Freitagnachmittag, 14:30 Uhr. Markus, Senior Frontend-Entwickler bei einem Hamburger Fintech, tippt einen Kommentar in seinen Code-Editor: „Formular-Validierung für IBAN-Eingabe mit Echtzeit-Feedback“. GitHub Copilot generiert innerhalb von Sekunden 40 Zeilen TypeScript. Regex-Pattern für die Validierung, Prüfziffern-Berechnung, Fehlermeldungen auf Deutsch. Markus liest den Vorschlag, nickt bei der Grundstruktur und löscht dann ein Drittel davon: Fehlermeldungen zu technisch für die Zielgruppe, Barrierefreiheit fehlt komplett, und die Länderpräfixe decken nur sechs von 34 SEPA-Ländern ab.
20 Minuten später ist die Komponente fertig, obwohl Markus ohne Copilot vielleicht nur 35 Minuten gebraucht hätte. Real ist die Zeitersparnis, aber bescheidener als Marketing-Versprechen suggerieren, und sie kam nur zustande, weil Markus genau wusste, was falsch war an dem generierten Code. Ein Berufseinsteiger hätte die Lücken und Schwachstellen wahrscheinlich nicht erkannt.
Eine Szene, die den aktuellen Stand der KI in der Frontend-Entwicklung präzise zusammenfasst: nützlich als Ausgangspunkt, aber weit entfernt davon, menschliche Entwickler überflüssig zu machen.
Welche KI-Tools den Arbeitsalltag verändern
Seit 2023 hat sich der Markt für KI-gestützte Entwicklerwerkzeuge rasant entwickelt, wobei drei Produkte den Frontend-Bereich dominieren, jedes mit einem grundlegend anderen Ansatz.
GitHub Copilot: Der Platzhirsch
GitHub Copilot hält rund 42 Prozent Marktanteil bei KI-Coding-Tools und erreichte im Juli 2025 die Marke von 20 Millionen Nutzern [2]. 4,7 Millionen davon zahlen (Stand Januar 2026). 90 Prozent der Fortune-100-Unternehmen setzen das Tool ein, das im Arbeitsablauf als Autovervollständigung direkt im Editor funktioniert: Kommentar schreiben oder Funktion beginnen, Copilot schlägt den Rest vor. Bei Standardaufgaben wie dem Erstellen von Formularen, dem Anbinden von REST-APIs oder dem Schreiben von Unit-Tests klappt das erstaunlich gut.
Bei komplexeren Aufgaben zeigen sich Grenzen. State Management über mehrere Komponenten hinweg, Performance-Optimierung für große Datensätze, Barrierefreiheit nach WCAG 2.1: Hier liefert Copilot bestenfalls eine Ausgangsbasis, die erhebliche Überarbeitung braucht. Auf den ersten Blick wirken die Vorschläge plausibel, enthalten aber regelmäßig subtile Fehler, von vergessenen aria-labels bis zu Memory Leaks durch fehlende Cleanup-Funktionen im useEffect.
Cursor: Der Herausforderer
Cursor wuchs in weniger als zwei Jahren zum zweitgrößten KI-Coding-Tool und knackte im November 2025 die Marke von einer Milliarde US-Dollar Jahresumsatz [6]. Verglichen mit Copilot geht Cursor einen deutlichen Schritt weiter: Statt einzelne Zeilen zu ergänzen, kann es ganze Dateien umschreiben, Refactorings über mehrere Files durchführen und auf den gesamten Projektkontext zugreifen. Frontend-Entwickler nutzen Cursor häufig, um bestehende Komponenten zu migrieren, etwa von Class Components zu Hooks oder von JavaScript zu TypeScript, was manuell Tage dauern kann.
Cursors Wachstumstempo verrät etwas über den Markt: Entwickler wollen nicht nur Autovervollständigung, sondern Werkzeuge, die größere Zusammenhänge verstehen und ganze Arbeitspakete eigenständig abwickeln können. Ob Cursor diesem Anspruch dauerhaft gerecht wird, bleibt abzuwarten, zumal die Qualitätsschwankungen je nach Projektkomplexität bislang erheblich ausfallen.
v0 von Vercel: Komponenten aus Sprache
Einen anderen Weg geht v0, das KI-Tool von Vercel. Hier beschreiben Entwickler (oder Designer) eine Komponente in natürlicher Sprache: „Erstelle eine Preistabelle mit drei Spalten, dunklem Theme und einem hervorgehobenen Pro-Plan“. v0 generiert daraus fertigen React-Code mit Tailwind-CSS-Klassen. Kostenlos gibt es ein begrenztes monatliches Guthaben für erste Experimente, die Premium-Version kostet 20 US-Dollar monatlich.
