**Deutscher Titel:** Warum steigt die Forschungs- und Entwicklungs-Effizienz von Unternehmen trotz 60 Prozent kodierten Codes durch AI nicht? **Erklärung:** Der chinesische Titel beschreibt eine Situation, in der KI-Algorithmen bereits einen erheblichen Anteil des Programmcodes erstellen (60 Prozent), doch die Effizienz der Forschungs- und Entwicklungsprozesse in Unternehmen weiterhin nicht deutlich verbessert wird. Der deutsche Titel greift dieses Thema auf und stellt die Frage, warum tr

Zusammenfassung der Kerninhalte

Die Generierungsrate von AI-Code hat bereits 60 % erreicht (wie bei Kuaishou), doch die gesamte Forschungs- und Entwicklungsleistung der Unternehmen hat nicht entsprechend zugenommen. Das Problem liegt nicht in der Fähigkeit der AI, sondern darin, dass die Effizienzsteigerung einzelner Personen nicht gleichzeitig die Effizienz des Unternehmens verbessert. Der traditionelle Produktions- und Entwicklungsprozess, der Verlust an Zusammenarbeitskontexten sowie mangelnde Wissensakkumulation sind die Hauptursachen für diese Situation. Gleichzeitig entwickeln sich AI-Tools von reinen Hilfsmitteln (wie Copilot) zu Werkzeugen für Teamzusammenarbeit (wie Agent Teams). Nicht-Entwicklungsmitarbeiter (z. B. aus den Bereichen Operation und Produktmanagement) beginnen, mithilfe von AI Software zu entwickeln. In Zukunft wird AI die gesamte Unternehmensstruktur verändern – doch menschliches Urteilsvermögen und die Fähigkeit, Bedürfnisse zu erkennen, bleiben die Kernkompetenzen.

Erstes Kapitel: AI beschleunigt die Arbeit von Einzelpersonen, aber die Organisation hält nicht Schritt

Viele Unternehmen stellen fest, dass Ingenieure mit AI 40 % schneller Code schreiben können – doch die Projektdauer hat sich nicht verkürzt und die Gesamtleistung des Teams nicht gesteigert. Das Problem liegt an drei Hauptursachen:

1. Veraltete Organisationsstrukturen: Noch immer gilt die traditionelle Trennung von Frontend- und Backend-Entwicklung sowie der Prozess „Produktentwicklung – Testen“, der nicht auf das Zeitalter der AI abgestimmt ist. Zwar kann AI Code über verschiedene Dateien hinweg generieren, doch die Teams sind weiterhin nach alten Aufgabenstrukturen unterteilt, was zu erneuten Koordinierungsanforderungen und Zeitverschwendungen führt.

2. Verlust von Zusammenarbeitsinformationen: Bei der Übertragung von Anforderungen von der Geschäftsabteilung zur Entwicklungsabteilung geht oft der Kontext (z. B. Geschäftshintergrund, Systemregeln) verloren. Selbst wenn AI in der Lage ist, Code zu generieren, kann der Code ohne vollständige Informationen nicht den tatsächlichen Anforderungen entsprechen und muss daher wiederholt überarbeitet werden.

3. Unvollständige Wissensverteilung: Geschäftskenntnisse (z. B. Nutzeranforderungen), Fachwissen (z. B. Regeln von E-Commerce-Systemen) sowie Entwicklungskenntnisse (z. B. Codestandards) sind bei verschiedenen Personen verteilt, wodurch AI nicht schnell genug auf diese Informationen zugreifen kann. Dies führt zu unstandardisiertem Code oder sogar zur Wiederentwicklung derselben Funktionen.

Zweites Kapitel: Probleme beim Einsatz von AI für die Softwareentwicklung

In den Demo-Vorführungen wirkt AI beeindruckend, doch in der Praxis treten häufig Probleme auf – der Code entwickelt sich ab vom ursprünglichen Plan, die Architektur wird unstrukturiert, und der Code ist nicht sicher. Große Unternehmen lösen diese Probleme folgendermaßen:

• Abweichungen bei langfristigen Aufgaben: Zuerst lässt man AI die Anforderungen genauer verstehen, bevor es mit der Arbeit beginnt (z. B. durch detaillierte Planung vor der Codeerstellung). Kuaishou verlangt von AI, dass es die Anforderungen klar definiert und einen ausführlichen Plan erstellt; erst nach Bestätigung durch Menschen beginnt AI mit der Codeerstellung.
• Unzuverlässiger Code: Doppelte Sicherheitsmaßnahmen: Zunächst werden die Codestandards und Architekturanforderungen an AI übergeben, anschließend wird der Code von anderen Personen überprüft (z. B. durch einen anderen Agenten) und automatisierte Tests durchgeführt; vor der Veröffentlichung muss der Code noch einmal manuell überprüft werden.
• Kontrollverlust des Zusammenarbeitskontextes: Komplexe Aufgaben werden in kleinere Teilaufgaben aufgeteilt, die von verschiedenen Agenten bearbeitet werden (z. B. einer ist für die Anforderungsanalyse zuständig, ein anderer für die Codeerstellung), um Verwirrungen zu vermeiden.

