## Pfadnavigation 1. [ Startseite ](/) 2. [ Software Testing & Qualität - Testautomatisierung, KI & Agilität ](/podcast/software-testing-qualitaet-testautomatisierung-ki-agilitaet) 3. KI in der Softwareentwicklung: Benjamin Hummel über Qualitätssicherung # KI in der Softwareentwicklung: Benjamin Hummel über Qualitätssicherung **Podcast:** [Software Testing & Qualität - Testautomatisierung, KI & Agilität](/podcast/software-testing-qualitaet-testautomatisierung-ki-agilitaet) **Erscheinungsdatum:** 15. September 2026 **Länge:** 00:35:11 [ Link zur Episode (extern) ](https://www.richard-seidl.com/de/podcast/qualitaet-ki-generierter-code) ![Wenn KI coden darf, bleibt Entwicklern nur noch Lesen? - Benjamin Hummel](https://www.botcaster-production.undpaul.work/sites/default/files/styles/podcast_n_episode_metadata_image_1x/public/2026-09/140cd028-ac3a-4d50-923b-a4bc16277b98.jpg.webp?itok=K6BREcm7) ### Wenn KI coden darf, bleibt Entwicklern nur noch Lesen? - Benjamin Hummel 15. September 2026 · [Software Testing & Qualität - Testautomatisierung, KI & Agilität](/podcast/software-testing-qualitaet-testautomatisierung-ki-agilitaet) Wenn KI-Agenten Code schneller schreiben, als Menschen ihn prüfen können, droht ein massiver Qualitätsverlust in Softwareprojekten. Benjamin Hummel diskutiert genau dieses Spannungsfeld im Podcast *[Software Testing & Qualität](https://www.botcaster.de/podcast/software-testing-qualitaet-testautomatisierung-ki-agilitaet)* mit Host Richard Seidl. Sie beleuchten, warum die Vorstellung, Qualitätssicherung sei nur ein Engpass, den man einfach wegoptimieren kann, eine gefährliche Illusion ist. In dieser Episode erfährst Du, wie Unternehmen in der Praxis mit KI in der Softwareentwicklung umgehen, welche neuen Herausforderungen für Entwickler und Tester entstehen und warum manchmal der bewusste Schritt zurück - das manuelle Coden - die beste Lösung ist. Die zentrale Frage lautet: Wie können wir die Vorteile von KI nutzen, ohne die Kontrolle über die Qualität und Wartbarkeit unserer Systeme zu verlieren? ## Das Wichtigste auf einen Blick - **Mehr Code, mehr Fehler:** Die durch KI ermöglichte schnelle Code-Erzeugung führt statistisch zu mehr Fehlern. Qualitätssicherung wird dadurch noch wichtiger, anstatt obsolet zu werden. - **Die neue Rolle des Entwicklers:** Der Fokus verschiebt sich vom Schreiben zum Lesen und Überprüfen von Code. Dies ist eine ermüdende Aufgabe, die dazu führt, dass einige erfahrene Entwickler bewusst wieder manuell programmieren, um ihre Fähigkeiten zu erhalten und die Kontrolle zu behalten. - **KI-gestützte Code-Reviews:** Aktuelle Werkzeuge liefern nur zu etwa 30 % nützliche Kommentare, der Rest ist irrelevant oder sogar schädlich. Sie sind eine Ergänzung, aber kein Ersatz für menschliche Expertise und können zudem extrem kostspielig sein. - **Klassische QS im neuen Kontext:** Bewährte Methoden wie statische Analyse und Test-Selektion sind entscheidend, um KI-Agenten schnelles und präzises Feedback zu geben. Dieser Ansatz wird auch als Harness Engineering bezeichnet. - **Die Gefahr der Überforderung:** Der ständige Druck, noch schneller zu werden, und die Flut an KI-generierten Ergebnissen (z. B. bei Security-Scans) führen zu Burnout und überfordern die Teams. Eine bewusste Entschleunigung ist notwendig. ## Die Illusion der grenzenlosen Beschleunigung: Mehr Code, mehr Probleme Die aktuelle Diskussion um KI in der Softwareentwicklung wird von der Idee dominiert, immer mehr Code in immer kürzerer Zeit zu produzieren. Benjamin Hummel warnt jedoch vor einer vereinfachten Sichtweise. Er beobachtet in der Praxis ein breites Spektrum: Während einige Unternehmen