Für Prototyping und schnelle UI-Entwürfe ist v0 beeindruckend, für Produktionscode dagegen kaum geeignet, weil generierte Komponenten zwar gut aussehen, aber selten barrierefrei sind, Edge Cases ignorieren und häufig veraltete Patterns verwenden. Als Startpunkt für einen ersten Entwurf taugt v0, als Endprodukt nicht.
Neben diesen drei Haupttools existieren Dutzende weiterer Angebote. Windsurf (ehemals Codeium) positioniert sich als kostenlose Alternative zu Copilot mit ähnlichem Funktionsumfang. Claude und ChatGPT werden häufig als Pair-Programming-Partner genutzt, indem Entwickler Codeausschnitte einfügen und sich Alternativen oder Erklärungen geben lassen. Amazon Q Developer integriert sich in AWS-Workflows. Unübersichtlich bleibt der Markt und die Konsolidierung steht noch aus, doch eines zeichnet sich bereits ab: KI-gestützte Entwicklung ist kein Nischenthema mehr, sondern fester Bestandteil des professionellen Berufsalltags geworden.
Wie verbreitet ist KI-gestützte Entwicklung wirklich?
84 Prozent aller Softwareentwickler nutzen 2025 KI-Tools oder planen deren Einsatz, 51 Prozent setzen sie bereits täglich ein [1]. 41 Prozent des neu geschriebenen Codes stammen laut GitHub-Daten aus KI-Vorschlägen [7]. Beeindruckende Zahlen auf den ersten Blick. Aber sie erzählen nur die halbe Geschichte.
Kehrseite der Medaille: Entwickler überprüfen jede einzelne KI-generierte Codezeile manuell [3], nicht aus Misstrauen, sondern aus Notwendigkeit, denn 45 Prozent des KI-generierten Codes fallen bei Sicherheitstests durch [3]. Fast jede zweite Codezeile, die eine KI produziert, enthält potenzielle Sicherheitsprobleme, und bei DSGVO-Strafen von bis zu 20 Millionen Euro oder vier Prozent des weltweiten Jahresumsatzes ist das kein Kavaliersdelikt.
Aufschlussreich ist auch, wie Entwickler die Tools tatsächlich einsetzen. Am häufigsten generieren sie Boilerplate-Code, schreiben Testfälle für bereits definierte Funktionen, ergänzen Kommentare und klären Syntax-Fragen. Kaum jemand lässt eine KI eigenständig Architekturentscheidungen treffen, Performance-Probleme in Produktionsumgebungen diagnostizieren oder Sicherheitslücken aufspüren. Genutzt werden die Werkzeuge dort, wo Aufgaben vorhersagbar sind, während Entwickler dort, wo es auf Urteilsvermögen ankommt, weiterhin sich selbst vertrauen.
Machen KI-Tools wirklich produktiver?
Großzügig fallen die Herstellerversprechen aus, denn GitHub bewirbt Copilot mit Produktivitätssteigerungen von bis zu 55 Prozent gegenüber Entwicklern ohne KI-Unterstützung. Unabhängige Studien zeichnen allerdings ein gemischtes Bild: Manche Erhebungen messen Zeitersparnisse von 20 bis 55 Prozent bei klar definierten Einzelaufgaben, während andere kaum messbare Vorteile im realen Arbeitsalltag feststellen [6].
Besonders aufschlussreich ist eine Studie von METR, einer gemeinnützigen KI-Sicherheitsforschungsorganisation. In einem kontrollierten Experiment mit 16 erfahrenen Open-Source-Entwicklern, die an 246 realen Aufgaben aus ihren eigenen Projekten arbeiteten, zeigte sich ein überraschendes Ergebnis: Mit KI-Unterstützung arbeiteten die Teilnehmer im Schnitt 19 Prozent langsamer als ohne [4]. Nicht schneller. Langsamer.
