Skill-Shift statt Ersatz: Was Entwickler über ihre Arbeit mit KI berichten

Unternehmen automatisieren die Produktion schneller, als sie Prüfung und Verantwortung aufbauen. Diese Lücke ist die neue Kontrollschuld.

Über KI und Entwickler-Jobs wird viel geschrieben, meist auf Basis von Studien aus Ökonomie, Beratung und HR. Im Rahmen des Python Software Verband haben wir anders angesetzt und die Betroffenen selbst gefragt: 383 Entwicklerinnen und Entwickler aus der PyCon-DE-Community berichteten, wie sich ihr Arbeitsalltag mit KI verändert. Das Handelsblatt berichtet über die Ergebnisse. Der stärkste Befund betrifft nicht die Frage, ob Stellen wegfallen – das misst diese Erhebung nicht –, sondern eine strukturelle Lücke: Mit intensiver KI-Nutzung entstehen neue Prüf-, Verantwortungs- und Absicherungsaufgaben, für die häufig Strukturen fehlen. Diese Lücke nenne ich Kontrollschuld.

Auf einen Blick

• KI-Nutzung ist in dieser Community Alltag: 96 Prozent nutzen KI-Tools mindestens mehrmals täglich, gut jeder Fünfte automatisiert über die Hälfte seiner Routineaufgaben. Ob dadurch Stellen entstehen oder wegfallen, wurde nicht erhoben.
• Die Arbeit verlagert sich: 68 Prozent nennen das Prüfen und Kuratieren von KI-Output als neue Aufgabe, nur 9 Prozent sehen keine nennenswerten neuen Aufgaben.
• Der Skill-Shift hat eine klare Richtung: Domänenwissen (60 Prozent), Architektur (56 Prozent) und Anforderungskommunikation (48 Prozent) gewinnen an Wert; für Code, Dokumentation und Recherche wird KI besonders häufig eingesetzt.
• Die eigentliche Lücke ist organisatorisch: 71 Prozent sagen, die Verantwortung für KI-verursachte Fehler sei nicht explizit geregelt, nur 11 Prozent haben ein dokumentiertes Framework, nur 30 Prozent eine formale Evaluation. Genau hier wächst die Kontrollschuld.

Wir haben die Praxis gefragt, nicht über sie geredet

Die meisten Zahlen zur Zukunft der Entwicklerarbeit stammen aus Modellrechnungen, Analystenreports oder HR-Umfragen, die die Betroffenen von außen betrachten. Diese Erhebung dreht die Perspektive um und fragt die Menschen, die KI täglich produktiv einsetzen.

Die Stichprobe ist selbstselektiert und nur bedingt repräsentativ für den deutschen Entwicklermarkt 2026. Die Befragten sind überwiegend erfahren, investieren aktiv in ihre Weiterbildung und besuchen Fachkonferenzen – eher Early Adopter als Durchschnitt. Genau das macht die Erhebung wertvoll: Sie zeigt, was dort geschieht, wo KI bereits intensiv eingesetzt wird. Ihre Erfahrungen sind ein frühes Signal dafür, welche Veränderungen mit zunehmender KI-Nutzung auch für andere Entwicklerteams relevant werden könnten.

Die neue Arbeit: prüfen, kuratieren, steuern

Der belastbarste Befund zeigt sich auf der anderen Seite der Automatisierung: KI übernimmt Aufgaben, schafft aber zugleich neue. 68 Prozent der Befragten nennen das Prüfen und Kuratieren von KI-Output als neue Aufgabe. 48 Prozent schreiben häufiger Prompts und Anweisungen, 38 Prozent bereiten Kontext für die Werkzeuge auf. Nur 30 Befragte sehen keine nennenswerten neuen Aufgaben.

