Softwareentwicklung mit KI: Was Entscheider jetzt wissen müssen

Lesezeit: ca. 11 Minuten · Stand: Oktober 2026

Noch vor wenigen Jahren bedeutete die Entwicklung individueller Software oft: lange Vorprojekte, grosse Budgets und aufwendige Programmierung. Inzwischen können KI-Werkzeuge Anforderungen strukturieren, bestehende Repositories untersuchen, Quellcode ändern, Tests erzeugen und Dokumentationen vorbereiten. Das verändert Kostenstrukturen und Arbeitsweisen. Es beseitigt aber weder Verantwortung noch die Risiken schlechter Anforderungen.

Für Geschäftsleitungen und Fachverantwortliche lautet die entscheidende Frage deshalb nicht: Kann eine KI programmieren? Sondern: Können wir mit KI schneller zu einer überprüfbar nützlichen, sicheren und langfristig betreibbaren Lösung kommen?

Dieser Beitrag beantwortet die wichtigsten Managementfragen ohne die Einführung eines bestimmten Produkts vorauszusetzen.

1. Was KI in der Softwareentwicklung inzwischen kann

Es lohnt sich, drei Arbeitsweisen zu unterscheiden.

Coding-Assistenten ergänzen Programmcode, erklären Funktionen und schlagen Fehlerbehebungen vor. Sie beschleunigen einzelne Arbeitsschritte, bleiben jedoch eng am menschlichen Entwickler.

Agentische Entwicklungswerkzeuge können nach Freigabe mehrere Dateien bearbeiten, Werkzeuge aufrufen, Tests starten und Änderungen in einem Repository vorbereiten. Eine Aufgabe wie „Ergänze einen Export und prüfe die bestehenden Tests“ wird dabei in Teilaufgaben zerlegt. Beispiele für diese Arbeitsklasse werden in den offiziellen Dokumentationen von OpenAI Codex und GitHub Copilot erläutert.

Automatisierte Entwicklungsketten kombinieren Planung, Codegenerierung, Tests, Sicherheitsprüfung, Reviews und Bereitstellung. Dabei übernehmen mehrere Komponenten spezialisierte Rollen. Das Ergebnis ist jedoch nur so gut wie die Kontrollen zwischen den Schritten.

Eine gelungene Demo zeigt technische Machbarkeit. Für den produktiven Einsatz zählen zusätzlich Fehlerfälle, Datenschutz, Betrieb, Support und Dokumentation.

2. Welche Arbeiten lassen sich besonders gut beschleunigen?

KI eignet sich häufig für klar umrissene, wiederholbare Tätigkeiten: Analyse vorhandenen Quellcodes, Erstellung von API-Endpunkten, Anpassung von Datenbankabfragen, Generierung von Testfällen, Dokumentation und Migration einfacher Komponenten. Auch Prototypen lassen sich damit oft erheblich schneller bereitstellen.

Der Nutzen wird kleiner oder unsicherer, wenn Anforderungen widersprüchlich sind, verteilte Systeme schwer zu überblicken bleiben, unbekannte Altlasten bestehen oder sicherheitskritische Folgen zu erwarten sind. Ein KI-Agent kennt zunächst weder die mündlichen Sonderregeln eines Betriebs noch die Historie seiner Daten. Dieses Wissen muss er aus belastbaren Unterlagen, Tests und Gesprächen erhalten.

Beispiel: Ein Produktionsbetrieb möchte Excel-Listen durch eine zentrale Anwendung ersetzen. Eine KI kann Oberflächen, Datenmodelle und Importfunktionen vorschlagen. Fachlich muss aber vorher feststehen, was eine gültige Chargennummer ist, wer abgeschlossene Aufträge ändern darf und wie Änderungen nachvollziehbar werden. Ohne diese Regeln wird schlechte Prozesslogik nur schneller programmiert.

3. Die grösste Veränderung: Vom Programmieren zum Steuern und Prüfen

Die reine Menge geschriebenen Codes war nie ein zuverlässiger Geschäftsnutzen. Mit generativer KI wird die Zahl produzierbarer Codezeilen noch weniger aussagekräftig. Wichtiger werden Anforderungsqualität, Architekturentscheidungen, automatisierte Prüfungen und klare Verantwortlichkeiten.

Die DORA-Studie 2025 berichtet auf Basis von Befragungen und qualitativer Forschung, dass KI organisatorische Stärken und Schwächen verstärken kann. Ein Team mit guten Tests und kurzen Feedbackzyklen profitiert anders als ein Team mit ungeklärten Verantwortlichkeiten und instabilen Releases. Die Studie begründet daher keine pauschale Aussage wie „KI macht Entwicklung um X Prozent günstiger“.

