codecentric AG

KI in der Softwareentwicklung läuft. Aber wie KI-nativ sind deine Geschäftsprozesse in den Fachbereichen? Im SDLC gehört KI bereits zum Alltag. In den Fachabteilungen sieht das aber oft anders aus: Gewachsene Anwendungs-Silos, strenge Compliance und Datenschutz-Anforderungen stellen Unternehmen vor völlig andere Herausforderungen. KI lässt sich langfristig nicht einfach als „Add-on“ auf alte Systeme legen. Echte Wertschöpfung gelingt erst mit dem Wechsel zu einer datenzentrierten Architektur, die exakt zu den eigenen Prozessen passt. Vorstand Lars Rückemann spricht im Interview Klartext über KI-native Business-Prozesse und welche Entscheidungen Unternehmen dafür jetzt treffen müssen. Jetzt die komplette Podcast-Episode anhören!

Die meisten Unternehmen haben kein Coding-Problem, sondern ein Problem, die richtigen Dinge zu bauen. Agentic Coding beschleunigt den Coding-Loop. Wenn Business-Kontext, Validierung und Lernen nicht mithalten, entsteht statt Fortschritt schneller produzierter Fehlaufwand. Warum wir deshalb weniger über autonome Coding-Agenten und mehr über KI Engineering als Gesamtdisziplin sprechen sollten, beschreibe ich in meinem neuen LinkedIn-Artikel. Die ausführliche Analyse findet sich im verlinkten Blogpost. #AIEngineering #AgenticAI #SoftwareEngineering

Die Token-Rechnung siehst du sofort. Aber weißt du auch, welche KI-Kosten zeitversetzt auf dich zukommen? Dass KI-Tools und Token-Verbrauch nicht ganz billig sind, ist den meisten Unternehmen bereits klar. Doch die direkten Kosten sind nur die Spitze des Eisbergs. Die Folgekosten von KI-gestützter Entwicklung werden sich zeitversetzt zeigen. Wer KI-gestützte Softwareentwicklung effizient und transparent im Unternehmen gestalten will, muss drei versteckte Folgekosten-Blöcke einkalkulieren: 1️⃣ Der Prüfaufwand (Verification Tax): KI erstellt im Handumdrehen Unmengen an Code. Bei einem Finanzdienstleister stieg der Output dadurch von 25.000 auf 250.000 Zeilen pro Monat. Die Folge: Ein Stau von über 1 Million ungeprüfter Codezeilen. Denn KI baut schnell, aber Menschen müssen die Qualität sichern. 2️⃣ Die Verständnisschuld (Comprehension Debt): Wenn Code extrem schnell generiert wird, fehlt dem Team oft das tiefere Verständnis dafür, warum etwas so gebaut wurde. Das rächt sich später bei Fehlersuchen oder wenn neue Leute eingearbeitet werden. 3️⃣ Technische Schulden: Wenn der KI vorab der genaue Unternehmenskontext fehlt, baut sie Lösungen ohne Blick auf die langfristige Strategie. Was im ersten Monat nach Rekordtempo aussieht, bremst das System ein paar Monate später aus. Diese Folgekosten sind kein Grund, auf KI zu verzichten, aber man muss sie von Anfang an einplanen, budgetieren und steuern. Wie du die Kosten mit klaren Spielregeln und KI-Kostenkontrolle im Griff behältst, liest du in Folge 5 unserer Blogreihe „KI-Engineering in der Praxis“ von Oliver Moser. 👉 Zum Artikel: https://cclnk.de/3Sb62SG

Künstliche Intelligenz beschleunigt Prozesse, die nie für dieses Tempo gebaut wurden. Viele Unternehmen rüsten ihre Teams mit KI-Tools aus und erhoffen sich den perfekten Produktivitätsschub für ihre Business-Prozesse und die Softwareentwicklung. Die Ernüchterung folgt schnell: Der Entwicklungszyklus wird zwar punktuell beschleunigt, aber das Business wartet immer noch auf Ergebnisse. Um KI-natives Denken wirklich in Organisationen zu verankern, müssen Software-Anwendungen und Business-Prozesse gemeinsam neu gedacht werden. Manchmal reicht es, bestehende Systeme zu beschleunigen. Doch oft geht es auch um das mutige Ersetzen durch bessere Lösungen. KI-natives Denken beginnt nicht in jedem Unternehmen an derselben Stelle. Es gibt verschiedene Anknüpfungspunkte: ➡️ Accelerate & Elevate: KI-Capabilities direkt im Entwicklungszyklus verankern und Teams für die KI-native Softwareentwicklung befähigen ➡️ Rethink & Rebuild: Fachlogik aus Altsystemen extrahieren und Software-Anwendungen schrittweise neu bauen ➡️ Analyze & Redesign: Business-Prozesse nicht einfach mit KI „anreichern“. Die entscheidende Frage lautet: Wie sieht dein Prozess aus, wenn wir ihn von Grund auf KI-nativ neu konzipieren? ➡️ Create & Capitalize: Neue Anwendungen und Business Cases realisieren, die vorher wirtschaftlich nicht tragbar waren ➡️ Run & Control: KI- und Software-Systeme souverän betreiben, in der Cloud oder on premises Mit „Tool-Stacking“ erreicht man keine Innovation, sondern verschiebt Engpässe lediglich an die nächste Stelle. Es braucht eine Herangehensweise, die zu 100 % auf deine individuelle Situation zugeschnitten ist. Passt nicht für jeden. Aber exakt für dich: AI that fits no one. But you. 👉 Erfahre jetzt, wo du in deinem Unternehmen mit dem KI-nativen Wandel startest: https://cclnk.de/4xSwLTu