experimentieren, rollen andere bereits wieder Lizenzen für KI-Werkzeuge zurück, weil die Kosten den Nutzen übersteigen. Die Vorstellung einer vollautonomen Software Factory ist für komplexe, langlebige Systeme mit Millionen von Codezeilen noch weit entfernt. Richard Seidl wirft die ketzerische Frage auf, wozu dieser Geschwindigkeitsrausch überhaupt dient. Braucht die Welt wirklich noch mehr schlecht gewartete Apps? Benjamin stimmt zu und betont, dass der Fokus auf Quantität die Qualität und den eigentlichen Nutzerbedarf aus den Augen verliert. Die einfache Gleichung doppelt so viel Code bedeutet doppelt so viele Fehler macht deutlich, dass die Qualitätssicherung nicht zum Engpass wird, den man beseitigen muss, sondern zu einer noch kritischeren Instanz, um die durch KI erzeugte Code-Menge überhaupt handhaben zu können. ## Warum coden Entwickler plötzlich wieder von Hand? Die Rolle des Softwareentwicklers wandelt sich dramatisch. Statt Code zu entwerfen und zu schreiben, verbringen viele ihre Zeit damit, von einer KI generierten Code zu lesen und zu validieren. Diese Dauer-Review-Tätigkeit ist, wie Benjamin aus eigener Erfahrung berichtet, extrem anstrengend und fehleranfällig. Nach kurzer Zeit stellt sich eine Ermüdung ein, bei der Änderungen nur noch durchgewinkt werden. Gleichzeitig bleibt die Haftungsfrage ungeklärt: Wer ist verantwortlich, wenn ein von einer KI geschriebener Fehler in einem sicherheitskritischen System, etwa im Airbag eines Autos, zu Schaden führt? Es ist nicht OpenAI, sondern das Unternehmen und potenziell der freigebbende Entwickler. Aus diesen Gründen beobachtet Benjamin einen bemerkenswerten Gegentrend: Entwicklerteams entscheiden sich gezielt dafür, bestimmte Features wieder komplett manuell zu schreiben. Dies dient nicht nur der Qualitätssicherung, sondern auch dem Erhalt der eigenen Programmierfähigkeiten und dem tiefen Verständnis für die Codebasis, das beim reinen Lesen verloren geht. ## KI als Code-Reviewer: Nützliche Ergänzung oder kostspieliges Missverständnis? Die naheliegende Idee, den Review-Prozess ebenfalls an eine KI auszulagern, erweist sich in der Praxis als komplex. Benjamin teilt Einblicke aus eigenen Studien und Kundenerfahrungen: Die meisten KI-Review-Tools erzeugen nur zu etwa 30 % wirklich hilfreiche Kommentare. Der Rest ist irrelevant oder führt sogar zu Verschlechterungen. Ein blindes Akzeptieren der Vorschläge ist also riskant. Zudem ist der Prozess teuer. Während eine klassische statische Analyse fast zum Nulltarif läuft, können KI-Reviews mit leistungsstarken Modellen Kosten von über 500 US-Dollar pro Tag für ein Team verursachen. Die wahre Stärke liegt daher in der Ergänzung: Die KI kann als Filter für einfache, repetitive Probleme dienen, sodass sich menschliche Reviewer auf komplexe Aspekte wie Architektur, Systemkonsistenz und die Nutzersicht konzentrieren können. ## Harness Engineering und der Wert klassischer QS-Methoden Anstatt bewährte Methoden über Bord zu werfen, liegt die Zukunft in deren intelligenter Integration. Das Konzept des Harness Engineering beschreibt, wie ein Gerüst um ein KI-Modell gebaut wird, um es gezielt zu steuern. Ein zentraler Bestandteil dieses Gerüsts ist eine enge Feedback-Schleife. Hier spielen klassische QS-Werkzeuge eine entscheidende Rolle. Eine schnelle statische Analyse gibt dem KI-Agenten sofort Rückmeldung über die Codequalität. Ein anschauliches Beispiel von Benjamin: Eine KI nutzte in einem Java-System Reflection, um Kapselungsregeln zu umgehen - ein Vorgehen, auf das ein erfahrener Entwickler kaum käme. Eine entsprechende statische Analyse-Regel fängt so etwas sofort ab. Ebenso helfen Verfahren zur