Fast alle Unternehmen setzen mittlerweile auf KI. Doch die wenigsten können ihren echten Nutzen belegen. Wir zeigen Ihnen, was reine Experimente von spürbarer Wertschöpfung unterscheidet.
Die meisten Unternehmen haben den ersten Hype rund um KI-unterstützte Softwareentwicklung bereits hautnah miterlebt. Entwicklerinnen und Entwickler schreiben Code schneller, und das Gefühl von Produktivität steigt. Doch dann passiert etwas Merkwürdiges: Die zentralen Delivery-Kennzahlen verändern sich kaum. In manchen Fällen leidet sogar die Systemstabilität.
Genau diese Spannung stand im Mittelpunkt eines gemeinsamen Webinars von Adaptavist und GitLab. Unsere Experten haben beleuchtet, was es wirklich braucht, um aus agensbasierter KI entlang des gesamten Software-Lebenszyklus einen echten, messbaren Mehrwert zu ziehen. Das deckt sich mit den Erkenntnissen unserer umfassenden Recherchen: Die Lücke zwischen der reinen Einführung von KI und ihrem tatsächlichen Nutzen ist nicht nur eine technische Herausforderung – sie ist vor allem eine menschliche.
Wenn die Zahlen nicht aufgehen
Die Statistik aus dem Webinar gibt deutlich zu denken. Laut dem
Atlassian State of Teams Report 2026 geben 89 % der Führungskräfte an, dass KI die Arbeitsgeschwindigkeit erhöht hat. Dennoch sind nur 6 % davon überzeugt, einen konkreten, unternehmensweiten Return on Investment (ROI) nachweisen zu können. Eine unstrategische KI-Einführung kostet die Fortune-500-Unternehmen jährlich geschätzte 161 Milliarden US-Dollar – durch das, was der Bericht als „Fragmentierungssteuer“ bezeichnet.
Unsere eigenen Recherchen zeichnen aus Sicht der Beschäftigten ein ganz ähnliches Bild.
Die Welt im Wandel: Der Preis der KI-Transformation
Wir haben Wissensarbeiter:innen befragt, um herauszufinden, wie KI bei ihren Tätigkeiten wirklich ankommt. Die Ergebnisse zeigen eine eklatante Lücke zwischen der reinen Nutzung und der echten Einbindung – ein blinder Fleck, den die meisten Unternehmen bisher unterschätzen.
36 % der Wissensarbeiter:innen verstehen oft nicht, warum sie KI bei ihren täglichen Tätigkeiten überhaupt einsetzen sollen. Die reine Nutzung nimmt zwar zu, ist aber nicht mit echter Einbindung gleichzusetzen – und das eine garantiert keineswegs das andere. Für viele Beschäftigte hat KI die Arbeitslast nicht reduziert, sondern lediglich verlagert: Sie verbringen weniger Zeit mit der eigentlichen Ausführung, dafür umso mehr Zeit damit, die Ergebnisse von Tools zu überprüfen, für deren Nutzung sie nie richtig eingearbeitet wurden.
Genau das passiert in hohem Maße, wenn Unternehmen KI als reines Rollout-Projekt betrachten und nicht als echte Transformation.
Das KI-Paradoxon ist real
Das Problem liegt nicht in der Technologie selbst, sondern darin, wie und wo Unternehmen sie einsetzen. Wenn KI lediglich als Werkzeug genutzt wird, um Code schneller zu schreiben, verkürzt das nur eine einzige Phase der Entwicklung. Alles, was danach kommt, bleibt unverändert: Code-Reviews, Sicherheitsprüfungen, Tests und die Bereitstellungskoordination werden zum neuen Nadelöhr.
„Genau das passiert, wenn man KI nur als aufgebohrtes Autocomplete betrachtet und ihr Potenzial für den restlichen Prozess übersieht.“
Matthias Ewald
Partner Solution Architect, GitLab
Mehr Tempo beim Codieren bringt ohne Anpassung der gesamten Prozesskette keine schnellere Delivery. Es verschiebt das Problem nur an eine andere Stelle.
KI verstärkt, was bereits vorhanden ist
Die im Webinar zitierte DORA-Forschung unterstreicht diesen Punkt eindrucksvoll: Ein Anstieg der KI-Nutzung um 25 % war mit einem Rückgang des Delivery-Durchsatzes um 1,5 % und einer Verschlechterung der Systemstabilität um 7,2 % verbunden.
KI steigert die Produktivität in gut aufgestellten Organisationen – in operativ schwächeren hingegen verstärkt sie bestehende Missstände. Wenn Ihre Prozesse, Ihre Governance und das Zusammenspiel im Team nicht stabil sind, wird KI diese Lücken nicht kaschieren, sondern offenlegen und sogar noch beschleunigen.
Vom Coden zum Orchestrieren: Die neue Rolle von Teams im KI-Zeitalte
In den letzten zehn Jahren drehte sich in der Branche alles um das Konzept des „Shift Left“: Sicherheits- und Qualitätsprobleme sollten so früh wie möglich in der Pipeline erkannt werden – dort, wo ihre Behebung am wenigsten kostet. Dieser Grundsatz gilt nach wie vor. Doch agensbasierte KI eröffnet eine völlig neue Dimension.
