Künstliche Intelligenz, die auf die Entwicklung von Web- und mobilen Anwendungen angewendet wird, umfasst eine Reihe von Techniken, vom Natural Language Processing bis zu generativen Modellen, die in jeder Phase des Softwareproduktionszyklus zum Einsatz kommen. Ihre Akzeptanz durch die Entwicklungsteams ist mittlerweile massiv: Die Umfrage Stack Overflow Developer Survey 2025, die mehr als 49.000 Befragte einbezog, zeigt, dass 84 % der Entwickler KI-Tools verwenden oder planen, diese zu verwenden.
Der bemerkenswerte Punkt liegt woanders: Nur etwa 3 % geben an, großes Vertrauen in diese Technologien zu haben.
Diskrepanz zwischen Akzeptanz und Vertrauen: Was die Daten über KI in der Entwicklung offenbaren
Diese Trennung zwischen weit verbreitetem Gebrauch und sehr niedrigem Vertrauen sollte zunächst angesprochen werden. Entwickler integrieren Code-Assistenten in ihren Alltag, überprüfen jedoch systematisch die produzierten Ausgaben.
Der DORA 2025 State of AI-assisted Software Development Bericht, veröffentlicht von Google Cloud unter fast 5.000 Fachleuten, verbindet den Einsatz von KI mit einer Erhöhung der Liefergeschwindigkeit. Gleichzeitig wird eine größere Instabilität bei den Bereitstellungen festgestellt. Die Teams liefern schneller, aber die Vorfälle nach der Bereitstellung nehmen zu.
Eine randomisierte Studie mit erfahrenen Open-Source-Entwicklern hat festgestellt, dass sich die Ausführungszeit von Aufgaben mit bestimmten KI-Tools verlängert, trotz einer subjektiven Wahrnehmung von Zeitersparnis. Die betroffenen Fachleute verfügen über fortgeschrittene Fähigkeiten in der Anwendungsentwicklung und beherrschen den betreffenden Code, was die Vorstellung eines universellen Beschleunigers relativiert.
Spezialisierte Plattformen für die Gestaltung von Web- und mobilen Anwendungen dokumentieren diese Realität. Die auf https://www.codyx.org/ vorgestellte Agentur unterstützt die Erstellung digitaler Lösungen unter Berücksichtigung der mit der Zuverlässigkeit von KI-unterstütztem Code verbundenen Einschränkungen.
Sicherheit des von KI generierten Codes: Ein dokumentiertes strukturelles Risiko
Wettbewerber präsentieren KI oft als ein Werkzeug, das die Sicherheit von Anwendungen verstärkt. Die verfügbaren Daten nuancieren diese Aussage.
Der Veracode 2025 GenAI Code Security Report berichtet, dass 45 % der getesteten Programmieraufgaben eine bekannte Schwachstelle einführten. Diese Zahl bezieht sich auf Kategorien, die von den Standard-Sicherheitsrichtlinien abgedeckt sind, nicht auf exotische Schwachstellen.
Das Problem ist nicht punktuell. Der von Sprachmodellen generierte Code reproduziert verwundbare Muster, die in den Trainingsdaten vorhanden sind. Ein Entwickler, der einen Vorschlag ohne manuelle Analyse akzeptiert, integriert potenziell eine Schwachstelle in seine Codebasis. Bei öffentlich zugänglichen Webanwendungen oder mobilen Anwendungen, die sensible Benutzerdaten verarbeiten, stellt diese Mechanik ein strukturelles Risiko dar.
- SQL-Injection und XSS-Schwachstellen gehören zu den am häufigsten durch generierten Code eingeführten Schwachstellen, da die Modelle Beispiele aus unsicheren Tutorials reproduzieren
- Die menschliche Code-Überprüfung bleibt das wichtigste Sicherheitsnetz, wird jedoch oft verkürzt, wenn das Team den Code als “vom KI-Tool validiert” wahrnimmt
- Statische Analyse-Tools (SAST) erkennen einen Teil dieser Schwachstellen, vorausgesetzt, sie werden systematisch in der Continuous Integration-Pipeline ausgeführt
Die Sicherheit der produzierten Lösungen hängt daher weniger vom gewählten KI-Tool ab als vom Überprüfungsprozess, der vom Team aufrechterhalten wird.
