutlich stärker skalieren – besonders dann, wenn langjährig etablierte Mitarbeitende die Handwerksdetails aus dem Blick verlieren. Ein anderer Beitrag mit dem Namen scronkfinkle bezeichnete es als Automatisierung dessen, was früher als „Stackoverflow-Engineer“ bekannt war: Senior Teams hätten Hard-Probleme früher in kleine, klar definierte Tickets verdichtet. Wenn ein Senior hingegen einfach einen Agent starten kann, entfällt diese gezielte Übergabe. Ein weiterer Nutzer formulierte die Sorge, der Einstieg und der Aufstieg in Jobs auf Einsteiger- und Mid-Level-Ebene werde durch die Kombination aus KI-Beschleunigung und Konkurrenzdruck erschwert. Aus dieser Perspektive ist der Kern nicht „KI macht Programmieren überflüssig“, sondern: Der klassische Pipeline-Weg hin zu senioren Rollen wird enger, weil Zwischenschichten weniger Raum für Lern- und Verdichtungsarbeit bekommen.
Gleichzeitig lohnt ein Blick auf die harte Seite des Marktes: Mehrere Unternehmen nannten KI im Kontext von Entlassungen, aber eine Auswertung der Ursachen legt nahe, dass die Schlagzeilen oft zu kurz greifen. So kündigte ein Fintech-Unternehmen im Februar eine Reduzierung um 4.000 Stellen an; der Gründer verwies dabei auf kleinere und flachere Teams, erwähnte jedoch auch Finanzdruck. Eine Datenwissenschaftlerin aus dem Umfeld von Cash App beschrieb den KI-Einsatz als „weitgehend ohne große Produktivitätsgewinne“ und zog Konsequenzen trotz einer erheblichen Bindungszulage. Ein anderes Unternehmen führte im April rund 1.000 Entlassungen durch; der CEO verwies darauf, KI könne einen erheblichen Anteil neuen Codes erzeugen. Auch hier folgten die Kürzungen aber im Umfeld eines aktivistischen Drucks auf Kosten und es betrafen die Reduktionen nicht ausschließlich klassische Programmierrollen, sondern auch Bereiche wie Augmented Reality. Intuit wiederum kündigte im Mai 3.000 Einschnitte an und widersprach der engeren „AI ersetzt“-Erzählung: Ziel seien Koordinations- und Managementschichten, nicht reine Programmierstellen. Insgesamt deutet das Bild darauf hin, dass KI zwar als verständliche Story bei Stakeholdern funktioniert, aber häufig nicht der alleinige Treiber ist.
Wenn KI nicht die reine Ursache der Jobverluste ist, bleibt die Frage, welche Funktion sie im Alltag tatsächlich übernimmt. Eine vorgeschlagene Logik lautet „decide-execute-deliver sandwich“: Softwareentwicklung besteht aus dem Entscheiden, dem Umsetzen und dem Ausliefern eines geprüften Produkts. KI komprimiert vor allem den mittleren Teil. In einer Auswertung zu GitHub-Nutzern wurde berichtet, dass KI-Agents die Zahl geschriebener Codezeilen stark erhöhen – aber die Zahl realer Releases nur moderat mitzieht. Die „deciding“ und „delivering“-Schicht bleibt dagegen hart menschlich, weil hier Nutzerverständnis, Unternehmenskontext und Verantwortung für das, was tatsächlich ins Produktivsystem geht, zusammenlaufen. Selbst wenn Entwickler nur einen kleinen Anteil ihrer Zeit direkt beim Code schreiben verbringen, beschleunigt KI genau diesen Teil. Die restliche Zeit bleibt für Meetings, Debugging, Spezifikation und Verifikation relevant. Entsprechend verschiebt sich die Nutzenwirkung: Agenten machen das Schreiben schneller, aber sie ersetzen nicht automatisch das Denken über Anforderungen oder das Prüfen der Konsequenzen.
Unter dieser Debatte steckt außerdem ein ökonomischer Hebel: KI-Kosten sind nicht nur „da“, sie verändern jetzt die Architekturentscheidungen ganzer Produktteams. Berichte über Preise zeigen eine deutliche Preisdynamik zwischen geschlossenen Modellen und Open-Infrastruktur. Ein Anbieter brachte GPT-5.5 Anfang April in einer Preisspanne auf den Markt, die pro Million Tokens deutlich über den Kosten neuer Konkurrenten liegt. Kurz danach starteten andere Systeme zu deutlich niedrigeren Preisen – teils mit offenen Gewichten und MIT-Lizenz. Für Teams, die eigene Coding Agents bauen, bedeutet das eine konkrete Routing-Entscheidung: Wer integriert und „plug-and-play“ einkauft, zahlt für Komfort. Wer eigene Infrastruktur betreibt, kann Kosten massiv drücken, trägt aber mehr Integrations- und Betriebsverantwortung. Genau dadurch wird die „mittlere Ebene“ besonders anfällig: Wer günstige Agenten nutzt, braucht weniger klassische Zwischenarbeit, aber wer die Qualität und Sicherheit im Delivery-Prozess gewährleisten muss, braucht weiterhin Menschen, die Verantwortung tragen und Systeme verstehen.
Für den einzelnen Entwickler in Mayfair oder Fox Chase lautet die nüchterne Erkenntnis deshalb nicht, dass KI Programmierjobs eliminiert. Vielmehr wird die stabile Mitte zwischen „guter Output“ und „verlässlichen Aufgabenpaketen“ von zwei Seiten unter Druck gesetzt: Tools werden schneller und günstiger, aber die Fähigkeit, Änderungen am Ende zu erklären und sauber auszuliefern, bleibt knapp. Wer in der Lage ist, Anforderungen präzise zu entscheiden, Risiken zu prüfen und Verantwortung bis zum Ship zu behalten, bleibt wertvoll – auch wenn KI den Code schneller produziert. Die eigentliche Herausforderung für Organisationen ist daher weniger die Frage nach Stellenabbau, sondern nach der Gestaltung von Review-Workflows, Observability und Wissensmanagement: Ohne klare Herkunft von Daten, nachvollziehbare Architekturentscheidungen und saubere Verifikationspfade wird aus „schneller Entwicklung“ schlicht schnelleres Chaos.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI verändert Softwareentwicklung: Warum die „mittlere Ebene“ unter Druck gerät" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI verändert Softwareentwicklung: Warum die „mittlere Ebene“ unter Druck gerät" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI verändert Softwareentwicklung: Warum die „mittlere Ebene“ unter Druck gerät« bei Google Deutschland suchen, bei Bing oder Google News!