Die Art, wie Software entsteht, verändert sich schneller, als die meisten Delivery-Verantwortlichen wahrhaben wollen. Über ein Jahrzehnt lang lief die Branche nach einem einzigen Betriebsmodell: crossfunktionale Teams aus 8 bis 10 Leuten, zweiwöchige Sprints, planbare Velocity, ein linearer Zusammenhang zwischen Kopfzahl und Ergebnis. Jedes Staffing-Modell, jede Margenkalkulation, jede Angebotsvorlage baute auf dieser Annahme auf.
Diese Annahme trägt nicht mehr. In unserer Praxis sehen wir Projekt für Projekt dasselbe: AI beschleunigt keine großen Teams, sie macht kleine ausreichend. Wir sind überzeugt, dass heute jene Teams gewinnen, die klein und erfahren sind und durch AI-Werkzeuge verstärkt werden, während der Mensch fest in der Entscheidungsschleife bleibt. Organisationen, die diesen Wandel verstehen und danach handeln, verschaffen sich einen strukturellen Vorsprung. Wer wartet, betreibt weiter ein Modell, das für eine Welt entworfen wurde, die es nicht mehr gibt.
Dieser Beitrag zeigt, wie dieser Wandel in der Praxis aussieht, was er von Ihrem Betriebsmodell verlangt und wie Sie diese Fähigkeit in Ihre Softwareentwicklung holen, ohne Ihre gesamte Organisation umzubauen.
Unsere Antwort: kleine, erfahrene Teams mit dem Menschen in der Schleife
Wir sind nicht über die Theorie zu diesem Modell gekommen. Wir haben es in der Praxis aufgebaut, in Projekten aus Technologie, Banking und E-Commerce, und dabei zugesehen, wie die alten Delivery-Annahmen in Echtzeit zerbrachen.
Herausgekommen ist ein kleines, stark senioritätsgeprägtes Team, das Seite an Seite mit einer eigenen Schicht aus AI-Agenten arbeitet. Menschen geben die Richtung vor, bewerten Ergebnisse und treffen die Entscheidungen; die Agenten übernehmen die Schwerarbeit. Drei Rollen. Disziplinierte Orchestrierung. Ein Ergebnis, das mit Rechenleistung skaliert, nicht mit der Kopfzahl. Es ist ein Delivery-Modell mit dem Menschen in der Schleife, kein Autopilot: Genau die Menschen sind der Grund, warum es funktioniert.
Drei Stufen der AI-Adoption in der Softwareentwicklung
Organisationen bewegen sich durch drei klar unterscheidbare Stufen, und der Abstand zwischen den Vorreitern und allen anderen wächst schnell. Die richtige Reaktion sieht sehr unterschiedlich aus, je nachdem, wo Sie stehen.
Stufe 1: AI-gestützte Entwicklung. Einzelne Entwickler nutzen AI-Werkzeuge, um abgegrenzte Aufgaben zu beschleunigen. Teamstruktur und Prozess bleiben gleich. Der Produktivitätsgewinn ist real, aber moderat, in der Größenordnung von 20 bis 30 Prozent. Am Delivery-Modell muss sich grundsätzlich nichts ändern.
Stufe 2: Agentische Delivery. AI-Agenten erledigen ganze Aufgaben von Anfang bis Ende: Feature-Umsetzung, Testerstellung, Code-Review, Dokumentation. Der Sprint-Takt verdichtet sich, spezialisierte Rollen beginnen zu verschmelzen, die Produktivität steigt auf das Zwei- bis Dreifache des bisherigen Niveaus. Das Delivery-Modell braucht Anpassungen.
Stufe 3: Agentische Operations. Ingenieure verlagern sich vom Schreiben von Code hin zum Entwerfen von Systemen, die Code schreiben. Das Kernteam schrumpft auf zwei oder drei Personen. Eine menschliche “Tagschicht” gibt die Richtung vor und prüft Ergebnisse; eine agentische “Nachtschicht” führt aus. Das Ergebnis skaliert mit Rechenleistung, nicht mit der Kopfzahl, und das Produktivitätspotenzial übersteigt das Zehnfache. Das Delivery-Modell muss von Grund auf neu gebaut werden.
