Software lässt sich heute anders entwickeln als noch vor wenigen Jahren. Und es entwickelt sich von Tag zu Tag weiter. KI-Systeme schlagen nicht mehr nur einzelne Codezeilen vor. Moderne Coding Agents können Aufgaben analysieren, Dateien durchsuchen, Code verändern, Tests ausführen und ihre Ergebnisse iterativ überarbeiten. Damit werden digitale Ideen schneller greifbar, auch für Unternehmen ohne große eigene Entwicklungsabteilung.
Das Thema ist längst nicht mehr auf Technologieunternehmen beschränkt. Laut der repräsentativen Bitkom Studie „Künstliche Intelligenz in Deutschland“ setzten 2025 bereits 36 Prozent der befragten deutschen Unternehmen mit mindestens 20 Beschäftigten KI ein. Im Vorjahr waren es 20 Prozent. Die Zahl bezieht sich auf KI insgesamt, zeigt aber, wie schnell die Technologie in betriebliche Abläufe vordringt. (Bitkom, 2026)
Für Entscheider ist deshalb weniger relevant, ob KI programmieren kann. Das kann sie in vielen Situationen bereits erstaunlich gut. Die wichtigere Frage lautet: Unter welchen Bedingungen entsteht daraus eine Lösung, die ein konkretes Unternehmensproblem zuverlässig löst?
Genau dort setzt unser Ansatz für Technologie & Software an: Ausgangspunkt ist nicht die Frage, welche Technologie gerade verfügbar ist, sondern welches Problem gelöst werden soll, wer die Lösung nutzt und wie sie sich in bestehende Prozesse und Systeme einfügt. Erst daraus lässt sich ableiten, ob eine individuelle Anwendung sinnvoll ist, welche Rolle KI darin übernehmen kann und welche Anforderungen für eine langfristig tragfähige Umsetzung berücksichtigt werden müssen.
Wie KI die Softwareentwicklung verändert
KI-gestützte Softwareentwicklung umfasst unterschiedliche Arbeitsweisen. Ein Coding Assistant unterstützt Entwickler beispielsweise beim Schreiben, Erklären oder Überarbeiten von Code. Ein Coding Agent geht weiter: Er kann eine Aufgabe über mehrere Schritte bearbeiten, den Aufbau eines Projekts untersuchen, verschiedene Dateien ändern, Befehle ausführen und Tests anstoßen. Das Ergebnis bleibt kontrollbedürftig, aber der Weg von der Aufgabenbeschreibung bis zu einem ersten funktionsfähigen Stand wird kürzer.
Ein Beispiel für diese Arbeitsweise sind Software Engineering Agents, die Fehler beheben, Funktionen umsetzen und Änderungsvorschläge für eine Prüfung vorbereiten. In der Produktbeschreibung seines Coding Agents weist OpenAI zugleich ausdrücklich darauf hin, dass generierter Code vor der Übernahme manuell geprüft und validiert werden muss. Gute Ergebnisse hängen außerdem von einer passend eingerichteten Entwicklungsumgebung, verlässlichen Tests, klarer Dokumentation und eindeutigen Regeln ab. (OpenAI, 2025)
Davon zu unterscheiden ist das sogenannte Vibe Coding. Gemeint ist eine Arbeitsweise, bei der eine gewünschte Anwendung in natürlicher Sprache beschrieben wird und die KI große Teile der technischen Umsetzung übernimmt. Der Nutzer konzentriert sich vor allem auf das sichtbare Ergebnis und weniger auf den erzeugten Code. Das kann für Experimente sehr wirksam sein. Problematisch wird es, wenn ein zunächst überzeugender Prototyp ungeprüft als produktionsreife Software behandelt wird.
Wie stark sich die Arbeit bereits in Richtung Delegation verschiebt, zeigt eine Analyse von Anthropic. Dafür wurden 2025 insgesamt 500.000 codingbezogene Interaktionen mit Claude.ai und Claude Code ausgewertet. Bei Claude Code wurden 79 Prozent der Interaktionen als Automatisierung klassifiziert, bei Claude.ai waren es 49 Prozent. Die Untersuchung bildet nur die Nutzung der eigenen Anthropic Produkte ab und ist nicht auf den gesamten Markt übertragbar. Sie veranschaulicht aber den Unterschied zwischen dialogorientierter Unterstützung und agentischer Aufgabenbearbeitung. (Anthropic, 2025)
Welche Chancen KI in der Softwareentwicklung für Unternehmen bietet
Der größte Vorteil liegt nicht darin, möglichst viel Code zu erzeugen. Interessant ist, dass der Aufwand für den Weg von einer Idee zu einem überprüfbaren Ergebnis sinken kann.
