KI senkt die Kosten der Softwareproduktion. Um daraus Wettbewerbsvorteile zu erzielen, müssen Organisationen ihr Betriebsmodell ändern. Wer die Zusammenarbeit neu gestaltet, statt nur KI-Assistenten einzuführen, erzielt eher nachhaltige Verbesserungen.
KI-native Entwicklung braucht zwei ergänzende Fähigkeiten: Anwendungsteams bleiben nah an Kundschaft und Problemen. Plattform- oder „Harness“-Teams liefern gemeinsamen Kontext, Schutzvorkehrungen, Evaluationen und Governance, damit Menschen und KI-Agenten auch im großen Maßstab sicher arbeiten.
Technologieführung verlagert sich von der Verwaltung von Bereitstellungskapazitäten zur Gestaltung des Bereitstellungssystems. Führungskräfte sollten vier Punkte klären: Was verantworten Anwendungsteams? Welchen Kontext und welche Kontrollen nutzen sie gemeinsam? Wo brauchen Agenten menschliche Freigaben? Wie werden gesicherte Erkenntnisse und Kundennutzen gemessen?
Viele moderne Entwicklungsverfahren entstanden in einer Welt, in der Software teuer zu erstellen war. Die zentrale Frage lautete: Wie können mehr Teams mehr Software planbarer bereitstellen? Diese Annahme prägte Teamstrukturen, Plattformfinanzierung und die Messung der Bereitstellung. Skalierung bedeutete oft mehr Personal. Als Erfolg galt meist, wie viel Arbeit das System bewältigte.
KI verändert diese Annahme. Aus unserer Sicht ist KI-native Entwicklung nicht herkömmliche Entwicklung mit besseren Tools. Sie braucht ein anderes Betriebsmodell: kleinere Anwendungsteams nah an Kundenproblemen, unterstützt von Plattform- oder „Harness“-Teams. „Harness“ bezeichnet hier eine kontrollierte Betriebsumgebung. Sie gibt Menschen und Agenten Kontext, Tools, Berechtigungen, Rückmeldeschleifen und Grenzen für einen sicheren KI-Einsatz im großen Maßstab.
Für Technologie- und Datenverantwortliche ist das wichtig: Individuelle Produktivitätsgewinne allein ermöglichen keine sichere, organisationsweite Einführung. Ohne durchdachtes Betriebsmodell drohen fragmentierte Tools, doppelte Lösungsansätze, unklare Verantwortung, unkontrollierte Datenoffenlegung und schwankende Qualität.
Unternehmen müssen ihre Leitfrage ändern: Statt „Wie helfen wir Entwicklungskräften, KI zu nutzen?“ muss sie lauten: „Wie gestalten wir das Entwicklungssystem neu, damit Menschen und Agenten unternehmensweit sicher Mehrwert schaffen können?“
Mit KI können Entwicklungskräfte mehr Ideen erkunden, schneller Prototypen erstellen und mehr Ansätze testen. Mehr Ergebnisse schaffen aber nicht automatisch mehr Nutzen. Ohne Urteilskraft, relevanten Kontext und wirksame Evaluation wächst die Arbeitsmenge womöglich schneller als die Fähigkeit zu entscheiden, was vertrauenswürdig, einsatzbereit oder lehrreich ist.
KI kann die Kosten für Codegenerierung und Experimente senken. Ob auch die Gesamtkosten der Software sinken, hängt vom verbleibenden Aufwand für Prüfung, Integration, Betrieb, Wartung und Nacharbeit ab.
Entwicklungsvorteile werden aus unserer Sicht zunehmend von vier Fähigkeiten abhängen:
Entscheiden, was wie entwickelt und wie diese Entscheidung dokumentiert wird.
Die Arbeit von Menschen und KI-Systemen im passenden Organisationswissen verankern.
Mit gemeinsamen Plattformen, Kontrollen und Evaluationen sicher skalieren.
Architekturen gestalten, die neue Tools und Komponenten ohne wiederholte Störungen aufnehmen können.
