Der Engpass hat sich verlagert. KI gestaltet den Softwareentwicklungszyklus neu

Wenn du unseren vorherigen Artikel über die 8 Stufen der Reife im Bereich KI-Engineering gelesen hast, weißt du, wo dein Team steht. Es stellt sich heraus, dass die Einführung von KI der einfache Teil ist; die Anpassung an die damit verbundenen Folgen bereitet den meisten Unternehmen Schwierigkeiten.

Mehr als ein Jahrzehnt lang haben sich Softwareunternehmen auf eine einzige Annahme ausgerichtet: Die Implementierungskapazitäten waren knapp. Tools zur Steigerung der Entwicklerproduktivität, Plattform-Engineering und Automatisierung – all das entstand aus derselben zugrunde liegenden Logik: Das Schreiben von Software war der Hauptengpass bei der Bereitstellung, und alles andere wurde darauf ausgerichtet, dieses Problem zu lösen. Auch wenn KI begonnen hat, diesen Engpass zu verringern, ist er nicht verschwunden. Er hat sich lediglich verlagert – und verlagert sich weiterhin.

In den letzten Monaten haben Fabien Potencier, CTPO bei Upsun, und ich – zusammen mit einem kleinen, aber neugierigen Team – intensive Gespräche mit Führungskräften aus den Bereichen Produktentwicklung und Technik geführt, um zu erfahren, wie KI ihre Unternehmen neu gestaltet. Wir haben mit vielen Leuten gesprochen, viele Fragen gestellt und dabei jede Menge Denkanstöße erhalten. Mit diesem Blogbeitrag möchten wir unsere Erkenntnisse teilen. 

Was dabei herauskam, hat uns überrascht – nicht durch eine einzelne dramatische Erkenntnis, sondern durch die Beständigkeit einiger Signale, die sich bei Unternehmen jeder Größe immer wieder zeigten. 

Greg Gambatto, Gründer von Ctrl+G, brachte es auf den Punkt: „Unsere Produkt- und Entwicklungsabteilung gibt mittlerweile mehr für Token aus als für Gehälter.“ Nicht für cloud-Hosting, nicht für Lohnsteuern. Token: Betriebskosten, von denen niemand erwartet hatte, dass sie so schnell steigen würden, und für deren Erfassung – geschweige denn Steuerung – kein Finanzsystem ausgelegt war.

Die Entwickler wurden schneller. Das Unternehmen nicht.

Die Einführung begann dort, wo die meisten technologischen Veränderungen beginnen: bei den einzelnen Mitarbeitern. Ingenieure experimentierten, die Produktivität stieg, und die fortgeschrittensten Nutzer gingen davon über, KI nicht mehr nur als Assistenten zu nutzen, sondern mehrere Agenten gleichzeitig zu koordinieren – zu programmieren, Tests zu schreiben, Architekturrisiken zu prüfen und in die cloud zu deployen. Die Vorteile waren real und sichtbar. Was sich nicht änderte, war alles um sie herum.

Prüfprozesse, Genehmigungswege und Bereitstellungskontrollen waren immer noch für eine Welt ausgelegt, in der Menschen jede Zeile selbst geschrieben hatten. Mit steigender Produktionsmenge wuchsen auch die Queues für die Überprüfung, und erfahrene Entwickler verbrachten immer weniger Zeit mit der Entwicklung und immer mehr Zeit damit, Arbeit zu validieren, die sie nicht selbst geschrieben hatten. Wie ein CTO es ausdrückte: „Wir können an einem Nachmittag so viel Code generieren wie sonst in einer Woche. Aber unser Prüfprozess ist der Engpass. Er dauert ewig und geht immer noch davon aus, dass Menschen alles selbst geschrieben haben.“ 

Die Einschränkung war nicht verschwunden; sie hatte sich von der Erstellung zur Validierung verlagert, und diese Verlagerung brachte eine Herausforderung ans Licht, mit der die meisten Teams nicht gerechnet hatten – eine Herausforderung, die selbst die erfahrensten Teammitglieder überforderte.

Das Vertrauensproblem, mit dem niemand gerechnet hatte

Die Reviewer bewerten nicht mehr nur Logik und Stil. Sie suchen nach Irrtümern, architektonischen Inkonsistenzen und Sicherheitsproblemen, die in ansonsten überzeugenden Implementierungen verborgen sind – Ergebnisse, die auf den ersten Blick korrekt erscheinen, aber mehr statt weniger genauer Prüfung erfordern.

