Es gibt einen Moment in vielen Gesprächen mit Entwicklungsleitungen, den ich inzwischen erwarte. Zuerst kommt die Faszination („Das geht wirklich so schnell?“), dann die Skepsis („Und wer haftet, wenn die KI Unsinn baut?“). Beide Reaktionen sind berechtigt. Tempo ohne Methode ist Dilettantismus. Methode ohne Tempo ist gestern.
Nach unserem AI-Shop-Experiment – damals bewusst radikal und eher Forschung – haben wir den Blick verschoben. Nicht mehr „Kann KI die gesamte Geschäftslogik simulieren?“, sondern „Wie sieht eine Delivery-Pipeline aus, in der KI den Großteil der Umsetzung übernimmt und Menschen die Steuerung behalten?“
Das Ergebnis ist keine Magie. Es ist ein Betriebsmodell.
Was sich in der Primärarbeit verschoben hat
Lange war Softwareentwicklung vor allem Schreibarbeit. Anforderungen wurden aufgenommen, Tickets geschnitten, Code getippt, Reviews gemacht, Bugs gefixt. Der teure Kern saß in der Umsetzung.
Heute sitzt der teure Kern woanders. Wer konkurrenzfähig bleiben will, investiert in
- scharfe Spezifikation und Akzeptanzkriterien,
- Infrastruktur, in der Modelle, Repos und Pipelines zusammenspielen,
- Review und Controlling,
- Überwachung von Qualität, Security und Betrieb.
Die Code-Erzeugung selbst ist – bei sauberer Spec und guten Guardrails – nicht mehr die knappe Ressource. Teams, die das ignorieren und weiter den Großteil manuell tippen, werden am Markt schlicht zu teuer.
Aufbau der Pipeline
Unsere interne Pipeline folgt einem klaren Fluss. Er ist absichtlich unspektakulär formuliert, weil Spektakel in Enterprise-Delivery selten hilft.
1. Spec als Vertrag mit der Maschine
Alles beginnt mit einer Spezifikation, die nicht „ungefähr“ sein darf. Wir strukturieren Fachanforderungen so, dass sie für Menschen und Modelle denselben Auftrag bedeuten. Domänenbegriffe, Randbedingungen, Fehlerfälle, Nicht-Ziele. Je unschärfer die Spec, desto teurer wird später das Nachsteuern – egal ob Mensch oder KI tippt.
Praktisch heißt das: kurze Iterationen mit dem Fachbereich, schriftliche Akzeptanzkriterien, Beispiele für Happy Path und Edge Cases. Das fühlt sich zunächst nach mehr Arbeit an. Es ist die Arbeit, die Tempo erst möglich macht.
2. Generierung von Code und Tests
Aus der Spec entstehen Implementierungsvorschläge und Tests. Nicht als einmaliger Big Bang, sondern in kontrollierten Schnitten. Wir lassen die KI parallel an zusammenhängenden Teilen arbeiten – genau deshalb brauchen wir Infrastruktur, die Mehrkanaligkeit aushält, statt eines einzelnen Chatfensters ohne Kontext.
Wichtig ist die Reihenfolge der Wahrheit. Tests und Spec haben Vorrang vor „schönem“ Code, der nicht zur Anforderung passt. Halluzinierte APIs fliegen in der Pipeline früher raus als im klassischen Review am Freitagnachmittag.
3. Guardrails als technische und organisatorische Leitplanken
Guardrails sind bei uns kein Buzzword. Sie sind konkrete Schranken.
Technisch zählen dazu automatisierte Checks (Lint, Typen, Security-Scanner, Testläufe), erlaubte Abhängigkeiten, Secrets-Handling und klare Grenzen, welche Systeme die KI überhaupt anfassen darf. Organisatorisch zählen Ownership, Vier-Augen-Prinzip bei kritischen Änderungen und die Regel, dass niemand „schnell mal produktiv“ merged, nur weil das Modell selbstbewusst klingt.
Ohne Guardrails skaliert Risiko schneller als Nutzen. Mit Guardrails skaliert Tempo – und bleibt erklärbar.
4. Menschliches Review vor Merge und Go-Live
Der Mensch bleibt im Loop. Nicht als Bremser aus Prinzip, sondern als Instanz für Architektur, Fachlichkeit und Verantwortung. Review heißt bei uns nicht, jede Zeile neu zu tippen. Es heißt, die richtigen Stellen tief zu prüfen. Wo Spec und Tests greifen, wird das Review schlanker. Wo Domänenrisiko hoch ist, bleibt es gründlich.
Go-Live folgt denselben Disziplinen wie in jeder seriösen Delivery. Monitoring, Rollback-Pfade, Kommunikationswege. KI ändert nicht die Notwendigkeit von Betrieb – sie ändert, wie schnell man dorthin kommt.
Was wir gelernt haben (ohne Hochglanz)
Tempo entsteht an der Spec. Schlechte Anforderungen werden mit KI nur schneller teuer. Gute Anforderungen werden mit KI dramatisch günstiger.
Infrastruktur ist der eigentliche Hebel. Wer „einfach ChatGPT im Browser“ macht, baut keine Delivery. Parallele Arbeit, nachvollziehbarer Kontext und wiederholbare Pipelines entscheiden, ob bis zu 70 % Ersparnis realistisch sind – oder nur Folie.
Review muss sich wandeln. Klassisches zeilenweises Gegenlesen skaliert nicht mit KI-Output. Review muss risikoorientiert und spezifikationsgetrieben werden. Das ist eine Skill-Frage, keine Tool-Frage.
Token-Kosten sind real und trotzdem sekundär. Stand Mitte 2026 liegen sie bei uns in der Größenordnung von etwa einem Personentag Zusatz auf dreißig Personentage Kundenprojekt. Im Vergleich zu klassischen 300 PT für denselben Scope ist das kein Drama. Es ist Betriebswirtschaft.
Einordnung in unser Angebot
Diese Pipeline ist Forschung und Praxisbrücke zugleich. Sie fließt in unser KI-Engineering ein – wenn wir für Kunden bauen – und in unser KI-Consulting, wenn interne Teams dasselbe Betriebsmodell brauchen.
Wer noch fragt, ob klassische Entwicklung „irgendwie auch noch geht“, stellt die falsche Frage. Am Markt geht vieles. Konkurrenzfähig ist etwas anderes.
Verwandt: AI-Shop Innovation · Geschwindigkeit & Ersparnis
