KI-Codierungsagenten – spannende, neue Ära der Softwareentwicklung
Es ist gut nachvollziehbar, dass bei erstem Kontakt mit leistungsstarken KI-Codierungsagenten etwas Aufregung und Besorgnis aufkommen kann. Rasante Fortschritte in diesem Bereich, insbesondere bei „Agentic Coding” und lokalen LLMs, sind in der Tat beeindruckend.
Erfahrungen und Bedenken im Augenschein
Können Menschen durch KI ersetzt werden?
Eine Frage die Millionen beschäftigt. Nun, nicht in der Weise, wie teilweise befürchtet – zumindest noch nicht.
Erweiterung kein Ersatz
Man kann sich KI-Codierungsagenten als leistungsstarke Werkzeuge zur Erweiterung persönlicher Fähigkeiten vorstellen. So werden beispielsweise repetitive Aufgaben übernommen, Codes vorgeschlagen bis hin zu Debugging, Refactoring oder Generierung ganzer Funktionen oder Klassen. Es bleibt mehr Zeit, sich auf übergeordnete Designs, komplexe Problemlösungen sowie kreative Aspekte der Softwareentwicklung zu konzentrieren.
Menschliche Kontrolle
Selbst fortschrittlichste Agenten benötigen menschliche Anleitung, Überprüfung und Korrektur. Es gibt Fehlerquellen wie beispielsweise Generierung suboptimaler Codes oder falsch interpretierte Anforderungen. Persönliches Fachwissen über das Gesamtsystem, die Geschäftslogik und potenzielle Randfälle bleiben unverzichtbar.
Anpassung
Die in der Softwareentwicklung geforderten Fähigkeiten entwickeln sich weiter. Während das Auswendiglernen von Code an Bedeutung verliert, wird der Bedarf an kritischem Denken, Architekturdesign, Verständnis der Benutzerbedürfnisse und Verwaltung komplexer Systeme weiter zunehmen. Die Nachfrage nach Entwicklerinnen und Entwickler, die diese KI-Tools beherrschen ebenso.
Neue Rollenverteilung
So wie frühere technologische Veränderungen neue Branchen und Berufsbilder hervorgebrachten, wird KI innerhalb der Programmierung wahrscheinlich zu neuen Spezialisierungen führen. Beispielsweise „KI-Prompt-Engineer” für Entwickler, „KI-Agent-Manager” oder auf Validierung und Integration von KI-generierten Codes spezialisierte Fachkräfte.
Erfahrungen mit Programmieragenten und lokalen LLMs
Erfreulich und weiterführend, wenn man aktiv experimentiert. Zum persönlichen Arbeitsablauf passende Tools finden kann.
VibeCoding und Agentic Coding
Die Erkundung von Trae, Cursor und Junie von JetBrains (insbesondere im Falle bestehender Nutzung des JetBrains-Ökosystems) ist ein kluger Schachzug. Agentic Coding, wo KI-Aufgaben geplant, ausgeführt und iteriert werden können, stellt einen bedeutenden Sprung über die einfache Code-Vervollständigung hinaus dar.
Lokale LLMs zur Kosteneinsparung
Die Hauptmotivation, lokale LLM-Modelle zu verwenden, um hohe API-Kosten von OpenAI, Anthropic usw. für private Projekte zu vermeiden, ist ein verbreitetes Anliegen in der Praxis.
Kosten versus Leistung
Der Betrieb lokaler LLMs hat Vor- und Nachteile. So können API-Kosten vermieden, jedoch andere Kosten entstehen:
Hardware
Leistungsstarke GPUs (wie die Consumer-Karten von NVIDIA oder noch robustere professionelle Karten) sind zur Erreichung angemessener Inferenzgeschwindigkeiten bei grösseren Modellen oftmals notwendig.
Energie
Der Betrieb von GPUs erfrodert eine erhebliche Strommenge.
Zeit und Aufwand
Einrichtung und Verwaltung lokaler LLM-Umgebungen können zeitaufwändig sein und erfordern technisches Know-how.
Leistung
Lokale Modelle erreichen möglicherweise nicht in jedem Fall die Spitzenleistung oder die umfangreichen Kontextfenster der leistungsstärksten cloudbasierten Modelle, insbesondere bei sehr komplexen Aufgaben. Zur Lösung vielfältiger, gängiger Codierungsaufgaben werden diese allerdings laufend besser.
Einschätzung
Die Kosten für den Betrieb eines lokalen LLM sind von folgenden Faktoren abhängig:
Grössere Modelle (beispielsweise siebzig Milliarden Parameter gegenüber von sieben Milliarden Parametern) erfordern mehr VRAM und Rechenleistung.
Inferenzgeschwindigkeit: Schnelligkeit von Rückmeldungen
Nutzung: Stundenbedarf pro Tag der Anwendung von LLM
Stromtarif: variiert nach Region.
Hardware-Abschreibung: Kosten der GPU über deren gesamter «Lebensdauer».
Zur persönlichen Planung kann der Stromverbrauch sowie einer GPU als auch einer NVIDIA RTX 4090 (zirka 450 W bei Volllast) recherchiert und anhand lokaler Stromtarife berechnet werden. Im Betriebsfall von beispielsweise acht Stunden pro Tag und zwanzig Tagen pro Monat mit durchschnittlich 300 W bei einem Strompreis von 0,30 € fallen Kosten von rund vierzehn Euro monatlich an.
0,3 kW × 8 Stunden/Tag × 20 Tage/Monat × 0,30 €/kWh ≈ 14,40 €/Monat
Dies zur Vorstellung allenfalls anfallender Betriebskosten. Anfängliche Hardwarekosten sind nicht berücksichtigt
Fazit
Diese Tools sind hilfreich und verändern die «Landschaft». Dennoch werden menschliche Kreativität einzigartig, persönliche Problemlösungsfähigkeit und Kontextverständnis unverzichtbar bleiben. Wer experimentiert, lernt, sich anpassen kann und will, bleibt auch innerhalb dieser spannenden, neuen Ära der Softwareentwicklung mit und vorne dabei.