KI-Coding-Agenten verändern den Berufseinstieg – die Ausbildung bleibt entscheidend

Einstiegsaufgaben sind auch Lerngelegenheiten

Die wirtschaftliche Versuchung, bestimmte Einstiegsaufgaben an Agenten abzugeben, ist nachvollziehbar: Wenn Werkzeuge Routinearbeit übernehmen, kann der unmittelbare Bedarf an Menschen für genau diese Aufgaben sinken. Osheges Einwand richtet sich gegen die Annahme, damit entfalle auch der Ausbildungsbedarf. An kleinen, überschaubaren Aufgaben hätten Berufseinsteiger:innen bislang gelernt, wie größere Systeme funktionieren und welche Folgen Änderungen an einzelnen Stellen haben. [1]

Für die Beurteilung generierter Ergebnisse spielt Erfahrung eine zentrale Rolle. Erfahrene Entwickler:innen können nach Osheges Darstellung Fehler erkennen und ihr Urteil im Review weiterentwickeln. Einsteiger:innen fehlt häufig noch der Maßstab, um eine plausibel formulierte, aber falsche Lösung zu erkennen. KI könne vorhandenes Urteilsvermögen verstärken, es aber nicht selbst hervorbringen. Das ist Osheges fachliche These; die Kolumne belegt sie nicht mit einer vergleichenden Studie. [1]

Der mögliche Langzeiteffekt ist damit nicht allein eine Frage der Zahl heute besetzter Stellen. Wenn weniger Menschen Gelegenheit erhalten, Grundlagen, Systemverständnis und Review-Kompetenz aufzubauen, könnte später auch die Zahl der Beschäftigten sinken, die Architekturentscheidungen treffen oder KI-Ergebnisse verantworten können. Diese Folgerung entspricht der in der Kolumne beschriebenen Sorge, ist aber keine gesicherte Prognose für den Arbeitsmarkt. [1]

Ausbildung muss in den KI-gestützten Arbeitsablauf hinein

Oshege plädiert nicht dafür, Berufseinsteiger:innen von KI-Werkzeugen fernzuhalten. Ausbildung solle dort stattfinden, wo die Arbeit inzwischen anfalle: beim Bewerten generierten Codes und in den Reviews, die darüber entscheiden, was in ein Kundensystem übernommen wird. Für die viadee beschreibt er gemischte Teams, in denen auf zwei bis vier Entwickler:innen eine erfahrene Person kommt, die Architektur und Codeverständnis mitverantwortet. [1]

Das Verhältnis ist als Praxisbeispiel des Unternehmens zu verstehen, nicht als allgemein geprüfte optimale Teamgröße. Ebenso berichtet Oshege von einem Buddy-System für neue Mitarbeitende, internen Schulungen und definierten Basiskompetenzen für die ersten beiden Berufsjahre. Die Kolumne nennt diese Maßnahmen, enthält aber keine Evaluation dazu, wie stark sie Lernerfolg oder Produktivität verbessern. [1]

Ein weiterer Teil seines Ansatzes betrifft den Austausch im Team. Früher habe informelles Lernen häufig im gemeinsamen Kundenprojekt stattgefunden; bei verteilten Teams müsse dieser Austausch stärker organisiert werden. Oshege nennt feste Ansprechpersonen, gezielte gemeinsame Arbeitstage und Pair Programming als Möglichkeiten. Remote-Arbeit stellt er dabei nicht grundsätzlich infrage, sondern beschreibt sie als weiterhin sinnvoll, unter anderem mit Blick auf Vereinbarkeit und Reiseaufwand. [1]

Personalentwicklung unter wechselnden Bedingungen

Auch Qualifizierungspläne müssen nach Osheges Einschätzung mit der Entwicklung der Werkzeuge Schritt halten. Interne Schulungen könnten Erfahrungswissen aus Projekten und aktuelle Forschung bündeln; zugleich änderten sich die Fähigkeiten, die für den KI-Einsatz benötigt werden, laufend. Er bezeichnet KI deshalb als „Moving Target“ und warnt davor, für jedes neue Werkzeug ein eigenes dauerhaftes Vorgehensmodell festzuschreiben. [1]

Für Unternehmen liegt die praktische Herausforderung damit nicht nur in der Auswahl eines Werkzeugs, sondern in der Frage, wo es für ein konkretes Projekt einen belegbaren Nutzen bringt und welche Qualitätssicherung nötig ist. Oshege beschreibt Entscheidungen über Nutzen, Leitplanken und erforderliche Kompetenzen als gemeinsame Aufgabe mit den Kunden. Seine Darstellung legt nahe, Personalentwicklung als Teil der Projekt- und Führungsarbeit zu behandeln, nicht allein als Schulungsprogramm. [1]

