Programmieren mit KI: Wie ChatGPT und Copilot unsere Arbeit verändert haben
Vor einem Jahr hat ein Junior-Developer in unserem Team einen kompletten Authentication-Flow in Next.js gebaut. Alleine. In 4 Stunden.
Vor zwei Jahren hätte das 2 Tage gedauert – und mindestens 3 Meetings mit Senior-Developern.
Was hat sich geändert? GitHub Copilot.
Die brutale Wahrheit über AI und Entwicklung
Lass uns ehrlich sein: Die Clickbait-Artikel liegen falsch.
Nein, AI ersetzt keine Entwickler.
Ja, AI verändert wie wir arbeiten.
Und wer AI nicht nutzt? Wird 2025 abgehängt. So einfach ist das.
Was wir täglich nutzen:
GitHub Copilot:
Code-Completion auf Steroiden. Du schreibst einen Kommentar, Copilot schreibt den Code.
ChatGPT/Claude:
Problem-Lösung, Code-Review, Architektur-Diskussionen.
v0.dev (Vercel):
UI-Komponenten per Prompt generieren.
Cursor:
IDE mit eingebauter AI, versteht deine gesamte Codebase.
Copilot: Der Pair-Programmer der nie müde wird
Was Copilot gut kann:
1. Boilerplate-Code schreiben
// Du schreibst:
interface User {
id: string
name: string
email: string
}
// Copilot schlägt vor:
interface UserRepository {
findById(id: string): Promise<User | null>
findByEmail(email: string): Promise<User | null>
create(user: Omit<User, 'id'>): Promise<User>
update(id: string, data: Partial<User>): Promise<User>
delete(id: string): Promise<void>
}
class UserRepositoryImpl implements UserRepository {
// Copilot generiert die komplette Implementierung
async findById(id: string) {
return await prisma.user.findUnique({ where: { id } })
}
// ...
}
Gespart: 15 Minuten Tipparbeit. Pro Tag? 1-2 Stunden.
2. Tests generieren
// Funktion:
function calculateDiscount(price: number, percentage: number): number {
if (percentage < 0 || percentage > 100) {
throw new Error('Invalid percentage')
}
return price * (1 - percentage / 100)
}
// Kommentar:
// Test cases for calculateDiscount
// Copilot generiert:
describe('calculateDiscount', () => {
it('should calculate correct discount', () => {
expect(calculateDiscount(100, 20)).toBe(80)
})
it('should throw error for negative percentage', () => {
expect(() => calculateDiscount(100, -10)).toThrow('Invalid percentage')
})
it('should throw error for percentage over 100', () => {
expect(() => calculateDiscount(100, 150)).toThrow('Invalid percentage')
})
it('should handle zero discount', () => {
expect(calculateDiscount(100, 0)).toBe(100)
})
})
Tests die du eh hättest schreiben müssen – jetzt in Sekunden statt Minuten.
3. Dokumentation schreiben
// Funktion:
function processPayment(userId: string, amount: number, method: PaymentMethod) {
// ... komplexe Logik
}
// Copilot generiert JSDoc:
/**
* Processes a payment for a user
* @param userId - The unique identifier of the user
* @param amount - The payment amount in cents (e.g., 1999 for €19.99)
* @param method - The payment method (card, paypal, sepa)
* @returns Promise that resolves with payment confirmation
* @throws {PaymentError} If payment processing fails
* @throws {ValidationError} If amount is negative or zero
* @example
* await processPayment('user_123', 1999, 'card')
*/
Dokumentation die niemand gerne schreibt – aber jeder braucht.
Was Copilot NICHT kann:
Architektur-Entscheidungen:
Du: "Soll ich Monolith oder Microservices nutzen?"
Copilot: *schlägt beides vor*
Du: *musst trotzdem selbst entscheiden*
Business-Logik verstehen:
// Copilot kann das generieren:
function calculatePrice(product: Product): number {
return product.basePrice * 1.19 // MwSt
}
// Aber nicht wissen:
// - Welche Produkte sind MwSt-befreit?
