KI in der Softwareentwicklung: Autonomie ist nicht alles - silicon.de

Die Leistung aktueller Coding-Agenten ist beeindruckend. Das führt zu der Annahme, dass je mehr Aufgaben an sie delegiert werden, desto produktiver wird das gesamte Projekt. Doch Microsoft Research kommt bei komplexen Entwicklungsaufgaben zu einem völlig anderen Ergebnis: Erfolgreicher waren diejenigen Entwickler, die die Probleme schrittweise bearbeitet haben, Zwischenergebnisse kontrollierten und die KI iterativ nachsteuerten. Wenn aber maximale Autonomie nicht automatisch zum besten Ergebnis führt, muss das Zielbild anders aussehen: Nicht möglichst viel Arbeit an KI abgeben, sondern die Arbeitsteilung zwischen Mensch und Maschine neu organisieren.

Aus der KI-Tool-Einführung wird ein neues Operating Model

Es reicht nicht, Coding-Assistenten bereitzustellen und auf eine steigende Produktivität zu hoffen. Entscheidend ist, festzulegen, welche Aufgaben sich sinnvoll an KI delegieren lassen, wo Menschen eingreifen müssen und welche Entscheidungen in menschlicher Verantwortung bleiben. In einer weiteren Untersuchung spricht Microsoft Research von „bounded delegation“: KI übernimmt nur Teilaufgaben weitgehend selbstständig, bleibt aber innerhalb definierter Grenzen. Damit wird die Tool-Einführung zu einer Frage des Operating Models. Teams müssen ihre Arbeit anders zuschneiden, Kontrollpunkte definieren und Verantwortlichkeiten festlegen. Die entscheidende Frage lautet nicht: Welche KI setzen wir ein? Sondern: Welche Arbeit überlassen wir der KI – und unter welchen Bedingungen?

Product Owner: Neue Aufgaben, neue Verantwortung

Durch KI gewinnt ein Grundprinzip agiler Softwareentwicklung neue Bedeutung: Komplexe Vorhaben werden schrittweise umgesetzt und anhand von Zwischenergebnissen korrigiert. Eine besondere Rolle kommt dabei den Product Ownern und den Fachbereichen zu, denn auch leistungsfähige Agenten können nur mit dem arbeiten, was ihnen als Aufgabe und Kontext zur Verfügung gestellt wird. Das bedeutet: Der Product Owner muss Ziele, Prioritäten, fachlichen Kontext und Akzeptanzkriterien so klar definieren, dass die Entwickler die Arbeit sinnvoll zerlegen und gemeinsam mit der KI iterativ umsetzen können. Je schneller die technische Umsetzung wird, desto stärker fällt es auf, wenn dieser vorgelagerte Teil nicht funktioniert. Daraus entsteht ein Paradox: Je stärker KI das Coding automatisiert, desto wichtiger wird gutes Entwicklungsmanagement. Eine unklare Anforderung wird durch KI nicht besser – sie lässt sich nur schneller in Software abbilden.

Kontext wird zur Infrastruktur

Je mehr Aufgaben KI übernimmt, desto wichtiger wird der Kontext. Ein Sprachmodell kennt Programmiersprachen und Frameworks, aber nicht die Geschäftsprozesse, Architekturen, Schnittstellen oder historischen Sonderfälle eines Unternehmens. Ohne dieses Wissen kann ein Agent zwar funktionierenden Code erzeugen – aber trotzdem die falsche Lösung für den konkreten Fall. Für die CIOs bekommt damit das Wissensmanagement eine neue Bedeutung. Dokumentation, Architekturvorgaben und Entwicklungsstandards werden zur Arbeitsgrundlage der KI. Die Qualität der KI-gestützten Entwicklung hängt also wesentlich davon ab, wie umfassend der relevante Unternehmenskontext für die KI verfügbar ist.

Produktivität lässt sich nicht per Rollout verordnen

Auch die Erfolgsmaßstäbe verändern sich. Mehr generierter Code, mehr abgeschlossene Tickets oder eine hohe Nutzungsquote sagen wenig darüber aus, ob ein Softwarebereich tatsächlich produktiver wird. Entscheidend ist, ob Anforderungen schneller in funktionierende, wartbare Software umgesetzt werden. Microsoft Research warnt vor einem „Productivity Pressure Paradox“: Werden schnelle Produktivitätsgewinne erwartet, ohne Raum zum Lernen und Experimentieren zu schaffen, kann dieser Druck die erhofften Vorteile behindern. KI-Produktivität entsteht deshalb nicht durch möglichst viel KI-Nutzung, sondern durch eine bessere Organisation der Softwareentwicklung.

ERP-Ökosysteme als Härtetest

Besonders deutlich zeigt sich die neue Arbeitsteilung in komplexen ERP-Umgebungen. Individuelle Erweiterungen müssen in bestehende Prozesse und Architekturen passen, wartbar bleiben und die Vorgaben des Plattformanbieters erfüllen. Das gilt für SAP ebenso wie für Oracle, Salesforce oder Microsoft Dynamics. Der SAP-Dienstleister abat setzt dafür auf seinen AI-Shore-Ansatz und einen eigenen Development Assistant. Dieser kombiniert Sprachmodelle mit internem Entwicklungswissen, Dokumentationen und projektspezifischem Kontext. Er arbeitet nicht autonom, sondern ist in einen iterativen Entwicklungsprozess eingebettet: Aufgaben werden vorbereitet, Ergebnisse geprüft und bei Bedarf nachgesteuert.

Damit verschiebt sich die Rollenverteilung. Routine-Coding wird stärker automatisiert, während Prozessverständnis, Architektur, Steuerung und Qualitätskontrolle an Gewicht gewinnen. abat unterscheidet deshalb bewusst zwischen dem reinen Programmierer und dem Entwickler: Je mehr KI von der Umsetzung übernimmt, desto wichtiger werden Fähigkeiten, die über das Schreiben von Code hinausgehen.

Für CIOs liegt darin die eigentliche Konsequenz: KI verändert nicht nur einzelne Tätigkeiten, sondern die Organisation professioneller Softwareentwicklung – von der Aufgabenverteilung über Wissensmanagement bis hin zu Verantwortung und Qualitätskontrolle.

Björn Lampe

ist Board Member von abat.