8 Minuten Lesezeit Mit Insights von Andrija Ljubojevic Principal Software Engineering Consultant andrija.ljubojevic@zuehlke.com KI-gestützte Softwareentwicklung verspricht großes Potenzial: Produktivität steigern, Effizienz erhöhen, Codequalität verbessern und vieles mehr. Es ist also keine Überraschung, dass Entwicklungsteams dieses Potenzial nutzen möchten. Generative KI-Tools, die sich jahrzehntelanges kollektives Wissen zunutze machen, verändern bereits jetzt die Arbeitsweise von Softwareentwickelnden.Um jedoch das volle Potenzial von KI in der Softwareentwicklung auszuschöpfen, muss generative KI strukturiert, rechtskonform und überprüfbar eingeführt werden. Es ist nicht einfach, diese Komplexität zu bewältigen und generative KI (GenAI) im großen Maßstab in der Softwareentwicklung einzuführen. Wie es dennoch gelingt, hat Zühlke in den vergangenen Monaten mit Kunden und Dienstleistern evaluiert, diskutiert und realisiert.Dabei haben wir einige wichtige Erkenntnisse darüber gewonnen, wie die Stärken der Kombination von Mensch und Maschine in der Softwareentwicklung genutzt werden können. Diese Erkenntnisse möchten wir nachfolgend mit Ihnen teilen. Generative KI in der Softwareentwicklung: Versprechen und Fallstricke Jedes vernünftige LLM-GenAI-Tool kann schnell eine ganze Menge Inhalte produzieren. Aber ist dieser Inhalt auch nützlich? Das ist die Gretchenfrage in der Softwareentwicklung. Schnell viel Code zu produzieren, kann unglaublich nützlich sein. Aber ist der Code von schlechter Qualität, ist er wertlos.GitHub Copilot bringt seine Nutzenden nach eigener Aussage eine Effizienzsteigerung von 55 %. Andere große Studien beziffern die Zahl hingegen auf etwa 30 %. BAIN-Forschungen gehen von einer ziemlich vagen Zeitersparnis von 15-40 % bei der Codegenerierung in Unternehmen aus. Und laut Google, dessen Gemini-Tools jetzt auf breiterer Basis eingeführt werden, werden bereits über 25 % des eigenen Codes durch KI generiert wird. (Natürlich ist auch das Schreiben von Code nur ein Teil des Lebenszyklus. Dazu später mehr).Das Problem? Diese Angaben sind interpretationsabhängig. Was genau steht hinter einem Effizienzgewinn von 55 %? Und was nutzt es, wenn man zwar effizienter Code erzeugen kann, dieser Code selbst aber nicht effizient ist? Wenn Sie die reine Ausgabegeschwindigkeit erhöhen, wie viel Sicherheit, Genauigkeit und Weitsicht bleibt dann auf der Strecke? Und führt eine bessere Codequalität und -effizienz automatisch zu einem besseren Softwareprodukt - und zu einem größeren Nutzen für Ihre Benutzenden?Es gibt auch bemerkenswerte Unterschiede zwischen Greenfield-Anwendungsfällen, auf die sich die meisten dieser frei zugänglichen Statistiken beziehen, und Refactoring-Anwendungsfällen, bei denen KI bisher weit weniger Einfluss hat.Letztlich müssen Sie festlegen, wie die Wertschöpfung im Rahmen Ihrer eigenen Softwareentwicklungsprozesse aussieht. Da es sich hierbei um eine Gemeinschaftsarbeit handelt, ist die Einbindung Ihrer Teams von Anfang an der Schlüssel zum Erfolg. Zentrale Gedanken zur Einführung von GenAI in der Softwareentwicklung Einige der wichtigsten Probleme, die Sie bei der Implementierung und Skalierung generativer KI in Softwareteams bewältigen müssen, sind: Unterschiedliche Interessengruppen und Emotionen Unterschiedliche Interessengruppen und Emotionen GenAI ist ein Thema, das die Menschen sehr bewegt. Einige Menschen werden misstrauisch und skeptisch sein, was den Wert von GenAI angeht. Andere sind besorgt darüber, was das alles für ihre berufliche Zukunft bedeutet (siehe „KI-Softwareentwicklung: Wird KI bald Softwareentwickelnde ersetzen?