Für Entscheider bedeutet das: Nicht nur KI-Lizenzen finanzieren, sondern auch die Fähigkeit des Teams, Ergebnisse zu bewerten.

4. Warum ein billiger Prototyp nicht automatisch eine billige Anwendung ist

Ein Prototyp kann mit KI in Tagen entstehen. Eine produktive Anwendung benötigt zusätzlich verlässliche Benutzerverwaltung, Datenmigration, Backups, Monitoring, Fehlermeldungen, Rechtekonzept, Barrierefreiheit je nach Bedarf, Sicherheitsupdates und Supportprozesse.

Ein besonders teurer Fehler entsteht, wenn das Management Prototyp und Produkt gleichsetzt. Die richtige Frage lautet nicht nur „Wie lange dauert die Umsetzung?“, sondern: Welche Kosten entstehen über drei bis fünf Jahre für Betrieb, Wartung, Änderungen und Ausfallrisiken?

Ein Beispiel einer internen Kalkulation – fiktive Zahlen, keine Branchenbenchmarks:

Bei diesem Beispiel liegen die einmaligen Kosten bei 24'000 CHF und die Gesamtausgaben über drei Jahre bei 36'000 CHF, sofern keine zusätzlichen Investitionen oder Ausfälle auftreten. Ein KI-bedingt geringerer Entwicklungsaufwand reduziert nicht automatisch die übrigen Kostenblöcke.

Eine Gegenrechnung ist ebenso wichtig: Wenn eine Anwendung beispielsweise 15 Mitarbeitenden je 20 Minuten pro Woche erspart, sind das rechnerisch 260 Arbeitsstunden im Jahr (15 × 20 Minuten × 52). Der wirtschaftliche Wert hängt davon ab, ob die Zeit tatsächlich produktiv genutzt wird, welcher interne Stundensatz gilt und welche Folgekosten vermieden werden. Zeitersparnis ist nicht gleich realisierter Gewinn.

5. Kaufen, individualisieren oder selbst entwickeln?

Für Standardanforderungen wie Buchhaltung oder allgemeine Terminplanung ist bewährte Standardsoftware häufig sinnvoll. Eine individuelle Lösung lohnt sich eher, wenn der Prozess einen echten Wettbewerbsvorteil bietet, wenn Standardsoftware wesentliche Sonderfälle nicht abbildet oder wenn mehrere vorhandene Systeme verbunden werden müssen.

Eine Zwischenlösung wird oft unterschätzt: Bestehende Systeme behalten, aber mit einer schmalen Webanwendung, Schnittstelle oder Automatisierung ergänzen. So lassen sich wiederkehrende manuelle Tätigkeiten beseitigen, ohne einen vollständigen Systemwechsel zu finanzieren.

Vor der Entscheidung sollten mindestens fünf Fragen beantwortet werden: Gibt es vorhandene Software, die 80 Prozent des Bedarfs deckt? Wem gehören die Daten? Welche Schnittstellen existieren? Wie hoch ist die Abhängigkeit von einem Hersteller oder Entwickler? Und wie wird die Lösung bei Personalwechsel weiterbetrieben?

6. Welches KI-Modell soll das Unternehmen wählen?

Ein einzelner Spitzenwert in einem Programmier-Benchmark sagt wenig über den Wert für Ihr Unternehmen. Verschiedene Modelle eignen sich unterschiedlich gut für Codeanalyse, Dokumentation, lange Kontexte, lokale Ausführung oder schnelle Routineaufgaben. Zudem verändern sich Preise und Leistungsfähigkeit laufend.

Verlangen Sie deshalb einen aufgabenbezogenen Test: zwei oder drei realistische Fälle aus dem eigenen Betrieb, dieselben Eingangsdaten, dieselben Erfolgskriterien. Bewerten Sie nicht nur die Geschwindigkeit, sondern auch fachliche Korrektheit, Sicherheitsmängel, Reviewaufwand und die Kosten eines vollständigen Durchlaufs.

Bei vertraulichen Informationen müssen Vertragsbedingungen, Speicherorte, Zugriffsrechte und Datenverwendung geprüft werden. Ein lokal betriebenes Modell kann bestimmte Datenflüsse reduzieren, verursacht aber eigene Kosten für Hardware, Wartung, Updates und Kompetenz. Eine Cloud-API ist nicht automatisch datenschutzwidrig, ein lokaler Server nicht automatisch sicher.

