KI hat die Entwicklung beschleunigt. Jetzt ist der Rest der Firma der Engpass

Ein KI-Pilotprojekt, das sich als zu schnell erwies

Am 6. Oktober 2026 beschrieb Mark Ajzenstadt, Gründer von Limestone Digital, in einem Post auf X ein KI-Pilotprojekt bei einem Hardwarehersteller, bei dem Software einen großen Teil des Produktwerts ausmacht. Auf Kundenseite: mehr als hundert Ingenieure, eine Codebasis, die bis ins Jahr 2017 zurückreicht, und der Plan, den Großteil des Systems im nächsten Jahr mit dem bestehenden Team neu aufzubauen.

Wie der Autor schildert, sorgte sich der CTO vor allem um die Leute auf der Produktseite. Wenn KI die Scrum-Teams schneller macht, wer schreibt ihnen dann die Spezifikationen? Zehn Product Owner hatte er nicht, und er rechnete damit, dass das Problem erst auftaucht, wenn zehn Teams mit KI arbeiten.

Es tauchte in der vierten Woche auf, mit zwei Ingenieuren. Das Pilotprojekt umfasste eine einzige, in sich geschlossene mobile App. Den Code schrieben KI-Agenten, die Ingenieure steuerten die Arbeit und prüften sie. Die Messlatte lag hoch, denn es ging um Software in Produktionsqualität, die das Team des Kunden pflegen kann, ohne jede Zeile durchzusehen. Als der Code fertig war, zeigte sich, dass die Produktmanager noch von mehr Zeit ausgingen. Die Anforderungen für die nächste Phase wollten sie von Hand erarbeiten, in Word und in Tabellenkalkulationen.

“We could build faster than the business could decide what came next.”

„Wir konnten schneller bauen, als das Business entscheiden konnte, wie es weitergeht“ (Übers. CAASUAL).

Niemand schlug vor, die Entwicklung zu bremsen. Stattdessen setzte das Team die KI-Agenten früher im Prozess ein. Das Unternehmen führte drei mobile Apps zu einer zusammen. Statt alles von Grund auf zu dokumentieren, sollten die Agenten deshalb in ein, zwei Tagen die Funktionen, Überschneidungen und Lücken aller drei Apps erfassen. So bekam das Business etwas Konkretes zur Prüfung, und das Ziel war, den Umfang innerhalb einer Woche freizugeben.

Der Autor weist auf eine weitere Veränderung hin. Ein Jahr zuvor hatte der CTO noch gesagt, er vertraue KI nicht und sei nicht bereit dafür. Heute fragt er, wie er den Rest der Organisation auf das neue Tempo vorbereiten kann. Ajzenstadt schließt mit dem Gedanken, dass ein KI-Pilotprojekt auch prüfen sollte, ob der Teil des Prozesses mithält, in dem die Entscheidungen fallen.

Warum der Engpass immer weiterwandert

Was dem CTO passiert ist, hat einen Namen. Eliyahu Goldratt beschrieb das Phänomen in den 1980er-Jahren in seinem Buch „The Goal“ (deutsch „Das Ziel“) als Engpasstheorie: Der Durchsatz eines ganzen Prozesses hängt von seinem langsamsten Schritt ab. Beschleunigt man einen Schritt, der nicht der Engpass ist, wird das Ganze nicht schneller. Es wächst nur die Warteschlange vor dem nächsten Schritt.

KI macht das so schnell sichtbar wie nie zuvor, weil sie einzelne Aufgaben um ein Vielfaches beschleunigen kann. Das DORA-Team von Google Cloud beschreibt KI in seinem Report für 2025, der auf einer Umfrage unter knapp 5.000 Fachleuten aus der Tech-Branche beruht, als Verstärker. Starken Teams hilft sie, bei schwächeren vergrößert sie die Probleme, die ohnehin schon da sind. Die Autoren schreiben außerdem, dass schnellere Entwicklung Schwachstellen in späteren Prozessschritten offenlegen kann. Den größten Ertrag bringen ihnen zufolge klare Arbeitsabläufe und gut abgestimmte Teams und nicht die Tools allein.

Andrew Ng sagte dasselbe in seinem Vortrag „Building Faster with AI“ auf der AI Startup School von Y Combinator im Jahr 2025. Seine Teams bauen Prototypen bis zu zehnmal schneller, und deshalb dauert die Entscheidung, was gebaut werden soll, immer öfter am längsten. Er erwähnte sogar ein Team, das vorschlug, mit mehr Produktmanagern als Ingenieuren zu arbeiten.

