KI in der Forschung und Entwicklung wird oft als eine Technologie dargestellt, die die Softwareentwicklung radikal verändert: zehnmal schneller entwickeln, Teams ersetzen und traditionelle Prozesse überflüssig machen. Aber in echten F&E-Teams – mit Fristen, Altlasten, Domänenlogik und technischen Schulden – sind die Dinge nuancierter. Meiner Meinung nach ist die Frage nicht, ob KI alles übernehmen kann, sondern wo sie tatsächlich einen Mehrwert schafft, ohne die Qualitätsstandards zu untergraben.
KI wird schneller… besonders an Orten, wo nur wenige Menschen zusehen
Die größte Beschleunigung sehe ich in der Praxis nicht in der autonomen Erstellung komplexer Module, sondern in den weniger sichtbaren Schritten des Prozesses. Prototypen entstehen in Tagen statt in Wochen, was dazu beiträgt, Entscheidungen früher zu validieren, ohne gleich robusten Code zu erwarten. Tests werden schneller erstellt und überprüft, wodurch Regressionen und Nacharbeit reduziert werden. Und KI hilft den Entwicklern, große, komplexe Codebasen schneller zu durchdringen, so dass Zusammenhänge und Abhängigkeiten früher deutlich werden.
Sie sind keine Vorzeigebeispiele, aber sie sind die Orte, an denen F&E-Teams heute schon strukturell Zeit sparen und Raum schaffen, um sich auf echte Design- und Integrationsarbeit zu konzentrieren.
Und dennoch läuft die KI regelmäßig gegen die Wand
Was ist der größte Fallstrick? KI liefert oft etwas, das wie Software aussieht, aber das bedeutet nicht, dass es für die Produktion geeignet ist. Der Unterschied zwischen „es funktioniert“ und „das kann leben“ bleibt groß. Vor allem in Umgebungen mit Altlasten – von großen Codebasen bis hin zu jahrelangen Domänenregeln und der Historie – erweist sich KI vorerst als nur begrenzt autonom wirksam.
Daher ist ein schrittweiser Ansatz hier am besten geeignet. Ein einziger Testsatz, ein Modul oder eine sich wiederholende Aufgabe bietet genügend Spielraum, um Stabilität aufzubauen. Erst wenn die KI dort zuverlässig funktioniert, ist eine Erweiterung sinnvoll. Auf diese Weise bleibt die Qualität führend, und Sie vermeiden, dass Prototypen fälschlicherweise für produktionsreife Lösungen gehalten werden.
Die Rolle der Entwickler ändert sich schneller als ihre Arbeit
In diesem Zusammenhang verändert KI vor allem, wo der Wert der Entwickler liegt. Nicht darin, dass sie jede Zeile Code selbst produzieren, sondern darin, dass sie verstehen, was getan werden muss, die Qualität der generierten Vorschläge beurteilen und mehrere Tools gleichzeitig steuern können. Tatsächlich verlagert sich ihre Rolle mehr und mehr in die des Product Owners: Domänenwissen und architektonische Rahmenbedingungen werden wichtiger, da KI ohne klare Anweisung falsche Annahmen trifft.
Dabei verhält sich die KI wie ein extrem schneller Junior: nützlich, aber nicht unabhängig. Teams, die diese Realität akzeptieren, bauen schneller und konsistenter als Teams, die erwarten, dass KI die Arbeit eines Seniors ersetzt.
F&E-Teams werden anders aussehen
In dem Maße, wie Agenten mehr Teile des Entwicklungsprozesses unterstützen, verändern sich die Zusammensetzung und die Dynamik von Teams. Die Entwickler werden zu Direktoren ihrer eigenen Agenten, die Fehlersuche verlagert sich auf die Überwachung und die Wartung wird zu einem Prozess, bei dem Probleme frühzeitig erkannt und vorbereitet werden, bevor der Support sie meldet.
Moderne Tools ermöglichen es Agenten auch, direkt auf Protokolle und Beobachtungsdaten zu reagieren. So entsteht ein Arbeitsablauf, bei dem die manuelle Suche abnimmt und Zeit für das Domaindesign, Integrationen und strukturelle Verbesserungen frei wird.
Die Befürchtung, dass KI zu kleineren Entwicklungsteams führt, hat sich in der Praxis (noch) nicht bewahrheitet, doch es gibt klare Veränderungen:
- Repetitive Test- und Fehlerbehebungsarbeiten werden aus dem Arbeitsalltag verschwinden
- und Entwickler haben mehr Zeit für Integrationen, Designentscheidungen und echten Mehrwert für die Kunden.
Ist KI eine Revolution oder ein Luftschloss?
KI ist dort revolutionär, wo sie für mehr Geschwindigkeit, Validierung und Automatisierung in Supportprozessen sorgt. Aber es ist ein Wunschtraum, wenn Sie erwarten, dass sie eigenständig Altlasten umschreibt, Prototypen produktionsreif macht oder das Urteilsvermögen von Ingenieuren ersetzt.
KI verändert die Art und Weise, wie wir Software entwickeln, aber nicht die Grundsätze, nach denen wir Qualität sicherstellen. Teams, die diese Unterscheidung im Auge behalten, werden von den Vorteilen profitieren, ohne in Selbstüberschätzung zu verfallen.
Häufig gestellte Fragen
Legacy-Systeme enthalten jahrelange Domänenregeln, Ausnahmen und implizite Logik, die nicht im Code, sondern in den Köpfen der Entwickler stecken. KI kann Teile davon analysieren, aber nicht automatisch den Kontext rekonstruieren. Daher eignet sich KI hervorragend für gezielte Aufgaben im Legacy-Bereich, z. B. für die Testgenerierung, Refactor-Vorschläge und die Erkennung von Tugenden. Aber nicht für einen groß angelegten autonomen Wiederaufbau. Dafür brauchen Sie menschliches Denken.
Die Unternehmen, die es richtig machen, haben zumindest diese fünf Dinge im Griff:
– Leitplanken: klare Grenzen für Verhalten und Ausgabe.
– Code-Review: KI-generierter Code geht nie ungesehen in die Produktion.
– Protokollierung & Metriken: Alles ist nachvollziehbar.
– Fallbacks: Im Zweifelsfall wechselt das System auf sichere Pfade.
– Überwachung: Das Verhalten der KI wird kontinuierlich ausgewertet.
KI verlagert den Bereich, in dem Entwickler Wert schaffen. Aufgaben, die vorhersehbar, repetitiv oder von geringem Wert sind, verschwinden. Was bleibt, ist die Arbeit, die Qualität schon immer ausgemacht hat: das Verstehen der Domänenlogik, das Treffen struktureller Entscheidungen, die Bewertung dessen, was ein Agent liefert, die Gewährleistung, dass das System korrekt, sicher und erklärbar bleibt. Entwickler, die Systeme verstehen und Agenten steuern können, werden wichtiger denn je.
Der richtige Start ist ein einziger, definierter Anwendungsfall, bei dem Sie den gesamten Lebenszyklus durchspielen können: vom Prompt-Management über die Auswertung, Überwachung und Erklärbarkeit bis hin zu Fallback-Mechanismen. Die Art und Weise, wie Sie beginnen, entscheidet darüber, ob Sie später aufstocken können, ohne die Grundlagen neu aufbauen zu müssen.
