Viele von Euch haben KI-Tools ausprobiert und waren enttäuscht. Demos versprechen oft Magie, im Alltag wirken die Ergebnisse aber überschaubar.
Dieser Erfahrungsbericht ist kein Zukunftsszenario, sondern beschreibt eine reale Umstellung: Eine Entwicklungsorganisation wurde in sechs Monaten konsequent auf KI-first ausgerichtet – mit überraschenden Effekten.
170 Prozent Durchsatz mit 80 Prozent Teamstärke
Die Organisation hat ihre Arbeitsabläufe, Metriken und Leitplanken so umgebaut, dass KI im Zentrum der Entwicklung steht. Statt nur über Tools zu sprechen, zeigen die Zahlen, wie stark sich die Arbeit verändert hat.
Die Gesamtgröße des Engineering-Teams sank im Jahresverlauf von 36 auf 30 Personen. Gleichzeitig stieg der Durchsatz auf etwa 170 Prozent im Vergleich zum Jahresanfang. Das deckt sich mit der subjektiven Wahrnehmung, ungefähr doppelt so schnell zu sein.
Ein genauer Blick auf einige Senior-Entwickler:innen macht das deutlich: Sie begannen das Jahr mit einem eher klassischen Entwicklungsprozess und beendeten es mit einem KI-first-Ansatz. Die sichtbaren Einbrüche in den Kennzahlen entsprechen Urlauben und Team-Events.
Die Zahl der Pull Requests ist dabei eng mit JIRA-Tickets verknüpft. Der durchschnittliche Umfang dieser Tickets blieb weitgehend konstant, sodass sich die PR-Statistik gut als Proxy für den tatsächlichen Durchsatz eignet.
Auf der qualitativen Ebene zeigt sich der Effekt noch deutlicher. Zu Beginn des Jahres konnte das Qualitätssicherungsteam die Geschwindigkeit der Entwicklung nicht halten, was zu Releases mit aus Sicht der Unternehmensführung ungenügender Qualität führte. Mit der Integration von KI-gestütztem Schreiben von Unit-Tests und End-to-End-Tests verbesserte sich die Testabdeckung, die Zahl der Fehler sank, Nutzer:innen wurden zu Fans, und der geschäftliche Wert der Entwicklungsarbeit stieg deutlich.
Von großer Planung zu schneller Experimentierung
Vor der Einführung von KI flossen oft Wochen in die Ausarbeitung von Nutzerflüssen, bevor überhaupt Code geschrieben wurde. Das war sinnvoll, als Änderungen teuer waren. Agile Methoden halfen, doch auch damit blieb das parallele Testen mehrerer Produktideen kostspielig.
Mit dem KI-first-Ansatz entfiel dieser Trade-off weitgehend. Die Kosten für Experimente sanken massiv. Eine Idee konnte innerhalb eines Tages vom Whiteboard zu einem funktionsfähigen Prototypen werden: von der Idee zu einem KI-generierten Product-Requirements-Dokument, zu einer KI-erstellten technischen Spezifikation bis hin zur KI-unterstützten Implementierung.
Das führte zu deutlichen Veränderungen. Die Unternehmenswebsite, zentral für Kundengewinnung und eingehende Anfragen, wuchs zu einem produktreifen System mit Hunderten von maßgeschneiderten Komponenten. Diese werden direkt im Code von der kreativen Leitung entworfen, entwickelt und gepflegt.
Statt mit Slides oder statischen Prototypen zu testen, validiert das Team nun mit laufenden Produkten. Ideen werden live geprüft, Erkenntnisse entstehen schneller, und große Aktualisierungen erscheinen etwa alle zwei Monate – ein Tempo, das vor drei Jahren noch unvorstellbar schien.
Ein Beispiel: Die Kommandozeilenanwendung Zen CLI wurde zunächst in Kotlin entwickelt und anschließend ohne Verlust an Release-Geschwindigkeit auf TypeScript umgestellt.
