Milliarden fließen in KI-Coding-Tools wie GitHub Copilot oder Cursor – doch die erhofften Produktivitätssprünge bleiben in vielen Teams aus. Eine Analyse des Reisekonzerns Agoda liefert eine ernüchternde Erklärung: Das Schreiben von Code war nie das eigentliche Problem.
KI-Coding-Assistenten beschleunigen Softwarelieferung kaum – der Engpass liegt woanders
Code schreiben ist nicht dasselbe wie Software liefern
Der Irrtum hinter vielen Investitionsentscheidungen liegt in einer vereinfachten Gleichsetzung: mehr Code in kürzerer Zeit bedeute schnellere Softwarelieferung. Tatsächlich verbringen Entwicklerinnen und Entwickler nur einen Bruchteil ihrer Arbeitszeit mit dem eigentlichen Schreiben von Code. Der überwiegende Teil entfällt auf Anforderungsklärung, Code-Reviews, Testzyklen, Deployment-Prozesse und das Beheben von Problemen in bestehenden Systemen.
KI-Tools, die primär beim Schreiben von neuem Code unterstützen, greifen damit an einer Stelle ein, die in vielen Teams bereits gut funktioniert. Die eigentlichen Bottlenecks befinden sich typischerweise an anderen Stellen der Wertschöpfungskette.
Wo die echten Engpässe liegen
Agodas Engineering-Teams identifizierten als häufigste Verzögerungsursachen:
- Lange Wartezeiten im Review-Prozess
- Unklare Produktanforderungen zu Beginn eines Entwicklungszyklus
- Manuelle Schritte in CI/CD-Pipelines
Keiner dieser Faktoren lässt sich durch schnelleres Code-Schreiben beheben. Hinzu kommt ein strukturelles Problem:
Wenn KI-Tools die Code-Produktion beschleunigen, aber Review-Kapazitäten gleichbleiben, entsteht ein neuer Stau – jetzt am Eingang des Review-Prozesses. Die Geschwindigkeit des Systems steigt nicht, sie verlagert sich lediglich.
Qualität statt Quantität als Maßstab
Statt die reine Outputmenge als Erfolgskennzahl zu verwenden, empfiehlt sich ein Blick auf systemische Metriken:
- Wie lange dauert es vom ersten Commit bis zum produktiven Deployment?
- Wie häufig müssen Features nach Release nachgebessert werden?
- Wie hoch ist die kognitive Last beim Onboarding neuer Teammitglieder in bestehende Codebases?
An diesen Stellen können KI-Werkzeuge durchaus messbare Effekte erzielen – etwa durch bessere Dokumentation, automatisierte Testgenerierung oder die Unterstützung beim Verständnis fremden Codes. Diese Anwendungsfälle werden jedoch seltener prominent vermarktet als die reine Code-Generierung.
Reifere Erwartungen an den Tool-Einsatz
Erste Ernüchterung nach der initialen Begeisterung ist in vielen Engineering-Organisationen spürbar. Teams berichten, dass messbare Produktivitätsgewinne hinter den ursprünglichen Erwartungen zurückbleiben – nicht weil die Tools schlecht seien, sondern weil die Ausgangshypothese nicht stimmte.
Die entscheidende Frage lautet nicht: „Welches KI-Coding-Tool ist das beste?” – sondern: „An welcher Stelle in unserem Prozess verlieren wir am meisten Zeit, und kann KI dort helfen?”
Ein differenzierterer Ansatz setzt voraus, dass Unternehmen zunächst ihren eigenen Entwicklungsprozess analysieren und die tatsächlichen Engpässe identifizieren, bevor sie in bestimmte Tools investieren.
Fazit: Erst den Prozess verstehen, dann investieren
Für Unternehmen, die gerade KI-Investitionen in der Softwareentwicklung planen oder evaluieren, empfiehlt sich eine nüchterne Bestandsaufnahme der eigenen Delivery-Pipeline. Tools wie GitHub Copilot können sinnvoll eingesetzt werden – vorausgesetzt, das Unternehmen weiß, welches Problem es damit lösen will. Wer hingegen pauschal auf beschleunigte Softwarelieferung hofft, ohne den eigenen Prozess zu verstehen, wird auch mit den besten verfügbaren Werkzeugen enttäuscht werden.
Quelle: InfoQ AI
