Die Softwareentwicklung hat das Potenzial, durch den Einsatz von KI grundlegend verändert zu werden. Von der Anfangsphase bis zur Wartung bieten KI-Tools und generative KI neue Möglichkeiten, um den Entwicklungsprozess zu beschleunigen und die Effizienz zu steigern.
Anfangsphase und Planung
Softwareentwickler und Produktmanager nutzen generative KI, um große Datenmengen wie Benutzerfeedback, Markttrends und vorhandene Systemprotokolle zu analysieren, zu bereinigen und zu kennzeichnen.
Systemdesign
Ingenieure verwenden generative KI, um mehrere IT-Architekturdesigns zu erstellen und potenzielle Konfigurationen zu iterieren. Dies beschleunigt das Systemdesign und verkürzt die Markteinführungszeit.
Programmierung
Durch den Einsatz von KI-Tools können Ingenieure schneller programmieren. KI unterstützt bei Entwürfen, findet schnell passende Codeschnipsel und dient als umfassende Wissensdatenbank.
Testen
Ingenieure setzen Algorithmen ein, um funktionale und Leistungstests zu verbessern und automatisch Testfälle und Testdaten zu generieren.
Wartung
Ingenieure nutzen KI-Erkenntnisse aus Systemprotokollen, Benutzerfeedback und Leistungsdaten, um Probleme zu diagnostizieren, Lösungen vorzuschlagen und Verbesserungspotenziale aufzuzeigen.
Softwareentwicklung
Durch die Behandlung von Programmiersprachen als eine weitere Sprache eröffnen sich neue Möglichkeiten für die Softwareentwicklung. Softwareentwickler können generative KI beim Pair Programming einsetzen und LLMs trainieren, um Anwendungen zu entwickeln, die Code generieren, wenn ihnen eine natürlichsprachliche Beschreibung des gewünschten Codes gegeben wird.
Der Einfluss von Generative AI auf die Software
Softwareentwicklung ist eine bedeutende Funktion in den meisten Unternehmen und wächst weiter, da nicht nur Tech-Riesen, sondern auch andere Unternehmen Software in einer Vielzahl von Produkten und Dienstleistungen einbinden. Beispielsweise stammt ein Großteil des Mehrwerts neuer Fahrzeuge aus digitalen Funktionen wie adaptiver Tempomat, Parkassistenz und IoT-Konnektivität.
Laut unserer Analyse könnte sich der direkte Einfluss von KI auf die Produktivität der Softwareentwicklung auf 20 bis 45 Prozent der aktuellen jährlichen Ausgaben für diese Funktion belaufen. Dieser Wert würde hauptsächlich durch die Reduzierung der Zeit für bestimmte Aktivitäten wie das Generieren erster Code-Entwürfe, Code-Korrekturen und -Refaktorisierungen, die Ursachenanalyse und das Erstellen neuer Systemdesigns entstehen. Durch die Beschleunigung des Kodierungsprozesses könnte generative KI die benötigten Fähigkeiten und Kompetenzen in der Softwareentwicklung hin zum Code- und Architekturdesign lenken. Eine Studie ergab, dass Softwareentwickler, die das Tool GitHub Copilot von Microsoft verwendet haben, Aufgaben um 56 Prozent schneller erledigt haben als diejenigen, die das Tool nicht genutzt haben. Eine interne empirische Studie von McKinsey über Softwareentwicklungsteams ergab, dass sich die Zeit zur Generierung und Refaktorisierung von Code durch den Einsatz von generativer KI schnell verringerte. Die Ingenieure berichteten außerdem von einer verbesserten Arbeitsqualität und nannten Verbesserungen in Bezug auf Zufriedenheit, Arbeitsfluss und Erfüllung.
Unsere Analyse berücksichtigte nicht den Anstieg der Anwendungsqualität und den damit verbundenen Produktivitätsschub, den generative KI durch die Verbesserung des Codes oder der IT-Architektur bringen könnte - was die Produktivität entlang der gesamten IT-Wertschöpfungskette steigern kann. Die Qualität der IT-Architektur hängt jedoch größtenteils immer noch von Softwarearchitekten ab und nicht von den initialen Entwürfen, die die derzeitigen Fähigkeiten der generativen KI erzeugen können.
Große Technologieunternehmen bieten bereits generative KI-Lösungen für die Softwareentwicklung an, darunter GitHub Copilot, das nun in OpenAI’s GPT-4 integriert ist, und Replit, das von mehr als 20 Millionen Entwicklern verwendet wird.
Das Wertpotenzial nach Modalität
Die Technologie hat die Art und Weise, wie wir Geschäfte führen, revolutioniert, und textbasierte KI steht an vorderster Front dieses Wandels. Tatsächlich sind textbasierte Daten reichlich vorhanden, zugänglich und lassen sich leicht in großem Maßstab von LLMs verarbeiten und analysieren. Daher liegt ein starker Fokus auf textbasierten Anwendungen in den frühen Phasen der Entwicklung von generativer KI. Auch die aktuelle Investitionslandschaft in generativer KI konzentriert sich stark auf textbasierte Anwendungen wie Chatbots, virtuelle Assistenten und Sprachübersetzung. Wir schätzen jedoch, dass fast ein Fünftel des Wertes, den generative KI in unseren Anwendungsfällen freisetzen kann, multimodale Fähigkeiten jenseits von Text-zu-Text nutzen würde.