„Ich prompte nicht mehr. Ich schreibe Loops, die KI prompten.“ 🔄 Das Versprechen von Agentic AI klingt nach kompromissloser Beschleunigung. Boris Cherny (Head of Claude Code bei Anthropic) hat damit eine Welle in der Tech-Szene ausgelöst. Doch die Realität in großen Enterprise-Systemen zeigt ein anderes Bild: Demos und Green-Field-Projekte funktionieren nach völlig anderen Regeln als ein Legacy-System mit über 100.000 Lines of Code. Wer autonome Loops ohne schützende Infrastruktur auf echten Code loslässt, stolpert früher oder später über schmerzhafte Hürden. Warum Agentic Engineering in der Praxis scheitert: - Die Context-Lücke: Der Agent schreibt sauberen Code und die Tests werden grün – und trotzdem baut er das Falsche. Weil ihm der implizite Domänen-Kontext der Fachabteilung fehlt, geht das Ergebnis am echten Business-Bedarf vorbei. - Die Architektur-Halluzination: Wenn ein Agent keinen direkten Zugriff auf interne APIs und Framework-Regeln hat, füllt er die Lücke mit plausiblen Vermutungen. Der Code kompiliert im Test, bricht aber im Produktivbetrieb unbemerkt zusammen. - Die Wartbarkeits-Falle: Der Loop liefert in zwei Tagen, wofür ein Team sonst zwei Wochen braucht. Doch nach sechs Monaten kann niemand mehr den Code anpassen, weil er sämtliche interne Strukturen ignoriert hat. Der Engpass verschiebt sich nur von der Entwicklung in die Wartung. Die Lösung: Kontext-Infrastruktur statt Prompt-Theater 🏗️ Wer Fehler nicht im Einzelfall bekämpfen, sondern skalierbar verhindern will, muss die Umgebung des Agenten anpassen. Das gelingt durch: 1. Enterprise Context Management (ECM): Explizites Einbinden von Domänen-Kontext und verbindliche Spec-Reviews durch Fachexperten, bevor der Coding-Loop anläuft. 2. MCP-Server (Model Context Protocol): Strukturelle Kontext-Infrastruktur, die dem Agenten lebenden Zugriff auf aktuelle Library-Versionen und Architektur-Constraints gibt. 3. Integrierte Refactoring-Loops: Guardrails und dokumentationsorientierte Generierung, die den Architekturstil ab Tag 1 erzwingen. Echte Beschleunigung entsteht nicht im Coding-Loop allein, sondern dort, wo Entwicklung, Verifikation und Business-Logik zusammengedacht werden. Unser Experte Daniel Töws zeigt in Folge 3 unserer Blogreihe den Realitäts-Check zwischen Social-Media-Hype und Enterprise-Alltag. 👉 Hier geht es zum Deep Dive für IT-Entscheider*innen: https://cclnk.de/4yGgoKL

Auch ein Tool-gestütztes manuelles Review ist am Ende genau das: ein manuelles Review. Wir können noch so viele smarte KI-Reviewer, automatisierte PR-Checks oder Git-Hooks in unsere Pipeline hängen. Solange der Prozess vorschreibt, dass am Ende trotzdem ein Mensch jede Codezeile lesen und absegnen muss, haben wir weiterhin einen Engpass. Die KI generiert den Code einfach nur schneller, als Reviewer ihn verstehen können. Der Mensch bleibt der Engpass. Was wir stattdessen brauchen, ist ein echter Paradigmenwechsel: von Human-in-the-Loop zu Human-on-the-Loop. Wir müssen Systeme bauen, die nicht mehr voraussetzen, dass am Ende jede Zeile Code von einem Menschen autorisiert wird. Mehr dazu im Artikel👇