KI-Assistenten schreiben Code schneller, als Entwicklerinnen und Entwickler ihn tippen können. Daraus wird in vielen Unternehmen eine einfache Rechnung abgeleitet: Wer die Entwicklung beschleunigt, bringt mehr Funktionen ins Produkt. Ein Harvard-Paper nimmt genau diese Annahme auseinander und fragt, ob die gewonnene Geschwindigkeit beim Kunden ankommt. Das Format software-architektur.tv widmet dem Paper eine eigene Folge.

Die Fragestellung klingt akademisch, hat aber unmittelbare Folgen für Budgetentscheidungen. Lizenzkosten für Coding-Assistenten werden heute meist mit erwarteten Produktivitätsgewinnen begründet. Ob diese Gewinne eintreten, hängt davon ab, an welcher Stelle der Wertschöpfungskette der Engpass sitzt.

Zwei verschiedene Kennzahlen

In der Diskussion werden regelmäßig zwei Dinge vermischt. Das eine ist die Geschwindigkeit beim Erstellen von Code – also wie schnell eine einzelne Aufgabe von der Idee zum lauffähigen Stand kommt. Das andere ist der Durchsatz im Liefersystem: wie viele fertige, getestete und ausgerollte Funktionen pro Zeiteinheit tatsächlich im Produktivbetrieb landen.

Beide Größen hängen zusammen, sind aber nicht identisch. Wenn das Schreiben von Code nur einen Teil der Gesamtdauer ausmacht, verpufft eine Beschleunigung dieses Teilschritts. Dieser Zusammenhang ist aus der Produktionslogik bekannt: Eine Maschine, die vor dem Engpass steht, produziert bei höherer Taktung vor allem eines – größere Zwischenlager.

Wo die Zeit in Softwareprojekten wirklich liegt

In vielen Organisationen verteilt sich die Durchlaufzeit einer Anforderung auf Stationen, die mit dem Programmieren wenig zu tun haben:

  • Anforderungsklärung: Fachabteilung und Entwicklung müssen sich einigen, was genau gebaut werden soll. Unklare Anforderungen verursachen Rückfragen und Nacharbeit.
  • Code-Review: Jede Änderung wird von Kolleginnen und Kollegen geprüft. Steigt die Menge an eingereichtem Code, wächst die Warteschlange vor dem Review.
  • Qualitätssicherung: Automatisierte Tests laufen in begrenzter Zeit, manuelle Abnahmen brauchen Termine und Personen.
  • Freigabe und Deployment: Release-Fenster, Abstimmungen mit dem Betrieb und Abhängigkeiten zu anderen Systemen bestimmen, wann etwas live geht.

Wenn KI die Phase des Codeschreibens verkürzt, verschiebt sich der Druck auf die nachgelagerten Stationen. Review-Kapazität und Testabdeckung werden dann zum limitierenden Faktor. Hinzu kommt ein Effekt, den Teams aus der Praxis kennen: Von einer Maschine erzeugter Code muss sorgfältiger gelesen werden, weil die Autorin oder der Autor nicht jede Zeile selbst durchdacht hat. Das kann den Prüfaufwand pro Änderung erhöhen statt senken.

Warum Einzelmessungen in die Irre führen

Erfahrungsberichte aus Teams beziehen sich häufig auf die subjektiv erlebte Geschwindigkeit einzelner Aufgaben. Diese Wahrnehmung ist ein schlechter Indikator für den Systemdurchsatz. Wer bewerten will, ob sich ein Werkzeug rechnet, braucht Kennzahlen, die den gesamten Weg von der Anforderung bis zum produktiven Einsatz abbilden.

Dazu gehören die Durchlaufzeit einer Änderung, die Häufigkeit von Auslieferungen, der Anteil fehlgeschlagener Releases und der Aufwand für Nacharbeit. Erst in dieser Betrachtung zeigt sich, ob zusätzliche Geschwindigkeit in der Entwicklung in Nutzen für die Anwenderinnen und Anwender übersetzt wird – oder ob sie an einer Engstelle hängen bleibt.

Konsequenzen für die Einführung von KI-Werkzeugen

Aus der Unterscheidung zwischen Schreibgeschwindigkeit und Lieferfähigkeit ergeben sich einige nüchterne Schlussfolgerungen für die Praxis:

  1. Erst den Engpass bestimmen. Bevor Lizenzen ausgerollt werden, lohnt sich eine ehrliche Analyse, an welcher Station Anforderungen am längsten warten.
  2. Nachgelagerte Schritte mitdenken. Wer die Codeproduktion erhöht, sollte Review-Prozesse, Testautomatisierung und Deployment-Pipelines parallel stärken.
  3. Erwartungen kalibrieren. Zusagen über Produktivitätssprünge gegenüber der Geschäftsführung sollten sich auf messbare Liefergrößen beziehen, nicht auf Gefühlswerte aus dem Team.
  4. Vorher und nachher messen. Ohne Ausgangswerte lässt sich später nicht belegen, ob ein Werkzeug gewirkt hat.

Das heißt nicht, dass KI-Assistenz im Entwicklungsalltag keinen Wert hat. Entlastung bei Routinearbeit, schnellere Einarbeitung in fremden Code und Unterstützung beim Schreiben von Tests sind reale Effekte. Sie wirken nur dann auf die Lieferleistung, wenn der Rest des Prozesses mitkommt.

Einordnung für Web- und Softwareprojekte

Für Projekte im Web- und TYPO3-Umfeld heißt das: Der Hebel liegt selten allein im schnelleren Erstellen von Templates oder Extensions, sondern in kurzen Abstimmungswegen, verlässlichen Testumgebungen und einem Deployment, das ohne Sonderaktion funktioniert. Wer KI-Werkzeuge einführt, sollte sie als Baustein einer Prozessbetrachtung verstehen und nicht als isolierte Maßnahme im Entwicklungsteam. Andernfalls entsteht mehr fertiger Code bei gleichbleibend wenigen ausgelieferten Funktionen – ein Ergebnis, das in keiner Projektbilanz überzeugt.

Quellen