AI-assisted Software Development

Das Modul vermittelt den Studierenden einen praxisnahen Zugang zur modernen, KI-gestützten Softwareentwicklung. Im Mittelpunkt steht das Verständnis, wie Large Language Models (LLMs), Agentic AI und Tools wie GitHub Copilot, Cursor oder Windsurf den Entwicklungsprozess revolutionieren. Studierende erleben, wie sich traditionelle Software-Engineering-Methoden mit generativer KI und Vibe-Coding zu neuen Arbeitsformen verbinden. Sie lernen, AI-Assistenz kritisch, sicher und produktiv einzusetzen – von der Code-Generierung über Multi-Agenten-Kollaboration bis zu unternehmenskonformen Deployments. Damit erwerben sie Kompetenzen, um als zukünftige Software-Engineers, Business-AI-Specialists oder Product-Owners AI-gestützte Entwicklungsprozesse zu gestalten und in Unternehmen verantwortungsvoll zu implementieren.

Fach- und Methodenkompetenzen: Studierende ...

• verstehen den Paradigmenwechsel von klassischer zu AI-gestützter Softwareentwicklung und können die Funktionsweise von LLMs, Agentic AI und MCP erklären.
• sind fähig, AI-Coding-Tools in professionelle Entwicklungsumgebungen zu integrieren und deren Ergebnisse kritisch zu validieren.
• wenden SAFe, agile Methoden und bewährte Software-Engineering-Praktiken in Kombination mit AI-Assistenz an.
• beurteilen Deployment-Optionen (lokal, Cloud, on-premise) unter Sicherheits-, Datenschutz- und Effizienzgesichtspunkten.
• können LLMs für spezifische Unternehmenskontexte fine-tunen und über MCP sicher auf interne Repositories und Sourcecode zugreifen.
• analysieren rechtliche, ethische und Governance-Aspekte im AI-Coding-Prozess und leiten daraus Best Practices für die betriebliche Anwendung ab.

Sozial- und Selbstkompetenzen: Studierende ...

• arbeiten kollaborativ mit AI-Agenten und Teammitgliedern in agilen Projekten.
• reflektieren kritisch den Einfluss von AI auf ihre eigene Arbeitsweise und Softwarequalität.
• kommunizieren technische und ethische Implikationen von AI-Assistance adressatengerecht gegenüber Fach- und Führungspersonen.
• entwickeln Eigenverantwortung im sicheren, nachhaltigen und kreativen Umgang mit AI-Tools.

• Grundlagen und Paradigmenwechsel: von klassischem Coding zu AI-Assisted Development (Vibe Coding, Prompt Engineering).
• AI-Tools und Frameworks (Stand 2025): GitHub Copilot, Cursor, Cline, Windsurf, OpenAI Codex.
• Agentic AI und Model Control Protocol (MCP): Architektur, Multi-Agent-Kollaboration, Human-in-the-Loop.
• Auswahl und Integration von LLMs: proprietäre vs. Open-Weight-Modelle, Datenschutz, Lizenzierung, Energieeffizienz.
• AI-gestützte Software-Engineering-Methoden: SAFe, agile Entwicklung, DevOps, Coding-Guidelines, Audit-Trails.
• Sicherheit, Compliance, Governance und regulatorische Rahmenbedingungen.
• Fine-Tuning von Coding-LLMs und MCP-basierte Kontexterweiterung über Unternehmens- oder private Repositories.
• Capstone Project: Entwicklung einer Full-Stack-Anwendung mit verschiedenen AI-Tools, SAFe-Prozess, Reflexion von Nutzen, Risiken und Best Practices.

Kontaktstudium: Vorlesung, Übung, Diskussion, Gruppenarbeit, Simulation

Begleitetes Selbststudium: Einzelarbeit, Gruppenarbeit

• Generative KI & Agentensysteme

Note 1-6 (halbe Noten)