Beeile dich nicht, eine „Softwarefabrik“ aufzubauen: Ohne diese vier harten Kriterien häufst du mit KI nur technische Schulden an.

Shen Translation ist das Übersetzungs- und Redaktionsteam von 36Kr, das sich auf Bereiche wie Technologie, Wirtschaft, Berufsleben und Alltag konzentriert und vor allem neue Technologien, neue Ideen und neue Trends aus dem Ausland vorstellt.

Anmerkung der Redaktion: Der Arbeitsablauf wurde nicht geändert, nur Copilot gekauft und behauptet, man sei KI-nativ? Täusche dich nicht selbst. Praktische Tests von hunderten Teams zeigen: Die allermeisten Unternehmen haben nicht einmal die "Phase 0" abgeschlossen. Der Artikel stammt aus einer Übersetzung.

"KI-natives Engineering" ist zu einem Schlagwort geworden, das jeder im Mund führt, aber niemand klar definieren kann. Anbieter nutzen es, um Tools zu verkaufen; Gründer nutzen es, um ihre Präsentationen für den Vorstand aufzuhübschen; CTOs verwenden es, wenn sie eigentlich nur meinen "Wir haben Lizenzen für Copilot erworben".

All dies zählt nicht zu echtem KI-nativem Engineering.

Das sogenannte KI-native Engineering bedeutet, dass KI die Funktionsweise des Teams grundlegend verändert. Arbeitsabläufe, Code-Überprüfungsmechanismen, Qualitätssicherungs-Schwellen und Bewertungssysteme wurden alle um die KI als zentralen Akteur neu gestaltet.

Die meisten Teams haben das nicht geschafft. Sie haben lediglich einige zusätzliche Tools auf das Betriebsmodell aufgestapelt, das sie schon seit drei Jahren verwenden.

An welcher Stelle stehst du eigentlich?

Laut Daten von Akkodis ist das Vertrauen der CTOs in die skalierte Nutzung von KI in diesem Jahr auf 48 % gesunken, weit unter dem Wert von 82 % aus dem Jahr 2024. Ein Bericht von HCLTech besagt, dass voraussichtlich 43 % aller unternehmensweiten KI-Einsatzprojekte scheitern werden. Gartner hat 350 große Unternehmen untersucht, die durch Personalabbau Mittel für KI-Projekte beschafft haben, und festgestellt, dass die allermeisten Unternehmen höchstens einen minimalen Nutzen daraus ziehen.

Die Tools selbst funktionieren tatsächlich, aber das Betriebsmodell hat nicht Schritt gehalten.

Diese Lücke ist größer, als die meisten CTOs annehmen, und die Kosten für ihre Vernachlässigung steigen stetig.

Alle reden über Software-Fabriken, aber die meisten Teams sind noch nicht bereit

Die Diskussion über "Software-Fabriken" ist voll entbrannt. Zach Lloyd hat ein internes Memorandum veröffentlicht, in dem er behauptet, seine Ingenieure seien "Fabrik-Ingenieure, keine Produkt-Ingenieure"; Chamath spricht ausführlich über die Fabrik, die sein Team bei 8090 aufgebaut hat; Microsoft wirbt ebenfalls nachdrücklich für Agent-Fabriken.

Aber Software-Fabriken gehören zur Phase 3 oder 4, während die allermeisten Teams tatsächlich noch in Phase 0 verweilen.

Wir verfügen über hunderte KI-native Ingenieure, die mittlerweile tief in mehr als 100 Unternehmen eingebettet sind, von denen viele mittelständische, von Private Equity (PE) unterstützte Unternehmen sind.

Wir betreiben keine leeren Beratungen zur KI-Implementierung.

Wir betten unsere Ingenieure direkt in die Teams unserer Kunden ein und bauen gemeinsam mit ihnen.

Fast jedes Team, mit dem wir zusammengearbeitet haben, nutzt KI-Tools, aber vor unserem Beitritt hat fast keines das Betriebsmodell um diese Tools herum verändert.

Die fünf Phasen der KI (und warum du wahrscheinlich vier davon direkt übersprungen hast)

Deshalb haben wir unsere Erfahrungen aus der praktischen Bereitstellung in mehr als 100 Ingenieursteams zusammengefasst und darauf basierend ein Framework entwickelt. Dies sind keine aus der Luft gegriffenen Theorien, sondern wiederkehrende, überprüfbare Muster, die sich in zahlreichen Projektpraktiken bewährt haben.

Phase 0: Diagnosephase

In dieser Phase weißt du nicht einmal, an welcher Stelle du stehst. Deine Ingenieure nutzen möglicherweise KI, aber du kannst nicht nachvollziehen, wer sie nutzt und in welchem Umfang, geschweige denn beurteilen, ob sie echten Mehrwert schafft oder technische Schulden verursacht.

Es fehlt an einer Baseline, ganz zu schweigen von einer Infrastruktur mit Messindikatoren.