In dieselbe Richtung weisen die Zahlen aus dem KI-Report von Figma (8.403 Antworten aus Umfragen und 639 Interviews aus drei Jahren). 90 % der Befragten halten Design für mindestens so wichtig wie vor dem Aufkommen von KI, und 65 % der Entwickler sagen, es sei heute wichtiger. Sobald ein Team KI bekommt, lohnt sich also gleich die Frage, wer der nächste Engpass sein wird.

Wo Ihr Unternehmen ins Stocken gerät

In der Geschichte oben bildete sich die Schlange vor den Produktanforderungen. Unternehmen, die digitale Produkte entwickeln und Kampagnen fahren, haben mehr solcher Stellen, und jede davon kann das Team ausbremsen, das zuerst KI bekommen hat.

Entwickler, die mit Agenten arbeiten, erledigen Aufgaben schneller, als das Unternehmen festlegen kann, was als Nächstes entstehen soll. Schnellere Entwicklung braucht außerdem früher vollständige Designs. Bekommt sie unvollständige Mockups, fressen Rückfragen und Korrekturen nach dem Release die Zeit auf, die KI eigentlich sparen sollte. Das Marketing schreibt Kampagnentexte mit KI in wenigen Minuten, doch jedes neue Format, jede Größe und jede Sprachversion wartet weiter in der Schlange vor dem Designteam. Vertrieb und HR haben ein anderes Problem. Präsentationen und Stellenanzeigen, die sie auf eigene Faust mit KI erstellen, sind schnell gemacht, sehen aber nicht nach Ihrer Marke aus. Hier wird die Konsistenz zum Engpass.

Der Designprozess liegt mitten in dieser Kette. Er nimmt Entscheidungen aus dem Business auf und gibt fertige Materialien an Entwicklung, Marketing und Vertrieb weiter. Deshalb wird gewonnenes Tempo auf der einen Seite gerade hier besonders schnell zur Warteschlange auf der anderen.

Die Lehre aus dem Pilotprojekt: KI früher einsetzen

Am meisten interessiert uns, was das Team tat, als es das Problem erkannte. Es forderte die Entwickler nicht auf, langsamer zu arbeiten, und stellte auch keine zusätzlichen Leute für die Dokumentation ab. Es verlagerte die KI auf den Schritt, der alles aufhielt, und bereitete damit Material für Entscheidungen vor. Entschieden haben weiterhin Menschen, nur schneller, weil sie etwas zum Bewerten hatten.

Im Designprozess sieht das sehr ähnlich aus. KI kann Adaptionen einer Kampagne für neue Formate und Sprachen vorbereiten, bevor sich ein Designer an die Arbeit setzt. Sie kann ein Design um die Beschreibungen von Zuständen und Komponenten ergänzen, die Entwickler brauchen, Design und Code mit dem Designsystem abgleichen oder die Marke so beschreiben, dass generative Tools sie getreu wiedergeben. Die Entscheidung bleibt jedes Mal bei den Menschen. KI verkürzt den Weg dorthin.

So prüfen Sie, ob Ihr Prozess mit KI Schritt hält

Bevor Sie ein KI-Pilotprojekt auf weitere Teams ausweiten, sollten Sie sich ein paar Fragen stellen:

1. Wo wartet heute Arbeit? Suchen Sie nach „fast fertigen“ Aufgaben, die vor dem nächsten Schritt liegen bleiben.
2. Wie lange dauert eine Entscheidung, von der Idee bis zur freigegebenen Spezifikation und vom Design bis zur Abnahme?
3. Bekommen Ihre Entwickler vollständige Designs, oder kommen sie mit Rückfragen zurück?
4. Wie lange dauert es, eine Kampagne in allen Formaten und Sprachen vorzubereiten?
5. Sehen KI-Materialien, die außerhalb des Designteams entstehen, nach Ihrer Marke aus?
6. Was misst das Pilotprojekt eigentlich? Wenn nur das Tempo eines Teams, sehen Sie nicht, wo der Rest hängen bleibt.

Lautet die Antwort auf eine dieser Fragen „kommt darauf an“ oder „wissen wir nicht“, dann fangen Sie genau dort an.

Womit wir bei CAASUAL anfangen

Aus demselben Grund beginnt unsere Leistung AI design workflows mit einer Prozesslandkarte und nicht mit der Auswahl von Tools. Zuerst schauen wir, in welcher Phase und zwischen welchen Teams Projekte ins Stocken geraten. Dann zeigen wir, wo KI Ihren Teams am schnellsten Zeit zurückgibt und was man besser nicht automatisiert. Die Tools wählen wir zuletzt aus und binden sie in die tägliche Arbeit von Marketing, Vertrieb und Entwicklung ein, nicht nur in die des Designteams.