Neben automatisierten Tätigkeiten entstehen also neue: KI unterstützt bei Code, Tests, Dokumentation und Recherche, zugleich wächst die Kontrollarbeit. Ob das Arbeitsvolumen dadurch insgesamt steigt oder sinkt, lässt sich aus der Erhebung nicht ableiten. Auffällig ist jedoch: In mehr als 1.200 Freitextantworten der 383 Befragten findet sich kein spontaner Bericht über KI-bedingten Stellenabbau. Direkt danach gefragt wurde allerdings nicht – ein interessanter Nullbefund, aber kein Beleg für den Arbeitsmarkt. Zugleich erleben nur 4 Prozent ihre Arbeit als entwertet; 45 Befragte wünschen sich sogar zusätzliche klassische Entwickler in ihren Teams.

Entwicklungsarbeit ist zudem kein fester Arbeitskuchen: Wenn KI die Entwicklungskosten senkt, werden Anwendungen wirtschaftlich, die zuvor am Budget gescheitert wären. Automatisierung kann deshalb neue Entwicklungsarbeit ermöglichen, statt bestehende nur zu ersetzen (siehe auch Jevons-Paradoxon).

Wer strategisch allein in Ersatz denkt, unterschätzt diese Dynamik. Entscheidend ist, zusätzlichen Mehrwert zu identifizieren und dafür gezielt Budget bereitzustellen.

Die neue Arbeit hat ihren Preis: 67 Prozent beschreiben KI-intensive Arbeitstage als dichter, anstrengender oder gleich belastend bei höherem Output. Nur 6 Prozent fühlen sich spürbar entlastet. KI automatisiert zwar Routine, doch die gewonnene Kapazität wird schnell wieder gebunden: durch Review, Steuerung und steigende Erwartungen. Der Produktivitätsgewinn führt damit bislang weniger zu Entlastung als zu höherer Arbeitsdichte.

Aus Entwicklerarbeit wird Prüfarbeit. Wer das nicht einplant, bekommt sie trotzdem: unbudgetiert, unsichtbar und auf Kosten der Substanz.

Skill-Shift: vom Produzenten zum verantwortlichen Prüfer

Die Gegenüberstellung zeigt besonders deutlich, welche Fähigkeiten an Wert gewinnen und wofür KI eingesetzt wird:

Links steht, was neu entsteht oder an Wert gewinnt; rechts, wofür die Befragten KI einsetzen. Dabei reicht der KI-Einsatz von Unterstützung bis zur Übernahme einer Aufgabe. Das Muster ist dennoch klar: Urteils-, Kontroll- und Kontextkompetenz gewinnt an Bedeutung, während KI vor allem bei produzierenden Tätigkeiten zum Einsatz kommt.

Prompting ist für 48 Prozent eine neue Tätigkeit, aber nur 32 Prozent sehen darin eine Fähigkeit, die an Wert gewinnt. Deutlich wichtiger werden Kontext- und Domänenwissen. Das stützt die Hire-Logik „Domänenexperte mit Experimentierwillen“, die ich nach der PyCon DE & PyData 2026 beschrieben habe.

Je nach Arbeitsfeld zeigt sich die Verschiebung anders. Data Engineers bewegen sich am stärksten in Richtung Fachlichkeit und Business-Übersetzung. Web-Entwickler übernehmen zunehmend die Architektur und Kontrolle des erzeugten Codes. ML Engineers wiederum nutzen KI am intensivsten und bauen am häufigsten Evals, Kontext-Pipelines und Agentensteuerung. Hier zeichnet sich ein mögliches neues Rollenprofil ab: der Eval-Ingenieur – in der Praxis bereits sichtbar, bevor er in Stellenanzeigen auftaucht.

Vertrauen wächst schneller als Kontrolle

Der aufschlussreichste Befund liegt abseits der Job-Debatte: Das Vertrauen in KI-Output ist bei 58 Prozent zuletzt gestiegen, die Kontrollstrukturen halten jedoch nicht Schritt. 89 Prozent prüfen KI-Output manuell, aber nur 30 Prozent verfügen über eine formale Eval-Pipeline. 14 Prozent verlassen sich überwiegend auf ihr Bauchgefühl.

