Künstliche Intelligenz ist längst in der Softwareentwicklung angekommen. Tools schreiben Code, entwerfen Interfaces und analysieren Anforderungen in Sekunden. Dadurch entsteht schnell der Eindruck, dass Softwareentwicklung bald vollständig automatisiert werden könnte. Doch genau das ist nicht der Fall – und wer das glaubt, verkennt, wo der eigentliche Wert guter Softwareentwicklung liegt.
Denn Code schreiben war noch nie die eigentliche Leistung. Der Wert entstand schon immer woanders: im tiefen Verständnis des Problems, in tragfähigen Prozessen, in einer Architektur, die in einem Jahr noch sauber läuft – und in konsequenter Qualitätssicherung. KI verändert daran nichts Grundlegendes. Sie macht aber etwas sichtbarer als je zuvor: Wer weiß, was er tut – und wer nicht.
Code schreiben war noch nie der Hauptwert – KI macht das nur sichtbarer
KI-Tools sind täglicher Arbeitsalltag – ersetzen aber keine Entwickler
~50 % Zeitersparnis für Senior-Entwickler – bei gleichzeitig längerem Review-Aufwand
KI-Code neigt zu Overengineering – deutlich mehr Review nötig als früher
Vierschichtige „Zwiebeltaktik" als Qualitätssicherungs-Antwort auf KI-generierten Code
Vibe Coding funktioniert für Prototypen – nicht für produktive Systeme
Experten-Tipp: Das reine Code schreiben war noch nie die eigentliche Leistung. Es geht darum, das Problem wirklich zu verstehen und etwas zu entwickeln, das auch in einem Jahr noch sauber läuft. KI ändert daran nichts. Man sieht nur schneller, wer weiß, was er tut – und wer nicht.
Tim Geisendörfer
Founder & CEO
KI verhält sich in der Softwareentwicklung wie eine landwirtschaftliche Maschine. Ein Traktor kann den Boden bearbeiten, ein Mähdrescher kann die Ernte einfahren – aber ohne den Landwirt, der entscheidet wann, wo und wie tief gepflügt wird, bleibt das Feld unfruchtbar.
Je leistungsfähiger die Werkzeuge werden, desto wichtiger wird das Wissen derjenigen, die sie einsetzen.
In klassischen Agenturen wird Kommunikation über mehrere Ebenen weitergegeben: Account Manager, Projektmanager, Teamleiter – dann erst der Entwickler. Bei InnoGE gibt es diese Zwischenschichten nicht.
Der Entwickler spricht direkt mit dem Kunden – über regelmäßige Sprint-Meetings oder einen dedizierten Slack-Kanal. Rückfragen entstehen und werden genau dort beantwortet, wo sie hingehören.
Features werden als präzise GitHub-Issues formuliert, UI/UX bei Bedarf mit V0 als klickbarer Prototyp konkretisiert. Aufwand wird realistisch eingeschätzt, Umsetzung startet erst nach expliziter Freigabe.
Sprint-Meetings werden mit TLDV vollständig transkribiert: KI erstellt automatisch Zusammenfassungen und leitet direkt umsetzbare Todos daraus ab. Kein Protokoll geht verloren.
Moderne Softwareentwicklung bedeutet nicht, möglichst viele Tools einzusetzen – sondern die richtigen für die richtige Aufgabe zu wählen.
Bereich | Tool | Einsatz |
|---|---|---|
Analyse & Planung | Deep Research | Technische Erstanalyse: Ist ein Feature machbar? Welche Ansätze gibt es? |
Issue-Management | Custom Claude Code Skills | Selbst gebaute KI-Agents erstellen und managen Issues im exakt gewünschten Format. |
UI/UX-Prototyping | V0 | Schnelle Interfaces und klickbare Prototypen als Abstimmungsgrundlage. |
Meeting-Dokumentation | TLDV | KI-Transkription aller Sprint-Meetings. Automatische Zusammenfassungen und Todo-Ableitung. |
Frontend-Entwicklung | Claude Code | Primär für Frontend-Aufgaben – liefert hier die beste Qualität im Tool-Vergleich. |
Backend-Entwicklung | Codex (OpenAI) | Primär für Backend-Aufgaben – stärkere Ergebnisse im Server-seitigen Bereich. |
Entwicklungsumgebung | JetBrains | KI-gestützte IDE, direkt in den Entwicklungsworkflow integriert. |
KPIs & Produktivität | Custom ERP | Eigenes System misst Produktivität systematisch. Belastbare interne Daten. |
Hinweis: Die Aufteilung Claude Code (Frontend) / Codex (Backend) basiert auf gemessenen Qualitätsunterschieden – und ändert sich wöchentlich. Am Ball bleiben ist Teil der Arbeit.
