KI macht Entwickler produktiver. Das ist inzwischen Konsens, und es stimmt auch. Trotzdem lohnt eine unbequeme Beobachtung. Wenn KI die Softwareentwicklung angeblich um ein Vielfaches beschleunigt, müsste die Welt gerade in neuen Anwendungen ertrinken. Genau das passiert nicht. Die gesteigerte KI-Produktivität übersetzt sich nicht eins zu eins in mehr fertige Produkte. Der Grund dafür sagt viel darüber aus, wo der eigentliche Aufwand in Softwareprojekten steckt.

Mehr Tempo, aber wo sind die Produkte?

Seit dem Durchbruch der großen Sprachmodelle gibt es keinen messbaren Anstieg echter neuer Software-Projekte. Ein Blick auf PyPI, das zentrale Repository für Python-Pakete, zeigt zwar Spitzen in den Daten, doch diese bestehen größtenteils aus Spam und Malware, nicht aus wertvollen neuen Produkten. Python ist nur ein Ausschnitt, und in der Java-Welt mit Maven dürfte das Bild kaum anders aussehen.

Wenn KI-Werkzeuge Entwickler wirklich um ein Vielfaches produktiver machen, warum ist dieser Effekt in der Produktlandschaft nicht sichtbar? Die naheliegende Erklärung: Wir verwechseln Prototypen mit Produkten. KI erleichtert das Anfangen spürbar, also den ersten Commit und den ersten Proof of Concept. Der eigentliche Aufwand steckt woanders.

Coding ist nur ein Bruchteil des Projekts

Ein großer Teil der KI-Diskussion dreht sich um genau diesen einen Aspekt: KI schreibt Code, KI macht Entwickler schneller, KI ersetzt Programmierer. Das greift zu kurz, weil Coding nur ein Bruchteil eines Softwareprojekts ist.

In der Realität besteht ein Projekt zu großen Teilen aus anderen Dingen. Anforderungen verstehen, Prozesse durchdenken, Abstimmungen im Team, Entscheidungen treffen. Erst danach kommt der Code. Selbst wenn die KI diesen Teil stark beschleunigt, bleibt der Großteil der Arbeit bestehen. Nicht alles, was sich automatisieren lässt, ist auch der Engpass. Die entscheidende Frage lautet deshalb nicht, wie schnell Code entsteht, sondern wo im Projekt wirklich Wert entsteht.

Der letzte Kilometer entscheidet

Zwischen einem lauffähigen Prototyp und einem verlässlichen Produkt liegt der teuerste Abschnitt eines Projekts. Produktreife, Nutzervertrauen, Deployment und Skalierung machen aus einer vorzeigbaren Demo eine Software, die im Alltag trägt. Diesen letzten Kilometer hat KI bisher nicht gelöst.

Vielleicht liegt das Problem sogar tiefer. Die Welt braucht nicht einfach mehr Software. Sie braucht die richtige Software. Und die zu entwickeln bleibt anspruchsvoll und im Kern menschlich, unabhängig davon, wie gut die Code-Vervollständigung geworden ist. Produktivitätsgewinne durch KI sind real. Wer aber glaubt, daraus entstehe automatisch ein Berg neuer Produkte, hat nicht verstanden, was gute Software ausmacht.

Wenn Bauen billig wird, wird Fokus teuer

Es gibt eine zweite Verschiebung, die mindestens so wichtig ist. Früher hat das Budget die Entscheidungen gefiltert. Vieles war technisch möglich, aber kaum bezahlbar, und so wurden viele Ideen nie umgesetzt. Der Aufwand hat sie aussortiert. Das war unbequem, aber wirksam.

KI hat die Möglichkeiten explodieren lassen. Vieles ist plötzlich nicht nur möglich, sondern auch bezahlbar. Genau hier greift das Jevons-Paradoxon, nach dem der Verbrauch steigt, wenn etwas günstiger wird, statt zu sinken. Es wird also nicht weniger Zeit mit Entwicklung verbracht, sondern mehr gebaut als je zuvor. Der alte Filter ist weg.

Jetzt entscheidet nicht mehr das Budget, was gebaut wird, sondern die verantwortliche Person. Und eines hat KI nicht vergrößert: die Aufmerksamkeit des Teams und der Nutzer. Jedes neue Feature will verstanden, gewartet und gepflegt werden. Bauen ist billig geworden, Betreiben nicht. Der Satz „Fokus heißt Nein sagen“ ist fast dreißig Jahre alt und war selten so aktuell.

Was das für Software-Verantwortliche bedeutet

Für Unternehmen ergeben sich daraus klare Konsequenzen. Die Zahl der Prototypen ist kein Erfolgsmaß, entscheidend ist, was den Weg bis zur Produktreife schafft. Ein bewusster Filter für neue Ideen wird wichtiger, nicht unwichtiger, weil technische Machbarkeit kein Auswahlkriterium mehr ist. Und die Arbeit an Anforderungen, Prozessen und Nutzerverständnis rückt in den Vordergrund, denn genau dort entsteht der Wert, den KI nicht ersetzt.

Fazit

Die Möglichkeiten sind explodiert, die Zahl der wirklich wichtigen Dinge nicht. KI-Produktivität ist ein echter Gewinn, aber sie verlagert die Arbeit, statt sie abzuschaffen. Wer den Unterschied zwischen Prototyp und Produkt kennt und den Mut hat, Nein zu sagen, nutzt KI als Hebel. Wer jeder Idee hinterherrennt, baut viel und erreicht wenig.