Betrachtet man die heutige KI-Landschaft, fällt eines sofort ins Auge: Fast jedes Tool ist für Entwickler konzipiert.

KI schreibt Code.
KI erklärt Code.
KI prüft Pull Requests.
KI generiert Tests.
KI schlägt Refactorings vor.

Das ist nützlich. Ich nutze diese Tools selbst. Sie können eindeutig helfen. Doch der Fokus ist immer noch erstaunlich eng. Denn wenn es etwas gibt, worin KI bereits sehr gut ist und noch besser werden wird, dann ist es die Programmierung.

Warum also investieren wir so viel Energie in Tools für den Teil der Softwareentwicklung, der am ehesten automatisiert werden kann? Warum entwickeln wir nicht weiter KI-Unterstützung für den Rest des Softwareentwicklungszyklus?

Genau da liegt das Problem.

Wir optimieren das Falsche.

Die meisten KI-Tools basieren heute auf der Annahme, dass es in der Softwareentwicklung hauptsächlich ums Codeschreiben geht. Ich denke, diese Annahme war schon vor der KI fragwürdig und ist es heute noch mehr. In der Unternehmenssoftware ist das Programmieren selten der schwierigste Teil. Die größte Herausforderung besteht darin, zu verstehen, was entwickelt werden soll.

Die größte Herausforderung ist es, die tatsächlichen Anforderungen zu identifizieren, Geschäftsregeln zu klären, Kompromisse sichtbar zu machen, die Beteiligten auf einen Nenner zu bringen, Grenzen zu definieren und das erwartete Verhalten so klar zu formulieren, dass alle dasselbe meinen.

Diese Arbeit entscheidet über den Erfolg oder Misserfolg eines Projekts. Und genau hier liegt die Schwäche der meisten Organisationen. Nicht, weil die Entwickler zu langsam sind. Nicht, weil das Programmieren zu lange dauert. Sondern weil die Inputs vage, unvollständig, inkonsistent oder irgendwo in Meetings, Tickets, Dokumenten, Altsystemen und in den Köpfen der Mitarbeiter vergraben sind.

KI löst kein unklares Denken

KI verändert vieles, aber eine grundlegende Wahrheit bleibt bestehen:

Wenn der Input schlecht ist, ist auch der Output schlecht.

Tatsächlich macht KI dies deutlicher denn je.

Mit KI können Teams jetzt schneller Code generieren als zuvor. Das bedeutet aber nicht, dass sie schneller das richtige System entwickeln. Sehr oft beschleunigen sie nur die Verwirrung.

Deshalb halte ich die aktuelle Fixierung auf Entwicklertools für zu kurzsichtig.
Ja, Code-Assistenten sind nützlich. Doch wenn die Implementierung immer günstiger wird, liegt der größte Hebel nicht mehr in der Implementierung selbst. Der wahre Hebel liegt vorgelagert.

In der Klarheit.
In der Spezifikation.
Im gemeinsamen Verständnis.
In der Entscheidungsfindung.

Hier entscheidet sich der Erfolg oder Misserfolg der Unternehmenssoftware.

Unternehmenssoftware entsteht nicht nur in der IDE

Diesen Aspekt scheinen viele KI-Anbieter immer noch zu übersehen. Unternehmenssoftware wird nicht nur in Code-Editoren entwickelt. Der Prozess beginnt viel früher und dauert viel länger.

Er beginnt mit Zielen, Einschränkungen, Domänenwissen, Geschäftsprozessen, Qualitätsanforderungen, Vorschriften, Abhängigkeiten sowie organisatorischen Gegebenheiten. Er setzt sich fort in den Bereichen Architektur, Modellierung, Validierung, Tests, Bereitstellung, Betrieb, Dokumentation und Änderungsmanagement.

Wenn Ihre KI nur beim Schreiben von Code hilft, deckt sie nur einen Teil des eigentlichen Problems ab. Und oft nicht den Wichtigsten.

Entwicklertools kamen zuerst, weil das Problem einfacher zu lösen war

Es gibt natürlich einen Grund, warum KI-Tools mit dem Codieren begannen.

Der Code ist strukturiert. Er ist digital. Er lässt sich leicht vergleichen. Er kann kompiliert, getestet, überprüft und gemessen werden. Er befindet sich in Repositories und Build-Pipelines. Der Feedback-Zyklus ist relativ schnell.

Das macht ihn zu einem sehr attraktiven Ziel für KI.

Unternehmenswissen hingegen ist anders.

Anforderungen sind fragmentiert.
Geschäftsregeln sind oft nicht dokumentiert.
Architekturentscheidungen sind implizit. Verschiedene Stakeholder verwenden dieselben Begriffe unterschiedlich.
Wichtige Einschränkungen sind in alten Dokumenten, Jira-Tickets, Excel-Tabellen und im impliziten Wissen verborgen.