Aus unserer Sicht sitzen die meisten etablierten Organisationen zwischen Stufe 1 und dem frühen Bereich von Stufe 2, während AI-native Wettbewerber bereits auf Stufe 3 arbeiten. So arbeiten unsere Teams heute, und genau diese Fähigkeit holen sich unsere Kunden ins Haus, wenn sie mit uns zusammenarbeiten.
Wie sieht ein AI-gestütztes Team in der Praxis aus?
Das Muster, das durchgehend funktioniert, ist ein kleines, stark senioritätsgeprägtes Team, das um drei Funktionen herum aufgebaut ist, nicht um Jobtitel. Der Großteil der Umsetzung liegt auf der AI-Seite. Menschen definieren, bewerten und entscheiden. Genau die Bündelung der Entscheidungen in drei erfahrenen Rollen macht das Modell funktionsfähig.
- Product Definer verantwortet das Geschäftsergebnis, setzt die Qualitätslatte für die agentischen Workflows und stellt sicher, dass die AI-generierten Ergebnisse dem entsprechen, was Nutzer und Stakeholder wollen. Das verlangt eine stärkere technische Sattelfestigkeit als bei einem klassischen Product Manager, denn die Aufgabe ist das Bewerten von Ergebnissen, nicht das Schreiben von Akzeptanzkriterien für Menschen.
- Tech Lead hält das gesamte Architekturbild, trifft die Designentscheidungen und orchestriert die AI-Modelle und Agenten: das passende Modell für jede Aufgabe wählen, den Workflow entwerfen und das System kohärent halten.
- Builder treibt den täglichen Delivery-Zyklus, validiert und prüft die AI-generierten Artefakte und verbessert das agentische Setup selbst kontinuierlich: Prompts schärfen, eigene Agenten bauen, Übergaben optimieren.
Jede Rolle wird durch eine eigene Agentenschicht unterstützt. Ein Implementierungs-Agent erzeugt Code, Tests und Dokumentation. Ein Verifikations-Agent bewertet die Ergebnisqualität und meldet Architekturabweichungen. Ein Orchestrierungs-Agent steuert den Workflow über Modelle und Werkzeuge hinweg. Menschen entscheiden, Agenten führen aus.
In einem unserer jüngeren Projekte hat uns diese Struktur erlaubt, eine produktionsreife Lösung in zwei Dritteln der ursprünglich veranschlagten Zeit auszuliefern, mit einem Team, das etwa halb so groß war wie beim klassischen Vorgehen nötig. Wir haben dabei keine Qualität geopfert, und die Architektur blieb sauber. Das war kein Glück. Das waren Seniorität, klare Rollenverteilung und disziplinierte AI-Orchestrierung.
Was verändert sich in Ihrem Betriebsmodell?
Ob Sie das intern aufbauen oder ein Team holen, das bereits so arbeitet: Dieselben Dinge verschieben sich. Es ist ein struktureller Wandel, der Teamzusammensetzung, Planung, Kennzahlen und das kommerzielle Modell berührt.
Teamstruktur. Dediziertes QA, getrennte Frontend- und Backend-Stränge, eine eigenständige Junior-Ebene: Das alles verschwindet nicht, es verdichtet sich zu weniger, breiteren und erfahreneren Positionen. Kompetenzmodelle und Karrierepfade müssen das abbilden.
Kapazitätsplanung. Personen × Stunden × Auslastung liefert keine belastbare Prognose mehr. Ein AI-gestütztes Dreierteam mit starker Orchestrierung kann ein Zehnerteam übertreffen. Ihre Planung muss AI-Token-Kosten, Entscheidungskapazität und die höheren Kosten pro Kopf eines senioritätslastigen Teams berücksichtigen.
Kennzahlen. Velocity, Burn-down und Story Points messen Aufwand, nicht Ergebnisse. Was hier zählt, ist die Zeit von der Idee zur lauffähigen Software, der Entscheidungsdurchsatz (wie viele Prüf-, Freigabe- und Ablehnungszyklen das Team pro Tag schafft), die Akzeptanzrate der AI-Ergebnisse als Frühindikator für die Workflow-Qualität und Ergebniskennzahlen, die unmittelbar an den Geschäftserfolg gebunden sind.