7. Agenten brauchen begrenzte Rechte und überprüfbare Ergebnisse

KI-Agenten können Dateien, Datenbanken, Repositories und externe Dienste bearbeiten, sofern sie entsprechende Werkzeuge erhalten. Genau darin liegt ihr Produktivitätsversprechen – und ihr Sicherheitsrisiko. Die OWASP-Erläuterung zu Excessive Agency beschreibt die Gefahr übermässiger Handlungsbefugnisse, insbesondere bei manipulierten Eingaben oder unerwarteten Modellausgaben.

Praktisch bedeutet das: möglichst kleine Zugriffsrechte, getrennte Testumgebungen, keine produktiven Zugangsdaten in Prompts, kontrollierte Freigaben für riskante Aktionen, nachvollziehbare Protokolle und die Möglichkeit, Änderungen zurückzunehmen. Ein Agent darf eine neue Funktion vorbereiten; ob ein Datenbestand gelöscht oder eine Produktionsumgebung aktualisiert wird, sollte von verlässlichen Sicherheitsregeln und gegebenenfalls menschlicher Freigabe abhängen.

Die NIST-Leitlinien für generative KI unterstützen eine risikobasierte Betrachtung über den gesamten Lebenszyklus.

8. Warum Tests und Abnahmekriterien wichtiger werden

Weil sich Code schneller erzeugen lässt, steigt die Bedeutung von Prüfmechanismen. Eine saubere Definition of Done sollte festlegen, welche Anforderungen erfüllt sein müssen, bevor die Leistung akzeptiert wird: nachvollziehbare Tests, funktionierende Fehlerbehandlung, Zugriffsschutz, Dokumentation, reproduzierbare Bereitstellung und Freigabe durch die fachlich verantwortliche Person.

Automatische Tests sind notwendig, aber nicht hinreichend. Wenn ein Agent den Code und auch die Tests aus derselben fehlerhaften Interpretation erzeugt, können beide gemeinsam falsch liegen. Deshalb gehören fachliche Akzeptanztests, unabhängige Reviews und geeignete Sicherheitsprüfungen dazu.

Für Bestandssoftware empfiehlt sich ein besonders vorsichtiges Vorgehen: Verhalten zuerst mit Tests charakterisieren, Datenexporte absichern, Schnittstellen dokumentieren, schrittweise modernisieren und Änderungen unter realistischen Lastbedingungen prüfen.

9. Datenschutz, Urheberrecht und regulatorische Pflichten

Bei KI-gestützter Entwicklung müssen Unternehmen verschiedene Ebenen trennen: die personenbezogenen Daten ihrer Kunden, den Quellcode und die Geschäftsgeheimnisse, die Lizenzbedingungen der eingesetzten Modelle und die regulatorische Einordnung der späteren Anwendung. Nicht jede Anwendung mit KI ist automatisch ein Hochrisiko-System im Sinne des europäischen AI Act.

Relevant sind unter anderem Zweck, Einsatzumfeld, betroffene Personen und der Grad automatisierter Entscheidungen. Für EU-relevante Anwendungsfälle ist der amtliche Text der Verordnung (EU) 2024/1689 massgeblich. Pflichten und Übergangsfristen sind differenziert geregelt; Rechtslage und etwaige Änderungen sollten vor einem konkreten Rollout geprüft werden.

Ein solider Vertrag klärt ausserdem, wer die Anforderungen freigibt, wem Quellcode und Daten zustehen, wie Abnahmen erfolgen, wer Sicherheitsupdates übernimmt und wie bei Projektende eine Übergabe möglich ist. KI-Nutzung ist kein Ersatz für klare Vertrags- und Betriebsverantwortung.

10. Wie Führungskräfte einen sinnvollen Auftrag formulieren

Anstelle von „Bauen Sie uns schnell eine App mit KI“ braucht ein Entwicklungsteam einen überprüfbaren Auftrag: Welches Problem soll für wen gelöst werden, wie läuft der Prozess heute, was muss anschliessend besser sein und was darf keinesfalls passieren?

Dazu gehören beispielhafte Eingaben, Grenzfälle, Berechtigungen, Ausnahmen, erwartete Ausgabeformate und nachvollziehbare Erfolgskriterien. Bei einer Anwendung für die Produktion könnten das beispielsweise unveränderliche abgeschlossene Aufträge, eindeutige Losnummern, Rollenrechte und vollständige Audit-Einträge sein.

Wichtiger als ein 80-seitiges Pflichtenheft ist ein gemeinsames, testbares Verständnis. Idealerweise sieht der Fachbereich schon früh einen Prototypen, der anhand realer Fälle diskutiert wird.