Lösung: Setze intelligente Analysetools für Entwickler ein, erstelle eine DORA-ähnliche Baseline, die Entwicklungsgeschwindigkeit, Qualität und KI-Adoptionsrate abdeckt, und führe eine umfassende Bestandsaufnahme des Code-Repositorys durch. Dies dauert 2 bis 4 Wochen und ist sehr kostengünstig.

Die meisten Unternehmen befinden sich tatsächlich in dieser Phase, geben aber nach außen an, bereits Phase 2 erreicht zu haben.

Der Übergang von Phase 0 zu Phase 1 ist der Punkt, an dem die meisten Teams steckenbleiben. Der Grund liegt nicht in technischen Engpässen, sondern darin, dass niemand für diesen Wandel verantwortlich ist. Es fehlt an einem Verantwortlichen für KI-Produktivität, einem Umsetzungsplan und einem festen Messrhythmus. Die Copilot-Lizenzen liegen einfach herum und generieren einsam Code-Vervollständigungsvorschläge im Leerraum.

Phase 1: KI-gestützt (auf individueller Ebene)

Jeder Ingenieur wird zu einem KI-nativen Ingenieur. KI-Agenten verfügen über den vollständigen Kontext des Code-Repositorys; der Verantwortliche für KI-Produktivität gibt dem Team gezielte Anleitungen; erfahrene Ingenieure übernehmen die Kontrollfunktion bei der Code-Überprüfung. Dies dauert 1 bis 3 Monate.

Phase 2: KI-gestützt (auf Organisationsebene)

Die Arbeitsabläufe des Teams werden grundlegend verändert. Der gesamte Prozess von Task-Tickets bis zu PR (Pull Requests) wird agentenbasiert gestaltet: Planung, Implementierung, Ausführung von Tests und Einreichung von PR zur menschlichen Überprüfung erfolgen automatisch in einer Sandbox-Umgebung.

Hier ein echtes Beispiel aus unserem Dienstleistungsbereich: Eine Logistikplattform mit mehr als 50 Ingenieuren hat mit nur 2 Ingenieuren innerhalb von 3 Monaten 122 PR eingereicht und erfolgreich zusammengeführt, wobei etwa 90 % des Codes von KI generiert wurden. Die Kosten für die KI-Nutzung betragen nur etwa 200 US-Dollar pro Entwickler und Monat. Dies dauert 2 bis 4 Monate.

Phase 3: KI-Fabrik (auf Produktebene)

KI wandelt sich von "Wie baust du dein Produkt" zu "Welches Produkt du verkaufst". Durch große Sprachmodelle angetriebene Funktionen werden direkt in die eigenen Produkte der Kunden integriert, was zu neuem Umsatzwachstum und stärkerer Nutzerbindung führt.

Die meisten Diskussionen über "Software-Fabriken" beginnen an dieser Stelle. Unserer Meinung nach handelt es sich dabei aber bereits um Phase 3, nicht um Phase 1. Dies dauert 3 bis 6 Monate oder länger.

Phase 4: KI-Fabrik (auf Governance-Ebene)

Baue eine vollständige Steuerungsebene auf. Sie umfasst Modell-Gateways, Richtliniensteuerung für einzelne Code-Repositorys, durchgehende Verfolgung, Auswirkungsanalyse, Compliance-Prüfungen und Audit-Protokolle.

Der zentrale Messindikator wandelt sich zu "tatsächlicher Nutzen pro Token" (Impact-per-Token), anstatt nur die generierte Codezeilenzahl zu messen. Dies dauert 6 bis 12 Monate.

Bevor du irgendetwas "Fabrik" nennst

Beantworte zuerst die folgenden vier Fragen:

Kann dein Team die KI-Ausgaben so schnell überprüfen, wie die KI Code erzeugt?

Hast du genügend erfahrene Ingenieure, um die von der KI begangenen Fehler präzise zu erkennen und zu korrigieren?

Ist die Architekturdokumentation deines Systems maschinenlesbar?

Hast du klar erfasst und dokumentiert, welche Arbeitsarten derzeit von der KI tatsächlich als "Belastung" statt als "Effizienzverstärker" eingestuft werden?

Wenn du nicht alle vier Fragen bejahen kannst, bist du noch nicht bereit, in die "Fabrik"-Phase einzutreten – du befindest dich in der Phase, in der du "gestärkt" werden musst.

Die wahre Position, an der du höchstwahrscheinlich stehst

Die allermeisten Teams, mit denen ich gesprochen habe, glauben, bereits in Phase 2 zu sein.

Tatsächlich verweilen die allermeisten Teams aber noch in Phase 0, da sie lediglich Copilot-Lizenzen erworben haben.

Teams, die diesen Unterschied zuerst klären, werden einen unaufholbaren generationsbedingten Vorsprung bei der Liefergeschwindigkeit erreichen; Teams, die dies nicht erkennen, werden vergeblich versuchen, die Lücke durch Neueinstellungen zu schließen.

Man kann diese Lücke nicht schließen, indem man einfach mehr Mitarbeiter einstellt.

Wie viele dieser vier Fragen kann dein Ingenieursteam heute eindeutig beantworten?

Übersetzer: boxi.