Analysen
KI in der Softwareentwicklung: Wie KI bei Anforderungen, Code und Tests IT-Projekte zum Erfolg führt – und wo nicht
KI in der Softwareentwicklung erhöht die Erfolgschancen eines IT-Projekts nur dann, wenn sie einen guten Prozess verstärkt. In Feldexperimenten in drei Unternehmen schlossen Entwickler mit Code-Assistent im Schnitt 26,08 Prozent mehr Aufgaben ab – erfahrene Entwickler in ausgereiften Projekten brauchten mit KI dagegen 19 Prozent länger. Der DORA-Bericht bringt es auf den Punkt: KI repariert kein Team, sie verstärkt, was schon da ist.135
Über KI beim Programmieren wird meist in Geschwindigkeit gesprochen: wie viele Zeilen der Assistent schreibt und wie viel schneller das Team fertig wird. Für ein mittelständisches Unternehmen, das ein IT-Projekt beauftragt, ist das die falsche Frage. Ein Projekt ist nicht erfolgreich, weil der Code schnell entstanden ist, sondern weil das System tut, was gebraucht wird, stabil läuft und sich warten lässt.
IT-Projekte scheitern selten am Code selbst. Sie scheitern an unklaren Anforderungen, an Tests, die ans Ende geschoben werden, und an Wissen, das nur im Kopf einer einzigen Person steckt. Genau dort hilft KI – vorausgesetzt, jede Änderung prüft weiterhin ein Mensch und der Prozess hat automatisierte Tests. Ein Team ohne diese Disziplin produziert mit KI einfach schneller Fehler.
— Dariusz Wtykło, Inhaber und CEO von Primessio
Warum IT-Projekte scheitern
Flyvbjerg und Budzier untersuchten 1.471 IT-Projekte: Die durchschnittliche Kostenüberschreitung lag bei 27 Prozent7. Gefährlicher als der Durchschnitt ist das Ende der Verteilung – jedes sechste Projekt überschritt die Kosten im Schnitt um 200 Prozent und den Zeitplan um fast 70 Prozent7. Solche Projekte kippen selten wegen einer Codezeile. Sie kippen an missverstandenen Anforderungen, zu spät erkannten Risiken und Abhängigkeiten von Systemen, die niemand dokumentiert hat.
Das zeigt, wo KI tatsächlich helfen kann. Beschleunigt der Assistent nur das Schreiben von Code, während Anforderungen, Tests und Systemwissen unverändert bleiben, erreicht das Projekt dieselben Probleme einfach früher.
KI programmieren: Was Studien über Code-Assistenten zeigen
Die belastbarsten Daten stammen aus Experimenten, in denen ein Teil der Entwickler einen Code-Assistenten bekam und ein Teil nicht. Die Ergebnisse unterscheiden sich, weil jede Studie andere Aufgaben und andere Menschen gemessen hat:
| Studie | Wer und was | Ergebnis |
|---|---|---|
| Peng u. a., 2023 | eine Programmieraufgabe unter Experimentbedingungen | Aufgabe 55,8 Prozent schneller gelöst2 |
| Cui, Demirer u. a., 2025 | 4.867 Entwickler in drei Unternehmen, Arbeitsalltag | im Schnitt 26,08 Prozent mehr abgeschlossene Aufgaben1 |
| METR, 2025 | 16 erfahrene Entwickler, 246 Aufgaben in eigenen, ausgereiften Projekten | mit KI 19 Prozent länger; erwartet hatten sie 24 Prozent Zeitersparnis3 |
| DORA, 2024 | Befragung von IT-Teams | mit steigender KI-Nutzung Durchsatz −1,5 Prozent, Stabilität −7,2 Prozent4 |
Daraus folgt nicht „KI beschleunigt das Programmieren“, sondern etwas Nützlicheres: KI hilft am meisten, wo Entwickler Code oder Fachgebiet noch nicht kennen, und am wenigsten, wo ein Experte in einem System arbeitet, das er auswendig kennt. Weniger erfahrene Entwickler griffen häufiger zum Assistenten und profitierten stärker1. Ein Jahr später maß DORA bereits einen positiven Zusammenhang zwischen KI-Nutzung und Durchsatz – der Zusammenhang mit der Lieferstabilität blieb negativ5.
