Wie man KI in einem Software-Team einführt

Besteht Ihre KI-Adoptionsstrategie darin, Copilot-, Cursor- oder Claude-Lizenzen zu verteilen und sie herausfinden zu lassen, wie man sie benutzt?

Im vergangenen Jahr habe ich festgestellt, dass dies eine weit verbreitete Strategie in Software-Unternehmen ist, deren Teams einer hohen Arbeitsbelastung ausgesetzt sind und die aufgrund mangelnder Kenntnisse und Zeit KI als nur eine weitere Technologie betrachten, die jeder Entwickler autodidaktisch erlernen kann.

Wenn ich anfange, mit einem Kunden zu arbeiten, der diesen Ansatz verfolgt hat, messe ich als Erstes die tatsächliche Nutzung und den Impact, den die Initiative hatte, und was ich beobachte, ist Folgendes:

Die Nutzung konzentriert sich auf einige wenige Power-User. Menschen, die proaktiv die Zeit investiert haben, um zu recherchieren und zu lernen, wie man das Potenzial der KI ausschöpft. Typischerweise sind dies weniger als 10% des Teams, und es sind Personen, die erhebliche persönliche Zeit in das Lernen investiert haben.
Eine beträchtliche Anzahl von Entwicklern nutzt KI kaum oder nur sehr wenig. Es gibt verschiedene Gründe dafür, von einem ersten Versuch, der schlechte Ergebnisse lieferte, bis hin zur Angst, die Kontrolle über den Code zu verlieren, besonders wenn sie den Agent-Modus ohne Kriterien verwenden.
Die durchschnittliche Anzahl von Anwendungsfällen pro Entwickler liegt bei etwa 3: Informationssuche, Code-Generierung für neue Features und Test-Generierung. Viele kennen jedoch andere Anwendungsfälle nicht, die ebenfalls sehr nützlich sind: Design, Prototyping, Dokumentation, Debugging, Refactoring, Code-Review oder das Erstellen von Skripten und Automatisierungen.
Sie arbeiten weiter wie vor der KI: gleiche Scrum-Methodik, gleiche Best Practices (oder deren Fehlen), gleiches Produktmanagement usw.

Einige Entwickler kaufen sich persönliche Lizenzen aus eigener Tasche, insbesondere Claude Code, und das bedeutet, dass das Unternehmen keine Kontrolle über die Datenschutzkonfiguration oder Einsicht in die Metriken hat. Ich habe mehrere Unternehmen gesehen, die aus diesem Grund unwissentlich proprietären Quellcode mit Anthropic zum Training neuer Modelle geteilt haben.

Und alle Unternehmen, die so an das Thema herangehen, haben ein bittersüßes Gefühl bezüglich des KI-Impacts, da sie möglicherweise einige interne Erfolgsgeschichten gesehen haben, aber das Gefühl vorherrscht, dass alles mehr oder weniger wie zuvor weitergeht.

Nach meiner Erfahrung funktioniert es, eine KI-Adoptionsstrategie auf der Ebene des Technologie-Teams zu definieren, wobei der erste Schritt darin besteht, dem Management zu kommunizieren, was es von den aktuellen Fähigkeiten generativer KI erwarten kann, jenseits des Hypes, und Erwartungen bezüglich des Impacts und der Investitionen zu setzen, die sie tätigen müssen.

Einerseits ist der Impact nicht x10 oder x2, wie viele verkaufen, aber man kann eine Steigerung zwischen 10% und 30% anstreben (obwohl diese Spanne nicht wörtlich interpretiert werden sollte, sondern eher als Größenordnung dessen, was erwartet werden kann), wobei es stark von der Technologie, dem Projekt und den Aufgaben, der Seniorität der Person, den Werkzeugen und ihrem Wissen über KI abhängt.

Andererseits umfasst die empfohlene Mindestinvestition: Werkzeuge (Cursor oder Copilot in Teams oder Business sind die Grundlagen), Schulung und technisches Coaching. Und ein realistischer Adoptionsplan benötigt mehrere Monate, um die Reisegeschwindigkeit zu erreichen, bei der KI bereits Teil der täglichen Routine aller ist.