Auch die Verantwortung ist meist ungeklärt: 71 Prozent sagen, bei einem KI-verursachten Fehler sei nicht explizit geregelt, wer dafür verantwortlich ist. In der Praxis landet die Verantwortung meist bei dem Entwickler, der den Code übernimmt. Nur 11 Prozent verfügen über ein dokumentiertes Framework mit Review-Pflicht, Sign-off und Audit-Trail. Genau hier entsteht Kontrollschuld: Die Produktion wird schneller automatisiert, als Prüfung, Verantwortung und Governance nachwachsen. Wie technische Schuld bleibt sie zunächst unsichtbar – bis sie fällig wird.

Die Daten zeigen zugleich: KI-Einführung ist nicht nur ein Technikproblem. Als größte Engpässe nennen die Befragten unklare Verantwortlichkeiten (40 Prozent) sowie Security, Datenschutz und EU AI Act (36 Prozent), nicht die Werkzeuge selbst. Die entscheidenden Probleme entstehen an den Schnittstellen zwischen Geschäftsleitung, Entwicklung und Compliance.

Die 59 geschilderten Vorfälle machen das konkret: still geänderter Aufgabenumfang, versteckte Code-Duplikate, Löschvorschläge für Produktivdaten trotz Guardrails. Ein Befragter bringt das Grundmuster auf den Punkt:

„Es passiert öfters beim generieren von Code, dass Packageversionen einfach erfunden werden […] Wenn man darauf blind vertraut kommt man schnell in einen Strudel von Halluzinationen und Debugging an der völlig falschen Stelle."

Tragfähig wird die neue Prüfarbeit erst als System: als Harness aus Evals, Audit-Spur und geregelter Freigabe. Dasselbe Muster habe ich in Agenten in Produktion anhand von Trust Boundaries beschrieben. Als individuelle Heldenleistung an einer Abteilungsgrenze versandet die Kontrollarbeit.

Neu denken, nicht abbilden

Ein Befund ist noch keine Handlungsanweisung. Deshalb folgt hier die Deutung: Wer bestehende Prozesse eins zu eins auf KI überträgt, automatisiert auch ihre Schwächen. Der Economist beschreibt dieses Muster am Beispiel Indiens: Viele Beteiligte lösen ihre Teilaufgaben, doch ohne Integration entsteht kein funktionierendes Ganzes. Bei KI-Agenten droht dasselbe: Jedes Ergebnis kann für sich plausibel sein, während Verantwortung und Kontrolle über den Gesamtprozess fehlen. Die Antwort ist nicht mehr manuelle Kontrolle, sondern Kontrolle als System – und die Bereitschaft, Prozesse und Verantwortung neu zu ordnen. Wie Harness, Evaluation und Governance dabei zusammenspielen, habe ich in Die neue KI-Architektur 2026 beschrieben.

Für Entscheider heißt das

Erstens: Kontrollarbeit als echte Arbeit budgetieren

Prüfen, Kuratieren und Steuern von KI-Output ist für 68 Prozent gelebte Realität. Diese Arbeit braucht Zeit und gehört deshalb in die Planung. Wer diese Arbeit nicht einplant, riskiert Überlastung und Qualitätsverlust. Das ist die erste Rate auf die Kontrollschuld.

Zweitens: Governance als Querschnitt organisieren

Der Engpass liegt nicht nur in der Technik, sondern in ungeklärter Verantwortung. Bei 71 Prozent ist nicht explizit geregelt, wer für KI-verursachte Fehler verantwortlich ist. Tragfähige KI-Nutzung braucht deshalb ein gemeinsames Verantwortungsmodell über Geschäftsleitung, Entwicklung, Security und Compliance hinweg: mit Review-Pflichten, Sign-off und Audit-Spur, gemeinsam getragen statt nach unten delegiert.