// - Gibt's Mengenrabatte?
// - Saisonale Preise?
// - B2B vs B2C Unterschiede?
Das musst du Copilot beibringen.
Performance-Optimierung:
Copilot schreibt funktionalen Code. Ob der Code performant ist? Musst du prüfen.
// Copilot generiert oft:
const filtered = items.filter(x => x.active)
const mapped = filtered.map(x => x.name)
const sorted = mapped.sort()
// Besser:
const result = items
.filter(x => x.active)
.map(x => x.name)
.sort()
// Eine Chain statt drei Arrays
ChatGPT: Der Mentor der immer Zeit hat
Wie wir ChatGPT nutzen:
1. Legacy-Code verstehen
Prompt: "Explain this code:
[... 200 Zeilen React Class Component aus 2017 ...]
"
ChatGPT:
"This is a React class component that manages a form state with
validation. Here's what each part does:
1. componentDidMount: Fetches initial data
2. handleChange: Updates state with validation
3. handleSubmit: ...
In modern React, this would be rewritten as:
[... Functional Component mit Hooks ...]
"
Zeit gespart: Stunden von "WTF macht dieser Code?"
2. Debugging-Hilfe
Prompt: "Warum bekomme ich 'TypeError: Cannot read property map of undefined'?
[Code Snippet]
"
ChatGPT:
"The error occurs because 'items' is undefined when the component
first renders. The API call in useEffect hasn't completed yet.
Fix:
{items?.map(item => ...)} // Optional chaining
Or:
const [items, setItems] = useState([]) // Default to empty array
"
Besser als Stack Overflow durchsuchen.
3. Code-Review
Prompt: "Review this React component for best practices:
[Component Code]
"
ChatGPT:
"Issues found:
1. ❌ Props not typed (add TypeScript interface)
2. ❌ useEffect missing dependency array
3. ❌ State updates not using functional form
4. ⚠️ Missing error handling for fetch
5. ⚠️ No loading state
Suggested improvements:
[Verbesserter Code]
"
Wie ein Senior-Developer der jede Code-Review macht – nur schneller.
4. Refactoring-Ideen
Prompt: "This function is getting messy. How would you refactor it?
function processOrder(order) {
// ... 150 Zeilen Chaos ...
}
"
ChatGPT:
"I'd suggest breaking this into smaller functions:
1. validateOrder(order)
2. calculateTotals(order)
3. applyDiscounts(order, totals)
4. processPayment(order, totals)
5. createInvoice(order, payment)
Refactored code:
[Sauberer Code mit Single Responsibility]
"
Die Limits von ChatGPT:
Halluzinationen:
ChatGPT erfindet manchmal APIs die nicht existieren:
// ChatGPT schlägt vor:
import { useMagicHook } from 'react'
// Reality: Diese Hook existiert nicht
Immer prüfen, nie blind kopieren.
Veraltetes Wissen:
ChatGPT-4 hat einen Knowledge Cut-Off. Neue Libraries, Breaking Changes? Weiß es nicht.
Du: "How do I use Next.js 15 App Router?"
ChatGPT: *erklärt Next.js 13 Ansatz*
Kontext-Limits:
Bei sehr großen Codebases verliert ChatGPT den Überblick.
v0.dev: UI-Komponenten auf Knopfdruck
Das Konzept:
Prompt eingeben → v0 generiert React/Tailwind Component → Du kannst's direkt nutzen.
Beispiel:
Prompt: "Create a pricing table with 3 tiers. Include a popular badge
on the middle tier. Make it responsive."
v0.dev generiert:
<PricingTable>
<PricingTier>
<h3>Starter</h3>
<Price>€9/Monat</Price>
<Features>...</Features>
</PricingTier>
{/* + CSS + Responsive Design */}
</PricingTable>
Real-World Impact:
Letzte Woche brauchten wir ein Dashboard-Layout.