Drittes Kapitel: Können auch Nicht-Entwickler Software entwickeln? Ist dieser Trend real oder nur eine Illusion?

Heute nutzen bereits Mitarbeiter aus den Bereichen Operation, Produktmanagement und Finanzen AI, um kleine Anwendungen zu erstellen (z. B. Registrierungssysteme, Datenanalysetools). Das ist keine Illusion, sondern eine tatsächliche Entwicklung:

• Praktische Beispiele: Kuaishou hat nicht-Entwicklern die notwendige Infrastruktur bereitgestellt, um Registrierungssysteme zu entwickeln; bei REDnote ermöglicht das Tool „Muse“ Nicht-Entwicklern, direkt kreative Lösungen zu erstellen, die über Datenbanken und AI-Funktionen verfügen.
• Streitpunkte: Sicherheit und Qualität: Da Nicht-Entwickler oft keine technischen Kenntnisse haben, kann es vorkommen, dass sie Code mit Sicherheitslücken schreiben; daher ist eine finale Überprüfung durch Menschen erforderlich (z. B. bei Datenbankoperationen oder Zahlungsschnittstellen). Für Demo-Zwecke und automatisierte Tools ist dies jedoch vollständig machbar.
• Zukunftsprognose: Dieser Trend wird sich weiterentwickeln – genauso wie die Erfindung des Buchdrucks mehr Menschen zum „Drucken“ befähigte, wird AI mehr Menschen dazu bringen, Software zu entwickeln. Der Schlüssel liegt nicht im Codewriting, sondern in der Fähigkeit, Anforderungen zu erkennen und Nutzerbedürfnisse zu verstehen.

Viertes Kapitel: Sollte man selbst entwickeln oder Tools kaufen? Die eigentliche Hürde sind nicht die Modelle, sondern die Organisation

Externe AI-Tools (wie Claude Code, Cursor) werden schnell aktualisiert. Unternehmen fragen sich, ob sie selbst entwickeln sollen:

• Kleine Teams/Start-ups: Es macht mehr Sinn, fertige Tools zu kaufen – Community-Tools erfüllen bereits die Anforderungen und sind kostengünstig sowie schnell einsetzbar (z. B. durch den Kauf von Tokens).
• Große Unternehmen: Eine Mischlösung: Kernkomponenten (z. B. Integration mit internen Systemen, Sicherheitskontrollen) werden selbst entwickelt, während einfache Tools aus der Community genutzt werden. Große Unternehmen haben oft historische technische Herausforderungen und müssen diese in ihre eigenen Systeme integrieren.
• Wichtige Hürden: Es geht nicht um die Modelle oder Tools, sondern um die Organisations- und Systemfähigkeiten – insbesondere darum, Wissen effektiv zu sammeln und die Zusammenarbeit zwischen Menschen und AI zu optimieren.

Fünftes Kapitel: Werde AI die Unternehmensstruktur im Jahr 2028 vollständig verändern?

Zwei Experten sind sich einig, dass dies tiefgreifende Veränderungen mit sich bringen wird:

• Organisationsstrukturen: Es wird keine reinen „Softwareunternehmen“ mehr geben; alle Unternehmen werden AI-basiert sein. Teams werden geschlossener und flexibler arbeiten (z. B. kleine Teams nutzen AI, um den gesamten Prozess von der Anforderungsanalyse bis zur Veröffentlichung selbst durchzuführen).
• Veränderungen in den Rollen der Mitarbeiter: Programmierer werden nicht mehr nur Code schreiben, sondern auch als „Anforderungsfinder“ und „AI-Begleiter“ fungieren – sie nutzen AI, um PRD-Dokumente zu erstellen, Prototypen zu zeichnen oder Konkurrenzanalysen durchzuführen. Die Grenzen zwischen Anfängern und Experten werden verschwimmen; jedoch bleiben Menschen mit gutem Geschmack und Urteilsvermögen weiterhin wichtig (z. B. bei der Entscheidung, welche Produkte entwickelt werden sollen oder wie die Architektur gestaltet wird).
• Kosten: Wenn sich die Kosten für AI-Modelle auf ein Niveau senken, das mit dem Stromverbrauch vergleichbar ist, werden viele ToC-Anwendungen (z. B. persönliche Mini-Apps) populär werden.

Zusammenfassung:

AI wird Menschen nicht ersetzen, sondern ihre Arbeitsweise verändern – von der reinen Codeerstellung hin zur Entscheidungsfindung und Chancenerkennung. Der Schlüssel zu höherer Effizienz liegt darin, die Organisation und Systeme so anzupassen, dass sie optimal mit AI zusammenarbeiten können. Wer zuerst seine Strukturen auf AI ausrichtet, wird schneller vorankommen.

Ein Satz zum Abschluss:

AI in der Softwareentwicklung ist nicht nur ein „besseres Werkzeug“, sondern eine Chance, die Arbeitsweise von Teams, die Nutzung von Wissen sowie die Zusammenarbeit zwischen Menschen und AI neu zu gestalten. Wer diese Veränderungen zuerst umsetzt, wird im Wettbewerb erfolgreich sein.