Knapp wird damit nicht die Fähigkeit, Ergebnisse zu erzeugen, sondern ihren Nutzen zu erhöhen: die richtige Arbeit wählen, im Kontext verankern, auf Wirksamkeit prüfen und wissen, was nicht bereitgestellt werden sollte.
Wenn Experimente günstiger werden, gewinnt auch die Dokumentation von Entscheidungen an Wert. Organisationen müssen wissen, was versucht wurde, was scheiterte, was sie lernten und warum sie einen Weg statt eines anderen wählten.
Entwicklungssysteme sollten schnelle Validierung, sichere Iteration und dokumentierte Erkenntnisse fördern, nicht nur hohe Bereitstellungsgeschwindigkeit. Das verändert sowohl die Rolle der Entwicklungskräfte als auch ihre Teams.
Sie wenden sich weniger vom Entwickeln ab, als dass sie stärker gestalten, bewerten und koordinieren, was entwickelt wird.
KI-generierte Software macht Entwicklungskräfte nicht überflüssig. Wichtiger werden Menschen, die Systemgrenzen verstehen, Schnittstellen definieren, Evaluationen entwerfen und die Arbeit von Menschen und Agenten koordinieren. Wer technische Tiefe mit Urteilskraft, Produktverständnis und Evaluationskompetenz verbindet, schafft oft mehr Nutzen als jemand, der nur einzelne Komponenten umsetzt.
Früher entschieden Produktteams, was entwickelt werden sollte, und Entwicklungsteams klärten die Umsetzung. Heute vereinen viele Organisationen Produkt, Design und Entwicklung. KI verändert die Arbeit innerhalb dieser Teams: Günstigere Prototypen ermöglichen es, Ideen im selben Zyklus von der Problemdefinition bis zur Umsetzung und Evaluation zu führen. Teams können mehr Optionen testen, schwache Ideen früher verwerfen und validierte Ideen weiter Richtung Produktivbetrieb bringen.
Das begünstigt kleine, funktionsübergreifende Teams, in denen Fachleute für Produkt, Design, Entwicklung und Fachgebiet in einem gemeinsamen Lernzyklus arbeiten. Produktbezogene und technische Urteilskraft verschmelzen nicht zu einer Rolle, müssen aber enger zusammenwirken. Produktverantwortliche brauchen genug technisches Verständnis, um Prototypen zu erstellen und Optionen zu bewerten. Entwicklungskräfte brauchen ausreichend Kunden- und Geschäftskontext, um das Problem mitzugestalten, statt nur eine vorgegebene Lösung umzusetzen.
Entwicklungsorganisationen betrachteten Code traditionell als zentralen Wert. Je leichter Code entsteht, desto mehr dauerhafter Wert liegt im Kontext: Fachwissen, Kundenverständnis, Betriebserfahrung, proprietäre Daten, Evaluationsdatensätze, maschinenlesbare Richtlinien und dokumentierte Architekturentscheidungen, die erklären, warum Systeme so funktionieren.
Codebasen sind auch deshalb wichtig, weil sie mühsam erworbenes Geschäfts- und Kundenwissen verkörpern. KI verändert den Aufwand der Codeerstellung, nicht aber die Notwendigkeit, sich dieses Wissen zu erarbeiten. Organisationen sollten daher über Codemengen hinausblicken und in langfristig wachsende Werte investieren: gut verwaltete proprietäre Daten, nutzbare Wissenssysteme, tiefes Kundenverständnis und klar dokumentierte Entscheidungen.
Für CIOs und CDOs werden Informationsarchitektur und Data Governance damit zentral für die Entwicklungsleistung. KI-Agenten können nur Kontext nutzen, auf den sie zugreifen dürfen und den sie interpretieren können. Fragmentiertes Wissen, unklare Datenverantwortung und uneinheitliche Berechtigungen werden so zu Entwicklungsengpässen, nicht nur zu Problemen des Informationsmanagements.
Wird Kontext Teil des Produktionssystems, darf er keine passive Dokumentation bleiben. Er wird zur Plattformfunktion.