Ohne v0: 3 Stunden Design + Code
Mit v0: 15 Minuten Prompt + kleine Anpassungen
Gespart: 2,5 Stunden
Wann v0 Sinn macht:
✅ Prototyping
✅ Standard-Komponenten (Forms, Tables, Cards)
✅ Landing-Page Sections
Wann nicht:
❌ Hochkomplexe, interaktive Visualisierungen
❌ Sehr spezifisches Design-System
❌ Performance-kritische Komponenten
Cursor: Die AI-IDE
Cursor ist VS Code – aber mit AI die deine gesamte Codebase versteht.
Der Game-Changer:
Traditionell:
Du → ChatGPT → Copy/Paste Code → Anpassen → Testen
Mit Cursor:
Du → Prompt in IDE → AI generiert Code direkt an richtiger Stelle
Features:
1. Codebase-weites Verständnis:
"Wo werden User-Permissions gecheckt?"
→ Cursor zeigt dir alle 23 Stellen
"Update all API calls to use the new auth header"
→ Cursor findet und updated alle Files
2. Multi-File Edits:
"Add TypeScript types to all React components"
→ Cursor updated 50 Files gleichzeitig
3. AI Chat mit Context:
Chat kennt deine Codebase. Fragen wie "Warum ist die Dashboard-Seite langsam?" werden im Kontext beantwortet.
Die Kosten:
Cursor Pro: 20$/Monat
Teueraber wenn's 5 Stunden/Woche spart? ROI ist offensichtlich.
Wie AI unseren Workflow verändert hat
Vorher (2022):
1. Problem identifizieren
2. Stack Overflow durchsuchen
3. Docs lesen
4. Code schreiben
5. Debuggen
6. Code-Review anfragen
7. Überarbeiten
Durchschnitt: 4-6 Stunden für mittelgroßes Feature
Heute (2025):
1. Problem mit ChatGPT diskutieren
2. Copilot schreibt Boilerplate
3. Cursor hilft bei Multi-File Changes
4. AI macht ersten Code-Review
5. Mensch macht finalen Review
Durchschnitt: 2-3 Stunden für gleiches Feature
Produktivitäts-Steigerung: 40-50%
Die dunkle Seite: Was schiefgehen kann
1. Copy-Paste ohne Verstehen
Der Junior-Developer:
// ChatGPT suggestion:
eval(userInput) // ❌ HUGE Security Risk!
// Developer kopiert's ohne nachzudenken
// Result: Remote Code Execution Vulnerability
Die Regel:
Verstehe jeden Code den du kopierst. AI ist ein Tool, kein Ersatz für Wissen.
2. Schlechte Prompts = Schlechter Code
Schlechter Prompt:
"make login"
Guter Prompt:
"Create a secure login form in Next.js with:
- Email and password validation
- Error handling
- CSRF protection
- Rate limiting
- TypeScript types
- Accessibility (ARIA labels)"
Die Qualität des Outputs hängt vom Prompt ab.
3. Über-Abhängigkeit
Wir hatten einen Praktikanten der ALLES mit ChatGPT machte. Resultat: Er konnte Code nicht debuggen wenn ChatGPT falsch lag.
Die Balance:
Nutze AI als Werkzeug. Aber verstehe die Grundlagen selbst.