Als Analyse bedeutet das: Lernziele sollten nicht ausschließlich an einem bestimmten Produkt oder einer kurzfristig stabilen Bedienroutine hängen. Robuster erscheint eine Ausbildung, die auch Anforderungen verstehen, Code prüfen, Risiken erkennen und Architekturentscheidungen nachvollziehen lässt. Diese Priorisierung leitet sich aus den von Oshege benannten Engpässen ab; sie ist keine von den Quellen gemessene Rangfolge von Kompetenzen. [1]

Langfristige Kosten sind mehr als Personalaufwand

Oshege lenkt den Blick auf die Lebensdauer von Unternehmenssoftware. Systeme könnten zehn Jahre und länger betrieben werden; ihre Kosten und Wartbarkeit zeigten sich daher nicht allein in der Geschwindigkeit, mit der sie zunächst erstellt werden. Wer heute Ausbildungsanteile reduziert, beeinflusse nach seiner Argumentation auch, wer in Zukunft bestehende Anwendungen verstehen und verändern kann. [1]

Das ist für Entscheider:innen ein anderer Zeithorizont als eine kurzfristige Produktivitätsrechnung. Eine unmittelbare Einsparung durch weniger Einstiegsstellen müsste gegen mögliche Kosten für Reviews, Wartung, Wissenssicherung und spätere Personalgewinnung abgewogen werden. Dass diese Folgekosten in jedem Unternehmen tatsächlich höher ausfallen, belegen die verfügbaren Quellen nicht; sie machen aber sichtbar, welche Größen eine belastbare Wirtschaftlichkeitsbetrachtung berücksichtigen sollte. [1]

Quarks ordnet die breitere Debatte ebenfalls ohne Gewissheit über das Endergebnis ein: KI werde nicht von heute auf morgen alle Jobs übernehmen; das Tempo und die Folgen des Wandels blieben offen. Der Beitrag betont zugleich Weiterbildung im Umgang mit KI als Teil der Vorbereitung. Für Softwareunternehmen begründet das weder eine Entwarnung noch eine konkrete Prognose zum Personalbedarf, sondern spricht für Planung unter Unsicherheit. [3]

Was die Befunde für Unternehmen aussagen – und was nicht

Die vorliegenden Angaben zeichnen ein gemischtes Bild: Coding-Agenten werden laut der von t3n zitierten Befragung häufig genutzt, während die dort wiedergegebene Beschäftigungsentwicklung bei jungen Entwickler:innen in den USA auf eine mögliche Belastung des Berufseinstiegs hinweist. Quarks’ Einordnung, dass KI bislang vor allem einzelne Tätigkeiten übernimmt, setzt dieser Entwicklung keine Entwarnung entgegen; sie mahnt vielmehr, Beschäftigungseffekte nicht mit vollständiger Berufsautomatisierung gleichzusetzen. [1][3]

Für Unternehmen wäre es deshalb verkürzt, sowohl aus hoher Werkzeugnutzung auf erfolgreiche Automatisierung als auch aus einem Beschäftigungsrückgang auf einen klaren KI-Effekt zu schließen. Als Analyse bietet sich an, neben der Nutzung auch den tatsächlichen Weg von Anforderungen über Entwicklung und Review bis zum produktiven Einsatz zu betrachten. Dazu gehören die Qualität der Ergebnisse, der Aufwand für Korrekturen und die Möglichkeiten, Wissen an Nachwuchskräfte weiterzugeben. Diese Messperspektive knüpft an Osheges Fokus auf den Durchsatz und seine Beschreibung der Review- und Wissensengpässe an. [1]

Die Frage, wer in zehn Jahren Software entwickelt, lässt sich aus den verfügbaren Quellen nicht mit einer belastbaren Zahl beantworten. Osheges Kernwarnung ist enger und konkreter: Wenn Unternehmen Einstiegspositionen dauerhaft zurückfahren, könnten sie den Aufbau jener Erfahrung schwächen, die sie später für Architektur, Sicherheit und die Prüfung generierter Ergebnisse benötigen. Ob und wie stark dieser Effekt eintritt, hängt auch davon ab, ob Unternehmen Ausbildung in die KI-gestützte Praxis integrieren, statt sie als überholten Teil der Entwicklung zu behandeln. [1]

Quellen

1. [1] Wer entwickelt in zehn Jahren unsere Software? — https://t3n.de/news/ki-verdraengt-den-nachwuchs-wer-entwickelt-in-zehn-jahren-unsere-software-1770554 (abgerufen am 2026-11-01)
2. [3] Was wäre, wenn KI uns die Arbeit abnimmt - Quarks — https://www.quarks.de/technik/digitalisierung/ki-arbeit-mal-angenommen (abgerufen am 2026-11-01)