Einige Teams reagierten darauf, indem sie die Review-Ebene selbst automatisierten und mehrschichtige Agenten einsetzten, die Ergebnisse generieren, kritisieren und bewerten, bevor irgendetwas einen Menschen erreicht. Das funktioniert, ist aber keine Verbesserung des bestehenden Prozesses. Es ist ein neuer Prozess, der auf anderen Annahmen basiert, und sein Aufbau erfordert Zeit und Ressourcen, die die meisten Teams nicht eingeplant hatten.

Während die Entwickler daran arbeiteten, baute sich auf der anderen Seite des Prozesses eine andere Art von Druck auf.

Das Produkt wurde zum nächsten Engpass

Mehrere Unternehmen begannen, von etwas zu berichten, das noch vor wenigen Jahren ungewöhnlich geklungen hätte: Die Entwickler waren bereit, Features auszuliefern, die das Produktteam noch nicht vollständig definiert hatte.

In der Vergangenheit war die Umsetzung immer der begrenzende Faktor. Dieses Verhältnis hat sich still und leise umgekehrt. KI-Systeme gehen mit Unklarheiten nicht so um wie erfahrene Entwickler; menschliche Entwickler füllen Lücken durch Diskussion und Urteilsvermögen, während KI-Systeme das ausführen, was geschrieben steht, und Unklarheiten direkt in das Ergebnis übertragen. Die Qualität der Spezifikationen ist zu einem zentralen Anliegen der Entwicklung geworden, und das spiegelt sich allmählich auch in den Organigrammen wider – Produktmanager erstellen direkt Prototypen, Designer pushen Commits, und Entwickler verbringen mehr Zeit damit, Systeme zu definieren, als jede Zeile selbst zu schreiben. Wenn die Umsetzung einfacher wird, wird Klarheit zur knappen Ressource.

Die Kosten haben aufgeholt

Für die meisten Teams in der Anfangsphase scheinen die Kosten überschaubar zu sein: Abonnements, vorhersehbare Kosten, Produktivitätsgewinne, die die Ausgaben rechtfertigen. Dieses Bild ändert sich in dem Moment, in dem Orchestrierung ins Spiel kommt. Der Token-Verbrauch skaliert nicht wie Softwarelizenzen mit der Mitarbeiterzahl. Er skaliert mit der Nutzung, der Autonomie und den Ambitionen und wächst mit jedem erneuten Versuch, jedem fehlgeschlagenen Durchlauf und jedem Agenten, der weiter vorstieß, als er sollte.

Einige Unternehmen berichten bereits, dass die Kosten für KI-Entwicklung von Hunderten auf Tausende Dollar pro Ingenieur und Monat steigen. Der CTO von Uber erzählte „The Information“, dass das Unternehmen sein gesamtes KI-Budget für 2026 bereits Mitte April aufgebraucht hatte. Im „All-In“-Podcast sagte Salesforce-CEO Marc Benioff, das Unternehmen rechne damit, im Jahr 2026 300 Millionen Dollar für Anthropic-Token auszugeben – fast ausschließlich zum Programmieren. Token sind still und leise so strategisch wichtig geworden, dass sie mit den Personalkosten konkurrieren, und die meisten Finanzteams sehen das nicht kommen.

Ein neuer SDLC entsteht

Was sich ändert, ist nicht die Existenz von Reviews, Governance oder Produktdefinition – es ist deren relatives Gewicht. Jahrelang war die Implementierungsgeschwindigkeit die größte Einschränkung, und die gesamte Branche richtete sich darauf aus, dieses Problem zu lösen. KI hat diese Einschränkung drastisch verringert und dabei alles offenbart, was still und leise dahinter verborgen war.

Die Organisationen, die sich am schnellsten anpassen, sind nicht diejenigen mit den besten Modellen. Es sind diejenigen, die bereit sind, die Annahmen zu überdenken, die der Art und Weise, wie Software entwickelt wird, zugrunde liegen – ihre Prozesse, ihre Teamstrukturen, ihre Wirtschaftlichkeit – und dieses Umdenken genauso ernst zu nehmen wie jede technische Entscheidung.

Der Engpass ist nicht verschwunden. Er hat sich in Überprüfungsprozesse, Produktspezifikationen und symbolische Budgets verlagert, mit denen niemand gerechnet hat. Die Teams, die die Nase vorn haben, zeichnen sich nicht durch die Tools aus, die sie nutzen. Sie zeichnen sich dadurch aus, wie schnell sie bemerkt haben, wohin sich der Engpass verlagert hat.