Artikel
    von Tanel Tensing, Group Head of Engineering

    AI-first auf Enterprise-Level: Das sind die Voraussetzungen

    Nahezu jede Enterprise-Tech-Organisation hat inzwischen KI-Tools für die Softwareentwicklung eingeführt. Doch die Nutzung bleibt meist individuell – Menschen optimieren ihre eigene Arbeit, statt dass Organisationen grundlegend ihre Prozesse verändern. Betrachtet man das Gesamtbild, fallen die KI-Fortschritte tatsächlich deutlich geringer aus als erwartet.

    Services

    Daten und KI Technology and Engineering

    Branchen

    Enterprise

    Viele Unternehmen stecken in einem Messparadoxon: Weitere Investitionen in KI lassen sich kaum begründen, weil sich die Wirkung bisheriger Maßnahmen schwer messen lässt. Vor allem, weil KI-Nutzung meist auf individueller Ebene stattfindet – nicht systemisch.

    Dazu hat der frühe Hype um Vibe Coding unrealistische Erwartungen geweckt. Unternehmen haben experimentiert und bei isolierten Use Cases vielversprechende Ergebnisse gesehen. Aber dann sind siegescheitert, sobald die Komplexität stieg. Für viele ist daraus Skepsis geworden, im Einklang mit der Frage: Kann KI anspruchsvolle Delivery im großen Maßstab zuverlässig unterstützen?

    Diese Skepsis ist nachvollziehbar. Sie spiegelt aber nicht mehr den aktuellen Stand der Technologie wider. LLMs, agentische Frameworks und ihre Methoden machen AI-first Software Delivery im Enterprise-Maßstab inzwischen wirklich praktikabel. Es bleibt zwar anspruchsvoll, aber die Technologie ist reif genug für ein grundlegend anderes Delivery-Modell: eines, in dem KI-Agenten zentrale Bestandteile des Prozesses sind, nicht nur Werkzeuge einzelner Personen.

    Der Unterschied zwischen „AI-assisted“ und „AI-first“ ist der Unterschied zwischen besseren Tools für Menschen und einem grundlegend neu gedachten Operating-Modell.

    Was sich verändert, wenn KI zentraler Teil der Delivery wird

    Der Übergang von „AI-assisted“ zu „AI-first“ betrifft jeden Aspekt der Software-Delivery. In unserer Arbeit mit Enterprise-Kunden sehen wir immer wieder drei Bereiche, die neu gedacht werden müssen.

    Der erste Bereich: Wie Teams arbeiten.

    In einem AI-first-Modell arbeiten KI-Agenten entlang des gesamten Delivery-Workflows – von Discovery und Problemdefinition über die Umsetzung bis zur Validierung. Die Rolle menschlicher Teammitglieder verschiebt sich: weg von der Ausführung, hin zu Steuerung und Qualitätssicherung. Dieser Wandel verändert jede Rolle im Team: Product Owner werden zu strukturierten Kontextgeber*innen, Architekt*innen zu Workflow-Designer*innen und Tester*innen werden zu Gestalter*innen von Leitplanken. Es geht nicht darum, Menschen zu ersetzen, sondern Expertise gezielt anders einzusetzen.

    Das verändert auch die Teamzusammensetzung: Teams werden kleiner,und die Menschen darin werden erfahrener. Wenn KI die Ausführung übernimmt, konzentriert sich die verbleibende menschliche Arbeit auf einzelne Probleme, Architekturentscheidungen und Qualitätsbewertung. Ein kleines, erfahrenes Team kann also leisten, wofür früher deutlich größere Teams nötig waren – vorausgesetzt, die Beteiligten wissen, wie sie KI steuern müssen.

    Der zweite Bereich: Wie die Kostenstruktur funktioniert.

    Traditionelle Modelle bepreisen Software-Delivery nach Aufwand: Anzahl der Personen multipliziert mit Zeit. Wenn aber KI-Agenten einen wesentlichen Teil der Umsetzung übernehmen, verändert sich diese Kostenstruktur. Dadurch wird Arbeit wirtschaftlich, die zuvor nicht tragfähig war: So lassen sich etwa Legacy-Modernisierungen, die früher Jahre und Millionen an Euro erfordert haben, heute als Projekte über wenige Monate planen. Das erhöht nicht nur die Margen, sondern erweitert auch die Bandbreite an Projekten, die Organisationen umsetzen können.

    Gleichzeitig stoßen die Metriken, mit denen Führungskräfte Delivery steuern, an ihre Grenzen. Sie wurden für menschliche Arbeitsweisen entwickelt und lassen sich nicht ohne Weiteres auf hybride Human-AI-Delivery übertragen, in der Arbeit anders durch die Pipeline läuft. Das erschwert Teamvergleiche, die Bewertung von Anbietern und belastbare Business Cases. Organisationen, die AI-first Delivery präzise messen können, treffen bessere Investitionsentscheidungen.

    Der dritte Bereich: Wie Governance und Haftung funktionieren.

    Traditionelle Qualitätsprüfung und Review-Zyklen verschwinden in einem AI-first-Modell nicht. Im Gegenteil: Die Governance wird komplexer. Organisationen müssen bestehende Compliance-Anforderungen erfüllen und gleichzeitig neue berücksichtigen – die Nachvollziehbarkeit von KI-generiertem und menschlichem Output, die Auditierbarkeit KI-gestützter Entscheidungen und klar geregelte Verantwortlichkeiten für den Fall von Fehlern.