Sind Kontext, Evaluation und Governance Teil des Produktionssystems, darf die KI-Bereitstellung nicht allein einzelnen Teams überlassen bleiben. Sie sollte aber auch nicht so zentralisiert werden, dass Teams den Kontakt zu realen Kundenproblemen verlieren.
Ein föderiertes Modell gleicht diese Anforderungen aus. Autonome Anwendungsteams bleiben nah am Problem. Gemeinsame Plattform- und Harness-Funktionen bieten wiederverwendbare Tools, kontrollierten Kontextzugriff, Evaluationsmuster, Berechtigungen und Governance. Das gelingt nur mit klaren Zuständigkeiten: Anwendungsteams verantworten Workflow und Ergebnis. Harness-Teams schaffen die gemeinsame Grundlage für sicheres Arbeiten. Risikomanagement, Sicherheit und Governance behalten die unabhängige Aufsicht.
Anwendungsteams und Fachleute sollten aufgabenspezifische Evaluationsfälle und Abnahmeanforderungen definieren. Das Harness-Team sollte Evaluationsinfrastruktur, gemeinsame Kontrollen und Berichte für eine konsistente Durchführung bereitstellen.
Bereich | Anwendungsteam | Harness-Team | Risikomanagement, Sicherheit und Governance |
|---|---|---|---|
Produkt und Ergebnis | Wählt Problem, Workflow, Nutzungserlebnis und Erfolgskriterien; verantwortet Kunden- und Geschäftsergebnisse | Bietet wiederverwendbare Muster, Tools und Telemetrie | Setzt Grenzen, wenn der Anwendungsfall erhebliche Risiken birgt |
Kontext und Zugriff | Definiert die für den Workflow nötigen Informationen und Aktionen | Bietet Kontextschnittstellen, Agentenidentität und Tool-Berechtigungen | Genehmigt Zugriff auf sensible Daten und Kontrollgrenzen |
Evaluation und Veröffentlichung | Definiert Abnahmekriterien und prüft Ergebnisse | Pflegt Evaluationssuiten, Auditprotokolle und freigegebene Bereitstellungswege | Genehmigt risikoreiche Anwendungsfälle, Ausnahmen und wesentliche Änderungen |
Finanzierung und Rechenschaftspflicht | Wird für Anwendungsergebnisse finanziert und daran gemessen | Wird als gemeinsame Funktion finanziert und an Wiederverwendung, Abdeckung und Zeit bis zum sicheren Produktivbetrieb gemessen | Verantwortet unabhängige Aufsicht und Kontrollentscheidungen |
Arbeitsrhythmus und Lernen | Entwickelt mit Fachleuten iterativ weiter und prüft Ergebnisse, Übersteuerungen und Vorfälle | Überführt Erkenntnisse in neue Tests, Kontrollen und wiederverwendbare Funktionen | Prüft Vorfälle und Änderungen an vereinbarten Freigabepunkten |
Auch die Sicht von Führungskräften auf Teamgrößen muss sich ändern. Mehr Software durch kleinere Teams ist kein Selbstzweck. Menschliche Urteilskraft soll dort wirken, wo sie am meisten nützt: nah am Problem in Anwendungsteams und in gemeinsamen Funktionen, die schnelles Arbeiten ohne Kontrollverlust ermöglichen.
Kleinere, stärker KI-gestützte Anwendungsteams brauchen leistungsfähigere gemeinsame Funktionen, um Software sicher, konsistent und mit klarer Verantwortung bereitzustellen.
Bisher sollte Plattformentwicklung vor allem die Produktivität in der Entwicklung steigern. Die Plattformen waren primär für Menschen gedacht. Eine KI-native Plattform muss Menschen und Agenten unterstützen.
Ein Agent nutzt eine Entwicklungsplattform anders als ein Mensch. Er braucht maschinell zugängliche Anweisungen und Tools, explizite Berechtigungen und verlässliche Verfahren zur Bewertung seiner Arbeit. Der Harness muss auch Beobachtbarkeit, Sicherheit, Compliance und Wissensmanagement berücksichtigen. Er soll Autonomie nutzbar machen, indem er ihr klare, durchsetzbare Grenzen setzt.