Wo KI im Projektverlauf hilft
Anforderungen und Abnahmekriterien
Ein Sprachmodell ordnet Workshop-Notizen, E-Mails und vorhandene Dokumente zu einer Anforderungsliste, findet Widersprüche und fragt nach Randfällen. Aus „das System soll erinnern“ werden Kriterien, die sich testen lassen. Welche Anforderung zählt, entscheiden Auftraggeber und Team – KI verkürzt nur den Weg zu diesem Gespräch.
Code und Code-Review
Der Assistent schreibt wiederkehrende Teile, schlägt Änderungen vor und unterstützt beim Review: Er zeigt Stellen ohne Fehlerbehandlung oder solche, die nicht zum Rest des Systems passen. Verantwortlich für die Änderung ist der Mensch, der sie freigibt.
KI im Softwaretest
KI beschleunigt das Schreiben von Unit-Tests und End-to-End-Szenarien und findet Fälle, an die niemand gedacht hat. Tests haben hier eine Doppelrolle: Sie prüfen den Code der Menschen und sind die Sicherung für Code, den die KI vorschlägt.
Dokumentation
Dokumentation verliert in den meisten Projekten gegen Termine. KI schreibt die erste Fassung aus Code, Änderungshistorie und Tickets, das Team korrigiert. Weniger spektakulär als generierter Code – aber es senkt direkt das Risiko, dass Systemwissen mit einer Person das Unternehmen verlässt.
Altsysteme
Altsysteme, deren Autoren längst nicht mehr im Haus sind, verzögern Integrationen und Migrationen. KI liest solchen Code, beschreibt, was er tut, zeigt Abhängigkeiten und schlägt Tests vor, die das Verhalten vor einer Änderung absichern. Die Beschreibung muss geprüft werden, aber der Startpunkt ist ungleich besser als ein leeres Blatt.
KI im Projektmanagement
KI im Projektmanagement erstellt Statusberichte, Protokolle, Risikoregister und den Abgleich von Fortschritt und Plan. Die Projektleitung schreibt weniger ab und hat mehr Zeit für Gespräche und Entscheidungen, die kein Modell übernimmt.
Wo KI nicht hilft oder schadet
- Codesicherheit. Rund 40 Prozent der Programme, die ein Assistent in Hochrisiko-Szenarien erzeugte, waren verwundbar8. Ohne Review und Scanner beschleunigt KI auch das Einschleusen von Lücken.
- Vertrauen in die Antworten. Entwickler selbst sind vorsichtig: Mehr von ihnen misstrauen der Genauigkeit von KI-Werkzeugen (46 Prozent) als ihr vertrauen (33 Prozent)6.
- Lieferstabilität. Schnellere Änderungen ohne starke Tests und kleine, häufige Releases senken die Stabilität4.
- Gefühlte Beschleunigung. Die Teilnehmer der METR-Studie schätzten danach, KI habe ihnen 20 Prozent Zeit gespart – tatsächlich brauchten sie länger3. Ein Teamgefühl ist keine Messung.
- Technologie vor Problem. KI-Projekte scheitern am häufigsten, wenn das Problem missverstanden wird, Daten fehlen oder die Technologie wichtiger ist als das Problem9.
Regeln, die ein Projekt im Griff halten
- Jede von KI vorgeschlagene Änderung gibt ein Mensch frei, der ihre Folgen versteht.
- In Produktion geht nur Code, der automatisierte Tests und Qualitätsprüfungen im Build besteht.
- Releases sind klein und häufig – leichter zu prüfen, leichter zurückzunehmen.
- Freigegebene KI-Werkzeuge und Regeln für Kundencode und -daten (inklusive DSGVO) stehen vor Projektstart fest.
- Den Effekt von KI messen wir an eigenen Aufgaben (Zeit, Nacharbeit, Fehler nach dem Release), statt ihn aus Umfragen zu übernehmen.
So arbeiten wir bei Primessio
KI-Modelle sind Teil unserer täglichen Arbeit an Anforderungen, Code, Reviews, Tests, Dokumentation und an bestehenden Systemen. Die Regeln beschreiben wir im Abschnitt KI in der Softwareentwicklung auf unserer Seite zu Softwareentwicklung und IT-Systemen: Jede Änderung prüft ein Mensch, End-to-End-Tests sowie Prüfungen von Barrierefreiheit, SEO und strukturierten Daten laufen bei jeder Version.