    Verursacht ein KI-Agent eine Sicherheitslücke oder trifft eine schlechte Architekturentscheidung, greift die klassische Verantwortungskette nicht mehr eindeutig. Jemand muss die Leitplanken verantworten, jemand das Ergebnis. Wo diese Verantwortlichkeiten beginnen und enden, ist in den meisten Organisationen noch nicht klar.

    Diese Veränderungen sind eng miteinander verknüpft. Kleinere, erfahrene Teams brauchen neue wirtschaftliche Modelle. Neue Modelle erfordern eine verlässliche Messbarkeit – und die setzt klare Governance voraus. Governance funktioniert aber nur, wenn die entscheidenden Personen über ausreichend Erfahrung verfügen, um zu verstehen, was Künstliche Intelligenz tatsächlich liefert. Keine dieser Herausforderungen lässt sich also isoliert lösen.

    Erkenntnisse aus realen Enterprise-Umgebungen

    Bei Nortal haben wir früh damit begonnen, KI systematisch in der Enterprise-Delivery einzusetzen. Wir setzen AI-first Delivery in produktiven Systemen ein – auch in regulierten und besonders kritischen Umgebungen.

    Neu-Entwicklungen von Altsystemen

    Eine nationale Steuerbehörde hat Künstliche Intelligenz eingesetzt, um die Technologie ihres Steuerverwaltungssystems noch besser zu verstehen und daraus sowohl technische als auch fachliche Anforderungen aus dem bestehenden Code zu extrahieren. Dieser Ansatz – den wir AI Legacy Archaeology nennen – macht das Altsystem zur Basis für ein neues. Auf Basis dieser gewonnenen Erkenntnisse treibt KI anschließend die neue Plattform voran.

    Die „Time-to-Production“verkürzen

    Ein digitaler Marktplatz einer Beschaffungsbehörde in einer großen europäischen Volkswirtschaft wurde in nur vier Monaten produktiv gesetzt – beispiellos für eine stark regulierte Plattform im öffentlichen Sektor, die Millionen von Datensätzen verarbeitet und höchsten Sicherheitsanforderungen unterliegt.

    Aus Komplexität wird Delivery

    Ein System im Verteidigungssektor erforderte die Verarbeitung von Tausenden Seiten an NATO-Integrationsstandards – ein erheblicher Aufwand für jedes menschliche Team, aber ideal für einen AI-first-Workflow. KI-Agenten haben die Dokumentation analysiert, relevante Spezifikationen extrahiert und die Lösungen direkt umgesetzt – und so aus einem Berg von Standards funktionierenden Code gemacht.

    Das Muster über all diese Projekte hinweg ist eindeutig: KI hat nicht nur einzelne Prozessphasen beschleunigt, sondern den gesamten Delivery-Workflow verändert. Gleichzeitig variiert das Verhältnis zwischen menschlichem und KI-basiertem Aufwand je nach Phase erheblich. In manchen Phasen übernimmt die Künstliche Intelligenz 90 Prozent der Arbeit, in anderen sind es die Menschen. „AI-first“ bedeutet nicht „AI-only“ – sondern zu wissen, wann KI die Führung übernimmt und wann die Menschen.

    Redesign im Vordergrund

    Entscheidend ist nicht, KI-Tools zu nutzen, sondern KI fest im Delivery-Prozess zu verankern. Die meisten Unternehmen, mit denen wir arbeiten, haben in Tools und Trainings investiert. Der Delivery-Workflow, die Teamstruktur und wirtschaftliche Modelle haben aber nicht im gleichen Maß nachgezogen.

    Diejenigen Organisationen, die sich bereits einen Vorsprung erarbeitet haben, sind nicht diejenigen mit den besten KI-Tools, sondern diejenigen, die ihre Delivery konsequent danach ausrichten, was mit KI möglich ist. Da geht es um neue Teammodelle, neue wirtschaftliche Ansätze und neue Governance. Tools werden zunehmend für alle verfügbar. Was Zeit braucht, ist die organisatorische Fähigkeit, sie als echtes Delivery-System zu nutzen.

    Die Unternehmen, die diesen Schritt jetzt gehen, liefern nicht nur schneller ab – sie übernehmen auch Aufgaben, die mit traditionellen Delivery-Modellen schlicht nicht umsetzbar wären.

    Entdecken Sie AI-First Software Delivery

     

    Die „Time-to-Market“ verkürzen, Komplexität beherrschen und echten Mehrwert schaffen: Das gelingt mit hybriden Human-AI-Teams durch AI-first Software-Delivery, egal ob bei der Neu-Entwicklung oder der Modernisierung von Altsystemen.

    Mehr erfahren

    Why cyber exercising matters

    • Reveals critical gaps in technical controls, escalation paths, and decision-making workflows.
    • Fosters organisation-wide collaboration, improving coordaination and communication across all roles, functions, and levels. Builds confidence under pressure, giving participants, groups, and organisations muscle memory they can rely on.
    • Exposes participants to real-world attack techniques, improving detection, containment, and familiarity.
    • Strengthens regulatory and stakeholder alignment by stress-testing notification and reporting procedures in a simulated environment.
    • Fosters a culture of continuous improvement by turning lessons from exercises into actionable changes across people, processes, and technologies. 

    Sie wissen nicht, wo Sie anfangen sollen?

    Sie zeigen uns Ihre Herausforderung. Wir bringen mehr als 25 Jahre Erfahrung mit erfolgreichen Transformationsprojekten mit.