Preis- und Zusammenarbeitsmodell. Wenn die Delivery-Kosten stark sinken, während der Wert für den Kunden gleich bleibt, wird zeitbasierte Preisgestaltung schwer zu verteidigen. Die Zusammenarbeit verschiebt sich von einem Staffing-Plan hin zu einer Zusage über Umfang und Ergebnis.
Regulatorische Pflichten. Nichts davon befreit jemanden von der Compliance. AI Act, DORA, DSGVO, Prüfpfade, Einstufung von Hochrisikosystemen: Für Kunden aus Banking, Versicherung und Industrie sind das Grundvoraussetzungen, keine Zusatzoptionen. Eine kürzere Entscheidungskette bedeutet nicht weniger Prozess, sie bedeutet einen disziplinierteren Prozess mit weniger Ebenen zwischen einer Anforderung und ihrer Prüfung.
Fünf Entscheidungen, die keinen Aufschub dulden
Das Fenster für einen strukturellen Vorsprung ist offen, aber nicht unbegrenzt. Aus unserer Sicht sind das die Entscheidungen, die Delivery-Verantwortliche in den nächsten zwölf Monaten treffen müssen.
- Definieren Sie Ihren Team-Archetyp. Wie sieht das minimal tragfähige AI-gestützte Team für Ihr häufigstes Projekt aus? Welche Rollen, Senioritätsstufen und AI-Werkzeuge braucht es? Bauen Sie eine wiederholbare Vorlage, kein einmaliges Experiment.
- Überarbeiten Sie Ihr Kompetenzmodell. AI-Orchestrierung, crossfunktionale Vielseitigkeit und qualitativ hochwertige Entscheidungen unter Unsicherheit müssen zu vollwertigen Bewertungskriterien werden. Ein Senior-Entwickler, der nicht wirksam mit AI-Agenten arbeiten kann, ist nach den Maßstäben von 2026 kein Senior.
- Führen Sie ein ergebnisbasiertes Projekt durch. Sie müssen nicht Ihr gesamtes kommerzielles Modell über Nacht umstellen, aber Sie müssen erfahren, wie sich ergebnisbasierte Delivery in Zuschnitt, Nachverfolgung und Bepreisung anfühlt. Wählen Sie ein überschaubares Projekt und legen Sie los.
- Bauen Sie Ihr Kapazitätsmodell neu. Wenn die Planung noch von einem linearen Zusammenhang zwischen Kopfzahl und Ergebnis ausgeht, produziert sie falsche Zahlen. Beziehen Sie Token-Kosten, Entscheidungskapazität und den kumulierenden Effekt von AI auf die Leistung erfahrener Ingenieure mit ein.
- Schützen und fördern Sie Ihre erfahrenen Talente. Dieses Modell ist nur so gut wie die Menschen, die es orchestrieren. Architektonisches Urteilsvermögen, Mustererkennung und schnelle, hochwertige Entscheidungen sind nicht das, was AI ersetzt, sie sind das, was AI erst wirksam macht. Der Wettbewerb um diese Menschen verschärft sich.
Der Wandel läuft bereits
Wir liefern jeden Tag in diesem Modell: CDP-Arbeit im E-Commerce, Legacy-Modernisierung in Financial Services, interne Werkzeuge für Industriekunden. Der Mensch in der Schleife, die AI im Volumen, erfahrene Ingenieure bei den Entscheidungen, auf die es ankommt.
Wenn Sie diese Fähigkeit jetzt brauchen, ist der schnellste Weg nicht der Umbau Ihrer Organisation, sondern ein Team, das bereits so arbeitet. Genau das liefern wir: kleine, erfahrene, AI-gestützte Delivery-Teams, die Sie direkt in Ihre Roadmap einklinken können.
Sprechen Sie mit uns über ein Expertenteam, das durch AI verstärkt wird → /services/team-augmentation