Agentic Data & Software Engineering

KI hat den Engpass verschoben, nicht beseitigt

Von Xavier Franco, CEO de Elternativa · Grupo Zemsania
· 7 Min. Lesezeit

Mit Unterstützung von KI verfasst und von Xavier Franco geprüft

Luftaufnahme einer vielspurigen Autobahn in der Abenddämmerung, auf der sich der schnelle Verkehr an einer einzigen Mautstelle staut.
In diesem Artikel

Wir haben es vor allen anderen erlebt. Sie geben Ihrem Entwicklungsteam KI, der Code entsteht doppelt so schnell und ein paar Wochen später sagt Ihnen jemand, dass die Lieferungen nicht so viel schneller geworden sind. Der Engpass ist nicht verschwunden: Er hat sich verschoben. Wenn Sie die Technologie verantworten, sollten Sie wissen, wohin, denn dort liegt der Unterschied zwischen KI haben und KI, die skaliert.

Code zu schreiben ist nicht mehr das Problem

Jahrelang lag der Engpass des SDLC, des Softwareentwicklungszyklus, im Schreiben von Code. Es fehlten Hände. Die KI hat diesen Teil besser gelöst, als wir erwartet hatten: Laut der Stack-Overflow-Umfrage 2025 mit mehr als 49.000 Antworten nutzen 84 % der Entwickler bereits KI-Werkzeuge oder planen es.

Aber der Zyklus endet nicht beim Schreiben. Danach müssen Sie prüfen, testen, integrieren, dokumentieren und auditieren. Und diese Phasen laufen weiterhin im alten Tempo, mit denselben Menschen.

Das Ergebnis ist leicht vorstellbar: Jede Person schafft das Doppelte, und wer prüft, ist weiterhin dieselbe. Die Warteschlange wächst genau dort, wo wir ohnehin die wenigsten Leute hatten.

In der Praxis: Sehen Sie sich Ihre Pull Requests des letzten Monats an. Wie viel Zeit vergeht im Schnitt zwischen dem Öffnen und dem Freigeben? Wenn diese Zeit seit dem KI-Einsatz gewachsen ist, wissen Sie, wo Ihr neuer Engpass liegt.

Der Techniker will alles verstehen, und das ist vernünftig

Hier ist ein Punkt, den ich für wichtig halte, denn manchmal wird er als Frage der Einstellung dargestellt, und das ist er nicht. Der Techniker will alles verstehen, was die KI tut, bevor er es für gut befindet. Das ist vernünftig: Er hat nicht die Kontrolle.

Die Daten bestätigen es. In derselben Stack-Overflow-Umfrage sagen 46 % der Entwickler, dass sie der Genauigkeit dessen, was KI-Werkzeuge erzeugen, nicht vertrauen, gegenüber 31 % im Vorjahr. Und für 45 % ist eine der größten Frustrationen, dass das Debuggen von KI-generiertem Code viel Zeit kostet.

Hinzu kommt das Durcheinander, das entsteht, wenn jeder auf seine Weise mit seiner KI arbeitet:

  • dasselbe auf zwei Arten gelöst in zwei Teilen des Systems;
  • Gelerntes bleibt in einer Unterhaltung, die niemand mehr liest;
  • niemand weiß, wer was geschrieben hat: ein Mensch oder ein Modell.

Unter diesen Umständen ist zeilenweises Prüfen kein Misstrauen. Es ist die einzige Form der Kontrolle, die wir dem Techniker gelassen haben.

In der Praxis: Fragen Sie Ihr Team, was ihm beim Prüfen von KI-generiertem Code Sorgen macht. Es wird Ihnen sagen, wo die Methode fehlt.

Die Kontrolle liegt im Vertrag, nicht im Lesen jeder Zeile

Der Ausweg ist nicht, schneller zu prüfen. Er besteht darin, die Kontrolle an den Anfang des Zyklus zu verlegen. Wenn schon vor der ersten Zeile der KI feststeht, was sie tun soll, in welchen Grenzen und mit welchen Tests, ist das Review kein vollständiges Lesen mehr, sondern ein Abgleich mit etwas Konkretem.

So gehen wir vor, Phase für Phase:

  1. Anforderung und Plan. Jede Aufgabe entsteht mit vorab festgelegten Abnahmekriterien. Sie ändern sich danach nicht.
  2. Entwicklung. Mehrere KI-Instanzen arbeiten parallel, ohne dass ihnen jemand hinterherlaufen muss.
  3. Tests. Sie werden von einer anderen Instanz ausgeführt als der, die den Code geschrieben hat. Niemand validiert seine eigene Arbeit.
  4. Review und Validierung. Eine Person Ihres Teams validiert den Abschluss anhand der Kriterien, und ihre Freigabe wird protokolliert.
  5. Pull Request und Bereitstellung. Die KI öffnet den Pull Request und respektiert Ihr Git und Ihr CI/CD.
  6. Weiterentwicklung und Support. In derselben Warteschlange, wobei das Gelernte zu Regeln wird, die die nächste Aufgabe bereits erhält.

Der Techniker läuft der KI nicht mehr hinterher. Er definiert, validiert und entscheidet.

In der Praxis: Nehmen Sie die nächste Funktion, die Sie bauen wollen, und schreiben Sie ihre Abnahmekriterien, bevor Sie anfangen. Allein das verändert das Review.

Integrieren, Dokumentieren und Auditieren gehören ebenfalls zum Zyklus

Die anderen drei Phasen, die sich stauen, brauchen dasselbe: Methode, nicht mehr Stunden.