AI für verschiedene Entwickler-Levels
Junior Developers:
Nutze AI für:
✅ Syntax lernen
✅ Best Practices verstehen
✅ Debugging-Hilfe
Vermeide:
❌ Komplette Features kopieren ohne zu verstehen
❌ AI als Ersatz für Lernen
Mid-Level Developers:
Nutze AI für:
✅ Boilerplate-Code
✅ Refactoring-Ideen
✅ Alternative Ansätze explorieren
Vermeide:
❌ Blind vertrauen
❌ Security/Performance ohne Review
Senior Developers:
Nutze AI für:
✅ Schnelles Prototyping
✅ Architektur-Diskussionen
✅ Code-Review Unterstützung
✅ Legacy-Code Modernisierung
Vermeide:
❌ AI für kritische Architektur-Entscheidungen alleine
Kosten vs. Nutzen
Unsere Tool-Kosten (pro Entwickler/Monat):
- GitHub Copilot: 10€
- ChatGPT Plus: 20€
- Cursor Pro: 20€
Total: 50€/Monat
Zeit gespart (pro Entwickler/Monat):
- Boilerplate: 10 Stunden
- Debugging: 8 Stunden
- Dokumentation: 4 Stunden
- Tests: 6 Stunden
Total: ~28 Stunden/Monat
Bei 80€/Stunde Entwickler-Kosten:
- Investment: 50€
- Gespart: 2.240€
ROI: 4.480%
Die Rechnung ist klar.
Praktische Tipps für bessere AI-Nutzung
1. Schreibe gute Prompts
Schlecht:
"make api"
Gut:
"Create a RESTful API endpoint in Next.js App Router that:
- Accepts POST requests with JSON body
- Validates input using Zod
- Stores data in PostgreSQL using Prisma
- Returns proper HTTP status codes
- Includes error handling
- Uses TypeScript"
2. Iteriere
Erster Output selten perfekt. Verfeinere:
"Add rate limiting to this endpoint"
"Now add caching with Redis"
"Add comprehensive error messages"
3. Nutze AI für Review
"Review this code for:
- Security vulnerabilities
- Performance issues
- TypeScript best practices
- Accessibility"
4. AI als Lern-Tool
"Explain the difference between useMemo and useCallback with examples"
"What are the trade-offs between SSR and SSG in Next.js?"
Die Zukunft: Wohin geht die Reise?
Predictions für 2026:
AI-Generated Apps:
Komplette Apps aus Prompts. Nicht nur Code, sondern deployed und live.
Agentic AI:
AI die selbstständig Tasks erledigt:
"Fix all TypeScript errors in the codebase"
→ AI macht's, erstellt PR, du reviewst nur
AI Pair Programming:
Echtzeit-Collaboration mit AI die mitdenkt:
Du: *schreibst Function*
AI: "Should we add error handling here?"
Du: "Yes"
AI: *fügt try/catch hinzu*
Wird Code schreiben überflüssig?
Nein. Aber die Abstraktion wird höher:
- Früher: Assembly
- Dann: C/C++
- Dann: JavaScript/Python
- Zukunft: Natural Language → AI → Code
Der Entwickler wird mehr Architekt, weniger Coder.
Fazit: Adapt or die
Klingt dramatisch? Ist aber Realität.
Entwickler die AI nutzen: 40-50% produktiver
Entwickler die AI nicht nutzen: Werden überholt
Es ist wie Taschenrechner für Mathematiker. Niemand rechnet mehr mit Papier – und niemand hält Mathematiker für schlechter deswegen.
Gleich mit AI: Es ist ein Werkzeug. Nutze es.
Dein Action Plan
Diese Woche:
- GitHub Copilot Trial starten (30 Tage gratis)
- ChatGPT für Code-Reviews nutzen
- Einen Workflow mit AI optimieren
Diesen Monat:
4. v0.dev für nächstes UI-Feature testen
5. AI-Prompts verbessern lernen
6. Team schulen: AI Best Practices
Dieses Jahr:
7. ROI messen: Zeit gespart vs. Kosten
8. AI in Development-Prozess integrieren
9. Weiterbilden: AI-Tools entwickeln sich schnell
Ressourcen
Tools:
Lernen:
Brauchst du Hilfe?
AI-Tools sind mächtig – aber nur wenn du sie richtig nutzt.
Wir bei Unified Digital Solutions helfen:
- AI-Workflow Setup für dein Team
- Best Practices Training
- Custom AI-Tool Integration
- Produktivitäts-Audit
Kostenlose Beratung: Zeig uns deinen aktuellen Workflow, wir zeigen wo AI helfen kann.
Die Zukunft ist jetzt. Zeit mitzumachen.