82 Prozent KI-Code. Warum der Durchsatz trotzdem flach blieb.

Ein Softwareanbieter mit knapp hundert Engineers hatte 82 Prozent KI-generierten Code. Später meldete das Team eine Acceptance Rate von 97 Prozent. Beide Zahlen wurden dem Board als Erfolg berichtet. Der Durchsatz blieb flach.
Gleichzeitig passierte im selben Unternehmen etwas, das in der Diskussion über KI-Produktivität leicht untergeht. Bugs wurden schneller behoben. Im Median sank die Zeit von zwei Tagen auf einen. Auch die langsameren Fälle bewegten sich. Das 85. Perzentil sank von zehn auf sechs Tage.
Wenn ich in diesem Board gesessen hätte, wäre meine erste Frage gewesen: Welche Arbeit ist schneller geworden, und wo wartet der Rest?
Warum Bugfixes schneller wurden
Bei vielen Bugs kann das Team ziemlich genau beschreiben, was schiefläuft. Ein Export enthält Duplikate. Eine Berechnung liefert für einen bekannten Fall den falschen Wert. Das Team kann den Fehler reproduzieren, das erwartete Ergebnis festhalten und die Korrektur prüfen.
Bei einem neuen Feature ist oft schon die erste Frage offen. Welches Problem lösen wir? Für welche Kunden? Welchen Sonderfall unterstützen wir, und was passiert mit den bestehenden Abläufen?
In dem Unternehmen aus meinem Report verbrachten die Entwickler rund die Hälfte ihrer Zeit in Klärungsmeetings. Das Produktmanagement war für das neue Tempo weder personell noch organisatorisch aufgestellt. Das Team konnte schneller implementieren, sobald die Aufgabe klar war. Bis dahin wartete es weiter auf Entscheidungen.
Was ich dem Board zeigen würde
Die Acceptance Rate beantwortet eine Frage zur Nutzung des Werkzeugs. Wie oft übernehmen Entwickler einen Vorschlag? Für die Investitionsentscheidung interessiert mich, wie viele vergleichbare Änderungen das Team in einem Zeitraum tatsächlich produktiv ausliefert. Und wie viel menschliche Arbeit es dafür braucht.
Ich würde mit zwei Aufgabenklassen anfangen. Wiederkehrende Bugfixes und vergleichbare Produktänderungen. Für beide würde ich erfassen, wie viele Änderungen pro Zeitraum live gehen und wie lange sie brauchen. Die Zeit für offene fachliche Entscheidungen gehört genauso dazu wie Implementierung, Review, Freigabe und Nacharbeit. Bei den ausgelieferten Änderungen würde ich nachsehen, wie viele davon wir später korrigieren oder zurücknehmen mussten.
Damit kann ich im Board zwei Dinge gleichzeitig sagen. Wir beheben einen Teil unserer Bugs schneller. Bei neuen Features verlieren wir weiter Zeit, bevor das Team überhaupt weiß, was es bauen soll. Daraus folgen zwei unterschiedliche Entscheidungen.
Wo ich zuerst ansetzen würde
Ich würde mir die letzten fünf Features ansehen, die länger gebraucht haben als erwartet. Bei jedem würde ich eine Frage stellen: Auf welche Entscheidung hat das Team am längsten gewartet?
Wenn sich dieselbe Art von Entscheidung wiederholt, würde ich klären, wer sie treffen darf, welche Informationen die Person dafür braucht und ab wann das Team loslegen kann. Dafür muss kein perfektes Ticket entstehen. Das Team braucht eine klare Entscheidung darüber, welches Verhalten erwartet wird und wie es die Änderung abnimmt.
Den Gewinn bei den Bugfixes würde ich weiter messen und den Ablauf dort ausbauen, wo die Ergebnisse stabil bleiben. Für Features würde ich nach einigen Wochen prüfen, ob die früheren Entscheidungen tatsächlich Wartezeit aus dem Prozess nehmen. So lässt sich erkennen, ob der nächste Euro in KI-Werkzeuge, Produktarbeit oder Verifikation gehört.
Der Fall stammt aus meinem CTO Report 2026. Dort zeige ich auch, wie sich Aufwand in Review, Orchestrierung und Nacharbeit verschieben kann. Am Ende stehen zwölf Fragen, mit denen du deinen eigenen Entwicklungsprozess durchgehen kannst.
Related Posts
CTO werden – mehr als nur ein Karriereschritt Wer heute…
In einer Welt des permanenten Wandels ist die Fähigkeit zur Anpassung…
Viele Gründer wissen nicht, was sie eigentlich einkaufen: eine Rolle…
TL;DRITAM ist kein „Aufräum-Projekt“. Richtig aufgesetzt wird es zum Steuerpult…



