Wenn die KI codet

Vor zwei Jahren ergänzte generative KI noch einzelne Codezeilen per Autovervollständigung. Heute übernehmen KI-Agenten komplette Komponenten selbstständig, schlagen Testfälle vor und entwerfen Architekturbausteine. Laut dem DORA-Report 2025 von Google Cloud setzen inzwischen rund 90 Prozent der Engineering-Teams generative KI im Entwicklungsalltag ein (Harvey & DeBellis, 2025).

Für Teams in Medizintechnik, Automotive oder Finance verändert das die tägliche Arbeit spürbar, denn hier zählt nicht nur Geschwindigkeit. Jede Codezeile muss nachweisbar, geprüft und zulassungsfähig bleiben, bevor sie in ein Produkt einfließen darf. Genau an dieser Stelle setzt die Frage an, die viele Engineering-Teams gerade beschäftigt: Welche Aufgaben lassen sich sinnvoll an KI delegieren, und wo bleibt menschliches Urteilsvermögen unverzichtbar?

Warum Traceability zum eigentlichen Engpass wird

In regulierten Branchen verschiebt das die Rechnung. Normen wie IEC 62304 (International Electrotechnical Commission 62304) in der Medizintechnik oder ISO 26262 im Automotive-Bereich verlangen lückenlose Nachweisführung über den gesamten Softwarelebenszyklus, unabhängig davon, wer den Code erstellt hat. Die kommende zweite Ausgabe von IEC 62304 adressiert KI-Prozessplanung erstmals explizit (NSF, 2026).

Generative KI verschiebt den Engpass damit vom Schreiben zum Prüfen und Belegen. Zugleich verändert sich, wer diese Prüfung übernimmt: Klassische Entwicklerrollen wandeln sich zu Reviewern und Orchestratoren, während besonders Berufseinsteiger neue Kompetenzen im Umgang mit KI-Output aufbauen müssen, um nicht den Anschluss zu verlieren. Wer Legacy-Software modernisiert, etwa in der bildgebenden Medizintechnik, gewinnt durch KI vor allem dann an Tempo, wenn menschliche Fachexpertise Architektur, Risikobewertung und Verifikation weiter verantwortet. Das gilt besonders für Systeme, die seit vielen Jahren im Feld laufen und deren Dokumentation über Jahrzehnte gewachsen ist.

Mensch-KI-Zusammenspiel als größter Hebel

Der Konsens unter Fachleuten ist eindeutig: Nicht Vollautomatisierung, sondern das gezielte Zusammenspiel aus menschlicher Expertise und KI-gestützter Skalierung bringt in sicherheitskritischen Systemen echten Fortschritt. In der Praxis zeigt sich das bereits: Bei einzelnen Software-Teams großer MedTech-Hersteller entsteht laut Branchenberichten inzwischen ein erheblicher Anteil neuen Codes mithilfe generativer KI, während die fachliche Prüfung vollständig bei den Ingenieurinnen und Ingenieuren bleibt.

Genau dieses Zusammenspiel steht im Mittelpunkt des nächsten sepp.med Afterwork Exchange. Tom Jachmann, verantwortlich für die Softwareplattform moderner Computertomographie-Systeme (CT) bei Siemens Healthineers, zeigt anhand konkreter Praxisbeispiele aus der Legacy-Modernisierung, wo KI heute bereits Tempo und Qualität steigert und wo menschliche Verantwortung unverzichtbar bleibt.

Diskutieren Sie live mit, welche Rollen sich in Ihrem Engineering-Team gerade verändern, und sichern Sie sich Ihren Platz beim sepp.med Afterwork Exchange.

Quellen

• Becker, J., Rush, N., Barnes, E., & Rein, D. (2025). Measuring the impact of early-2025 AI on experienced open-source developer productivity (arXiv:2507.09089). METR.
• Harvey, N., & DeBellis, D. (2025, 23. September). Announcing the 2025 DORA Report: State of AI-assisted software development. Google Cloud.
• Wessling, J. (2025). 2025 GenAI code security report. Veracode.
• Harding, B. (2025). AI Copilot code quality: 2025 research (211 million changed lines). GitClear.
• NSF. (2026). IEC 62304, draft of the 2nd edition: Optimized safety classes, extended scope and AI.