Wie ist das möglich? METR identifizierte mehrere Faktoren. Erfahrene Entwickler verbrachten zusätzliche Zeit damit, KI-Vorschläge zu lesen, zu bewerten und zu korrigieren, wechselten häufiger den Kontext zwischen eigenem Denkprozess und KI-Output und mussten Fehler debuggen, die sie ohne KI gar nicht erst eingebaut hätten. Besonders frappierend war die Wahrnehmungslücke: Vor der Studie schätzten die Teilnehmer, dass KI sie um 24 Prozent beschleunigen würde. Nach der Studie glaubten sie immer noch an eine Verbesserung von 20 Prozent. Fast 40 Prozentpunkte Differenz zwischen Selbstwahrnehmung und tatsächlicher Messung.
Nützlich bleiben KI-Tools trotzdem, aber eine entscheidende Nuance geht in den meisten Diskussionen unter: Erfahrungsgrad bestimmt den Mehrwert. Junior-Entwickler, die Grundlagen lernen, profitieren beim Schreiben von Boilerplate-Code, weil jede vorgeschlagene Zeile ein Lernimpuls sein kann. Senior-Entwickler, die bereits schnell und sicher arbeiten, gewinnen weniger und verlieren mitunter sogar Zeit. Aus diesen Produktivitätszahlen den Schluss zu ziehen, Unternehmen bräuchten künftig weniger Entwickler, wäre ein Fehlschluss.
Für Teams bedeutet das eine Umstellung der Arbeitsweise. Code-Reviews werden aufwendiger, weil KI-generierter Code zwar syntaktisch korrekt aussieht, aber versteckte Probleme enthalten kann. Testabdeckung gewinnt an Bedeutung, weil Entwickler nicht mehr jeden Pfad im Code selbst durchdacht haben. Ungeklärt bleibt auch die Haftungsfrage: Wenn KI-generierter Code in Produktion einen Fehler verursacht, hat bislang keine Branche verbindlich geregelt, wer verantwortlich ist. Real ist diese rechtliche Grauzone, besonders seit die EU-KI-Verordnung im Februar 2025 stufenweise in Kraft getreten ist.
Tailwind: Was passiert, wenn KI ein Tool zu gut beherrscht?
Ein Fallbeispiel verdeutlicht, wie KI bestimmte Bereiche der Frontend-Entwicklung unter Druck setzt. Tailwind CSS ist das populärste Utility-First-CSS-Framework. 51 Prozent der Frontend-Entwickler nutzen es, die npm-Downloadrate liegt bei knapp 48 Millionen pro Woche [1]. Noch nie zuvor war Tailwind so verbreitet wie Anfang 2026.
Und trotzdem hat Tailwind Labs im Januar 2026 rund 75 Prozent seiner Ingenieure entlassen [5], bei einem Umsatzeinbruch von rund 80 Prozent. Auf den ersten Blick ein Widerspruch: Beliebtestes CSS-Framework der Welt, und gleichzeitig bricht das Geschäftsmodell weg?
Schuld ist die KI, aber anders als man denkt. Tailwind-Klassen folgen konsistenten, regelhaften Mustern, und genau solche vorhersagbaren Muster lernen Sprachmodelle besonders gut. Tools wie Copilot und Cursor beantworten Tailwind-Fragen direkt im Editor, sodass Entwickler die Dokumentation seltener besuchen. Laut CEO Adam Wathan sank der Traffic um 40 Prozent in zwei Jahren, was direkt weniger Käufer für die Premium-Vorlagen von Tailwind Plus bedeutet. Als Framework bleibt Tailwind zwar relevant, doch zerstört wurde der Vertriebsweg: Früher entdeckten Entwickler Premium-Vorlagen beim Lesen der Doku, heute beantwortet die KI ihre Fragen, ohne dass sie die Website je besuchen.
Für Frontend-Entwickler enthält diese Geschichte eine wichtige Lektion: Aufgaben mit klaren, regelhaften Mustern sind die Ersten, die KI übernimmt. Entwickler, die sich ausschließlich auf solche Aufgaben spezialisiert haben, verlieren an Wert. Gefragt bleiben diejenigen, die Entscheidungen treffen, bei denen Kontext, Erfahrung und Urteilsvermögen den Ausschlag geben. Meiner Einschätzung nach ist das die zentrale Erkenntnis der Tailwind-Geschichte.