Das ist ein viel komplexeres Problem. Aber auch das Wertvollere.

Die eigentliche Chance liegt im gesamten Softwareentwicklungszyklus (SDLC)

Was wir brauchen, sind nicht nur bessere Code-Assistenten.

Wir brauchen KI-Tools, die den gesamten Softwareentwicklungszyklus unterstützen.

Wir brauchen Tools, die Teams dabei unterstützen, Anforderungen zu erfassen und zu verfeinern.
Tools, die Widersprüche und fehlende Informationen identifizieren. Werkzeuge, die die Domänenmodellierung und Systemanwendungsfälle unterstützen. Werkzeuge, die Geschäftsziele mit Architektur, Code, Tests und Dokumentation verbinden. Werkzeuge, die die Nachvollziehbarkeit gewährleisten. Werkzeuge, die Entscheidungen transparent machen. Werkzeuge, die Governance unterstützen, statt sie zu umgehen.

Anders ausgedrückt: Wir brauchen KI, die Organisationen dabei hilft, besser zu denken, nicht nur schneller zu programmieren.
Das ist die wahre Chance für Unternehmen.

Der Engpass hat sich verlagert

Da das Programmieren günstiger wird, verlagert sich der Engpass.

Er verlagert sich hin zur klaren Definition des Verhaltens.
Er verlagert sich hin zur Spezifikation.
Er verlagert sich hin zur Validierung.
Er verlagert sich hin zu langfristiger Wartbarkeit und Modernisierung.

Deshalb betone ich immer wieder, dass Spezifikationen im Zeitalter der KI wichtiger denn je sind.

Sie sind keine Bürokratie.
Sie sind kein Overhead.
Sie sind das Fundament, das KI über Demos und Prototypen hinaus nutzbar macht.

Ohne klare Spezifikationen erzeugt KI lediglich mehr Ergebnisse.
Mit klaren Spezifikationen kann KI hingegen helfen, das richtige System zu entwickeln.

Das ist ein entscheidender Unterschied.

KI sollte mehr als nur Entwickler unterstützen

Ein weiteres Problem der heutigen Tools ist, dass sie primär eine einzige Rolle unterstützen: die des Entwicklers.

Unternehmenssoftware wird jedoch von vielen Rollen geprägt.

Business-Stakeholder.
Produktverantwortliche.
Fachexperten.
Architekten.
Analysten.
Tester.
Sicherheitsteams.
Betriebsteams.
Compliance-Teams.

Wenn KI nur Entwickler unterstützt, ignoriert sie die meisten Personen, die die eigentliche Funktion des Systems bestimmen. Das ist eine gravierende Einschränkung.

Gute Unternehmens-KI sollte die Zusammenarbeit zwischen diesen Rollen verbessern. Sie sollte Unklarheiten zwischen ihnen beseitigen. Sie sollte ein gemeinsames Verständnis schaffen. Sie sollte die Absicht explizit formulieren und mit der Implementierung verknüpfen.

Das ist deutlich wertvoller als eine weitere Autovervollständigung.

Von Code-Assistenten zu Lebenszyklus-Assistenten

Code-Assistenten sind der Anfang, nicht das Ziel.

Sie waren schlichtweg der einfachste Einstiegspunkt.

Ich glaube aber nicht, dass sie langfristig die wichtigste Kategorie darstellen.
Wichtiger sind Lifecycle-Assistenten.

Tools, die von der Idee bis zur Produktion unterstützen.
Tools, die mit Anforderungen, Modellen, Anwendungsfällen, Architektur, Code, Tests, Dokumentation, Governance und Modernisierung arbeiten. Tools, die nicht bei der Implementierung aufhören, sondern die gesamte Kette von der Intention bis zur laufenden Software unterstützen.

Hier findet Unternehmenssoftware ihren Platz. Und genau hier ist das KI-Tooling heute noch deutlich zu schwach.

Fazit

KI-Tools für Entwickler sind nützlich. Aber sie reichen nicht aus.

Wenn Programmierung der Bereich ist, den KI am besten übernimmt, ergibt es wenig Sinn, fast alle Innovationen allein auf diesen Bereich zu konzentrieren.

Die größere Chance besteht darin, den gesamten Softwareentwicklungszyklus (SDLC) zu unterstützen. Nicht nur Software lässt sich schneller schreiben.

Sondern besser zu verstehen, was entwickelt werden soll, warum es wichtig ist, wie es sich verhalten soll und wie sich im Laufe der Zeit verständlich und anpassungsfähig bleibt. Denn bei Unternehmenssoftware ist die größte Herausforderung in der Regel nicht die Codeerstellung.

Es schafft Klarheit. Und genau da sollte KI viel mehr helfen.