Von Code-Monkeys und KI-Musen – wie augment code mein nächtlicher Pair-Programming-Partner wurde

Vor über einem Jahr hatte ich bereits versucht, eine KI, damals ChatGPT, als Partner für Pair Programming zu verwenden. Und was soll ich sagen? Die Erfahrung war ungefähr so enttäuschend wie Dragon Age 2 oder Mass Effect 3. Die Fehler im generierten Code zu finden und zu korrigieren hat mich mehr Zeit gekostet als, wenn ich den Code mit entsprechendem Research direkt selbst geschrieben hätte. ChatGPT warf wild zwei unterschiedliche Varianten der DynamoDB-Libraries für JavaScript durcheinander, und der generierte AWS-Lambda-Code endete für Stunden in einer Endlosschleife des Schweigens.

Grund genug, das Thema für längere Zeit ad acta zu legen.

Vor einem Monat schickte mir dann ein Kollege einen Link zu augment code, mit dem Hinweis, dass diese Developer-AI sogar eine Empfehlung von Kent Beck bekommen habe. Inmitten der aktuellen Diskussion um Vibe-Coding dachte ich mir: Gib dem Thema noch mal eine Chance. Und um es vorwegzunehmen: Die Erfahrung war, als hätte man erst den Batman-Film von 1966 und direkt danach The Dark Knight von 2008 geguckt.

Das Szenario

Vor vielen Jahren hatte ich mir ein kleines Tool in Ruby geschrieben, das mir auf einem Kurzgeschichten-Portal Texte extrahierte und in ein Kindle-E-Book umwandelte. Die Plattform hatte sich mittlerweile geändert, das Tool funktionierte nicht mehr. Auch die Handhabung war nicht ideal: Man musste dem Tool mitteilen, wie viele Seiten eine Geschichte hatte, und bei Fortsetzungsgeschichten die URLs der einzelnen Teile – jeweils mit der Seitenanzahl.

Ein idealer kleiner Use Case also, um die KI zu verproben. Um es interessanter zu machen, wollte ich das neue Tool in Python schreiben. Ich kann Python lesen, habe aber noch nie selbst eine Anwendung darin entwickelt. Zusätzlich entschied ich, der KI keinen Zugriff auf den alten Ruby-Code oder den HTML-Code der Kurzgeschichten zu geben.

Das Experiment

Der erste Schritt bestand darin, das augment code Plugin in IntelliJ zu installieren – was über den Marketplace problemlos funktionierte. Ein leeres Python-Projekt war schnell angelegt, und über die Sidebar beschrieb ich der KI in einem Satz grob die Anforderung:

„The purpose of this project is to scrape stories from a website and to convert them into EPUB or Kindle files.

Der darauf generierte Code löste die Aufgabenstellung natürlich noch nicht – das war auch nicht meine Erwartung, besonders da ich der KI keinen vollständigen Kontext geliefert hatte. Aber das Ergebnis war dennoch überraschend gut.

Am meisten überraschte mich die Auswahl der Bibliotheken. Sie war solide, und nach einem Quercheck in PyPI wären es exakt die Bibliotheken gewesen, die ich selbst gewählt hätte.

Ich nutzte den Vorschlag als Blaupause für meine erste eigene Iteration. Eine halbe Stunde später hatte ich ein lauffähiges Python-Skript, das die erste Seite einer Geschichte extrahierte und als EPUB-Datei speicherte.

Nächster Schritt: Das Skript sollte um die Pagination erweitert werden. Ich beschrieb der KI die Funktionsweise und zeigte ihr ein Snippet des HTML-Codes, anhand dessen die Pagination erkennbar war. Ich wollte bewusst sehen, wie gut die KI mit eingeschränktem Zugang funktioniert – ein realistisches Szenario im Umgang mit vertraulichen Informationen.

Nach visueller Prüfung des KI-Vorschlags ließ ich sie den Code tatsächlich selbst anpassen. Besonders angenehm an der IDE-Integration: Der alte und neue Code wird im Diff-View angezeigt und lässt sich wie ein Pull Request behandeln.

Die Code-Anpassungen waren korrekt; das Skript konnte fortan mehrseitige Geschichten erfolgreich in E-Books umwandeln.

Positiv überrascht hat mich zudem, dass die KI auch an Kleinigkeiten „gedacht“ hatte, die ich ihr gar nicht genannt hatte – etwa eine kleine Pause zwischen den Requests. Das ist nicht nur technisch sauber, sondern auch respektvoll gegenüber der Plattform. Und die KI begründete das sogar aktiv im Kommentar:

This implementation: ... Adds a small delay between requests to be respectful to the server

Der Code für die Seiteniteration war für meinen Geschmack etwas überkompliziert. Ich habe ihn verschlankt – auch, weil ich einfach mehr Kontext hatte. Kein Beinbruch.

Nach rund einer Stunde stand damit ein funktionstüchtiger Prototyp.

Nun wollte ich herausfinden, ob die KI auch Methoden- und Architekturverständnis besitzt. Also gab ich den Auftrag:

As I plan to support other sources in the future, I would like to implement a meta-model for books that applies DDD principles. The meta model is populated by the scraper and is then converted to the epub file

Und das war der Moment, in dem es fast unheimlich wurde. Die KI erstellte nicht nur ein vollständiges fachliches Domänenmodell, sondern trennte auch sauber Scraper und Converter, legte Basisklassen für Erweiterungen an und implementierte per Strategy Pattern direkt eine Logik, die automatisch den passenden Scraper anhand der URL auswählt.

Ich hätte daran vermutlich erst gedacht, wenn ich den zweiten Scraper implementiert hätte.