Eine Bank führt etwa einen KI-gestützten Workflow für Anfragen zu strittigen Kartenzahlungen ein. Das Anwendungsteam beginnt mit einer eng umrissenen Aufgabe: den Fall einordnen, die geltende Richtlinie abrufen und eine Antwort für eine Supportkraft entwerfen. Es verantwortet Workflow, Nutzungserlebnis, Eskalationsschwellen und Erfolgskriterien. Es legt weder regulatorische Vorgaben fest noch erteilt es dem Agenten neue Berechtigungen.
Agenten könnten hier die Umsetzung unterstützen, aufgabenspezifische Tests durchführen und eine Veröffentlichung vorbereiten. Menschen würden weiterhin die Bereitstellung im Produktivbetrieb freigeben. Dessen Ergebnisse würden in die nächste Evaluations- und Entwicklungsrunde einfließen. Davon getrennt bleiben Laufzeitkontrollen: Ein Supportagent sollte nur freigegebene Tools und Daten nutzen, mit definierten Berechtigungen und Eskalationswegen.
Kontext: Der Agent kann auf den aktuellen Fall, die nötigen Kundendaten, freigegebene Produkt- und Beschwerdeverfahren sowie maschinenlesbare Eskalationsregeln zugreifen. Er hat keinen Zugriff auf ungeschützte Zahlungszugangsdaten oder fallfremde Kundendaten und keine Schreibrechte im Fallmanagementsystem.
Evaluation: Vor der Veröffentlichung müssen Tests mit repräsentativen Altfällen und fachlich annotierten Grenzfällen bestanden werden. Geprüft werden Klassifikationsgenauigkeit, Richtlinientreue, angemessener Antwortverzicht, die unbefugte Offenlegung personenbezogener Daten und die Eskalation von Beschwerden oder finanziell sensiblen Fällen.
Freigabe: Das Anwendungsteam verantwortet die Produktentscheidung. Risikomanagement, Sicherheit und Compliance genehmigen Datenzugriff, Richtlinienzuordnung und Bereitstellungsweg. Eine Supportkraft genehmigt jede ausgehende Nachricht. Über Geld oder Rechte der Kundschaft darf der Agent nicht autonom entscheiden.
Harness-Protokoll: Jeder Durchlauf erfasst Agentenidentität, Modellversion, abgerufenen Kontext und Quellen, Tool-Aufrufe, Richtlinienprüfungen, Evaluationsergebnisse, menschliche Änderungen oder Übersteuerungen sowie Vorfälle. Bewährtes überführt das Team in wiederverwendbare Kontextschnittstellen, Evaluationsfälle, Berechtigungsvorlagen und freigegebene Bereitstellungswege. Aus Fehlern und Übersteuerungen entstehen neue Tests und Workflow-Verbesserungen.
So erhält der Agent Handlungsspielraum, aber nur mit freigegebenem Kontext und Tools. An jeder wichtigen Grenze entstehen prüfbare, wiederverwendbare Nachweise. Für wesentliche Entscheidungen bleiben Menschen verantwortlich. Anhand realer Fälle kann die Bank den Workflow verbessern und über eine Erweiterung entscheiden: Was gelang dem Agenten, wo griffen Menschen ein, wo scheiterte er? So sehen begrenzte Autonomie und gesicherte Erkenntnisgewinnung in der Praxis aus.
Diese Aufteilung spiegelt sich in den Systemen und Kontrollen des Harness-Teams wider. Harness-Teams können folgende Aufgaben übernehmen:
Agentenidentität: Dienstidentitäten vergeben, Zuständigkeit und Umgebung erfassen sowie Modell-, Prompt- und Tool-Versionen je Agent nachverfolgen.
Tool-Berechtigungen: Lese- und Schreibrechte, Datenzugriffsgrenzen, Ratenlimits, Freigabepunkte und Regeln festlegen, die Agentenaktionen standardmäßig verweigern.
Kontextschnittstellen: Freigegebenes Wissen und Daten über versionierte, berechtigungsgesteuerte Schnittstellen mit klarer Herkunft und Aktualität bereitstellen.
