Heute beschleunigt KI ein Softwareprojekt. Nach einiger Zeit kann sie es ausbremsen. Das klingt paradox, ergibt sich aber aus einer einfachen Rechnung, in der die Wartungskosten durch KI mitwachsen. Die Diskussion über KI in der Softwareentwicklung dreht sich fast nur um die Frage, wie viel schneller neuer Code entsteht. Die Frage, was dieser Code danach jedes Jahr kostet, stellt kaum jemand.

Jedes Feature kostet jedes Jahr

Ein Feature kostet nicht einmal, sondern jedes Jahr aufs Neue. Bibliotheken müssen aktualisiert werden, Schnittstellen ändern sich, Fehler tauchen auf, Sicherheitslücken müssen geschlossen werden, und jede spätere Änderung muss mit dem Bestehenden zusammenpassen. Wartung endet nie, solange die Software im Einsatz ist.

Das ist keine neue Erkenntnis. Nach 25 Jahren im Projektgeschäft ist unsere Erfahrung eindeutig: Der größte Teil der Kosten einer Anwendung entsteht nach dem ersten Release. Welche Folgen es hat, wenn diese Kosten unterschätzt werden, zeigt der Beitrag Technische Schulden. Mit KI bekommt dieser alte Zusammenhang neues Gewicht.

Das Modell von James Shore

Der Softwareentwickler und Autor James Shore hat den Effekt im Mai 2026 in einem Blogbeitrag durchgerechnet („You Need AI That Reduces Maintenance Costs“). Sein Modell ist bewusst einfach. Jeder Monat Entwicklungsarbeit erzeugt Wartungsaufwand, im ersten Jahr mehr, in den Folgejahren weniger, aber dauerhaft. Mit der Zeit bleibt dadurch immer weniger Kapazität für Neues, weil ein wachsender Teil in die Pflege des Bestehenden fließt.

Dann kommt KI dazu. Shore rechnet optimistisch mit einem verdoppelten Output, also mehr, als die meisten Studien heute tatsächlich messen. Der Verlauf in seinem Modell hat drei Phasen:

• Zuerst ein deutlicher Produktivitätssprung. Das Team liefert sichtbar mehr, alle sind zufrieden.
• Dann wird der Vorsprung Monat für Monat aufgezehrt, weil die zusätzlichen Features zusätzliche Wartung erzeugen.
• Schließlich ist das Team dauerhaft langsamer als ohne KI, weil es einen doppelt so großen Bestand pflegen muss.

Der Grund ist banal. Doppelt so viele Features bedeuten doppelt so viel Wartung, und diese Wartung verschwindet nie wieder aus dem Kalender. Der Vorsprung überlebt im Modell nur in einem Szenario: wenn KI den Output verdoppelt und gleichzeitig die Wartungskosten pro Feature halbiert.

Alle reden über den Zähler

Die öffentliche Diskussion über KI-Produktivität dreht sich um den Zähler. Macht KI 20 Prozent schneller oder 50? Kommt doch noch der zehnfach produktive Entwickler? Über den Nenner, also die laufenden Kosten jedes zusätzlich gebauten Features, redet kaum jemand.

Der Beitrag KI-Produktivität: Prototyp ist kein Produkt beschreibt eine Folge davon: Wenn der Implementierungsaufwand als natürlicher Filter wegfällt, wird die Entscheidung wichtiger, welches Feature überhaupt gebaut wird. Shores Modell ergänzt die Kostenseite. Ein Feature, das dank KI in einem Tag gebaut ist, kostet in der Wartung genauso viel wie eines, für das früher eine Woche nötig war. Der billige Start täuscht über die dauerhaften Kosten hinweg.

Zwei Wege aus der Wartungsfalle

Aus dem Modell folgen zwei Wege, die sich kombinieren lassen.

Mehr Disziplin bei neuen Features

Bewusst verzichten, obwohl die Entwicklung günstig geworden ist. Die Wartung ist der größere Kostenblock, und jedes Feature, das nicht gebaut wird, verursacht auch keine Wartung. Für Verantwortliche heißt das, die Frage „Können wir das schnell bauen?“ durch die Frage „Wollen wir das die nächsten zehn Jahre pflegen?“ zu ersetzen. Der Haken ist offensichtlich: Verzicht fällt schwer, wenn die Umsetzung fast nichts mehr kostet.

Mehr Qualität statt weniger

Der zweite Weg setzt am Nenner an. Nicht „Die KI macht das schon“, sondern klare Vorgaben für Architektur, Tests und Reviews. Gut strukturierter, getesteter und verständlicher Code ist billiger zu warten, egal ob ein Mensch oder eine KI ihn geschrieben hat. Nur so bleibt die Komplexität unter Kontrolle, während der Bestand wächst.

Dazu gehört auch, KI gezielt für die Wartung selbst einzusetzen: für Updates von Bibliotheken, für das Aufräumen von Altlasten, für Tests an Stellen, die bisher keine hatten. Wer KI nur für neue Features nutzt, verschiebt das Verhältnis weiter zulasten der Wartung.

Was das für Entscheider bedeutet

Für Geschäftsführung und IT-Leitung ergeben sich daraus praktische Konsequenzen. Die Produktivität eines Teams mit KI lässt sich nicht an der Zahl der gelieferten Features in den ersten Monaten ablesen. Aussagekräftiger ist, wie sich der Anteil der Wartung am Gesamtaufwand über ein bis zwei Jahre entwickelt. Steigt er schneller als der Bestand, frisst die Wartung den Vorsprung gerade auf.

Wartung gehört deshalb in die Budgetplanung, nicht in die Restkapazität. Welche Optionen es gibt, wenn Software das Ende ihres Lebenszyklus erreicht, beschreibt der Beitrag Software am Lebensende. Für Entwicklerinnen und Entwickler, die ihr Handwerk ernst nehmen, ist die Botschaft übrigens eine gute: Qualität ist weiterhin das, was langfristig den Unterschied macht.

Fazit

KI verdoppelt vielleicht den Output, aber sie verdoppelt damit auch die Wartung. Ohne Gegensteuern ist der Produktivitätsvorsprung nach einiger Zeit aufgebraucht, und das Team wird langsamer als zuvor. Dauerhaft profitiert nur, wer bei neuen Features diszipliniert auswählt und in Qualität investiert, damit jedes Feature weniger Wartung kostet.