Was bleibt dem Menschen?
Lena, Tech Lead bei einem Berliner Health-Startup, beschreibt ihren Alltag so: „70 Prozent meiner Arbeit hat nichts mit Code zu tun. Ich verhandle mit dem Produktteam, kläre regulatorische Fragen mit den Juristen und sorge dafür, dass unsere Accessibility-Standards eingehalten werden.“ Monatlich wächst zwar die Liste der Dinge, die KI-Tools im Frontend erledigen. Langsamer schrumpft die Liste dessen, was sie nicht können. Und die Einträge darauf sind keine Randnotizen.
Warum versteht keine KI den Nutzer?
Eine KI kann ein Anmeldeformular generieren. Ob das Formular drei oder sieben Felder haben sollte, kann sie nicht entscheiden. Hinter dieser Frage stecken Überlegungen, die kein Sprachmodell anstellt: In welchem Kontext rufen Nutzer das Formular auf, wie viel Vertrauen bringen sie dem Anbieter entgegen, und welche Conversion Rate strebt das Unternehmen an? Solche Abwägungen erfordern Empathie, Geschäftsverständnis und jahrelange Erfahrung im Umgang mit echten Nutzern.
Wo scheitert KI an Regulierung?
Seit Juni 2025 verpflichtet der European Accessibility Act (EAA) digitale Produkte in bestimmten Kategorien (E-Commerce, Banking, Telekommunikation) zur Barrierefreiheit nach EN 301 549, was praktisch WCAG 2.1 auf Level AA entspricht. Parallel reguliert die DSGVO den Umgang mit Nutzerdaten. KI-Tools kennen diese Regelwerke theoretisch, wenden sie aber nicht zuverlässig an. Copilot etwa ergänzt bei Formularfeldern fast nie automatisch aria-describedby-Attribute für Fehlermeldungen, obwohl Screenreader-Nutzer ohne diese Verknüpfung keine Fehlertexte zuordnen können. Compliance bleibt Sache des Entwicklers, nicht des Tools.
Kann KI eine Architektur entwerfen?
Server-Side Rendering oder Client-Side Rendering? Welche State-Management-Lösung passt zu einem Team mit drei Junior-Entwicklern und einem Senior? Wie lässt sich eine bestehende React-16-Anwendung schrittweise auf React 19 migrieren, ohne den laufenden Betrieb zu gefährden? Hinter Architekturentscheidungen wie diesen stecken Teamstruktur, Wartbarkeit, Business-Anforderungen und technische Schulden. Optionen auflisten können KI-Tools, aber treffen müssen die richtige Entscheidung nach wie vor Menschen.
Noch deutlicher wird das beim Debugging in Produktionsumgebungen. Ein Nutzer meldet: „Die Seite lädt nicht auf meinem Samsung Galaxy S21 mit Chrome 119.“ Log-Dateien auswerten, Netzwerk-Konfiguration prüfen, den Bug auf einem spezifischen Gerät reproduzieren und dabei den Kontext eines Live-Systems mit tausenden gleichzeitigen Nutzern berücksichtigen: All das erfordert Zugang zu Infrastruktur und ein Verständnis für das Zusammenspiel von CDN, Browser-Version und Netzwerklatenz, das kein KI-Tool heute mitbringt.
Teamdynamik und Stakeholder-Kommunikation
Ein Aspekt, der in der KI-Debatte fast nie vorkommt: Frontend-Entwickler verbringen einen erheblichen Teil ihrer Zeit mit Kommunikation. Einem Product Owner erklären, warum eine Funktion drei Wochen statt drei Tage braucht, weil die bestehende Architektur erst refaktoriert werden muss. Zwischen Designer und Backend-Team vermitteln, wenn ein Entwurf an API-Einschränkungen scheitert. Sprint-Ergebnisse vor Stakeholdern präsentieren, die keinen Code lesen können. Zwischenmenschliche Arbeit wie diese macht laut verschiedenen Erhebungen 30 bis 40 Prozent des Arbeitsalltags aus, und kein KI-Tool nimmt sie ab.
Weniger Code schreiben, mehr Code orchestrieren
Vor fünf Jahren hätte niemand vorhergesagt, dass „Prompt schreiben“ einmal zur Kernkompetenz eines Frontend-Entwicklers zählen würde. Manuelles Eintippen von Code verliert an Bedeutung, während andere Fähigkeiten in den Vordergrund rücken.