“). Und dann gibt es noch die leidenschaftlichen Befürworter mit himmelhohen Erwartungen. Das Bild kann von einer Gruppe oder einem Stakeholder zum anderen sehr unterschiedlich aussehen. Ein nuancierter Ansatz, bei dem der Mensch im Mittelpunkt steht, ist für den Aufbau und die Aufrechterhaltung von Vertrauen unerlässlich. Organisatorischer Widerstand Organisatorischer Widerstand Wie bei jeder neuen Technologie oder jedem neuen Prozess kann die Einführung von GenAI durch die Trägheit der Organisation beeinträchtigt oder verlangsamt werden. Die Stakeholder sind oft misstrauisch gegenüber vielversprechenden Lösungen. Wenn Sie GenAI nicht planvoll und zielgerichtet einsetzen und der Erfolg ausbleibt, wird das gesamte Unternehmen seine zögerliche Haltung wahrscheinlich noch verstärken. Der zweite Schritt vor dem ersten Der zweite Schritt vor dem ersten Wenn Sie ein Tool ohne Plan einsetzen und seine Funktionen zu breit gefächert sind, können Sie seinen Erfolg nicht überwachen oder es auf gezieltere Anwendungsfälle ausrichten. Letzten Endes ist GenAI nur ein weiteres Tool, und es gelten die üblichen Regeln für deren Einführung: Es muss relevante und messbare Ergebnisse liefern, die die Menschen dazu motivieren, es immer stärker einzusetzen. Die Bewältigung dieser Probleme erfordert einen strukturierten Prozess, der messbare Ergebnisse liefert. Mit einer Governance, die sicherstellt, dass Sie Ihren Richtlinien und Werten in einer sich schnell entwickelnden KI-Landschaft treu bleiben.„Die Einführung von Technologien erfordert Veränderungen, und Veränderung braucht Menschen. Viele Ingenieur:innen werden skeptisch sein, wie GenAI-Tools ihnen helfen können. Unsere Projekte zeigen jedoch immer wieder, dass Ingenieur:innen mit praktischer Erfahrung und fachkundiger Anleitung zunehmend den Wert erkennen, den diese Tools für ihre Arbeit haben“. Ein strukturierter Ansatz für den Einsatz von GenAI im Software Engineering Unsere Erkenntnisse zeigen, dass die besten Ergebnisse erzielt werden, wenn man klein anfängt und Erfolgsgeschichten aufbaut, mit denen das Unternehmen wachsen kann. Unsere Arbeit mit Kunden, unsere langjährige Erfahrung in der Softwareentwicklung und unsere Partnerschaft mit Microsofts GitHub Copilot zeigen, dass die Implementierung generativer KI von einem Ansatz profitiert, der: Mit einem Pilotprogramm beginnt und einem stufenweisen Ansatz folgtErwartungen managet und im Vorfeld auf Bedenken eingehtEine Governance schafft und Verantwortlichkeiten stärktEine Sammlung von qualitativen und quantitativen Erkenntnissen zur Steuerung und Überwachung etabliertSich auf Weiterbildung und kontinuierliche Verbesserung fokussiertDen Wissensaustausch über Unternehmensstrukturen hinweg fördertEin strukturierter Ansatz wie dieser bedeutet, dass Sie in der Lage sind, GenAI-Tools als Teil eines Frameworks einzusetzen, das nachhaltig skaliert werden kann. 5 wichtige Schritte für Ihr GenAI-Pilotprogramm Unserer Erfahrung nach sind die folgenden fünf Schritte entscheidend für den Start Ihres GenAI-Pilotprojekts und die Messung der Auswirkungen innerhalb Ihrer Softwareentwicklungsteams. Grafik: Ein zyklisches Framework zur Einführung von GenAI, das sich in fünf Schlüsselphasen von der Initiierung bis zur kontinuierlichen Verbesserung entwickelt. 