Unternehmen, die bisher Software individuell haben entwickeln lassen, sind zurückhaltender geworden. Das hören wir in Gesprächen immer wieder. Der Gedanke dahinter ist nachvollziehbar: KI entwickelt sich schnell, also könnte dasselbe Projekt in einem halben Jahr nur noch die Hälfte kosten. Wer auf bessere KI warten will, setzt allerdings auf eine Entwicklung, die sich bereits verlangsamt. Der größere Fortschritt liegt heute darin, wie gut KI eingesetzt wird.

Die Sprünge zwischen den Modellen werden kleiner

Anfangs waren die Unterschiede zwischen zwei Modellgenerationen groß. Mit jeder Version ging deutlich mehr. Erst konnten die Modelle länger über eine Aufgabe nachdenken, dann kamen Agents dazu, die selbstständig Teilaufgaben starten, Werkzeuge bedienen und Ergebnisse prüfen. Vieles davon lag gar nicht am Modell selbst, sondern an dem, was die Anbieter inzwischen um die Modelle herum bauen.

Seit den Agents ist nach unserer Beobachtung nichts grundlegend Neues mehr hinzugekommen. Die Modelle werden weiter besser, aber in kleineren Schritten. Früher bedeutete ein doppelt so großes Modell annähernd doppelt so gute Ergebnisse. Heute bringt derselbe Schritt nach unserer Einschätzung vielleicht noch zehn Prozent. Das Muster kennt jeder, der eine Sportart neu gelernt hat, zum Beispiel Surfen. Am Anfang geht es schnell voran, jede Woche klappen größere Wellen. Dann kommt ein Plateau, und jeder weitere Fortschritt kostet deutlich mehr Übung.

Für die Planung eines Softwareprojekts heißt das: Die Hoffnung, dass ein Vorhaben in sechs Monaten durch ein neues Modell nur noch die Hälfte kostet, wird sich mit hoher Wahrscheinlichkeit nicht erfüllen.

Das Problem liegt oft beim Input

Wenn KI-Ergebnisse nicht passen, ist der Reflex fast immer derselbe. Die KI ist schuld, unzuverlässig, überschätzt. Ganz falsch ist das nicht. KI liefert keine perfekten Ergebnisse, und blind verlassen sollte sich niemand darauf. Bei schlechten Ergebnissen lohnt sich trotzdem der Blick auf den eigenen Input. Oft war nicht das Modell unfähig, sondern die Anweisung unklar, der Kontext dünn oder die Erwartung nie ausgesprochen.

Diese Schwankung erklärt, warum die Akzeptanz von KI in vielen Teams so unstet ist. An einem guten Tag sind alle begeistert, an einem schlechten heißt es: „Bringt doch nichts.“ Die Ursache liegt häufig nicht im Werkzeug, sondern in der Zusammenarbeit zwischen Mensch und KI. Grundsätze dafür beschreibt der Beitrag KI richtig einsetzen.

Worauf ein Unternehmen Einfluss hat

Auf die Entwicklung der Modelle hat ein einzelnes Unternehmen keinen Einfluss. Auf den Einsatz schon, und hier ist noch viel Spielraum:

• Klarere Anweisungen. Eine Aufgabe, die ein neuer Mitarbeiter nicht verstehen würde, versteht auch die KI nicht.
• Besserer Kontext. Anforderungen, Architekturentscheidungen, Fachbegriffe und bestehender Code müssen für die KI zugänglich sein, sonst denkt sie sich diese Dinge aus.
• Präzisere Erwartungen. Was als fertig gilt, welche Qualität verlangt ist und was nicht passieren darf, gehört in die Aufgabe, nicht in die Nachkorrektur.
• Systematisches Ausprobieren. Welche Aufgaben die KI zuverlässig erledigt und wo sie scheitert, lässt sich nur in echten Projekten herausfinden.

Je besser das funktioniert, desto seltener wird für eine Aufgabe das größte, neueste und teuerste Modell gebraucht. Das ist die eigentliche Kostensenkung, und sie steht jedem Unternehmen heute schon offen.

Warten kostet auch

Ein verschobenes Softwareprojekt ist nicht kostenlos. Der Prozess, den die Software verbessern soll, läuft in der Zwischenzeit weiter wie bisher, mit allen Medienbrüchen und manuellen Schritten. Dazu kommt ein weniger sichtbarer Effekt: Wer wartet, sammelt keine Erfahrung. Die Teams, die heute mit KI entwickeln, lernen, wo sie Arbeit abnimmt und wo nicht. Dieses Wissen fehlt, wenn in sechs Monaten doch gestartet wird.

Warten kann trotzdem eine bewusste Entscheidung sein, etwa wenn der Nutzen eines Vorhabens noch unklar ist. Welche Gründe dafür sprechen und welche nicht, behandelt der Beitrag Eigene KI bauen? Build, Buy oder Wait. Die Hoffnung auf ein billigeres Modell ist aber kein guter Grund. Sie verschiebt nur die Entscheidung.

Für ein konkretes Vorhaben ist ein anderer Weg sinnvoller: klein anfangen, mit einem klar abgegrenzten Teil, der schnell Nutzen bringt. So entsteht Erfahrung mit dem Einsatz von KI im eigenen Umfeld, und das Projekt profitiert von jeder Verbesserung der Modelle, die ohnehin kommt.

Fazit

KI wird besser, aber die großen Sprünge zwischen den Modellen liegen hinter uns. Wer ein Softwareprojekt verschiebt, weil es in einem halben Jahr nur noch die Hälfte kosten könnte, verliert Zeit und Erfahrung und gewinnt wahrscheinlich wenig. Der größere Fortschritt liegt in der eigenen Hand: klare Anweisungen, guter Kontext und präzise Erwartungen. Daran lässt sich heute arbeiten.