In den Begleitungen, die ich Unternehmen bei der KI-Adoption biete, folge ich üblicherweise diesem Plan:

Beginnen Sie damit, das Management zu evangelisieren, setzen Sie realistische Erwartungen und teilen Sie Erfahrungen, die ihnen helfen, die Möglichkeiten zu verstehen. Schließlich ist KI nicht nur eine weitere Technologie, sondern verändert unsere Arbeitsweise, und diese Veränderung erfordert, dass die Führung überzeugt und eingebunden ist, um sie durchzuführen. Eine weit verbreitete Idee über KI ist, dass sie ein Beschleuniger ist; wenn man jedoch nur auf die Zeitvariable schaut, kann das dazu führen, dass wir schneller darin werden, niedrigere Qualität zu liefern. Eine ratsamerere Strategie ist es, KI als Verstärker sowohl von Geschwindigkeit als auch Qualität zu sehen und Initiativen so zu kalibrieren, dass beide steigen.
Schulungen für alle vorschlagen, um das allgemeine Niveau zu heben und die Lernkurve zu reduzieren, die beim Selbststudium besteht. Wenn wir keine Schulung anbieten, ist es fast sicher, dass es Ingenieure geben wird, die suboptimale Ergebnisse erzielen, und die langfristigen Kosten werden in nicht realisierter Produktivität bezahlt.
Die Schulung mit Pair-Programming-Sessions und technischem Coaching ergänzen, bei denen jeder Entwickler mit einem erfahrenen KI-Nutzer an echtem Code in einer Aufgabe oder User Story aus seinem Projekt arbeitet. Denn Schulungen bieten in der Regel ein gutes theoretisches Framework, aber die Umsetzung in die Praxis ist nicht so trivial. Wenn jemand schon einmal Pair Programming mit einem erfahreneren Entwickler gemacht hat, wird er den Wert erkennen, der aus dieser Art von Session gewonnen werden kann.
Entwicklungs-Best-Practices überprüfen und aktualisieren, denn KI wird es uns ermöglichen, schneller zu gehen, aber wenn wir keine soliden Best Practices haben, werden wir mehr Bugs und mehr technische Schulden haben. Dank KI sehen wir Teams, die Praktiken einführen, die sie im Backlog hatten, und das mit einer geringeren Investition als zuvor nötig war.
Die Nutzung von Copilot, Cursor, Claude messen und monatliche Berichte generieren - es ist der einzige Weg, ein objektives Bild davon zu haben, wie sich Nutzung und Adoption entwickeln.
Engineering-Produktivitätsberichte messen und generieren, um den KI-Impact auf die Softwareentwicklung zu erkennen und zu quantifizieren. Einige Metriken, die verwendet werden können, sind Lead Time, Throughput und Change Failure Rate.
Eine KI-Gilde gründen, in der das Team Erkenntnisse und Erfahrungen mit KI innerhalb des Unternehmens teilt. Dies wird dem Team auch ermöglichen wahrzunehmen, dass KI ein fundamentaler Teil der Arbeit ist und in Gesprächen präsent sein sollte. Eine der häufigsten Initiativen ist es, ein Forum, einen Chat-Kanal oder Ähnliches zu schaffen, das der KI-Gilde gewidmet ist, und jedes Teammitglied zu ermutigen, darüber zu posten, wie es KI nutzt.
Neuigkeiten zu Werkzeugen und Modellen beobachten und sie mit dem Team teilen, sobald sie erscheinen. Dies ist ein Feld, das sich so schnell bewegt und in dem wir Updates gesehen haben, die Quantensprünge darstellen.

Nach meiner Erfahrung mit Teams, die dieser Strategie folgen, wird die KI-Adoption durch Ingenieure am Ende weit verbreitet, und die Steigerung der Produktivität wird nach einigen Monaten sichtbar. Darüber hinaus gibt es eine klare Verbesserung des Entwicklungsprozesses mit mehr und besseren Best Practices, was dazu beiträgt, die Kultur des Engineering-Teams zu heben.

Wenn Sie das Gefühl haben, dass KI in Ihrem Team die Erwartungen nicht erfüllt, müssen Sie möglicherweise überprüfen, wie Sie vorgehen. Wenn Sie darüber sprechen möchten, können Sie einen Anruf hier buchen.