Features werden nicht mehr nur vorgetäuscht, sondern von UX-Designer:innen und Projektmanager:innen direkt im Code umgesetzt. In der heißen Phase vor einem Release griffen alle ein, korrigierten zahlreiche Details mit produktionsreifen Pull Requests und halfen so, ein rundes Produkt auszuliefern – inklusive einer über Nacht umgesetzten Änderung des UI-Layouts.
Von Codierung zu Validierung und neuer Rollenverteilung
Die nächste große Veränderung zeigte sich im Bereich Validierung. In klassischen Teams schreiben die meisten Menschen Code, eine kleinere Gruppe testet. Wenn aber ein großer Teil der Implementierung durch KI entsteht, verschiebt sich der Hebelpunkt.
Der eigentliche Wert liegt dann darin, präzise zu definieren, was „gut“ bedeutet, und Korrektheit explizit zu machen. Das Unternehmen unterstützt mehr als 70 Programmiersprachen und zahlreiche Integrationen. Die QA-Expert:innen sind zu Systemarchitekt:innen geworden. Sie bauen KI-Agenten, die Akzeptanztests direkt aus Anforderungen generieren und pflegen.
Diese Agenten sind Teil fest codierter KI-Workflows, mit denen sich vorhersehbare Entwicklungsergebnisse systematisch erreichen lassen. Hier zeigt sich, was „Shift Left“ praktisch bedeutet: Validierung ist kein separater Schritt, sondern integraler Bestandteil der Produktion. Wenn ein Agent seine eigene Arbeit nicht überprüfen kann, ist er nicht vertrauenswürdig genug für produktiven Code.
Für Fachkräfte in der Qualitätssicherung ist das eine Phase der Neuausrichtung. Mit passender Weiterbildung wird ihre Rolle zu einem zentralen Enabler und Beschleuniger der KI-Einführung. Produktmanager:innen, technische Leitungen und Data Engineers teilen diese Verantwortung inzwischen, weil die Definition von Korrektheit zu einer bereichsübergreifenden Kompetenz geworden ist.
Neue Architektur der Zusammenarbeit und höheres Abstraktionsniveau
Über Jahrzehnte folgte Softwareentwicklung einem „Diamant“-Muster: Ein kleines Produktteam übergab an ein großes Engineering-Team, das Ergebnis lief durch eine schmalere QA-Phase. Dieses Bild dreht sich nun.
Menschen greifen heute intensiver am Anfang ein, wenn es um Zielsetzung und Optionen geht, und wieder am Ende, wenn Ergebnisse geprüft werden. Die Mitte, in der KI arbeitet, wird schneller und schlanker.
Das Modell ähnelt weniger einem Fließband und mehr einem Kontrollturm. Menschen geben Richtung und Rahmen vor, KI übernimmt die Umsetzung in hoher Geschwindigkeit, und bevor Entscheidungen in Produktion gehen, prüfen Menschen erneut.
Damit knüpft KI an frühere Technologiesprünge an, die das Abstraktionsniveau erhöht haben – von Lochkarten zu Hochsprachen, von Hardware zur Cloud. Nun arbeiten Entwickler:innen auf einer Metaebene: Sie orchestrieren KI-Workflows, verfeinern Anweisungen und Fähigkeiten von Agenten und legen Leitplanken fest. Die Maschinen bauen, die Menschen entscheiden, was und warum.
Teams diskutieren regelmäßig, wann KI-Ergebnisse ohne Review übernommen werden können, wie stark Agenten in produktiven Systemen begrenzt werden sollen und welche Signale auf Korrektheit in großem Maßstab hinweisen. Diese Entscheidungen gab es in dieser Form früher nicht.
So fühlt sich KI-first-Engineering weniger nach Codieren und mehr nach Denken an – ein neues Kapitel menschlicher Intelligenz, unterstützt durch KI.
Bild Gemini KI
