The gap between individual AI productivity and team performance

Als Produktmanagerin bei Upsun mit einem Hintergrund in Informatik hatte Kateryna Dvornichenko monatelang konkurrierende Tools im Bereich der agentenbasierten Entwicklung recherchiert, Tests durchgeführt, Features verglichen und sich ein Bild davon gemacht, wohin sich der Markt entwickelte. Sie stellte fest, dass die Tools zwar beeindruckend waren, aber eine Sache fiel ihr immer wieder besonders auf.

„Zusammenarbeit war bei keinem von ihnen die Stärke“, sagt sie. „Jeder bleibt an seinem eigenen Rechner mit seiner eigenen Konfiguration.“

Diese Beobachtung wurde zur Grundlage ihrer Überlegungen, wie Upsun Dispatch™ aussehen sollte. Noch wichtiger war, dass sie auf ein Problem hinwies, das in den meisten Diskussionen über KI-Produktivität in der Softwareentwicklung oft übersehen wird: Wenn ein einzelner Entwickler schneller arbeitet, wird das Team dadurch nicht unbedingt schneller.

Die Produktivität, die lokal bleibt

Die Zahlen zur individuellen KI-Produktivität zeigen, dass Entwickler schneller vorankommen, mehr programmieren und an einem Tag mehr Aufgaben bewältigen als noch vor einem Jahr. Die Tools haben tatsächlich verändert, was eine Person in einer bestimmten Stunde leisten kann.

Aber Produktivität, die auf dem Rechner einer einzelnen Person bleibt, lässt sich nicht automatisch auf die Teamproduktivität übertragen. Die Arbeitsabläufe, die ein Entwickler konfiguriert, die Eingabeaufforderungen, die er verfeinert, und der Kontext, den er über Wochen hinweg in der Zusammenarbeit mit einem Agenten aufbaut – all das bleibt lokal. Wenn er also geht, nimmt er es mit. Das bedeutet: Wenn jemand auf seiner Arbeit aufbauen muss, fängt er bei Null an.

„Die Leute haben zwar schon so etwas wie Workflows auf ihren Rechnern“, erklärt Dvornichenko, „aber das ist alles individuell.“ Im Grunde ist das Problem nicht, dass die Tools nicht funktionieren; es ist vielmehr, dass sich die Fortschritte nirgendwo ansammeln, wo das Team darauf zugreifen und darauf aufbauen könnte.

Der Engpass, der auf die Geschwindigkeit folgt

Wenn die individuelle Produktivität steigt, kann sich der Engpass von der Ausführung hin zur Koordination verlagern. Diese Kluft zwischen individueller und Teamleistung zeigt sich zuerst in der Review-Queue: Ein Entwickler programmiert schneller, als das Team ihn verarbeiten kann, und erfahrene Entwickler verbringen ihre Tage mit Arbeit, die sie nicht geschrieben haben und für deren effiziente Bewertung ihnen möglicherweise der Kontext fehlt.

Dann wirkt sich das auf den Genehmigungsprozess aus, wo eine einzelne Person zum Engpass für jede Entscheidung wird, die abgezeichnet werden muss. Und schließlich auf die Kostentransparenz, wo Manager für die KI-Nutzung im gesamten Team bezahlen, ohne einen klaren Überblick darüber zu haben, wofür das Geld ausgegeben wird oder ob es Ergebnisse bringt.

„Wenn du zum Beispiel ein Abonnement bezahlst und etwa 200 Euro pro Person zahlst“, sagt Dvornichenko, „weißt du aber nicht, ob sie tatsächlich alle Tokens nutzen, die Teil des Abonnements sind.“ Die Ausgaben sind real, die Einblicke jedoch nicht.

Das sind verschiedene Symptome desselben Problems: KI-Tools wurden größtenteils für einzelne Nutzer konzipiert, während die Infrastruktur, die nötig ist, um individuelle Vorteile in Produktivität auf Teamebene umzuwandeln, nicht Teil des Designs war.

Was KI auf Teamebene tatsächlich erfordert

Dvornichenko nennt drei Dinge, die ein echter KI-Ansatz auf Teamebene bieten muss: Vertrauenswürdigkeit, Zusammenarbeit und Kostentransparenz. Das klingt einfach, aber in der Praxis wurden viele KI-Entwicklungstools nicht dafür konzipiert, diese Aspekte auf Teamebene zu gewährleisten.

Vertrauenswürdigkeit bedeutet eine lückenlose, nachvollziehbare Aufzeichnung dessen, was passiert ist. „Du führst eine Aktion in einem Tool aus und dann in einem anderen“, sagt sie, „dann arbeitet der Agent, und du musst nachvollziehen können, wie dieser Code-Abschnitt in der Produktivumgebung gelangt ist – aber du hast kaum eine Ahnung davon.“ Ohne Nachvollziehbarkeit kannst du kein Vertrauen in das System aufbauen. Und ohne Vertrauen bleiben Teams auf unbestimmte Zeit im Vollüberwachungsmodus, was den Sinn von Agenten insgesamt zunichte macht.

Zusammenarbeit bedeutet, dass jeder im Team am Prozess teilnehmen kann, nicht nur die Person, die den Workflow auf ihrem Laptop eingerichtet hat. „Jeder aus dem Team kann Dinge genehmigen“, sagt Dvornichenko. „Es bist nicht nur du, der genehmigen kann, und dann bist du bei manchen Aktionen möglicherweise so etwas wie ein Engpass.“ 

Wenn Workflows auf einer gemeinsamen Infrastruktur statt auf einzelnen Rechnern laufen, kann das ganze Team sehen, was gerade läuft, dazu beitragen und auf dem aufbauen, was andere bereits erledigt haben.

Kostentransparenz bedeutet, dass man vor und nach der Ausführung eines Workflows weiß, welche Kosten anfallen. Das heißt, das Management hat einen zentralen Überblick über die KI-Ausgaben im gesamten Team und muss sich nicht durch ein Flickwerk aus einzelnen Abonnementbelegen und Token-Rechnungen wühlen, die erst im Nachhinein eintreffen.

Zusammen machen diese Funktionen KI von etwas, das einzelne Entwickler isoliert nutzen, zu etwas, das ein Team tatsächlich gemeinsam betreiben, überwachen und verbessern kann.

Der Mentalitätswandel, den die Tools allein nicht bewirken können

Eine weitere Dimension dieses Problems ist eine, die Dvornichenko bewusst nicht unterschätzt. Die Lücke zwischen individueller Performance und Teamperformance zu schließen, ist nicht nur ein Problem der Tools. Es ist auch eine Frage der Denkweise, und Tools allein können solche Probleme nicht lösen.

Teams müssen ihre Sichtweise ändern: Sie dürfen KI nicht mehr als etwas betrachten, das einzelne Entwickler isoliert nutzen, sondern als etwas, an dem die gesamte Organisation teilhat. Wie Dvornichenko es ausdrückt: „Wir können diesen Mentalitätswandel begleiten, aber wir können ihn nicht alleine vollziehen.“ 

Die Werkzeuge, die einzelnen Entwicklern geholfen haben, schneller voranzukommen, sind noch nicht auf der Höhe der Herausforderung, Teams dazu zu bringen, gemeinsam voranzukommen. Der nächste Schritt in der KI-gestützten Entwicklung besteht nicht einfach darin, einzelne Entwickler schneller zu machen, sondern darin, diese Produktivität auf Teamebene zu vervielfachen.