Europäische Regulierung und Anwendungsentwicklung: Der AI Act in der Praxis
Der europäische AI Act führt Verpflichtungen ein, die direkt die Gestaltung von Anwendungen betreffen, die KI integrieren. Die Artikel zu Hochrisikosystemen verlangen technische Dokumentation, Nachverfolgbarkeit der Trainingsdaten und menschliche Aufsicht.
Für Unternehmen, die Web- oder mobile Anwendungen für den europäischen Markt entwickeln, bedingte die Einhaltung des AI Act die Produktionsfreigabe. Ein personalisiertes Empfehlungstool, ein Benutzer-Scoring-Modul oder ein automatisiertes Moderationssystem können je nach Nutzungskontext in die Kategorie “Hochrisiko” fallen.
Zu den Verpflichtungen gehören die Führung eines Registers über automatisierte Entscheidungen und die Fähigkeit, den betroffenen Nutzern die Funktionsweise des Modells zu erklären. Diese Anforderungen verändern die Softwarearchitektur bereits in der Entwurfsphase: Es müssen Protokollierungsschichten, Audit-Schnittstellen und Mechanismen zur manuellen Deaktivierung vorgesehen werden.
Auswirkungen auf den Entwicklungsprozess
Diese regulatorischen Anforderungen von Anfang an in das Projekt zu integrieren, ist kostengünstiger, als sie nachträglich hinzuzufügen. Die Teams, die KI zur Codegenerierung nutzen, müssen auch den automatisch generierten Anteil dokumentieren, um die Herkunft eines unerwarteten Verhaltens während eines Audits zurückverfolgen zu können.
KI-Tools für die Entwicklung: Was funktioniert und was bleibt fragil
Code-Assistenten wie GitHub Copilot oder Cursor decken heute drei Hauptanwendungen ab: die Echtzeit-Autovervollständigung, die Generierung von Funktionen aus Beschreibungen in natürlicher Sprache und die Analyse bestehender Codebasen.
Die Autovervollständigung funktioniert gut bei sich wiederholendem Code (API-Routen, Formulare, CRUD-Anfragen). Bei diesen Aufgaben ist die Zeitersparnis real und messbar. Die Generierung von Unit-Tests aus bestehenden Funktionen reduziert ebenfalls die manuelle Arbeit, vorausgesetzt, die Relevanz der produzierten Testfälle wird überprüft.
Im Gegensatz dazu bleibt die Generierung komplexer Geschäftslogik fragil. Ein Sprachmodell versteht nicht die spezifischen Regeln eines Bereichs (Finanzen, Gesundheit, Logistik). Der produzierte Code kann syntaktisch korrekt, aber funktional falsch sein, was gefährlicher ist als ein sichtbarer Kompilierungsfehler.
- Für schnelles Prototyping und Machbarkeitsstudien beschleunigt KI die Phase der ursprünglichen Gestaltung erheblich
- Für die Wartung umfangreicher Codebasen hilft KI-gestützte Analyse, nicht dokumentierten Legacy-Code zu verstehen
- Für die Architektur verteilter Systeme oder das feine Management von Konkurrenz bleibt die menschliche Aufsicht der entscheidende Faktor
Künstliche Intelligenz in der Entwicklung von Web- und mobilen Anwendungen ist weder ein universeller Beschleuniger noch ein Marketing-Gadget. Produktivitätsgewinne existieren bei sich wiederholenden Aufgaben und beim Prototyping. Die dokumentierten Risiken in Bezug auf die Sicherheit des generierten Codes und die Instabilität der Bereitstellungen erfordern einen strengen Überprüfungsrahmen. Die Teams, die das Beste aus diesen Tools herausholen, sind diejenigen, die sie als Assistenten und nicht als Ersatz behandeln.