Test-Selektion, nur die relevantesten Tests auszuführen. So erhält der Agent schnelles Feedback, ohne stundenlang auf eine vollständige Test-Suite warten zu müssen. Im Grunde wird das Prinzip des Shift Left hier auf die KI selbst angewendet. ## Praktische Schritte für den Umgang mit KI in der Entwicklung Um die Vorteile der KI zu nutzen, ohne in die typischen Fallen zu tappen, empfiehlt Benjamin einen überlegten und pragmatischen Ansatz. Hier sind vier zentrale Handlungsempfehlungen aus dem Gespräch: 1. **Bremse einlegen und den Zweck hinterfragen:** Widerstehe dem Drang, Geschwindigkeit als alleiniges Ziel zu sehen. Frage Dich und Dein Team regelmäßig, ob die schnelle Erzeugung von mehr Code wirklich das Problem löst, oder ob es nicht besser wäre, die gewonnene Zeit in das Verständnis der Nutzeranforderungen und die Verbesserung der Architektur zu investieren. 2. **Klassische Werkzeuge als Leitplanken nutzen:** Integriere Deine bewährten Werkzeuge für statische Analyse, Testautomatisierung und CI/CD fest in den KI-gestützten Prozess. Sie liefern das schnelle, kostengünstige und verlässliche Feedback, das KI-Agenten benötigen, um qualitativ hochwertigen Code zu erzeugen. 3. **KI-Reviews als Vorfilter betrachten:** Setze KI-Review-Tools nicht als Ersatz, sondern als Ergänzung für menschliche Expertise ein. Definiere klare Anwendungsfälle, in denen sie triviale Fehler finden sollen, und evaluiere die Kosten im Verhältnis zum tatsächlichen Nutzen. Die letzte Entscheidung über eine Code-Änderung sollte immer bei einem Menschen liegen. 4. **Manuelles Coden als Fähigkeit kultivieren:** Fördere eine Kultur, in der es normal ist, komplexe oder kritische Teile der Software weiterhin von Hand zu schreiben. Dies sichert nicht nur die Codequalität, sondern erhält auch das essenzielle Systemverständnis und die Problemlösungskompetenz im Team. --- version="1.0" encoding="UTF-8"? .st0 { fill: #010101; } .st1 { fill: #b0c0b3; } .st2 { fill: #3b3a3b; } .st3 { fill: #3a3a3a; } .st4 { fill: #5e7185; } .st5 { fill: #f9eddd; } .st6 { fill: #000100; } .st7 { fill: #aebeb3; } .st8 { fill: #fefefe; } .st9 { fill: #7f93a8; } .st10 { fill: #f8f0df; } .st11 { fill: #fbf0df; } .st12 { fill: #afbfb2; } .st13 { fill: #f7eedd; } .st14 { fill: #fdfdfd; } Botcaster **Zusammengefasst von Anja Schirwinski** Ich beschäftige mich beruflich wie privat mit Künstlicher Intelligenz - von konkreten Tools im Arbeitsalltag bis zu den größeren Fragen, die dabei aufkommen. Viele der Themen, die in Podcasts besprochen werden, begegnen mir in Projekten immer wieder. Deshalb fasse ich hier die für mich interessantesten Podcastfolgen zusammen und ordne sie aus der Praxis ein. [Mehr über das Projekt Botcaster](/ueber-uns) ## Themen - [ Softwareentwicklung mit KI ](/podcasts/themen/softwareentwicklung-mit-ki) - [ Testen und Qualität ](/podcasts/themen/testen-qualitaet) **Hinweis:** *Diese Zusammenfassung wurde mit Hilfe von KI aus dem Transkript der Podcast-Episode generiert.* Alle Inhalte auf Botcaster beruhen auf öffentlich zugänglichen Podcasts rund um Künstliche Intelligenz. Wir fassen die Episoden nach bestem Wissen zusammen, übernehmen jedoch keine Gewähr für Vollständigkeit, Aktualität oder Richtigkeit der Inhalte. Die Rechte an den Original-Podcasts und -Inhalten liegen ausschließlich bei den jeweiligen Urheber:innen. ## Shownotes Mehr Code, mehr Fehler: Mit Benjamin Hummel spreche ich darüber, was passiert, wenn KI-Agenten Code produzieren schneller als Teams ihn prüfen können. Wir reden über die Illusion, dass Qualitätssicherung ein Bottleneck ist, den man einfach wegoptimiert, und was das für Systeme bedeutet, die in der echten Welt laufen.