Während die anfängliche Anwendung von generativer KI hauptsächlich textbasiert war, haben jüngste Fortschritte in der generativen KI auch zu Durchbrüchen bei der Bildgenerierung geführt, wie OpenAI’s DALL·E und Stable Diusion eindrucksvoll gezeigt haben. Auch im Bereich Audio, einschließlich Sprache und Musik, und Video werden große Fortschritte erzielt. Diese Fähigkeiten haben offensichtliche Anwendungen im Marketing zur Generierung von Werbematerial und anderen Marketinginhalten, und diese Technologien werden bereits in Medienindustrien, einschließlich der Spielentwicklung, eingesetzt. Tatsächlich stellen einige dieser Beispiele bestehende Geschäftsmodelle in Bezug auf Talent, Monetarisierung und geistiges Eigentum in Frage.
Die multimodalen Fähigkeiten der generativen KI könnten auch effektiv in Forschung und Entwicklung eingesetzt werden. Generative KI-Systeme könnten erste Entwürfe von Schaltkreisen, Architekturzeichnungen, Strukturingenieurwesen und Wärmeentwürfen auf Grundlage von Vorgaben erstellen, die die Anforderungen für ein Produkt beschreiben. Um dies zu erreichen, müssten Grundlagenmodelle in diesen Bereichen trainiert werden (ähnlich wie LLMs, die auf “Designsprachen” trainiert sind). Sobald sie trainiert sind, könnten solche Grundlagenmodelle die Produktivität ähnlich stark steigern wie bei der Softwareentwicklung.
Wertpotenzial nach Branche
Über die 63 von uns analysierten Anwendungsfälle hinweg hat generative KI das Potenzial, einen Wert von 2,6 Billionen bis 4,4 Billionen US-Dollar in verschiedenen Branchen zu generieren. Der genaue Einfluss hängt von verschiedenen Faktoren ab, wie der Mischung und Bedeutung verschiedener Funktionen sowie dem Umsatzmaßstab einer Branche (siehe Abbildung 4).
Insgesamt hat generative KI über 63 Anwendungsfälle hinweg das Potenzial, einen Wert von 2,6 Billionen bis 4,4 Billionen US-Dollar in verschiedenen Branchen zu generieren.
Erfahrene Entwickler bleiben unverzichtbar
Generative AI-Modelle wie ChatGPT können die Entwicklung von Softwarelösungen beeinflussen. Low-Code bezieht sich auf die vereinfachte Erstellung von Software, die normalerweise aufwändige Programmierung erfordern würde. Es hat in den letzten Jahren an Bedeutung gewonnen, um mehr Menschen den Zugang zur Programmierung zu ermöglichen und Entwicklungslücken zu schließen.
Low-Code-Plattformen erleichtern die Entwicklung von Anwendungen, indem sie Entwicklern eine visuelle Benutzeroberfläche bieten. Generative AI kann in Verbindung mit Low-Code eingesetzt werden, um Workflows im Bereich der Softwareentwicklung effizienter zu gestalten. Sie können als Ausgangspunkt für Codebeispiele dienen und Entwicklern helfen, Anwendungen schneller anzupassen und zu verbessern. Generativer AI ermöglicht es, Teile der Programmierarbeit zu automatisieren. Dadurch verschiebt sich die Rolle der Entwickler von einfachen Aufgaben zu komplexeren Problemen der Programmierung. Dies hatten wir in diesem Blog bereits beschrieben: 10x-Entwickler
Komplexere Aufgaben erfordern weiterhin menschliche Expertise
Die Kombination von Generative AI und Low-Code ermöglicht es Unternehmen, monotone und repetitive Aufgaben zu automatisieren und die Produktivität zu steigern. Durch den Einsatz von generativen AI-Tools können Unternehmen Zeit und Ressourcen sparen und sich auf anspruchsvollere Arbeiten konzentrieren. Die Integration von Generative AI in No-Code und Low-Code-Plattformen senkt die Einstiegshürde für deren Implementierung und wertet diese Plattformen weiter auf.
Allerdings gibt es auch Herausforderungen bei der Anwendung generativer KI. Es kann schwierig sein, ein Modell genau das zu programmieren, was ein Benutzer sich vorstellt. Aktuelle Entwicklungen berücksichtigen nicht immer die neuesten Gegebenheiten. Es gibt auch Bedenken hinsichtlich der Nachvollziehbarkeit und Transparenz des generierten Codes. Generative AI-Modelle wie ChatGPT können anfällig für Fehler sein und verfügen nicht über das menschliche Feingefühl, um erstklassigen Code zu produzieren.
Insgesamt kann Generative AI eine Unterstützung für Softwareentwicklung bieten und Lücken schließen, aber erfahrene Entwickler bleiben unverzichtbar. Komplexere Aufgaben erfordern weiterhin menschliche Expertise, während einfache bis mittelschwere Aufgaben mit generativen KI-Tools bewältigt werden können. Low-Code in Verbindung mit generativer KI kann zur Reduzierung des Fachkräftebedarfs beitragen und die Mitwirkung der Belegschaft bei der Softwareentwicklung fördern.