Evaluationssuiten: Repräsentative Beispiele, Grenzfälle, Tests zur Betriebs- und Informationssicherheit, Regressionstests und Freigabeschwellen pflegen.
Auditprotokolle und Beobachtbarkeit: Agentenidentität, abgerufenen Kontext, Tool-Aufrufe, Ergebnisse, Freigaben, menschliche Übersteuerungen, Fehler und Vorfälle mit passenden Aufbewahrungs- und Zugriffskontrollen erfassen.
Freigegebene Bereitstellungswege: Sandbox-, Schatten-, Stufen- und Produktivbetrieb mit automatischen Prüfungen, Rollback und Änderungskontrolle ermöglichen.
Harness-Teams sind keine neue Bezeichnung für sämtliche bestehenden Plattformfunktionen. Teams für Machine-Learning-Betrieb, Sicherheit, Governance und Plattformen behalten ihre eigenen Aufgaben. Das Harness-Team verbindet diese Kontrollen mit der Entwicklung und dem Betrieb von KI-Workflows: Berechtigungen und Freigaben setzen Richtlinien um, geregelte Schnittstellen liefern Kontext, Testsuiten ermöglichen Evaluationen. Protokolle machen das Agentenverhalten prüfbar und wiederverwendbar.

Teilt sich Entwicklung in Anwendungsbereitstellung und gemeinsame Unterstützung auf, müssen Personalplanung, Führung und Erfolgsmessung folgen.
Anwendungsteams brauchen produktbezogene, technische und fachliche Urteilskraft nah am Problem. Plattform- und Harness-Teams brauchen Menschen, die eine gemeinsame Umgebung für den umfassenden Einsatz von Menschen und Agenten gestalten und betreiben können.
CTOs, CDOs und CIOs müssen entscheiden, was sie zentral ermöglichen und was bei einzelnen Teams bleibt.
Anwendungsteams brauchen Freiraum, um schnell und nah an der Kundschaft zu arbeiten. Sicheren Datenzugriff, Beobachtbarkeit, Evaluation und Governance sollten sie nicht neu aufbauen müssen.
In KI-nativen Organisationen müssen Technologieverantwortliche ihren Fokus teilweise von Bereitstellungskapazitäten auf die Gestaltung des Bereitstellungssystems verlagern. Dazu gehört:
Menschen nach Urteilskraft und Entscheidungsqualität einzustellen und zu fördern;
in gemeinsame KI-Plattformen, Evaluationen, Schutzvorkehrungen, freigegebene Wege, Wissensflüsse und Zugriffsmuster zu investieren;
Handlungsgrenzen für Agenten, Menschen und gemeinsame Workflows festzulegen;
gesicherte Erkenntnisse, Zuverlässigkeit, Auswirkungen auf die Kundschaft und sichere Wiederverwendung zu messen; und
technologisch nah genug am Geschehen zu bleiben, um zu verstehen, wo KI die Wirtschaftlichkeit der Bereitstellung tatsächlich verändert.
Gut gestaltet erleichtert dieses System Teams den Zugriff auf passenden Kontext, das Prüfen KI-generierter Arbeit, die Wiederverwendung bewährter Muster und das Erkennen nötiger menschlicher Freigaben.
Viele Entwicklungskennzahlen stammen aus einer Zeit, als Softwareproduktion ein wesentlicher Engpass war. Velocity, Story Points, Durchsatz und Bereitstellungshäufigkeit liefern weiterhin nützliche Betriebssignale. Allein sagen sie aber weniger aus, wenn KI den Produktionsaufwand senkt.
Ein Team kann mehr Code erzeugen und mehr Experimente durchführen, dabei aber schlecht entscheiden, unnötige Komplexität schaffen oder Risiken erhöhen.
Technologieverantwortliche müssen daher mehr fragen als nur, wie viel Software entsteht oder wie verbreitet KI-Tools sind. Sie müssen verstehen, ob KI der Organisation hilft, schneller zu lernen, bessere Ergebnisse für die Kundschaft zu erzielen und innerhalb vereinbarter Grenzen zuverlässig zu arbeiten.