1. Kick-off 1. Kick-off Definieren Sie Ihr Ziel: In der Anfangsphase geht es darum, die Erwartungen und das Ziel des Pilotprojekts zu definieren sowie das Team zu bestimmen. Dazu gehört auch, dass Sie Ihre Ziele, Ressourcen und Beschränkungen klar umreißen. Und es geht um die entscheidende Frage: Wie sieht Erfolg in Ihrem Bereich oder Kontext aus? 2. Discovery 2. Discovery Machen Sie es greifbar und relevant: In dieser Phase wird der Reifegrad Ihrer technischen Umgebung und Ihrer Softwareentwicklungsprozesse bewertet, um die richtige Einführung und die richtigen Anwendungsfälle für Ihr Unternehmen sicherzustellen. In dieser Phase werden Sie potenzielle Probleme identifizieren und den Bedarf an maßgeschneiderten Onboarding-Maßnahmen aufzeigen. Ziel ist es, sicherzustellen, dass das Pilotprojekt und das Onboarding so relevant wie möglich für alltägliche Anwendungsfälle sind. Das ist der Schlüssel, um die Mitarbeitenden mitzunehmen und ihren Einsatz und Motivation sicherzustellen. An dieser Stelle legen Sie auch die Kennzahlen fest, die Sie während der Pilotphase überwachen werden, um zu erfahren, wie Sie weiter vorgehen wollen. 3. Onboarding 3. Onboarding Schulen Sie Ihre Mitarbeitenden: Schulen Sie die Mitarbeitenden in den für ihre Arbeit relevanten Tools. Dabei liegt der Schwerpunkt auf dem Potenzial der Tools innerhalb der bestehenden Arbeitsabläufe. Außerdem sollen die mit ihrer Nutzung verbundenen Einschränkungen und Risiken aufgezeigt werden. Es ist wichtig, die Verantwortlichkeit der Ingenieur:innen für den Code, den sie erstellen oder übertragen, zu stärken. 4. Pilotprogramm 4. Pilotprogramm Sammeln und gestalten Sie praktische Erfahrungen: Ein erfolgreiches Pilotprogramm ist eng gefasst und wird häufig evaluiert. Es umfasst ein Team, das an einem Projekt arbeitet und Erkenntnisse sammelt, die Ihnen helfen, Auswirkungen und Erfolg zu messen. Ziel ist es, die Akzeptanz durch eine positive, maßgeschneiderte Nutzung zu beschleunigen, nicht durch das Anbieten eines vielbesungenen „Game-Changers“. Echte Erfahrung entsteht durch Handeln und Gestalten. 5. Iteration und Optimierung 5. Iteration und Optimierung Analysieren und erfassen Sie Erkenntnisse: Hier werden Ihre gesammelten Daten auf nützliche, praktikable Erkenntnisse hin analysiert. Eine objektive Berichterstattung über Erfolge und Misserfolge (und eine klare Darlegung, warum die Dinge so gelaufen sind, wie sie gelaufen sind) kann dazu beitragen, einen Fahrplan für die Ausweitung der Nutzung von GenAI im Unternehmen zu entwickeln. In diesem Sinne ist diese letzte Phase auch der erste Schritt der nächsten Iteration. Letztlich verhindert dieses Framework, dass GenAI als stumpfes Werkzeug eingesetzt wird. Stattdessen geht es darum, Ihren Ansatz zu schärfen, indem Sie Antworten auf Ihre Hypothesen finden - Wird GenAI die Effizienz verbessern? Erhöht es die Teamzufriedenheit? Wie wirkt es sich auf die Qualität der Arbeitsergebnisse aus? Wie wirkt es sich auf die Teamdynamik und die Kommunikation aus? Welche Anwendungsfälle profitieren wirklich davon und warum? - Sie konzentrieren sich also auf einige wenige wertsteigernde Anwendungsfälle. „Gestalten Sie Ihr Pilotprogramm so, dass es den Weg vom ersten Kontakt mit GenAI-Tools bis zur ersten sichtbaren Wertsteigerung für Ihre Software-Ingenieur:innen beschleunigt. Das wachsende Selbstvertrauen Ihrer Teams im Umgang mit diesen Tools wird zu einem Mentalitätswandel Ihrer Ingenieur:innen bei der Nutzung der Tools bewirken“. Wie Sie generative KI in die End-to-End-Softwareentwicklung einbinden Natürlich ist die Einführung von GenAI im Software-Engineering nur ein Teil des Puzzles, das zu einer umfassenderen Bewertung der Frage führt, wie GenAI die Effektivität und Effizienz des gesamten Lebenszyklus der Softwareentwicklung