  • Integrieren. Dieselbe Methode und dieselben Regeln für jede KI, und jede Aufgabe reserviert die Ressourcen, die sie braucht, damit sich zwei parallele Arbeiten nicht in die Quere kommen.
  • Dokumentieren. Das Projektwissen (Normen, Entscheidungen und Besprechungen) lebt in einem System, das die KI abfragt, nicht im Kopf einer Person oder in einer verlorenen Unterhaltung.
  • Auditieren. Alles ist nachvollziehbar: wer es angefordert, wer es umgesetzt, wer es validiert hat und was es gekostet hat.

Wenn diese Phasen funktionieren, zeigt sich die Wirkung der KI in den Lieferungen und nicht nur in der Schreibgeschwindigkeit.

In der Praxis: Suchen Sie in Ihrem letzten Projekt eine wichtige technische Entscheidung. Steht sie irgendwo, wo die nächste Person oder die nächste KI sie finden kann?

Was Sie messen sollten, um zu wissen, ob KI skaliert

Ein Risiko sehe ich oft: KI am Geschwindigkeitsgefühl zu messen. „Wir sind schneller“ ist eine Wahrnehmung, keine Zahl. Der DORA-Bericht 2025 von Google mit fast 5.000 Technologie-Fachleuten belegt es: 90 % nutzen KI bei der Arbeit und mehr als 80 % glauben, produktiver geworden zu sein. Aber 30 % vertrauen dem erzeugten Code wenig oder gar nicht.

Und es gibt eine Zahl aus demselben Bericht, die meiner Meinung nach jede Technologieleitung im Kopf haben sollte: Die KI-Nutzung hängt inzwischen mit höherer Liefergeschwindigkeit zusammen, aber weiterhin mit geringerer Stabilität. Mehr Änderungen, schneller, und mehr, das kaputtgeht, wenn es keine soliden Tests, keine ausgereifte Versionsverwaltung und keine kurzen Zyklen gibt. DORA fasst es in einem Satz zusammen: KI repariert kein Team, sie verstärkt, was bereits da ist.

Wenn Sie wissen wollen, ob Ihre KI skaliert, messen Sie deshalb an Ihrem Repository und nicht mit internen Umfragen:

  • Lieferungen pro Woche und Zeit bis zur Produktion;
  • Review-Zeit jedes Pull Requests;
  • Nacharbeit, also wie viel vom Gelieferten erneut angefasst werden muss;
  • Fehler nach dem Deployment;
  • welcher Anteil der Lieferungen aus dem KI-Ablauf stammt und welcher noch von Hand erledigt wird.

In der Praxis: Ermitteln Sie diese fünf Zahlen heute, bevor Sie etwas ändern. Ohne ein Bild des Vorher wissen Sie nie, ob das Nachher besser ist.

Womit Sie beginnen

Mein Rat: Versuchen Sie nicht, den ganzen Zyklus auf einmal zu ändern:

  1. Messen Sie den aktuellen Engpass: Review-Zeit, Nacharbeit und offene Pull Requests.
  2. Wählen Sie ein Team und eine Art von Arbeit, die abgegrenzt und wiederholbar ist: Weiterentwicklung, technische Schulden oder Tests.
  3. Legen Sie die Kriterien vor dem Start fest und trennen Sie, wer baut, von dem, der testet.
  4. Lassen Sie eine Person validieren, anhand der Kriterien, nicht nach Bauchgefühl.
  5. Vergleichen Sie einige Wochen lang Lieferungen, Nacharbeit und Zeit bis zur Produktion, an Ihrem eigenen Repository.

Wenn sich die Zahlen verbessern, haben Sie das Argument zum Skalieren. Wenn nicht, wissen Sie genau, welche Phase Sie sich ansehen müssen.

Wie wir Ihnen helfen

Bei Agentic Data & Software Engineering orchestrieren wir die Entwicklungs-KI, die Sie bereits haben, wie Claude Code, Cursor, Codex oder Copilot, über den gesamten SDLC: mehrere Instanzen parallel, Tests durch eine andere Instanz und eine Person Ihres Teams, die jeden Abschluss validiert. Der Code bleibt in Ihrem Git und das Wissen in einer eigenen Datenbank von Ihnen. Auf der Website veröffentlichen wir, was wir am Code unserer Kunden messen: bis zu 2-mal mehr Kapazität in Daten- und Softwareentwicklung mit demselben Team.

Wir tun das mit Agentagile, unserer Methodik für die Entwicklung mit KI: Ihre KI entwickelt, testet und dokumentiert; Ihr Team entscheidet. Nichts geht voran ohne Ihre Freigabe.

Häufige Fragen

Was ist der SDLC?

Die englische Abkürzung für den Softwareentwicklungszyklus: die Phasen von der Anforderung bis zu Bereitstellung und Wartung, einschließlich Entwicklung, Tests und Review.

Wie verändert KI den SDLC?

KI beschleunigt vor allem das Schreiben von Code. Ändern sich die übrigen Phasen nicht, verlagert sich der Engpass auf Review, Tests und Integration.

Kann eine KI den Code einer anderen KI prüfen?

Sie kann ihn testen, sofern es eine andere Instanz ist als die, die ihn geschrieben hat, und die Kriterien vorher festgelegt wurden. Die endgültige Entscheidung trifft ein Mensch.

Muss ich dafür das KI-Werkzeug wechseln?

Nein. Die Methode funktioniert mit den Werkzeugen, die Sie bereits im Einsatz haben.

Weiterlesen