Ideen und Prozesse früher testen
Ein klickbarer Prototyp oder eine einfache funktionale Anwendung macht Annahmen sichtbar. Statt wochenlang abstrakt über ein Konzept zu sprechen, kann ein Unternehmen früh prüfen, ob Beschäftigte den geplanten Ablauf verstehen, welche Daten tatsächlich benötigt werden und wo das Konzept an der betrieblichen Realität vorbeigeht.
Das verbessert nicht automatisch die spätere Software. Es verbessert aber die Entscheidungsgrundlage. Ungeeignete Ideen können früher verworfen und tragfähige Ansätze gezielter weiterentwickelt werden.
Kleine Anwendungsfälle werden wirtschaftlich interessanter
Interne Werkzeuge scheiterten bisher häufig nicht am Nutzen, sondern am Verhältnis zwischen Entwicklungsaufwand und erwarteter Wirkung. Dazu zählen etwa einfache Freigabeprozesse, individuelle Kalkulationen, Datenübersichten, Dokumentengeneratoren oder Schnittstellen zwischen zwei bestehenden Systemen.
Wenn KI wiederkehrende Entwicklungsaufgaben beschleunigt, können solche kleineren Anwendungsfälle neu bewertet werden. Das bedeutet nicht, dass die Gesamtkosten zwangsläufig sinken. Konzeption, Integration, Betrieb, Wartung und Qualitätssicherung bleiben bestehen. Der erste funktionsfähige Stand kann jedoch schneller erreichbar sein.
Bestehende Anwendungen lassen sich gezielter weiterentwickeln
Coding Agents können bei klar abgegrenzten Aufgaben unterstützen, beispielsweise bei Tests, Dokumentation, Oberflächenkomponenten, Fehleranalysen oder überschaubaren Erweiterungen. Dadurch kann sich die verfügbare Entwicklungszeit stärker auf Architektur, komplexe Geschäftslogik und kritische Entscheidungen konzentrieren.
Die tatsächliche Produktivitätswirkung ist allerdings stark vom Umfeld abhängig. Die DORA-Studie 2025 von Google Cloud basiert auf Befragungen von fast 5.000 Technologieexperten und mehr als 100 Stunden qualitativer Forschung. 90 Prozent der Befragten gaben an, KI bei der Arbeit zu nutzen, mehr als 80 Prozent nahmen eine höhere Produktivität wahr. Gleichzeitig fand DORA weiterhin einen negativen Zusammenhang zwischen KI-Nutzung und der Stabilität der Softwareauslieferung. Als entscheidend gelten deshalb unter anderem automatisierte Tests, Versionskontrolle, schnelle Rückkopplung und klar strukturierte technische Systeme. (Google Cloud, 2025)
Kann jetzt jedes Unternehmen selbst Software entwickeln?
Unternehmen können heute deutlich leichter erste Anwendungen erstellen oder erstellen lassen. Das gilt besonders für Prototypen, kleine interne Werkzeuge, einfache Datenvisualisierungen und klar abgegrenzte Automatisierungen. Beschäftigte mit gutem Prozesswissen können ihre Anforderungen unmittelbar in einen testbaren Entwurf übersetzen.
Trotzdem ist ein funktionierender Prototyp noch keine produktionsreife Software. Im Prototyp zählt zunächst, ob eine Idee verständlich und grundsätzlich umsetzbar ist. Im produktiven Betrieb kommen weitere Anforderungen hinzu:
- Zugriffsrechte und Rollen
- Datenschutz und Informationssicherheit
- korrekte Verarbeitung von Sonderfällen
- Schnittstellen zu vorhandenen Systemen
- Protokollierung und Wiederherstellbarkeit
- Verfügbarkeit, Leistung und Skalierbarkeit
- Wartung, Updates und Verantwortlichkeiten
Vibe Coding senkt die Einstiegshürde, beseitigt diese Anforderungen aber nicht. Wer den erzeugten Code nicht beurteilen kann, erkennt unter Umständen auch nicht, ob eine Änderung an einer Stelle unerwartete Folgen an anderer Stelle auslöst. Für einen Wegwerfprototypen kann dieses Risiko akzeptabel sein. Für eine Anwendung, die Aufträge, Kundendaten oder Abrechnungen verarbeitet, ist es das nicht.