11. Ein realistischer 90-Tage-Plan

Tage 1–15: Problem und Messgrösse definieren. Wählen Sie einen klar begrenzten, häufigen Prozess mit messbarem Aufwand. Nehmen Sie Bearbeitungsdauer, Nacharbeit, Fehlerquote und bestehende Kosten auf. Klären Sie den Datenzugriff und benennen Sie die verantwortliche Person.

Tage 16–30: Optionen und Risiken prüfen. Vergleichen Sie Standardsoftware, Integration und Individualentwicklung. Lassen Sie einen technischen Kurzcheck von Schnittstellen, Datenqualität, Datenschutz und IT-Sicherheit durchführen. Legen Sie Budgetobergrenze und Abbruchkriterien fest.

Tage 31–60: Prototyp und Pilot. Entwickeln Sie nur die Kernfunktion. Testen Sie sie mit echten, freigegebenen Fällen und kriterienbasierten Abnahmen. Dokumentieren Sie, welche Aufgaben KI übernimmt und welche von Menschen geprüft werden.

Tage 61–75: Sicherheit und Wirtschaftlichkeit bewerten. Rechnen Sie nicht nur Entwicklungskosten, sondern auch Schulung, Wartung und Betrieb ein. Prüfen Sie Fehlerfälle, Datenexport, Wiederherstellbarkeit und die Qualität der Ergebnisse.

Tage 76–90: Entscheidung über den Rollout. Entweder gestaffelt einführen, gezielt nachbessern oder den Versuch beenden. Ein früh beendeter Pilot mit klaren Erkenntnissen ist wirtschaftlich besser als ein dauerhaft betriebenes, aber kaum genutztes System.

12. Welche Kennzahlen gehören auf den Tisch?

Nicht alles lässt sich bereits im Pilot exakt quantifizieren. Entscheidend ist eine transparente Annahmenliste und ein Vergleich mit dem bisherigen Prozess. Verzichten Sie auf Marketingkennzahlen wie „Anzahl KI-generierter Codezeilen“ als primären Erfolgsnachweis.

13. Die häufigsten Managementfehler

Ein erster Fehler besteht darin, technische Machbarkeit mit Betriebsreife gleichzusetzen. Ein zweiter ist, das günstigste Coding-Angebot mit der günstigsten Gesamtlösung zu verwechseln. Ein dritter ist, KI unkontrolliert auf interne Daten loszulassen, weil der Prototyp überzeugend wirkt.

Ebenso problematisch: die Verantwortung vollständig an einen Dienstleister auszulagern, Mitarbeitende nicht einzubeziehen, Abnahmekriterien erst am Ende zu definieren und eine Ablösung von Altsystemen ohne Rückfallplan zu beginnen. KI kann solche Fehler nicht ausgleichen – sie kann ihre Folgen sogar beschleunigen.

14. Was sollte eine Geschäftsleitung morgen entscheiden?

Nicht über den Kauf des nächsten grossen KI-Pakets, sondern über einen konkreten Verbesserungsprozess mit einem verantwortlichen Auftraggeber und einem begrenzten Pilotbudget. Fordern Sie einen kurzen Vergleich der Lösungswege, transparente Annahmen, klare Sicherheitsgrenzen und die Messung des tatsächlichen Nutzens.

Die wichtigste Fähigkeit eines Unternehmens ist künftig nicht, jede neue Modellgeneration sofort einzusetzen, sondern die eigene Wertschöpfung so genau zu verstehen, dass neue Technik sie nachweisbar verbessert. KI reduziert an vielen Stellen die Hürde, Software zu entwickeln. Die Qualität der Entscheidung, welche Software überhaupt entstehen soll, wird dadurch noch wertvoller.

Quellen zum Vertiefen

• Google DORA: State of AI-assisted Software Development 2025 – empirische Einordnung der Wirkung von KI auf Entwicklungsorganisationen.
• DORA-Publikationen und AI-Capabilities-Modell – Organisations- und Prozessperspektive.
• OWASP: Excessive Agency – Risiken autonomer KI-Agenten.
• NIST: AI RMF, Generative AI Profile – Risikomanagement und Governance.
• NIST: Secure Software Development Practices for Generative AI – Ergänzungen zu sicherer Entwicklung.
• EUR-Lex: Verordnung (EU) 2024/1689 – amtlicher Gesetzestext.
• OpenAI Codex, Entwicklerdokumentation – Beispiel agentischer Entwicklungswerkzeuge.
• GitHub Copilot, Dokumentation – Beispiel einer KI-Entwicklungsplattform.

Dieser Beitrag ist eine technische und wirtschaftliche Orientierung für Entscheider. Die Beispielkalkulation ist illustrativ; konkrete Rechtsfragen benötigen eine Einzelfallprüfung.