Coding mit KI

Begrüßung

Keynote: KI-Tools im Entwickler­team – Was funktioniert, was nicht?

KI-gestütztes Coding verspricht schnellere Entwicklung, besseren Code und effizientere Workflows. Doch wie sieht die Realität aus, wenn ein ganzes Team mit Copilot, Cursor oder Claude arbeitet? Diese Keynote berichtet aus erster Hand: Welche Produktivitätsgewinne ließen sich tatsächlich messen? Wo sind KI-Tools im Alltag gescheitert? Wie haben sich Code-Reviews, Onboarding und Zusammenarbeit verändert – und welche neuen Probleme sind entstanden, mit denen niemand gerechnet hat? Konkrete Zahlen, gescheiterte Experimente und Entscheidungen, die das Team im Nachhinein mit heutigem Wissen anders treffen würde. Ein Erfahrungsbericht für alle, die KI-Tools nicht ausprobieren, sondern dauerhaft einsetzen wollen.

Wie künstliche Intelligenz und KI-Tools die Software­entwicklung verändern

KI-Tools schreiben inzwischen produktiven Code. Die spannendere Frage ist: Was macht das mit dem Rest des Entwicklungs­prozesses? Architektur­entscheidungen fallen anders, wenn Code billig wird. Reviews verändern sich, wenn niemand mehr jede Zeile selbst geschrieben hat. Und Technical Debt entsteht an Stellen, die vor zwei Jahren noch nicht existierten.

Dieser Vortrag sortiert, was gerade passiert: Welche Kompetenzen gewinnen an Bedeutung, welche verlieren sie? Wo verschiebt sich die Rolle im Entwickler-Team – und wo bleibt sie erstaunlich stabil?

KI-gestütztes Coding in der Praxis: Copilot, Cursor, Claude Code & Co. im Vergleich

Drei Tools, drei Philosophien: Inline-Completion, Chat-basiertes Coding, agentengestützte IDE. Die Unterschiede zeigen sich nicht in Feature-Listen, sondern im Arbeitsalltag – beim Schreiben einer Funktion, beim Debuggen, beim Generieren von Tests.

Dieser Vortrag stellt die gängigen KI-Coding-Tools anhand realer Entwicklungsszenarien gegenüber. Im Fokus stehen Kontexttiefe, Token-Management und Modellwahl – also die Faktoren, die über brauchbare und unbrauchbare Ergebnisse entscheiden. Außerdem: Kosten, Datenschutz, Vendor Lock-in und die Frage, ob man sich an ein Tool binden sollte, das nächstes Jahr vielleicht ganz anders aussieht.

Spec-Driven Development: Vom Prompt zur Spezifi­kation zur Implemen­tierung

Spec-Driven Development macht aus Prompts Spezifikationen. Die Idee: Anforderungen werden strukturiert formuliert, daraus entstehen zuerst Tests, dann Code. Das Modell generiert nicht auf Zuruf, sondern entlang einer nachvoll­ziehbaren Kette – Requirement, Spezifikation, Test, Implementierung, Verifikation. Prompt-Templates werden dabei zu Engineering-Artefakten, die sich versionieren, wiederverwenden und reviewen lassen. Der Vortrag zeigt den methodischen Unterbau und die typischen Bruchstellen: Wo reißt die Kette? Wo schleichen sich Fehler ein, die erst beim zweiten Hinschauen auffallen? Ein Ansatz für alle, die reproduzierbare Ergebnisse wollen statt Glückstreffer.

Mittagspause

Legacy-Systeme modernisieren mit KI: Dokumentation, Refactoring, Migration

Undokumentierter Code aus den Vorjahren, drei Framework-Versionen im Rückstand, niemand im Team war damals dabei – das ist kein Sonderfall, das ist für viele Softwareentwickler*innen Alltag. Und genau hier sind KI-Tools überraschend nützlich. Sie lesen und verstehen Altcode, erzeugen fehlende Dokumentation oder unterstützen bei systematischem Refactoring und bei der Migration zwischen Sprachversionen.

Der Vortrag zeigt konkrete Workflows: Wie setzt man KI auf eine bestehende Codebasis an, ohne Chaos zu erzeugen? Wie lässt sich Retrieval Augmented Generation nutzen, um dem Modell projektspezifisches Wissen beizubringen? Und wo halluziniert das Modell Zusammenhänge, die nie existiert haben?

Wenn KI Code schreibt – Schwach­stellen, Risiken, Gegen­maßnahmen

KI-generierter Code kompiliert und besteht oft sogar die Tests. Trotzdem kann er voller Insecure Defaults, halluzinierte Dependencies, fehlerhafter Auth-Logik oder subtiler Injection-Muster stecken. Und diese Schwachstellen sehen auf den ersten Blick wie sauberer Code aus und werden von klassischen Reviews nicht zuverlässig abgefangen. Der Vortrag zeigt an konkreten Beispielen die häufigsten Schwachstellenmuster in KI-generiertem Code. Welche automatisierten Prüfstrategien helfen? Wo braucht es statische Analyse, wo reicht ein gezielter manueller Check? Und wie lässt sich Security in KI-gestützte Workflows integrieren, ohne alles auszubremsen?

Rechtsrisiken beim Einsatz von KI-Tools: Urheber­recht, Lizenzen, Daten­schutz

Copilot reproduziert gelegentlich Fragmente aus Open-Source-Projekten. Code wird an Cloud-APIs gesendet, die in anderen Jurisdiktionen laufen. KI-generierter Code hat keinen klaren Urheber. Das sind keine hypothetischen Szenarien – das passiert in jedem Team, das KI-Tools nutzt.

Dieser Vortrag hilft Tech Leads und Entwickler*innen bei technischen Entscheidungen, die auf rechtssicheren Füßen stehen müssen: Welche Toolchain-Konfigurationen reduzieren Lizenzrisiken? Wie sieht eine DSGVO-konforme Nutzung von Cloud-APIs aus? Wer trägt die Verantwortung, wenn ein KI-generierter Fix in Produktion geht und dort Daten korrumpiert – der Entwickler, das Team oder das Tool?

Schlussworte