Womit anfangen
Plant Ihr Unternehmen ein IT-Projekt, in dem KI Werkzeug des Teams oder Teil des Systems sein soll, beginnen Sie mit einer Prozesslandkarte und einer einzigen Aufgabe, deren Ergebnis sich prüfen lässt. Diesen Weg beschreibt Schritt für Schritt das Primessio-Modell der KI-Einführung – eine von Primessio in der Projektpraxis entwickelte Methode, von der Prozesslandkarte bis zum Betrieb. Wenn Sie ihn mit einem Team gehen wollen, das ihn mit Ihnen umsetzt, sehen Sie sich unsere KI-Automatisierung und KI-Einführung für Unternehmen an.
Häufige Fragen
Macht KI-gestütztes Programmieren IT-Projekte schneller?
Das hängt von Aufgabe und Team ab. In drei Feldexperimenten mit 4.867 Entwicklern schlossen Nutzer eines Code-Assistenten im Schnitt 26,08 Prozent mehr Aufgaben ab. In einer Studie mit erfahrenen Entwicklern in ihren eigenen, ausgereiften Projekten dauerte die Arbeit mit KI 19 Prozent länger, obwohl die Teilnehmer glaubten, schneller gewesen zu sein. Den Effekt muss man im eigenen Projekt messen, nicht unterstellen.13
Kann man Software einfach von KI programmieren lassen?
Für Prototypen und kleine Hilfsprogramme oft ja. Für ein Geschäftssystem, das stabil laufen, Daten schützen und gewartet werden soll, nein: Rund 40 Prozent der Programme, die ein Assistent in Hochrisiko-Szenarien erzeugte, enthielten Schwachstellen. KI-Code durchläuft deshalb dieselben Reviews, Tests und Sicherheitsscans wie jeder andere Code.8
Wo hilft KI in der Softwareentwicklung am meisten?
Dort, wo sich das Ergebnis schnell prüfen lässt: bei Anforderungen und Abnahmekriterien, Tests, Dokumentation und beim Lesen von Altsystemen, die niemand mehr genau kennt. Weniger erfahrene Entwickler nutzten den Assistenten häufiger und profitierten stärker.1
Ersetzt KI im Projektmanagement die Projektleitung?
Nein. KI liefert gute Entwürfe: Risikoregister, Statusbericht, Protokoll, Abgleich von Umfang und Anforderungen. Entscheidungen und Verantwortung bleiben beim Menschen. Laut RAND scheitern KI-Projekte am häufigsten, wenn das Problem missverstanden wird oder die Technologie wichtiger ist als das Problem – das nimmt kein Werkzeug der Projektleitung ab.9
Wie setzt Primessio KI bei Kundensoftware ein?
KI ist Teil unserer täglichen Arbeit an Anforderungen, Code, Tests und Dokumentation. Jede Änderung prüft ein Mensch, und in Produktion geht nur Code, der die automatisierten Tests besteht. Die Regeln für den KI-Einsatz mit Ihrem Code und Ihren Daten – inklusive der Liste freigegebener Werkzeuge und DSGVO-Fragen – legen wir vor Projektstart gemeinsam fest.
Quellen
- MIT Economics (working paper; Management Science): The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers (Cui, Demirer, Jaffe, Musolff, Peng, Salz)
- arXiv: The Impact of AI on Developer Productivity: Evidence from GitHub Copilot (Peng, Kalliamvakou, Cihon, Demirer, arXiv:2302.06590)
- METR / arXiv: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity (METR, arXiv:2507.09089)
- Google Cloud (DORA): Announcing the 2024 DORA report
- Google Cloud (DORA): Announcing the 2025 DORA Report: State of AI-assisted Software Development
- Stack Overflow: Stack Overflow Developer Survey 2025 — AI
- Harvard Business Review / arXiv: Why Your IT Project Might Be Riskier Than You Think (Flyvbjerg, Budzier; Harvard Business Review 89(9), arXiv:1304.0265)
- IEEE S&P / arXiv: Asleep at the Keyboard? Assessing the Security of GitHub Copilot’s Code Contributions (Pearce et al., IEEE Symposium on Security and Privacy 2022)
- RAND Corporation: The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed