Nordwind
← Alle Artikel
·12 Min. Lesezeit

KI lässt Software schneller entstehen. Organisationen macht sie nicht gesünder.

Zwei Jahre nach dem Software Health Triangle erhöht KI den Druck auf alle drei Dimensionen.

Das Software Health Triangle mit seinen drei Ecken: Technik & Architektur, Product & Business, Organisation & Team-Dynamik

Zwei Jahre nachdem ich meinen Artikel über das Software Health Triangle geschrieben habe, erhöht KI den Druck auf alle drei Dimensionen.

Vor zwei Jahren schrieb ich über eine Zahl, die mich beschäftigte. In einer KPMG-Studie aus dem Jahr 2023 unter 400 Technologieverantwortlichen aus den USA gaben 51 Prozent der Unternehmen an, durch ihre Investitionen in die digitale Transformation keine messbare Verbesserung von Leistung oder Profitabilität erzielt zu haben. Meine Schlussfolgerung: Transformationen scheitern, wenn sie als reine Technologieeinführungen behandelt werden. Denn die Gesundheit eines Software-Ökosystems hängt von mehr ab als von Systemen, Plattformen und Code.

Zwei Jahre später wiederholt sich rund um KI dasselbe Muster – nur schneller und sichtbarer. Ein vorläufiger Bericht des MIT Project NANDA aus dem Jahr 2025 kam zu dem Ergebnis, dass 95 Prozent der untersuchten Unternehmen mit ihren GenAI-Initiativen noch keine messbare Ergebniswirkung erzielt hatten. Eine BCG-Studie unter 1.250 Führungskräften ergab, dass lediglich 5 Prozent der Unternehmen bereits einen erheblichen KI-Wertbeitrag im großen Maßstab erzielen, während weitere 35 Prozent zumindest erste Erträge sehen. Und laut der aktuellen „State of AI“-Studie von McKinsey setzen 88 Prozent der Unternehmen KI regelmäßig in mindestens einer Geschäftsfunktion ein, aber nur 39 Prozent berichten von einem EBIT-Effekt auf Unternehmensebene.

Diese Studien messen unterschiedliche Dinge, weisen aber in dieselbe Richtung: KI wird breit eingesetzt, ein substanzieller Wertbeitrag auf Unternehmensebene bleibt jedoch selten. Der Zugang zu leistungsfähigen Modellen ist nicht länger der zentrale Engpass. Die größere Herausforderung besteht darin, KI in Produkte, Arbeitsabläufe, Entscheidungen und Verantwortlichkeiten zu integrieren.

Unternehmen führen KI in bestehende Strukturen, Prozesse und Anreizsysteme ein. Sie verändern eine Komponente und erwarten, dass sich dadurch das gesamte System anders verhält. Das geschieht nur selten. Um zu verstehen, warum, lohnt sich ein erneuter Blick auf das Software Health Triangle.

Das Software Health Triangle – kurz zusammengefasst

So wie die WHO menschliche Gesundheit als körperliches, psychisches und soziales Wohlbefinden versteht – als Ganzes und nicht als Checkliste –, beruht auch die Gesundheit eines Software-Ökosystems auf drei miteinander verbundenen Dimensionen:

  • Technologie & Architektur – Code, Systeme, Plattformen und technische Grundlagen.
  • Business & Produkt – was wir für wen entwickeln und wie wir entscheiden, ob dadurch Wert entsteht.
  • Organisation & Teamdynamik – Menschen, Strukturen, Verantwortlichkeiten, Anreize und Arbeitsweisen, aus denen alles andere hervorgeht.

Bei dem Modell ging es nie um Ausgewogenheit als Selbstzweck, sondern um ganzheitliches Denken und Handeln: Eine wesentliche Veränderung in einer Ecke wirkt sich auf die beiden anderen aus. Wer nur eine Dimension isoliert optimiert, erzielt nur selten den erwarteten Wert. Häufig verschwindet dieser sogar vollständig, weil das übrige System die Veränderung nicht aufnehmen kann.

Agile, DevOps, Cloud-Plattformen und Data Mesh haben bereits zuvor alle drei Ecken verändert. Was KI davon unterscheidet, sind Geschwindigkeit und Reichweite: KI verändert die Kosten der Softwareentwicklung, die Rolle der Menschen, die Software entwickeln, und die wirtschaftliche Logik der Entscheidung, was überhaupt entwickelt werden sollte. KI stärkt nicht einfach nur die Technologie-Ecke. Sie destabilisiert das gesamte Dreieck.

Ecke 1 – Technologie & Architektur: Wie wir entwickeln, verändert sich

KI trifft zuerst die Technologie-Ecke. Was dort geschieht, zwingt auch die beiden anderen Dimensionen zur Veränderung. Die für Verbraucher sichtbare Entwicklung – Menschen ohne formale Programmierausbildung erstellen selbst Werkzeuge – ist bemerkenswert. Die tiefgreifendere Veränderung findet jedoch innerhalb professioneller Softwareteams statt.

KI beschleunigt häufig die Codeerzeugung, aber nicht zwangsläufig die Softwarebereitstellung von Anfang bis Ende. Ihre Wirkung hängt von der Aufgabe, der Codebasis, der Reife des Teams und den jeweiligen Qualitätsanforderungen ab. Untersuchungen mit erfahrenen Entwicklern, die in vertrauten und komplexen Codebasen arbeiteten, stellten mit aktuellen KI-Werkzeugen sogar längere Bearbeitungszeiten fest. Auch die Forschung von DORA weist auf diese systemische Spannung hin: Ein höherer Durchsatz kann mit größeren Review-Paketen, mehr Nacharbeit und geringerer Stabilität einhergehen. Schnellere Codeerzeugung ist nicht dasselbe wie eine höhere Leistungsfähigkeit des Softwaresystems.

Wenn Agenten klar abgegrenzte Aufgaben übernehmen, verlagert sich die Arbeit von Entwicklern: weg vom unmittelbaren Produzieren von Code, hin zum präzisen Beschreiben der Absicht, zum Prüfen der Ergebnisse und zum Orchestrieren paralleler Ströme maschinell erzeugter Arbeit. Der Wert eines Senior Engineers liegt zunehmend weniger darin, persönlich den besten Code zu schreiben, sondern darin, zu erkennen, wie eine gute Lösung aussehen muss: Probleme präzise zu zerlegen, tragfähige Architekturentscheidungen zu treffen und subtile Fehlentwicklungen in Code zu erkennen, der zwar alle Tests besteht, das System aber langfristig schwächt. Der Engpass ist nicht länger, wie schnell Software geschrieben werden kann, sondern wie schnell wir ihr vertrauen können.

Das verändert Qualitätssicherung und Architektur. Traditionelle Code Reviews beruhen auf einer impliziten Garantie des Verständnisses: Ein Kollege hat den Code geschrieben und kann die getroffenen Abwägungen erklären. KI-generierter Code bietet diese Garantie nicht. Er kann sauber und gut dokumentiert wirken und dennoch Domänenregeln verletzen, Fähigkeiten duplizieren oder Architekturgrenzen aushöhlen. Review-Praktiken, automatisierte Evaluierungen, architektonische Leitplanken und Tests auf Systemebene werden deshalb wichtiger, nicht weniger wichtig.

Die Verantwortung geht nicht auf das Modell über. Wer generierten Code akzeptiert, bleibt dafür verantwortlich. Unternehmen stehen zugleich vor einem neuen Nachwuchs- und Lernproblem: Wenn KI viele jener Routineaufgaben übernimmt, durch die Junior Engineers bislang Systemverständnis und Domänenurteil entwickelt haben, muss dieses Lernen bewusst neu gestaltet werden, statt weiterhin davon auszugehen, dass es automatisch entsteht.

Auch die wirtschaftliche Logik verändert sich: Make-or-Buy-Annahmen müssen neu bewertet werden. Architekturen mit probabilistischen Komponenten müssen gezielt für Unsicherheit ausgelegt sein – mit Evaluierungs-Pipelines, Rückfallmechanismen und menschlicher Kontrolle, wo diese erforderlich ist. KI verändert damit Rollen im Engineering, Qualitätsmechanismen, Governance, Talententwicklung und Investitionsentscheidungen. Und sobald Software günstiger und schneller entwickelt werden kann, verändert sich auch die Ökonomie der Produktarbeit.

Ecke 2 – Business & Produkt: Was wir entwickeln – und wie wir darüber entscheiden – verändert sich

Die Business- und Produkt-Ecke wird gleich zweimal getroffen. Die erste Wirkung ist offensichtlich: KI verändert die Erwartungen der Kunden. Produkte, die lediglich um eine KI-Funktion ergänzt werden, konkurrieren bereits mit Produkten, die von Grund auf um KI herum konzipiert wurden. Doch woran erkennen wir, ob eine KI-Initiative tatsächlich Wert schafft? Die Daten legen nahe, dass viele Unternehmen darauf keine belastbare Antwort haben: Pilotprojekte starten ohne Erfolgskriterien, Nutzung wird mit Wirkung und Demo-Qualität mit Produktwert verwechselt. Budgets fließen in sichtbare Anwendungsfälle, während operative Anwendungen mit potenziell höherem Nutzen unterfinanziert bleiben. Das ist kein Technologieversagen. Es ist ein Business- und Produktversagen im Kostüm eines Technologieproblems.

Die zweite Wirkung ist weniger offensichtlich und aus meiner Sicht bedeutsamer. Discovery-Phasen, Konzeptpapiere, Validierungsgates und detaillierte Anforderungen existieren auch deshalb, weil Entwicklung traditionell teuer war: Wenn die Entwicklung des falschen Produkts Monate an Engineering-Kapazität kostet, ist es rational, Unsicherheit zunächst auf dem Papier zu reduzieren. Ein großer Teil der Produktmethodik ist eine Versicherung gegen die Kosten, das Falsche zu entwickeln.

KI verändert diese Kostenstruktur. Wenn KI-unterstützte Teams die Zeit bis zu einer testbaren Produktversion deutlich verkürzen, kann es günstiger werden, einen funktionierenden Prototyp zu entwickeln und aus realem Verhalten zu lernen, als ein weiterhin auf Annahmen beruhendes Konzept weiter zu verfeinern. Discovery wird dadurch nicht weniger wichtig – ihre optimale Form verändert sich. KI beseitigt Discovery nicht. Sie rückt Discovery näher an funktionierende Software. Mehr Fragen werden durch Prototypen und reversible Experimente beantwortet, weniger durch Spezifikationen, Präsentationen und abstrakte Entscheidungsgates.

Ein Unternehmen, das seine Entwickler mit KI ausstattet, den Produktprozess aber unverändert lässt, hat nur eine Ecke optimiert: Das Team liefert deutlich schneller, während das Roadmap-Gremium weiterhin nur quartalsweise tagt und eine Finanzierungsentscheidung noch immer sechs Wochen dauert. Der Engpass verschwindet nicht. Er verlagert sich – von der Produktion von Software hin zur Entscheidung darüber, was produziert werden soll. Genau hier werden viele Unternehmen einen Großteil des von KI ermöglichten Werts verlieren. Wir haben unsere Produktprozesse als Versicherung gegen teure Entwicklung aufgebaut. KI senkt die Prämie, doch die meisten Unternehmen zahlen weiterhin den alten Tarif.

Eine wichtige Einschränkung bleibt: Günstigere Entwicklung macht ein falsches Produkt nicht in jeder Hinsicht günstig. Rollout, Integration, regulatorische Freigaben, operative Komplexität und Reputationsschäden können weiterhin teuer sein. Es geht nicht darum, sorglos zu entwickeln, sondern anders zu validieren: mehr funktionierende Software, mehr reversible Entscheidungen und schnellerer Kontakt mit der Realität. Dafür braucht es eine Produktorganisation, die mit einer anderen Geschwindigkeit arbeitet. Damit kommen wir zur dritten Ecke.

Ecke 3 – Organisation & Teamdynamik: Die langsamste Dimension trifft auf die schnellste Technologie

Technologie lässt sich schnell einführen. Organisationen lassen sich nicht schnell verändern. Sie bestehen aus Menschen, Gewohnheiten, Anreizen, Identitäten und Vertrauen – und nichts davon verändert sich im Tempo neuer Modellversionen. Ein Werkzeug lässt sich innerhalb eines Quartals ausrollen. Vertrauen, Verantwortungsübernahme oder eine neue berufliche Identität nicht. Das war schon immer die langsamste Ecke des Dreiecks.

Die wachsende Lücke zeigt sich bereits in der Shadow-AI-Ökonomie. Der Bericht des MIT Project NANDA stellte fest, dass Beschäftigte in mehr als 90 Prozent der befragten Unternehmen bereits persönliche KI-Konten für ihre Arbeit nutzten, während nur rund 40 Prozent der Unternehmen offizielle LLM-Abonnements erworben hatten. Auffällig ist dabei nicht der Widerstand der Beschäftigten. Im Gegenteil: Die Menschen sind den offiziellen Strukturen ihrer Organisation voraus.

Das erzeugt reale Probleme – von Datenabfluss und Sicherheitsrisiken bis hin zu unklarer Verantwortlichkeit. Wer Shadow AI jedoch ausschließlich als Complianceproblem behandelt, übersieht ihren diagnostischen Wert: Sie zeigt, an welchen Stellen Beschäftigte bereits Reibungsverluste und unerfüllte Bedürfnisse erkannt haben, auf die die formale Organisation noch keine Antwort gefunden hat.

Frühere Transformationswellen boten zumindest die Illusion eines stabilen Zielzustands: Zielbetriebsmodell definieren, Organisation umbauen, Transformation für abgeschlossen erklären. KI bietet keinen solchen Endzustand. Ihre Fähigkeiten entwickeln sich weiter, während Organisationen noch mit der vorherigen Generation ringen. Die Aufgabe besteht daher nicht darin, die Organisation einmalig an KI anzupassen. Es geht darum, eine Organisation aufzubauen, die sich kontinuierlich anpassen kann: Teams mit der Autonomie, ihre Arbeitsabläufe neu zu gestalten; Führungskräfte, die unter Unsicherheit entscheiden können; eine Governance, die sichere Experimente ermöglicht; und Lernsysteme, die professionelles Urteilsvermögen weiterentwickeln, während sich die Werkzeuge verändern.

Diese Herausforderung verdient einen eigenen Artikel, und ich werde in einem weiteren Beitrag darauf zurückkommen.

Ob KI Wert schafft, entscheidet sich letztlich nicht in der Technologie-Ecke, sondern daran, ob die Organisation aufnehmen kann, was die Technologie ermöglicht.

Das fehlende Element: ganzheitliches Denken statt Befähigung einzelner Ecken

Durch das Dreieck betrachtet, überrascht die hohe Misserfolgsquote von KI-Initiativen weniger. Ein Pilotprojekt ohne Geschäftsergebnis ist ein Versagen der Dimension Business & Produkt. Ein leistungsfähiges Werkzeug, das nicht zu den vorhandenen Arbeitsabläufen passt, ist ein Versagen der Dimension Organisation & Teamdynamik. Eine KI-generierte Codebasis ohne geeignete Qualitätsmechanismen ist ein Versagen der Dimension Technologie & Architektur.

Die meisten Initiativen scheitern nicht, weil eine Dimension vollständig fehlt, sondern weil die drei Dimensionen getrennt behandelt werden: Das Technologieteam wählt eine Plattform aus, das Produktteam sucht nach Anwendungsfällen und die Organisation richtet ein Governance-Gremium ein. Jede dieser Maßnahmen kann isoliert betrachtet sinnvoll sein. Solange sie jedoch kein zusammenhängendes System bilden, erzeugen sie nicht verlässlich Wert.

Die Forschung ist mit dieser Diagnose vereinbar. McKinsey stellte fest, dass die grundlegende Neugestaltung von Arbeitsabläufen unter den untersuchten organisatorischen Praktiken am stärksten mit einer tatsächlichen EBIT-Wirkung zusammenhing. BCG kommt mit einem anderen Datensatz zu einem ähnlichen Ergebnis: Die wenigen Unternehmen, die einen substanziellen Wertbeitrag erzielen, unterscheiden sich dadurch, dass sie die Art und Weise verändern, wie Arbeit erledigt wird. Wert entsteht dort, wo sich alle drei Ecken gemeinsam bewegen.