Matthias Ewald beschrieb diese Entwicklung treffend als „Shift Up“: Teams rücken eine Ebene über den eigentlichen Delivery-Kreislauf auf. Sie definieren die Regeln, legen Frameworks fest und lassen KI-Agenten die Ausführung über die einzelnen Entwicklungsphasen hinweg übernehmen. Der Software-Lebenszyklus (SDLC) und seine Phasen verschwinden dadurch keineswegs. Was sich jedoch ändert: Verzögerungen, manuelle Übergaben und der Abstimmungsaufwand zwischen den Phasen lassen sich zunehmend automatisieren.
Die Steuerung und Governance dieser neuen Ebene oberhalb des SDLC entwickelt sich rasant zu einer der zentralen Herausforderungen in der Enterprise-Softwareentwicklung. Welche Agenten dürfen überhaupt laufen? Auf welchen Datenbasis? In welchen Umgebungen? Und wer trägt die Verantwortung, wenn etwas schiefgeht? Das sind keine Randaspekte oder Sonderfälle – das ist der Kern der Frage, ob sich eine KI-Investition nachhaltig skalieren lässt.
Drei Voraussetzungen für das erfolgreiche Skalieren von KI-Agenten
Im Verlauf des Webinars haben sich einige unverzichtbare Grundvoraussetzungen herauskristallisiert – essenziell für alle Unternehmen, die den Schritt von reinen Experimenten zur echten Skalierung machen wollen:
- Ein solides DevSecOps-Fundament: Agensbasierte KI ersetzt keineswegs die Notwendigkeit von CI/CD-Kontrollen, Policy-as-Code, Identitäts- und Zugriffsmanagement (IAM) oder lückenlosen Audit-Trails. Im Gegenteil: Sie macht diese Elemente noch wichtiger. Agenten müssen innerhalb der Pipeline agieren, nicht daran vorbei.
- Analyse des Schadensradius (Blast Radius Analysis): Bevor Sie einem Agenten autonome Aktionen in Ihrer Umgebung gestatten, müssen Sie genau verstehen, was er beeinflussen kann, wo Schäden entstehen könnten und ob das Risiko unkontrollierter Schleifen besteht, die Ihr Token-Budget auffressen. Die Einschränkung des Handlungsspielraums ist dabei keine Bremse für das Potenzial der KI, sondern grundlegendes Risikomanagement.
- Durchgängige menschliche Verantwortung: Jede Aktion eines Agenten muss lückenlos auf eine verantwortliche Person rückführbar sein. In regulierten Branchen ist dies ohnehin Pflicht – es ist jedoch branchenübergreifend ein Best-Practice-Standard.
Messbarer KI-Erfolg: So weisen Sie den echten ROI nach
Die Frage nach dem echten KI-ROI wurde in der Fragerunde direkt gestellt – und die Antwort ist weitaus pragmatischer, als die meisten Unternehmen erwarten. Der Nutzen von KI lässt sich exakt genauso messen wie jede andere Optimierung im Delivery-Prozess: über etablierte DORA-Metriken.
Dazu gehören die Bereitstellungshäufigkeit (Deployment Frequency), die Durchlaufzeit für Änderungen (Lead Time for Changes), die Änderungsfehlerrate (Change Failure Rate) und die Wiederherstellungszeit (Time to Restore). Wer bereits auf GitLab setzt, hat den Großteil dieser Daten ohnehin schon vorliegen.
Die Messung der Wertschöpfungskette (Value Stream Mapping) ergänzt das Bild um die entscheidende Dimension: Während DORA-Metriken zeigen, wie sehr sich die Performance verbessert hat, macht Value Stream Mapping sichtbar, an welchen Stellen KI-Agenten tatsächlich den Unterschied machen. In Kombination liefern beide Ansätze eine fundierte, belastbare Grundlage, um den Return on Investment gegenüber der Geschäftsführung schwarz auf weiß zu belegen.
What to expect in terms of timeline
Individual gains can show up quickly, but organisation-wide improvement is measured in months to quarters, not days. Adoption follows a curve. Early movers prove the value internally, enablement rolls out, and late adopters need additional support. The technical rollout is only part of the picture. Change management, clear communication about why AI is being introduced, and support for teams navigating the shift matter just as much as the platform decisions.
Trying to shortcut any of it usually produces the kind of fragmented, uncoordinated AI implementation that drives the fragmentation tax in the first place.
Jetzt das vollständige Webinar ansehen
Das Webinar bietet noch tiefere Einblicke in die Plattform-Anforderungen für agensbasierte KI, den Ansatz von GitLab in den Bereichen Kontextmanagement und Governance sowie praxisnahe Frameworks – damit Sie genau dort priorisieren, wo Ihre KI-Investition die größte Wirkung erzielt.
Jetzt das vollständige Webinar ansehen
Jan Rockemann und Matthias Ewald führen Sie durch die erforderlichen Plattform-Voraussetzungen, Governance-Frameworks und Messansätze, die erfolgreiche KI-Initiativen von teuren Experimenten unterscheiden.