Auch Entwickler bewerten die Ergebnisse von KI-Werkzeugen zurückhaltend. In der Stack Overflow Developer Survey 2025 misstrauten 46 Prozent der Befragten der Genauigkeit von KI-Ausgaben, während 33 Prozent ihr vertrauten. Als häufigste Frustration nannten 66 Prozent Lösungen, die fast, aber nicht vollständig richtig waren. 45 Prozent berichteten, dass die Fehlersuche in KI-generiertem Code mehr Zeit beanspruchen könne. (Stack Overflow, 2025)
Die Risiken KI-gestützter Softwareentwicklung
KI verändert vor allem die Geschwindigkeit, mit der Code entstehen und verändert werden kann. Wenn Prüfung und Steuerung nicht im gleichen Maß wachsen, verlagert sich der Aufwand lediglich nach hinten.
Fehlender Überblick und technische Schulden
Eine Anwendung kann oberflächlich funktionieren und trotzdem unnötig kompliziert, inkonsistent oder schwer erweiterbar sein. Werden viele Änderungen ohne gemeinsamen Architekturrahmen erzeugt, entstehen doppelte Logiken, widersprüchliche Datenmodelle oder Abhängigkeiten, die später kaum noch zu überblicken sind.
Im Gespräch für die KREATIVCOUCH schildert Stefan Schaller ein Praxisbeispiel, bei dem innerhalb weniger Tage ungefähr 50.000 Codezeilen verändert worden seien und anschließend kurzfristig ein Review erfolgen sollte. Das ist keine wissenschaftliche Messung, sondern eine Erfahrung aus seinem Arbeitsalltag. Sie macht dennoch ein neues Missverhältnis anschaulich: Code kann schneller entstehen, als Menschen ihn sinnvoll prüfen und in seinem gesamten Zusammenhang verstehen können.
Fehler in der Geschäftslogik
KI kann technisch plausiblen Code erzeugen, ohne die tatsächlichen Regeln eines Unternehmens vollständig zu kennen. Rabatte, Freigabegrenzen, Vertragslogiken, regionale Unterschiede oder seltene Sonderfälle sind häufig nicht zentral dokumentiert. Fehlt dieser Kontext, kann eine Lösung syntaktisch korrekt und trotzdem fachlich falsch sein.
Besonders kritisch ist das, wenn Ergebnisse erst spät auffallen, etwa in Rechnungen, Auswertungen oder automatisierten Entscheidungen. Tests müssen deshalb nicht nur prüfen, ob Software technisch läuft. Sie müssen auch die fachlichen Regeln des Unternehmens abbilden.
Sicherheit und Datenschutz
Generierter Code ist nicht automatisch unsicher, aber ebenso wenig automatisch sicher. Im GenAI Code Security Report 2025 testete Veracode mehr als 100 Sprachmodelle mit Aufgaben in Java, Python, C# und JavaScript. 45 Prozent der erzeugten Codebeispiele bestanden die eingesetzten Sicherheitstests nicht und enthielten Schwachstellen aus etablierten OWASP Kategorien. Das Ergebnis stammt aus einem kontrollierten Benchmark eines Sicherheitsanbieters und darf nicht als Fehlerquote für jede reale Anwendung verstanden werden. Es zeigt aber, warum Sicherheitsprüfungen auch bei funktionsfähigem Code unverzichtbar bleiben. (Veracode, 2025)
Zusätzlich muss geklärt werden, welche Informationen ein KI-Werkzeug verarbeiten darf. Quellcode kann Geschäftslogik, Zugangsdaten, personenbezogene Daten oder vertrauliches Wissen enthalten. Unternehmen benötigen daher Vorgaben zu freigegebenen Werkzeugen, Benutzerkonten, Datenverarbeitung, Zugriffsrechten und Protokollierung. Für eine belastbare Beurteilung sind die konkreten Verträge, technischen Einstellungen und Datenflüsse des jeweiligen Anbieters maßgeblich.
Abhängigkeiten und Wartbarkeit
Eine neue Anwendung besteht selten nur aus eigenem Code. Sie nutzt Bibliotheken, Programmierschnittstellen, Datenbanken, Cloud Dienste und externe Modelle. KI kann geeignete Komponenten vorschlagen, aber nicht garantieren, dass diese langfristig gepflegt, lizenzrechtlich passend oder mit der bestehenden Infrastruktur kompatibel sind.
Deshalb muss nachvollziehbar bleiben, warum eine Technologie gewählt wurde, wie sie aktualisiert wird und wer bei einem Ausfall verantwortlich ist. Der kurzfristig schnellste Weg ist nicht immer der wirtschaftlichste über die gesamte Nutzungsdauer.