Eine einzelne Ecke kann Investitionen aufnehmen. Nur das gesamte Dreieck kann sie in Wirksamkeit verwandeln. Ganzheitliches Denken ist deshalb kein schmückendes Beraterkonzept, sondern eine wirtschaftliche Notwendigkeit. KI verändert nicht, was das Dreieck verlangt. Sie verändert den Preis und die Geschwindigkeit, mit der sich das Ignorieren dieser Anforderungen rächt.

Bewertung des eigenen Dreiecks im KI-Zeitalter

Die Dimensionen haben sich nicht verändert. Die Fragen schon. Mit diesen würde ich heute beginnen.

Technologie & Architektur

  • Verfügen wir über Qualitätsmechanismen, die für KI-generierten Code ausgelegt sind – Review-Praktiken, Evaluierungs-Pipelines, architektonische Leitplanken und Tests auf Systemebene?
  • Haben wir unsere Make-or-Buy-Annahmen angesichts der veränderten Entwicklungskosten neu bewertet?
  • Sind unsere Systeme für probabilistisches Verhalten, Rückfallmechanismen und menschliche Kontrolle ausgelegt, wo diese erforderlich sind?
  • Wer trägt die Verantwortung für generierten Code, und wie erhalten wir technisches Urteilsvermögen, wenn immer mehr Implementierungsarbeit automatisiert wird?

Business & Produkt

  • Messen wir KI-Initiativen an Geschäftsergebnissen oder hauptsächlich an Nutzung, Aktivität und Demo-Qualität?
  • Können Teams durch Prototypen und reversible Experimente lernen, oder muss jede Idee einen Prozess durchlaufen, der für teure Entwicklung konzipiert wurde?
  • Wissen wir, welche KI-Investitionen Wert erzeugen und welche lediglich Sichtbarkeit schaffen?
  • Haben wir unsere Entscheidungs- und Finanzierungszyklen an die neue Lerngeschwindigkeit angepasst?

Organisation & Teamdynamik

  • Haben Teams die Autonomie, ihre eigenen Arbeitsabläufe rund um KI neu zu gestalten?
  • Ermöglicht unsere Governance sichere Experimente, oder erfordert jede wesentliche Veränderung eine Eskalation?
  • Bauen wir die Fähigkeit zur kontinuierlichen Veränderung auf, oder planen wir lediglich eine weitere Transformation mit festem Endpunkt?
  • Gestalten wir Lern- und Karrierewege bewusst für eine Welt neu, in der KI immer mehr Implementierungsarbeit auf Einstiegsniveau übernimmt?

Über alle drei Dimensionen hinweg

  • Ist ein verantwortliches Team für Geschäftsergebnis, Arbeitsablauf, Technologie sowie Einführung und Nutzung zuständig?
  • Sind Entscheidungen, Kennzahlen und Governance über alle drei Dimensionen hinweg aufeinander abgestimmt, oder auf Gremien mit unterschiedlichen Anreizen verteilt?
  • Wissen wir, wohin sich der Engpass verlagert, wenn KI den aktuellen Engpass beseitigt?
  • Optimieren wir lokalen Output oder die Wirksamkeit des Gesamtsystems?

Diese Fragen sind kein Heilmittel. Sie machen jedoch sichtbar, wo das System schwach ist – und das ist nur selten ausschließlich dort, wo das KI-Budget liegt.

Schluss

Das Software Health Triangle brauchte keine neue Ecke für KI. KI hat das Modell nicht verändert – sie hat den Einsatz erhöht. Sie kann dafür sorgen, dass Software schneller produziert wird. Sie sorgt aber nicht automatisch dafür, dass bessere Entscheidungen getroffen werden, Systeme sicherer betrieben werden, Lösungen leichter angenommen werden oder mehr Wert für Kunden entsteht.

Am stärksten profitieren werden nicht die Unternehmen mit den besten Modellen oder den größten Werkzeugbudgets, sondern jene, die als zusammenhängendes System verändern, was sie entwickeln, wie sie es entwickeln und wie ihre Menschen arbeiten.

KI lässt Software schneller entstehen. Organisationen macht sie nicht gesünder. Das bleibt unsere Aufgabe.

Quellen