Für Anwendungsteams eignen sich etwa folgende Kennzahlen:
Zeit bis zu gesicherten Erkenntnissen;
bessere Ergebnisse für die Kundschaft;
erzielter Geschäftsnutzen;
Nutzung und Verhaltensänderung; und
Anteil der Experimente, die fundierte Entscheidungen ermöglichen.
Die Zeit bis zu gesicherten Erkenntnissen sollte vom Experimentstart bis zu einer ausreichenden Entscheidungsgrundlage reichen. Startet ein Team montags, stellt mittwochs bereit und entscheidet freitags fundiert, dauert der Lernzyklus eine Woche. Entscheidend ist nicht der zweitägige Bereitstellungszyklus.
Für Plattform- und Harness-Teams eignen sich etwa:
Wiederverwendung freigegebener KI-Muster;
Abdeckung und Wirksamkeit von Evaluationen;
KI-bezogene Vorfälle und Nacharbeit;
Zeit von der Idee bis zum sicheren Produktivbetrieb;
Beobachtbarkeit der Agentenaktionen; und
Vorbereitung auf Audits und Compliance-Prüfungen.
Kostenkennzahlen sollten je erfolgreichem Ergebnis Modellnutzung, menschliche Prüfung, Fehlversuche, Nacharbeit und Betriebsunterstützung umfassen.
Auch diese Kennzahlen brauchen klare Definitionen, Ausgangswerte und Bewertungsmethoden. Ziel ist kein neues universelles Kennzahlensystem. Gemessen werden soll, ob das Bereitstellungssystem vertrauenswürdige Ergebnisse liefert.
Das Anwendungs- und Harness-Modell ist eine Antwort auf die aktuelle Phase KI-nativer Entwicklung. Es sollte nicht als dauerhafter Endzustand gelten.
Mehrere Entwicklungen könnten die grundlegende Arbeitseinheit erneut verändern:
Agenten übernehmen ganze Workflows;
manche Software wird nur vorübergehend genutzt statt jahrelang gewartet;
Menschen wechseln von Anwendungsoberflächen zu agentengeführten Nutzungserlebnissen;
Basismodelle übernehmen mehr Plattformfunktionen; und
Regulierung macht Prüfbarkeit und Rechenschaftspflicht zu den maßgeblichen Entwicklungsanforderungen.
Das sind Möglichkeiten, keine feststehenden Ergebnisse. Treten sie ein, könnte selbst die Trennung zwischen Anwendungs- und Plattformteams zu kurz greifen.
Am besten vorbereitet sind Organisationen, die ihr Betriebsmodell als anpassungsfähig verstehen. Sie organisieren sich entlang klarer Prinzipien, fundierten Kontexts, begrenzter Autonomie und schnellen Lernens statt starrer Teamstrukturen oder Tool-Entscheidungen.
KI macht Entwicklungssysteme nicht weniger wichtig. Sie macht ihre gute Gestaltung wertvoller.
Wird Softwareproduktion günstiger, gewinnen Organisationen, die besser entscheiden, nützlichen Kontext stetig ausbauen und sicher arbeiten können. KI-native Entwicklung nutzt nicht einfach KI-Tools. Sie richtet sich auf neue Engpässe aus: Entscheidungsqualität, gemeinsamen Kontext, begrenzte Autonomie und schnelles Lernen.
Technologieverantwortliche können zunächst vier Entscheidungen klären:
Welche kunden- und produktbezogenen Entscheidungen müssen nah an den Anwendungsteams bleiben?
Welchen Kontext, welche Kontrollen und Evaluationsfunktionen sollten Teams gemeinsam nutzen?
Wo dürfen Agenten autonom handeln, wo braucht es menschliche Freigaben?
Welche Kennzahlen belegen gesicherte Erkenntnisse, Kundennutzen und sicheren Betrieb?
Diese Antworten bestimmen den Nutzen der KI-Einführung stärker als die Zahl eingesetzter Assistenten.