Experten-Tipp: KI-Tools sind wie landwirtschaftliche Maschinen: Sie verstärken die Arbeit des Experten, aber ohne den Bauern, der weiß wann, wo und wie tief zu pflügen ist, bleibt das Feld unfruchtbar.
Tim Geisendörfer
Founder & CEO
Auf den ersten Blick sorgt KI für enorme Effizienzgewinne. Senior-Entwickler produzieren mehr Code in kürzerer Zeit. Gleichzeitig entsteht ein neuer Engpass – und er liegt nicht im Code selbst.
KI beschleunigt die Umsetzung. Aber sie verstärkt auch bestehende Schwächen im System. Wer vorher schon keine sauberen Strukturen hatte – keine Tests, kein CI/CD, keine klare Architektur – bekommt durch KI nicht plötzlich bessere Ergebnisse. Im Gegenteil: Der Output steigt, aber die Probleme wachsen mit.
KI-generierter Code ist zudem häufig komplexer als notwendig. Lösungen werden überstrukturiert, Probleme unnötig abstrahiert. Fehler verschwinden nicht – sie verlagern sich in tiefere Ebenen des Systems.
Die Dynamik ist klar: Mehr Geschwindigkeit erzeugt mehr Code. Mehr Code erfordert mehr Struktur. Mehr Struktur erfordert mehr Expertise. Die Komplexität verschiebt sich, sie verschwindet nicht.
Anders gesagt: KI ersetzt keinen Entwickler, sondern macht fehlende Struktur und fehlende Erfahrung schneller sichtbar.
Ein typisches Problem von KI-generiertem Code ist Overengineering. KI ist nicht faul – sie überkompliziert Dinge und erfindet das Rad neu.
Konkretes Beispiel aus der Praxis: Für eine einfache Datumsvalidierung erzeugt eine KI ein vollständiges Strategy-Pattern mit Abstract Factory, drei Interface-Klassen und einem Dependency-Injection-Container – obwohl eine einzige Funktion mit fünf Zeilen Code ausgereicht hätte.
Die Zwiebeltaktik ist unsere strukturierte Antwort auf dieses Problem. Sie stellt sicher, dass mehr Output nicht automatisch mehr Risiko bedeutet:
Schicht | Maßnahme | Funktion |
|---|---|---|
1 | CI/CD Pipeline | Automatisiert bei jedem Push. Maximale Anforderungen an Code-Qualität und Testabdeckung. |
2 | Custom Agents | Selbst konfigurierte KI-Agenten speziell für Code Review nach unseren Standards. |
3 | Greptile AI in GitHub PRs | KI-Analyse direkt in Pull Requests mit Custom-Instruktionen auf unsere Projektstandards. |
4 | Humanes Review ★ Wichtigste Schicht | Erfahrene Entwickler entscheiden final. Hier werden noch immer die meisten Qualitätsprobleme entdeckt. |
Wichtigste Erkenntnis: KI in der Qualitätssicherung ist keine Option, sondern eine Notwendigkeit – weil KI-generierter Code mehr Review braucht. KI beschleunigt → mehr Output → mehr Review nötig → KI hilft beim Review → aber der Mensch entscheidet final.
„Komplexe Module: Von 5 Tagen auf 1,5 Tage bis zum Review. Netto: ca. 50 % Zeitersparnis. Die Review-Phase dauert länger – und das ist gewollt."
Experten-Tipp: Entwickler sind die Landwirte der digitalen Welt. Die Maschine verstärkt die Arbeit, aber ohne das Wissen des Bauern bleibt das Feld unfruchtbar. Investieren Sie in den Bauern, nicht nur in die Maschine.
Tim Geisendörfer
Founder & CEO
Die Effizienzgewinne durch KI sind bei uns nicht geschätzt, sondern gemessen – durch unser internes ERP-System, das Produktivitätsdaten systematisch erfasst.
Netto ergibt sich eine Zeitersparnis von rund 50 % bei einem Senior-Entwickler. Komplexe Module, die früher 5 Tage benötigten, erreichen den ersten Review heute in 1,5 Tagen. Die Review-Phase dauert dafür länger – bewusst so gewollt.
Diese Kostenvorteile geben wir direkt weiter. Durch Abrechnung auf Stundenbasis profitieren Kunden unmittelbar von den Effizienzgewinnen – mehr Lieferleistung für dasselbe Budget.
Im Zentrum steht nicht ein bestimmtes Tool – sondern eine Struktur, die sicherstellt, dass Softwareprojekte wirklich erfolgreich werden.
Unsere Erfolgsquote basiert auf drei Dingen: das Problem sauber verstehen, die Umsetzung strukturiert führen, das Ergebnis langfristig tragfähig gestalten. KI ist dabei ein Werkzeug innerhalb dieses Systems – nicht der Kern der Leistung.