Wo KI an ihre Grenzen kommt
Die sinnvolle Grenze hängt nicht allein von der technischen Komplexität ab. Entscheidend ist, welche Folgen ein Fehler hätte.
Eine interne Visualisierung mit unkritischen Daten kann schnell entwickelt und kontrolliert erprobt werden. Bei einem Finanzsystem, personenbezogenen Daten, komplexer Geschäftslogik, vielen Schnittstellen oder einem unternehmenskritischen Prozess gelten andere Anforderungen. Je höher die Auswirkungen auf Kunden, Beschäftigte, Umsatz oder Betrieb sind, desto stärker müssen Architektur, Sicherheit, Tests und Verantwortlichkeiten formalisiert werden.
Das heißt nicht, dass KI für kritische Systeme ungeeignet ist. Sie kann auch dort Entwicklung, Analyse und Qualitätssicherung unterstützen. Ihre Ergebnisse benötigen aber klare Grenzen, nachvollziehbare Prüfungen und verantwortliche Personen. Die richtige Frage lautet deshalb nicht: „Kann die KI diese Anwendung bauen?“ Besser ist: „Welche Teile kann sie zuverlässig unterstützen und wie sichern wir das Gesamtsystem ab?“
Gute Softwareentwicklung mit KI beginnt nicht mit einem Prompt
Ein Prompt kann eine Umsetzung anstoßen. Er ersetzt keine Produktentscheidung. Vor der Entwicklung sollten Unternehmen klären:
- Welches konkrete Problem soll gelöst werden?
- Wer nutzt die Lösung und in welcher Situation?
- Welcher Prozess soll sich messbar verbessern?
- Welche Daten werden benötigt und wo entstehen sie?
- Welche Systeme und Schnittstellen müssen berücksichtigt werden?
- Welche Sonderfälle und fachlichen Regeln gibt es?
- Welche Anforderungen entstehen bei Wachstum oder langfristiger Nutzung?
- Ist Individualsoftware sinnvoll oder reicht eine bestehende Lösung?
- Wer trägt Verantwortung für Betrieb, Sicherheit und Weiterentwicklung?
Erst aus diesen Antworten entsteht eine belastbare Aufgabenstellung. KI kann anschließend helfen, Varianten schneller zu vergleichen, Prototypen zu entwickeln und abgegrenzte Bausteine umzusetzen. Genau an diesem Ausgangspunkt setzt die Entwicklung von digitalen Lösungen aus konkreten Unternehmensproblemen an.
Warum Daten und Kontext durch KI noch wichtiger werden
Coding Agents kennen zunächst nur den Kontext, den sie erhalten oder selbst erschließen können. In einem gewachsenen Unternehmen liegen relevante Informationen jedoch oft verteilt in Fachanwendungen, Tabellen, Dokumenten, E-Mails und dem Erfahrungswissen einzelner Beschäftigter.
Fehlt eine gemeinsame Struktur, kann die KI Zusammenhänge übersehen oder widersprüchliche Informationen gleichwertig behandeln. Für Softwareprojekte betrifft das nicht nur Daten im engeren Sinn. Auch Benennungen, Geschäftsregeln, Rollen, Freigaben, Systemgrenzen und historische Entscheidungen gehören zum benötigten Unternehmenskontext.
DORA empfiehlt Unternehmen ausdrücklich, KI mit internem Kontext zu verbinden und grundlegende technische Praktiken zu stärken. Das ist keine Aufforderung, sämtliche Informationen ungefiltert an ein Modell zu übertragen. Es geht darum, relevante Informationen kontrolliert, strukturiert und mit passenden Zugriffsrechten verfügbar zu machen.
Eine klare Sicht auf Daten, Informationsstrukturen und Zusammenhänge zwischen Systemen hilft deshalb doppelt: Sie verbessert die Grundlage für KI-gestützte Entwicklung und deckt zugleich Lücken auf, die auch ohne KI zu fehlerhaften Prozessen führen können.
Experten werden nicht überflüssig. Ihre Rolle verändert sich.
Wenn KI mehr Produktionsarbeit übernimmt, verschiebt sich der Wert professioneller Softwareentwicklung. Weniger Zeit kann in wiederkehrende manuelle Arbeit fließen. Mehr Aufmerksamkeit wird für Problemverständnis, Systemdesign, Architektur, Steuerung, Qualitätssicherung und Verantwortung benötigt.