Drittens: Manuelles Review durch Evals skalieren

89 Prozent prüfen KI-Output manuell, aber nur 30 Prozent verfügen über eine formale Evaluation. Mit wachsender KI-Nutzung kann diese Review-Last zum Engpass werden. Manuelles Review bleibt wichtig, braucht aber eine skalierbare, reproduzierbare und nachweisbare Ergänzung: eigene, versionierte Eval-Sets mit klarer fachlicher Verantwortung.

Viertens: Profile und Zusammenarbeit neu denken

Die Erhebung misst keine Beschäftigungseffekte, zeigt aber einen klaren Skill-Shift: Domänenwissen, Architektururteil und Eval-Kompetenz gewinnen an Bedeutung. Darauf sollten Unternehmen Rollen, Weiterbildung und Recruiting ausrichten.

Weiterbildung ist dabei keine Einbahnstraße für Entwickler. KI befähigt auch die Fachbereiche, Aufgaben zu übernehmen, für die sie bisher auf Entwicklungsteams angewiesen waren. Damit entstehen neue Formen der Zusammenarbeit. Die entscheidende Frage lautet weniger, welche Aufgabe starr zu welcher Rolle gehört, sondern: Wer kann was am besten – und wie arbeitet das Team mit KI am wirkungsvollsten zusammen?

Dass mehrere Befragte zusätzliche klassische Entwickler in ihren Teams vermissen, unterstreicht zugleich: Automatisierung beseitigt den Bedarf an Entwicklung nicht automatisch.

Der gemeinsame Nenner dieser vier Punkte ist eine Organisationsfrage, keine Werkzeugfrage. Kontrollschuld wächst an den Nahtstellen zwischen Geschäftsleitung, Entwicklung und Compliance – dort, wo Verantwortung nicht eindeutig geregelt ist.

Diese Lücke schließt sich nicht aus einer einzelnen Abteilung heraus. Sie verlangt jemanden, der von der Geschäftsleitung bis ins Entwicklerteam ernst genommen wird und in beide Richtungen übersetzt. Das ist meine Arbeit als unabhängiger Berater: die Ebenen verbinden, einordnen, was KI wirklich leistet, und die Kontrollarbeit in tragfähige Governance überführen. Wer wissen will, wo die eigene Kontrollschuld am größten ist, findet in der Boardroom-to-Code Session den strukturierten Einstieg.

Je intensiver Entwickler KI einsetzen, desto wichtiger wird die Arbeit, die kaum ein Unternehmen organisiert hat: prüfen, Verantwortung zuweisen, Qualität sichern.

Zur Methodik

Die Zahlen stammen aus einer von mir mitverantworteten Selbstausfüller-Umfrage des PySV e. V. in der PyCon-DE-Community, erhoben Anfang Juni 2026 über Tally. 383 Personen nahmen teil, 340 davon vollständig. Die Stichprobe ist selbstselektiert, senior-lastig, KI-affin und überwiegend aus Deutschland. Sie liefert ein frühes Signal, keinen repräsentativen Durchschnitt.

Die Antwortbasis variiert je nach Frage zwischen 317 und 381 Personen; alle Prozentwerte beziehen sich auf die jeweilige Basis. Bei zentralen Befunden wird die Basis im Text genannt. Beschäftigungseffekte wie Einstellungen, Stellenabbau oder Teamgrößen wurden nicht erhoben. Freitextangaben wurden per Schlüsselwort ausgewertet und sind als Untergrenzen zu verstehen. Das Handelsblatt berichtet über die Ergebnisse.

Über den Python Software Verband e. V.

Der Python Software Verband fördert seit mehr als 20 Jahren die Programmiersprache Python im deutschsprachigen Raum. Er organisiert Formate wie die PyCon DE und EuroSciPy, unterstützt freie Software sowie Community-Initiativen und wird ehrenamtlich getragen. Vorsitzende sind Dr. Mike Müller und Alexander C. S. Hendorf.