Dafür arbeiten wir in kleinen, hochspezialisierten Teams – sogenannten Pods.
Der ITE-Pod: Kleine Teams, maximale Wirkung
Rolle | Hinweis | Funktion |
|---|---|---|
Product Owner | (= der Kunde selbst) | Kommuniziert direkt mit dem Lead-Entwickler – keine Zwischenebene |
Lead Developer | Zentrale technische Instanz – koordiniert, entscheidet, verantwortet | |
Senior Developer | Umsetzung – greift bei Bedarf auf den Experten-Pool zu | |
Experten-Pool | 3–5 Spezialisten pro Projekt | On-demand verfügbar |
Deep Dive der Kernprozesse des Kunden
Nicht nur Anforderungen aufnehmen – sondern verstehen, was das System langfristig leisten muss
Prozessoptimierung identifizieren
Technology Discovery (welche Technologien passen?)
Projektplan und Budgetplanung
Agiler Entwicklungsprozess mit 1-wöchigen Sprint-Zyklen
Rapid Development mit direktem Kundenfeedback
KI- und automationsgestütztes QA (Zwiebeltaktik)
Produktiver Einsatz der Software (MVP)
Anwenderfeedback sammeln und einarbeiten
Funktionserweiterung basierend auf echten Nutzungsdaten
Skalierung, Wartung & Support
Überschätzt: KI-Autonomie – Die Branche glaubt, KI kann bald autonom Software entwickeln. Realität: Menschliche Steuerung bleibt kritisch. KI ist ein Verstärker, kein autonomer Agent.
Überschätzt: „KI macht Entwicklung einfacher" – Komplexität wird nur verschoben, nicht eliminiert. Wer glaubt, mit KI die Notwendigkeit von Struktur und Erfahrung zu umgehen, wird das schnell an der Qualität der Ergebnisse merken. Die Anforderung an Wissen hat sich verändert, nicht verringert.
Vibe Coding: Gut für Prototypen, nicht für Produktion. Produktion braucht Architektur, Sicherheit, Wartbarkeit und Skalierbarkeit – und dafür braucht es Menschen, die wissen, was sie tun.
Der Unterschied liegt nicht in den Tools, sondern in der Struktur dahinter.
Viele Projekte scheitern nicht am Code – sie scheitern daran, dass das Problem nicht wirklich verstanden wurde, dass Prozesse nicht tragen, dass Architekturentscheidungen nach sechs Monaten zum Problem werden. Genau das ist der Punkt, an dem InnoGE ansetzt.
Struktur + Geschwindigkeit: Die InnoGE Transformation Engine sorgt für saubere Prozesse in jeder Phase – von Discovery bis Impact.
Innovation + Expertise: Modernste KI-Tools, gesteuert von erfahrenen Senior-Entwicklern, die wissen wann, wie und wozu sie einzusetzen sind.
Kosteneffizienz: Kleine, spezialisierte Teams. Effizienzgewinne werden auf Stundenbasis direkt an Kunden weitergegeben.
KI wird gezielt eingesetzt mit konkreten Tools wie Claude Code, Codex, Greptile AI, V0 und TLDV. Die Verantwortung für Problemverständnis, Architektur, Qualität und Entscheidungen bleibt beim Entwicklungsteam – dort, wo sie hingehört.
Nicht grundsätzlich – aber er bringt spezifische Herausforderungen mit sich. Häufig entsteht unnötige Komplexität (Overengineering). Mit der Zwiebeltaktik und strukturierten Prozessen kann die Gesamtqualität sogar steigen.
Vibe Coding bezeichnet einen Ansatz, bei dem KI weitgehend autonom Code generiert ohne klare Architekturvorgaben. Für schnelle Prototypen funktioniert das gut. Für produktive Systeme nicht: Sicherheit, Wartbarkeit, Skalierbarkeit und die Vermeidung technischer Schulden erfordern menschliche Expertise.
Komplexe Module erreichen heute in rund 1,5 Tagen den ersten Review-Status – früher dauerte das 5 Tage. Netto ergibt sich eine Zeitersparnis von ca. 50 % bei einem Senior-Entwickler (gemessen im eigenen ERP-System).
Ein strukturierter 3-Phasen-Ansatz: Discovery (tiefes Problemverständnis & Planung), Rapid Prototyping (1-wöchige Sprints mit Zwiebeltaktik) und Impact (produktiver Einsatz & Skalierung). Basierend auf kleinen, hochspezialisierten Pods mit direktem Kundenzugang.
Ja – das ist unser Modell. Keine Account Manager, keine Projektmanager dazwischen. Der Entwickler kommuniziert direkt mit dem Kunden. Dadurch werden Abstimmungen schneller, klarer und effizienter.
