Wie KI die Softwareentwicklung neu organisiert

Mehr Code, neue Engpässe

Unbestritten ist: KI beschleunigt die Codegenerierung massiv und senkt hier die Kosten der Entwicklung. Das bedeutet jedoch nicht, dass Software an Wert verliert. Vielmehr verschiebt sich dieser, und zwar weg von der Syntaxerstellung hin zu Architektur, Orchestrierung und Betrieb.

Mit der steigenden Codemenge geraten allerdings sowohl die Definition von Anforderungen, als auch nachgelagerte Prozesse im Software-Development-Lifecycle (SDLC) zunehmend unter Druck, denn Testing, Validierung und Operations sind bislang auf die menschliche Arbeitsgeschwindigkeit ausgelegt. Während ein Entwickler aktuell vielleicht ein Release pro Tag verantwortet, kann eine KI innerhalb kürzester Zeit tausende Features generieren. Ähnlich verhält es sich bei Code-Reviews: Wenn ein agentenbasiertes System über Nacht zehntausende Zeilen Code für eine Migration refactored, wird der menschliche Reviewer zum Bottleneck.

Das bedeutet: Der Schlüssel zu höherer Produktivität liegt nicht in der Codeerstellung selbst, sondern in der Fähigkeit, die Entwicklungs- und Delivery-Pipeline an das neue Tempo anzupassen. An dieser Stelle entscheidet sich, ob KI echten ROI liefert oder nur ein teures Experiment bleibt.

So verändert sich der Entwicklungsprozess

Um mit dieser Dynamik Schritt zu halten, zeichnen sich drei notwendige Veränderungen ab:

1. Shift Left: Mehr Kontext, weniger Missverständnisse

Das Prinzip Garbage in, Garbage out gilt in der KI-gestützten Entwicklung quasi im Quadrat. Daher müssen Entwickler tiefer in die fachlichen Domänen der Lösungsanwender eintauchen. Je präziser sie die jeweiligen Anforderungen in ihrem Auftrag an das KI-System formulieren, umso besser kann dieses daraus valide Lösungen ableiten. Context Engineering, Domain Modeling, Harness Engineering und spezifikationsgetriebene Entwicklung gewinnen vor diesem Hintergrund an Bedeutung.

2. Shift Right: Automatisierung nachgelagerter Prozesse

Anfallende Arbeitsschritte bezüglich Validierung, Testing und Betrieb müssen konsequent automatisiert werden, um mit der Geschwindigkeit KI-gestützter Codeentwicklung mitzuhalten. Sonst entstehen neue Bottlenecks und Produktivitätsgewinne sind passé. Hier ist das Ziel, Systeme zu entwickeln, denen wir soweit vertrauen, dass Code nicht mehr von Menschen geprüft werden muss.

3. Neue Rollen für Entwickler

Diese Entwicklungen verändern auch das Berufsbild: Entwickler werden vom Codeschreiber zum Architekten komplexer Systeme. Statt einzelne Codezeilen zu prüfen, gestalten sie die Leitplanken, Teststrategien und Architekturen, innerhalb derer KI-Systeme operieren. Künftig bauen sie weniger die Software selbst als vielmehr die Produktionslinien, auf denen diese dann automatisiert entsteht.

„Die Anpassung des SDLC wird zum Schlüsselkriterium, um einen ROI aus KI-Projekten zu gewinnen. Die aktuelle Ernüchterung ist daher weniger Ausdruck überschätzter Technologie; vielmehr zeigt sie, dass die notwendige Transformation zugrundeliegender Workflows und Strukturen in den Entwicklerteams bislang übersehen worden ist.“

Kai Lichtenberg, codecentric AG

Wenn viele Initiativen derzeit in der Pilotphase stecken bleiben, liegt es oft daran, dass Unternehmen diesen Punkt noch nicht verstanden haben. Oft statten sie ihre Teams mit KI-gestützten Autovervollständigungs-Tools aus und erwarten moderate Effizienzgewinne. Doch nachhaltige Wettbewerbsvorteile entstehen nicht durch schnelleres Tippen. Der eigentliche Hebel liegt in einer grundlegend neuen Form der Softwarefertigung.

Das können Unternehmen konkret tun

Um KI produktiv zu nutzen, müssen Organisationen ihre Entwicklungsprozesse neu ausrichten. Konkret bedeutet das:

AI-native Delivery statt punktueller Tools

Auto-Completion ist nett, aber nicht disruptiv. Der Fokus sollte nicht auf einzelnen Assistenzfunktionen liegen, sondern auf der Transformation der gesamten Delivery Pipeline. Ziel ist ein System, das Code KI-gestützt generiert, integriert und ausliefert, ohne auf manuelle Zwischenschritte zu warten.

Vom Prototyp zur Enterprise-Reife

Ein funktionierendes Demosystem ist schnell gebaut. Die eigentliche Herausforderung besteht darin, robuste, wartbare Software für komplexe Enterprise-Umgebungen zu liefern, und zwar inklusive Legacy-Schnittstellen, Sicherheitsanforderungen und regulatorischer Vorgaben.

Geschäftsanforderung präzise übersetzen

KI-Modelle brauchen präzisen Kontext. Unternehmen müssen fachliche Anforderungen in formalisierte Spezifikationen und Datenmodelle überführen, um KI-Anwendungen den nötigen Zugriff zu verschaffen. Nur auf dieser Grundlage können sie relevante Ergebnisse liefern.

Governance automatisieren

Wenn Code im Sekundentakt entsteht, stoßen manuelle Reviews an ihre Grenzen. Qualitätsprüfungen, Security-Scans und Governance-Richtlinien müssen direkt in automatisierte Workflows integriert werden. In diesem Setting greift der Mensch nur noch bei strategischen Entscheidungen oder komplexen Ausnahmefällen ein.

Fazit: Transformation statt Tool-Einsatz

Die Anpassung des SDLC wird zum Schlüsselkriterium, um einen ROI aus KI-Projekten zu gewinnen. Die aktuelle Ernüchterung ist daher weniger Ausdruck überschätzter Technologie; vielmehr zeigt sie, dass die notwendige Transformation zugrundeliegender Workflows und Strukturen in den Entwicklerteams bislang übersehen worden ist. Wir stehen aktuell an der Schwelle dazu, komplexe Enterprise-Software mit Agenten und Workflows vollautomatisch erzeugen zu können. Aber dafür muss die Pipeline stimmen.

Über den Autoren:
Kai Lichtenberg ist Vice President Consulting bei der codecentric AG und beschäftigt sich mit der Frage, wie KI die Softwareentwicklung grundlegend verändert – und was das für Unternehmen, Teams und Arbeitsweisen konkret bedeutet.

Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.