Drei Java Champions mit mehr als einem Jahrzehnt Berufserfahrung haben berichtet, wie sie GitHub Copilot bei der Arbeit an Produktionssoftware und Open-Source-Projekten einsetzen. Ihre Beispiele reichen von der Entwicklung neuer Funktionen und der Migration von Lehrmaterialien bis zur Untersuchung von Fehlern. Allen Ansätzen gemeinsam ist die Erkenntnis, dass KI die Umsetzung beschleunigen kann, Entwickler aber weiterhin den nötigen Kontext liefern, die Ergebnisse überprüfen und Verantwortung für das übernehmen müssen, was veröffentlicht wird.
Vlad Mihalcea verwendet Copilot in IntelliJ IDEA, um Code zu untersuchen und Funktionen für Hypersistence Utils und Hypersistence Optimizer zu prototypisieren. Eine Webanwendung zum Anzeigen des Verlaufs von Ereignissen eines Performance-Optimierers, für deren Umsetzung er zuvor mit mehreren Wochen gerechnet hatte, sei mit Copilot in zwei Tagen fertiggestellt worden, sagte er. Sowohl die vorgeschlagenen Pläne als auch den generierten Code überprüft er weiterhin. Außerdem nutzt er benutzerdefinierte Skills, um die Dokumentation an seinen Schreibstil und die bestehenden Projektkonventionen anzupassen.
Patrick Baumgartner beschrieb drei verschiedene Anwendungsfälle. In einem davon half Copilot bei der Migration von rund 900 Folien aus 15 Präsentationen von Reveal.js zu Marp. Die Arbeit dauerte ungefähr acht bis zehn Stunden. Baumgartner überprüfte die Ergebnisse anhand von Screenshots, visuellen und algorithmischen Vergleichen, Animationen im direkten Vergleich sowie PDF-Vergleichen. Für die Inhalte und die didaktische Absicht blieb er dabei selbst verantwortlich.
In einem anderen Fall meldete ein Nutzer, dass die Eingabetaste in einigen Formularen einer Terminalanwendung nicht funktionierte. Baumgartner setzte Copilot ein, um den Fehler mithilfe von UI-Tests zu reproduzieren, das zugrunde liegende Problem im Projekt Tamboui zu identifizieren und eine Korrektur einzureichen, die übernommen wurde. Außerdem half ihm das Tool dabei, eine kompaktere Darstellung für Testschritte zu finden, als die ursprünglichen Beschreibungen den verfügbaren Kontext überschritten.
Bei seinem dritten Beispiel handelte es sich um eine Mathematik-Lern-App, die auf den Schweizer Lehrplan abgestimmt ist. Gemeinsam mit Copilot untersuchte er verschiedene Lernansätze und überdachte seinen ursprünglichen Plan, eine universelle App zu entwickeln. Die entstandene Anwendung unterstützt Deutsch, Französisch, Italienisch und Englisch und bietet Übungs- sowie Zweispielermodi. Sie hat kein Backend, sodass die Nutzerdaten auf dem Gerät verbleiben.
Baumgartner sagte, dass er inzwischen überwiegend agentische Workflows verwendet: Wenn er eine enge visuelle Rückmeldung braucht, wählt er einen Editor; für größere Aufgaben nutzt er einen terminalbasierten Coding-Agenten. Außerdem empfahl er, Anforderungen zu besprechen, bevor man einen Agenten mit einer umfangreichen Änderung beauftragt, einen Plan zu überprüfen und für die jeweilige Aufgabe passende Prüfungen festzulegen, mit denen sich der Abschluss der Arbeit nachweisen lässt. Sowohl er als auch Mihalcea bezeichneten wiederverwendbare Skills als Möglichkeit, Projektkonventionen und Erkenntnisse aus früheren Arbeiten in künftige Aufgaben einzubringen.
Ihre Berichte zeigen Copilot als Werkzeug, mit dem sich Arbeit beschleunigen und Ideen hinterfragen lassen – nicht als Ersatz für technisches Urteilsvermögen. Baumgartners Leitprinzip lautete, die Ausführung zu delegieren, nicht die Verantwortung. Entwickler müssten die Ergebnisse weiterhin selbst prüfen und testen, sagte er.
Quellen: GitHub Blog.