verbessern kann – vom Design und Requirements Engineering bis hin zu Test, Überwachung, Qualitätssicherung und Betrieb. Warum, verdeutlicht eine Analogie aus dem Sport: Die Integration von GenAI in Softwareentwicklungs-Tools kann vielleicht den „Schläger verbessern“, also den Lebenszyklus der Softwareentwicklung beschleunigen und die Effizienz erhöhen. Die Integration von GenAI in Software-Engineering-Prozesse kann hingegen das gesamte Spiel verändern. Sie kann also die Art und Weise, wie Software entwickelt wird, tiefgreifend verändern, da sich Disziplinen ändern oder mit Hilfe von KI konvergieren. Und die vollständige Integration von LLMs in jede Phase des Entwicklungslebenszyklus ergibt ein völlig neues Spiel. Die Cybernetic Delivery Method (CDM) von Zühlke ist ein strukturierter Ansatz, um genau das zu erreichen. Unser Ziel ist es, Unternehmen zu unterstützen: die Produktivität zu steigernden gesamten Delivery-Lebenszyklus digitaler Lösungen effektiver und effizienter zu verwaltenden grundlegenden Wandel vom „Dinge richtig tun“ zum „die richtigen Dinge tun“ zu schaffen.Wir werden in den kommenden Wochen und Monaten mehr darüber berichten, halten Sie sich also auf dem Laufenden. „Human-centricity“ als Stichwort für die erfolgreiche GenAI-Implementierung Es ist entscheidend, Ihren Ansatz zur Einführung von GenAI im Unternehmen in einem klar definierten Rahmen zu verankern. Dazu braucht es auch unterstützende Systeme, um die Produktivität weitreichend und langfristig verbessern zu können.Zudem ist unternehmensweite Weiterbildung nötig, um den Weg von der Discovery zur echten Wertschöpfung zu ebnen. Gartner® prognostiziert, dass 80 % aller technologischen Mitarbeitenden in Bereichen wie Natural-Language-Prompt-Engineering, in RAG GenAI-Know-how, Natural-Language-Algorithmen und Data Analytics weitergebildet werden müssen.Hinzu kommt, dass die Rolle von Softwareingenieur:innen immer funktionsübergreifender wird. Das heißt nicht, dass breite, generalistische „T-shaped“ Fähigkeiten erforderlich sind. Es braucht vielmehr die Expertise, Probleme innerhalb eines bestimmten Bereichs oder einer bestimmten Branche tiefgreifend verstehen und lösen zu können. Dieser interdisziplinäre Ansatz bedeutet: Es braucht kombiniertes Wissen aus verschiedenen Disziplinen, um bereichsspezifische Herausforderungen effektiv angehen zu können.Aus diesen Gründen erfordert die Einführung von GenAI einen ganzheitlichen Ansatz, bei dem der Mensch im Fokus steht. Es geht nicht nur um Technologien und Tools, Ihre Strategie muss alles zusammenbringen, von der Talentakquise und -entwicklung bis hin zu Kommunikation und Change Management. Letztendlich geht es bei der Einbindung von GenAI in den Software-Lebenszyklus um Evolution, nicht um Revolution. Sie müssen Schritt für Schritt gehen – sicher und strukturiert. Es ist die Summe dieser kleinen Schritte und Lösungen, der die großen Erfolge bringen wird. Das könnte Sie auch interessieren... KI- Softwareentwicklung: Die Zukunft der Software Engineering Jobs KI in der Softwareentwicklung: Was Führungskräfte wissen sollten Welche Rolle spielt KI im Kontext der Sicherheit? Nutzen Sie die Vorteile von GenAI im gesamten Software-Lebenszyklus Die Komplexität der Produktinnovation und die Volatilität des Marktes steigt. Deshalb helfen wir Unternehmen, GenAI zu nutzen, um die Vorteile der Automatisierung für multidisziplinäre Aufgaben und Teams auszuweiten und so schneller bessere digitale Produkte zu entwickeln. Kontaktieren Sie unser Team, um mehr zu erfahren. Kontaktieren Sie unser Team