Neue Fähigkeiten, neue Anforderungen
Prompt Engineering klingt nach Buzzword, beschreibt aber eine reale Kompetenz, denn einem KI-Tool präzise erklären, was man braucht, setzt technisches Verständnis voraus, klare Kommunikation und die Fähigkeit, Aufgaben sinnvoll zu zerlegen. KI-Code-Review wird zur Standardaufgabe: generierten Code lesen, bewerten und korrigieren, statt ihn selbst zu schreiben, während Architekturdenken an Gewicht gewinnt, weil KI zwar Bausteine liefert, aber nicht den Bauplan.
In Stellenausschreibungen tauchen neue Rollenbezeichnungen auf. „AI UX Engineer“ beschreibt Entwickler, die Benutzeroberflächen für KI-Interaktionen gestalten: Chatbots, Sprachassistenten, Eingabefelder mit KI-Vorschlägen. „Conversational UI Designer“ entwirft Dialogflüsse zwischen Mensch und Maschine. Beide Rollen setzen Frontend-Know-how voraus, ergänzt um Verständnis für KI-Interaktionsmuster und ein Gespür dafür, wie Menschen mit automatisierten Systemen interagieren. Zwischen Frontend-Entwicklung und KI-Integration verschwimmen die Grenzen zusehends.
Was bedeutet das für den Einstieg?
Auch für Neueinsteiger gilt: Grundlagen zuerst, also HTML, CSS, JavaScript und ein Framework wie React, bevor KI-Tools zum Einsatz kommen. KI-generierten Code kann nur bewerten, wer versteht, was guter Code ist, und diese Basis bleibt unverzichtbar. Gleichzeitig lohnt es sich, den Umgang mit KI-Tools früh zu trainieren, nicht als Ersatz für eigenes Lernen, sondern als Multiplikator.
Groß ist die Versuchung, direkt mit KI-Unterstützung zu entwickeln, ohne die Grundlagen verstanden zu haben. Kurzfristig funktioniert das sogar erstaunlich gut. Langfristig führt es in eine Sackgasse, weil ohne fundierte Erfahrung die Qualität des generierten Codes schlicht nicht einzuschätzen ist. Nimmt man die METR-Studie ernst, wird ein Muster sichtbar: KI-Tools machen erfahrene Entwickler nicht automatisch schneller, während sie unerfahrene Entwickler gefährlich produktiv machen, weil Code entsteht, dessen Qualität niemand kontrolliert.
Meine persönliche Empfehlung für Einsteiger: Sechs Monate ohne KI-Unterstützung programmieren. Jeden Fehler selbst finden, jede Funktion selbst schreiben, jedes Layout selbst bauen. Ja, das klingt altmodisch, aber mit soliden Grundlagen in den Fingern werden KI-Tools später zum Beschleuniger statt zur Krücke. Umgekehrt funktioniert es nicht, denn ohne eigenes Muskelgedächtnis für Code bleiben Fehler unsichtbar, sobald sie auftreten.
Der Beruf wird anspruchsvoller, nicht überflüssig
KI ersetzt keine Frontend-Entwickler. Aber Frontend-Entwickler, die KI nutzen, ersetzen diejenigen, die es nicht tun. Mittlerweile fast ein Klischee, trifft der Satz aber den Kern. Arbeit verschiebt sich: weniger manuelles Tippen, mehr Bewerten, Korrigieren, Entscheiden. Anforderungen steigen, reine Code-Abtipper verlieren an Relevanz, und Verständnis für das Warum hinter dem Code wird zum entscheidenden Vorteil.
Am Beispiel Tailwind zeigt sich, dass bestimmte Nischen verschwinden werden. Premium-Templates, einfache Landing-Page-Erstellung, Standard-Formulare: All das können KI-Tools bereits passabel. Komplexe Anwendungen, Barrierefreiheit, Performance-Optimierung, Architektur: Hier bleibt die Arbeit menschlich, denn 45 Prozent Sicherheitsfehler in KI-generiertem Code sind kein temporäres Problem, sondern ein strukturelles, weil Sprachmodelle Code statistisch vorhersagen, statt ihn zu verstehen.
