LLMs erobern meine Karriere als Softwareentwickler und ich weiß nicht, was ich tun soll

LLMs erobern meine Karriere als Softwareentwickler und ich weiß nicht, was ich tun soll

Ich bin ein Softwareentwickler, der 10 Jahre Berufserfahrung in diesem Jahr abschließt. Ich begann meine Karriere als Web-Frontend-Entwickler (es war einfacher für mich, Frontend-Code zu debuggen, also wählte ich diese Route), aber ich wechselte bald zu Backend-Entwicklung und sah nie zurück.

Durch eine Reihe von Zufällen kam ich in den Bereich Backend-Entwicklung und arbeitete in Rollen für Softwareentwicklung in den Bereichen Finanzen, Buchhaltung und Zahlungsverkehr, wo ich große Autonomie und eine ehrliche und offene Beziehung zu Produktmanagern und Stakeholdern hatte.

Ich habe gelernt viel über das Thema und wie man effektive Programme für es schreibt: PCI-Konformität, doppelte Buchhaltung, Escrow, Rechnungslegung, Zahlungszyklen, Banküberweisungs-Idempotenz, usw.

Es war klar, dass ich meine Karriere auf das Thema konzentrieren sollte, um mich als Fachmann zu profilieren und mich in einem Bereich zu differenzieren, der Anzeichen einer wachsenden Nachfrage nach Domain-Spezialisten zeigt.

Der erste Pfeiler zu erobern: domain-spezifische Kenntnisse

Im letzten Jahr wurde ich von einer Finanzfirma eingestellt. Bis dahin hatte ich an Unternehmen gearbeitet, die einen starken Zahlungs- und Finanzanteil in ihren Operationen/Leistungen hatten, aber die nicht ausschließlich auf Finanzen fokussiert waren.

Diese Firma hat die künstliche Intelligenz (KI) vollständig angenommen, also hatte ich Zugang zu ChatGPT und Claude Enterprise von Anfang an und wurde ermutigt, sie für meine Forschung, Exploration und sogar für den Code zu verwenden, obwohl ich gewarnt wurde, dass ich jeden einzelnen Codezeile, der in die Produktion ging, noch einmal überprüfen und besitzen sollte.

Eines meiner ersten Projekte beinhaltete die Überarbeitung des alten Zahlungssystems, das ein Desaster war. Ich wurde für (andere Dinge) meine vorherige Erfahrung bei der Erstellung dieses Systems eingestellt und mit dem Projekt beauftragt.

Im Gegensatz zu den anderen Unternehmen, an denen ich bis dahin gearbeitet hatte, wollten sie, dass die "Design-Docs", die ich vor dem Codieren schreibe, von Ingenieuren und Produktmanagern lesbar sind - also sollten sie keine technische Tiefe haben und eher eine architektonische Perspektive sein. Ich schrieb meinen ersten mit minimalem AI-Hilfe - ich nannte die LLMs sogar "stochastische Papageien" in diesem Moment, eine Meinung, die ich nicht mehr halte - und lieferte ihn ab.

Ich schätzte meine Kenntnisse und dachte, dass keine LLMs sie ersetzen könnten.

Dann kontaktierte mich mein Manager: auch wenn du den Code auf einem guten Tempo lieferst, nimmst du zu lange, um die Design-Docs abzuliefern. Benutzt du AI? Du solltest mehr AI verwenden.

"Das wird nie funktionieren", dachte ich in meinem Kopf, aber ich akzeptierte. Die Modelle in diesem Moment waren nicht so gut wie die, die wir jetzt haben, aber sie lieferten einen guten Beschleuniger für meine Schreibgeschwindigkeit und sogar für die Entscheidungsfindung.

Und dann begann ich mich zu realisieren: all meine Kenntnisse, die ich in den Jahren gesammelt habe: die Trade-offs zwischen Implementierungen, wie das Adquisieren funktioniert, wie man die Idempotenz strukturiert, um Doppelbelastungen zu vermeiden, alles, wurde wertlos. Auch wenn die Modelle noch ein bisschen Anleitung benötigten, konnten sie die Verbindungen zwischen den Dingen herstellen, wie man solche Systeme strukturiert, was die schwierigste Sache ist, die man in seinem Kopf entwickeln muss, nach Jahren von Praxis.

Das war mein erster Schock

.

Aber sicher, dachte ich, sie können das, weil es viele Artikel im Web gibt, die erklären, wie das funktioniert, zusammen mit der technischen Dokumentation, und wir haben Blog-Beiträge, die erklären, wie man die technischen Werkzeuge auf das Thema anwendet. Für Menschen dauert es viel Zeit, um all das zu lernen, aber das ist Trainingsdaten für die Modelle, die sie lernen können.

Was die Modelle nie gut machen werden, und wo Menschen glänzen werden, ist das Debuggen! Ich habe eine gute Erfahrung im Debuggen von Rennbedingungen und verteilten Systemen in der Produktion gesammelt. Das war mein Ticket für die langfristige Beschäftigung.

Der zweite Pfeiler zu erobern: Debuggen und verteilte Systeme

Also, nachdem die LLMs gut in der Erstellung von Dokumenten und der Planung von Implementierungen wurden, wurden sie gut in der Code-Erstellung. Es begann in der zweiten Hälfte des 2025 mit der Claude-Code-Hypothese, dann kam Codex