Diese Verschiebung zeigt sich bereits bei Coding Agents. Sie müssen passende Aufgaben erhalten, auf den notwendigen Kontext zugreifen können und innerhalb klarer technischer Regeln arbeiten. Ihre Änderungen müssen überprüft, getestet und mit dem Gesamtsystem abgeglichen werden. Das verlangt sowohl technisches Wissen als auch ein Verständnis für Nutzer, Prozesse und wirtschaftliche Ziele.
Produktivität lässt sich dabei nicht allein über erzeugte Codezeilen oder abgeschlossene Einzelaufgaben messen. Eine randomisierte METR-Studie aus dem Jahr 2025 mit 16 erfahrenen Open-Source-Entwicklern und 246 realen Aufgaben kam für Werkzeuge aus dem Frühjahr 2025 sogar zu dem Ergebnis, dass die Bearbeitungszeit mit KI im untersuchten Umfeld um 19 Prozent stieg. Eine spätere Untersuchung mit neueren Werkzeugen deutete auf Beschleunigung hin, war laut METR wegen Auswahlverzerrungen und paralleler Agentennutzung aber nicht zuverlässig quantifizierbar. Die Forscher gehen davon aus, dass sich der Effekt seitdem verbessert hat, warnen jedoch weiterhin vor vorschnellen Pauschalaussagen. (METR, 2026)
Für Unternehmen folgt daraus: Entscheidend ist nicht, wie schnell ein einzelner Arbeitsschritt aussieht. Entscheidend ist, ob eine Lösung zuverlässig Nutzen erzeugt, kontrollierbar bleibt und langfristig weiterentwickelt werden kann.
Im Podcast – Aus Sicht eines Softwareunternehmers: Wie KI die Entwicklungsarbeit verändert
Auch in der aktuellen Folge der KREATIVCOUCH sprechen wir über diese Veränderungen. Zu Gast ist Jungunternehmer Stefan Schaller aus der Software- und Entwicklerbranche. In der Folge „07 Jung gründen: Vom Side Project zum Softwareunternehmen“ berichtet er aus der Praxis, wie KI, Coding Agents und neue Entwicklungsprozesse die Arbeit seines Unternehmens verändern.
Dabei geht es unter anderem um die Geschwindigkeit, mit der erfahrene Entwickler heute arbeiten können, um die Risiken großer ungeprüfter Änderungen und um die wachsende Bedeutung von Architektur, Steuerung und Qualitätssicherung. Seine Erfahrungen ergänzen die Studienlage um eine konkrete unternehmerische Perspektive.
Fazit: KI macht Softwareentwicklung zugänglicher, aber nicht automatisch besser
Unternehmen können digitale Ideen heute schneller ausprobieren und in einen funktionsfähigen Zustand bringen als noch vor wenigen Jahren. Prototypen, interne Werkzeuge, Automatisierungen und individuelle Anwendungen werden dadurch für mehr Organisationen erreichbar.
Die neue Geschwindigkeit löst jedoch die grundlegenden Aufgaben guter Softwareentwicklung nicht. Problemverständnis, Nutzerperspektive, Datenstruktur, Architektur, Sicherheit, Tests und klare Verantwortlichkeiten werden nicht weniger wichtig. In vielen Projekten gewinnen sie sogar an Bedeutung, weil deutlich mehr Code in kürzerer Zeit entstehen kann.
Der sinnvolle Einsatz von KI beginnt deshalb mit einer unternehmerischen Entscheidung: Welches Problem ist relevant, welchen messbaren Nutzen soll eine Lösung schaffen und wie fügt sie sich dauerhaft in Prozesse, Daten und Systeme ein? Wer diese Fragen sauber beantwortet, kann KI als wirksamen Bestandteil der Softwareentwicklung einsetzen, ohne Geschwindigkeit mit Qualität zu verwechseln.
Quellen und weiterführende Informationen
- Bitkom e. V. und Bitkom Research (2026): Künstliche Intelligenz in Deutschland: Perspektiven aus Bevölkerung und Unternehmen
- Anthropic (2025): Anthropic Economic Index: AI’s impact on software development
- Google Cloud (2025): 2025 DORA Report: State of AI-Assisted Software Development
- Stack Overflow (2025): 2025 Stack Overflow Developer Survey: AI
- Veracode (2025): Insights from the 2025 GenAI Code Security Report
- METR (2025): Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity
- METR (2026): We Are Changing Our Developer Productivity Experiment Design
- OpenAI (2025): Introducing Codex