Zur Nachvollziehbarkeit hier die Zusammenfassung der KI nach dem Refactoring:

Reasoning Output von augment code nach dem DDD Refactoring

Und das Wichtigste: Der Code funktionierte.

Letzte Aufgabe: Story-Serien, also mehrere verknüpfte Geschichten, sollten gemeinsam in einem E-Book landen. Den Scraper dafür implementierte ich selbst, um die neue KI-Struktur auf den Prüfstand zu stellen. Mit etwas Copy/Paste aus dem bestehenden Scraper und wenigen Ergänzungen funktionierte alles nach 15 Minuten reibungslos.

Anschließend ließ ich die KI noch das Chaos beseitigen, das ich bewusst hinterlassen hatte. Auch hier: überzeugendes Ergebnis.

Nach rund zwei Stunden war das Tool vollständig lauffähig, der Code aufgeräumt und erweiterbar.

Einordnung

augment code könnte sich zu meiner persönlichen Pair Programming Samantha entwickeln. Würde die KI zudem mit der Stimme von Scarlett Johansson sprechen, könnte ich mich vermutlich sogar ein Stück in sie verlieben.

Warum? Ganz einfach: Verfügbarkeit.

Ideen kommen mir selten zu Bürozeiten – Zeiten, zu denen es meistens nicht möglich ist, Kolleg:innen oder Mitarbeitende anzurufen. Dies wäre nicht nur unhöflich, sondern gegebenenfalls sogar illegal (ArbZG). Die KI steht hingegen zu jeder Tages- und Nachtzeit zur Verfügung und liefert solide Ergebnisse – was ein absoluter Zugewinn ist.

Würde ich aber die Arbeit mit der KI der Zusammenarbeit mit Kolleg:innen vorziehen? Um Gottes willen: nein. So positiv das Experiment mit der KI verlaufen ist, kann es die Vorteile des Pair-Programmings oder des Mob-Programmings mit echten Menschen nicht ersetzen. Zumindest für mich nicht – weil mir hier die emotionale und kreative Komponente auf Dauer fehlen würde. Somit stellt eine KI wie augment code für mich eine interessante und solide Ergänzung dar, aber keinen Ersatz für die persönliche Zusammenarbeit.

Kommen wir aber zu der Frage, welche die meisten vermutlich interessiert: Sind KIs wie augment code die Silver-Bullet-Lösung und werden jetzt alle Software-Engineers arbeitslos?

Kontext und Komplexität

Die folgende Einschätzung ist ein Bauchgefühl, basierend auf meinem Wissen zu KI im Allgemeinen und den Erfahrungen aus dem Experiment mit augment code. Ich hoffe, die Zeit zu finden, um meine Annahmen durch weitere Experimente zu untermauern. Den Themenkomplex Governance, Compliance und Regulatorik lasse ich bewusst außen vor – das wäre Stoff für einen eigenen Artikel.

augment code beeindruckt durch seine Context Engine mit 200K Tokens. Ich bin zuversichtlich, dass die KI auch mit sehr großen Codebasen umgehen kann. Spannend wird es jedoch im fachlichen Kontext.

Das Szenario in meinem Experiment war fachlich eher trivial. Ich glaube, die KI hätte die Anwendung nahezu vollständig generieren können, wenn ich ihr mehr Eingaben geliefert hätte, etwa eine vollständige Spezifikation und den HTML-Code der Plattform.

Aber genau das ist der Knackpunkt: Wenn KI bedeutet, dass ich wieder seitenlange Feinkonzepte schreiben muss, kann sie bleiben, wo der Pfeffer wächst.

Seit der Veröffentlichung der ersten deutschen Ausgabe des gleichnamigen Buchs, bin ich ein Verfechter von Extreme Programming und war früher Verfechter der agilen Ansätze. Gleichzeitig habe ich noch die Zeiten erlebt, in denen die Fach- und DV-Konzepte dicker waren als das fertige Release. Das brauche ich kein zweites Mal. Da hilft es auch nicht, dass man dies jetzt scheinbar als Context Engineering bezeichnet.

Und so hilft mir das Cynefin-Komplexitätsmodell bei der Einordnung: In der einfachen und komplizierten Domäne liefert KI echten Mehrwert. Dort gibt es Standardlösungen oder Best Practices – ideal für automatisiertes Codieren.

Um das böse Wort zu verwenden: Hier befinden wir uns im Bereich der Code Monkeys, die fleißig das Programmieren, was man ihnen sagt. Und was anderes machen Coding-KI eben auch nicht.

Doch sobald wir in die komplexe oder chaotische Domäne wechseln, braucht es Software- und Solution-Engineer. Hier sind Erfahrung, Intuition und situatives Denken gefragt, also Dinge, die eine KI (zumindest noch) nicht liefern kann. In diesen Bereichen bleibt KI ein Werkzeug. Unterstützend, ja. Aber kein Ersatz. Punkt.

Fazit

Die KI ist gekommen, um zu bleiben. Aber sie ist kein magisches Feenwesen – sondern ein Werkzeug. Und wer mit einem Hammer versucht, eine Schraube in die Wand zu schlagen, darf sich nicht wundern, wenn nachts das Bild auf den Kopf fällt.

Im besten Fall erschrickt man. Im schlimmsten Fall: Schädelbruch.

Ich persönlich werde augment code oder eines oder mehrere seiner Geschwister definitiv mit in meinen Werkzeugkasten aufnehmen und da verwenden, wo es sinnvoll ist. Aber ich bin noch weit davon entfernt, in Panik zu geraten und einen Handwerksberuf zu erlernen. Vielmehr freue ich mich auf weitere Experimente mit der Coding-KI.