Einen Punkt möchte ich abschließend noch ansprechen, der in vielen Prognosen fehlt: die psychologische Dimension. Entwickler berichten zunehmend von einem seltsamen Gefühl der Entfremdung, wenn KI große Teile ihres Codes schreibt. Etwas geschaffen zu haben, dieses Gefühl nimmt ab, und Arbeitszufriedenheit hängt auch davon ab, ob jemand sich als Handwerker erlebt oder als Aufseher einer Maschine. In der Branche steht diese Diskussion erst am Anfang, obwohl sie für Motivation und Mitarbeiterbindung zentral ist.
In dieser fünfteiligen Serie habe ich versucht, ein realistisches Bild des Berufsfelds zu zeichnen. Teil 1 zeigte den Arbeitsalltag jenseits der Instagram-Romantik. Teil 2 sortierte die Technologielandschaft und trennte Must-haves von Hype. Teil 3 verglich die vier Einstiegswege mit ihren jeweiligen Kosten, Dauern und Realitäten. Teil 4 lieferte Gehaltsdaten und analysierte den Arbeitsmarkt in der DACH-Region. Und dieser letzte Teil ordnet die größte aktuelle Frage ein: Was macht KI mit dem Beruf?
Meine Einschätzung nach Recherche und Datenanalyse: Frontend-Entwicklung hat Zukunft, auch wenn der Beruf 2030 anders aussehen wird als 2020. Weniger Handwerk, mehr Ingenieurwesen. Weniger „pixelgenaues Umsetzen“, mehr „architektonisches Denken“. Triviale Aufgaben werden durch KI leichter zugänglich. Anspruchsvolle Arbeit erfordert dagegen mehr Kompetenz als je zuvor, was keine schlechte Nachricht ist, denn Investitionen in echtes Verständnis (HTML-Semantik, CSS-Layouts, JavaScript-Laufzeitverhalten, Accessibility, Performance) zahlen sich stärker aus als je zuvor.
Drei Sätze verdichten die Empfehlungen dieser Serie: Grundlagen zuerst und gründlich lernen, Spezialisierung danach, KI als Werkzeug betrachten. Barrierefreiheit und Performance-Optimierung sind die Felder, die am schwierigsten zu automatisieren sind. Eine gezielte Investition in diese Bereiche schafft ein Karrierefundament, das weder KI noch konjunkturelle Marktzyklen wegspülen können.
Neugier, Freude an Komplexität und Lernbereitschaft: Ohne diese Eigenschaften wird der Beruf schwierig, doch mit ihnen findet man in der Frontend-Entwicklung ein Feld, das fordert, fair bezahlt und auf absehbare Zeit nicht von Maschinen übernommen wird. Ja, die Einstiegshürden steigen, aber die Perspektiven für diejenigen, die sie überwinden, waren nie besser, weil der Bedarf an Menschen, die verstehen, wie digitale Oberflächen funktionieren, mit jeder App, jedem Dashboard und jedem Online-Service wächst, der entsteht.
Quellen
[1] Stack Overflow Developer Survey 2025: AI Tools und Frameworks Section (https://survey.stackoverflow.co/2025/)
[2] TechCrunch: GitHub Copilot crosses 20 million all-time users, Juli 2025 (https://techcrunch.com/2025/07/30/github-copilot-crosses-20-million-all-time-users/)
[3] Veracode: GenAI Code Security Report, Juli 2025 (https://www.veracode.com/blog/genai-code-security-report/)
[4] METR: Measuring the Impact of AI Coding Tools on Experienced Open-Source Developers, Juli 2025 (https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/)
[5] DevClass: Tailwind Labs lays off 75% of its engineers, Januar 2026 (https://www.devclass.com/ai-ml/2026/01/08/tailwind-labs-lays-off-75-percent-of-its-engineers-thanks-to-brutal-impact-of-ai/4079571)
[6] index.dev: AI Pair Programming Key Statistics 2026 (https://www.index.dev/blog/ai-pair-programming-key-statistics-for-2026)
[7] NetCorp: AI-Generated Code Statistics 2026 (https://netcorpsoftwaredevelopment.com/blog/ai-generated-code-statistics)
[8] MIT Technology Review: Rise of AI Coding, Dezember 2025 (https://www.technologyreview.com/2025/12/15/1128352/rise-of-ai-coding-developers-2026/)