KI ist im Team angekommen, aber noch nicht in der Organisation

Kurzfassung: Entwicklerinnen und Entwickler nutzen KI längst, aber die Organisation um sie herum ist noch nicht umgebaut. In den offenen Antworten unserer Studie mit 99 professionellen Entwicklern nennt jede dritte Antwort Teamstrukturen, jede dritte gemeinsame Infrastruktur und jede dritte Kultur als das, was sich ändern müsste. Bessere Tools nennt kaum jemand. Die Skepsis ist pragmatisch: Nur 4 von 67 lehnen das Modell im Kern ab. Und in der agilen Praxis bleibt der Rahmen, während sich die Arbeit darin vom Schreiben zum Prüfen verschiebt.

Die perfekteste Antwort in unserer Umfrage stammte vermutlich von einer KI.

Sie war sauber gegliedert, mit Zwischenüberschriften. Sie nannte System-Teams und Platform-Teams, gemeinsame Wissensbasen, klare Richtlinien für Prompts, Schulungen und eine Kultur der Zusammenarbeit. Genau das Modell, das wir den Teilnehmenden vorgestellt hatten, nur schöner formuliert. Was fehlte: ein einziger Satz über die eigene Firma.

Beim Codieren der Antworten haben wir solche Texte markiert. Zwei Personen unabhängig voneinander, und bei einigen waren wir uns sofort einig. Ausgerechnet diese Antworten stimmen dem Modell am vollständigsten zu. Hätten wir sie nicht bemerkt, sähe das Ergebnis besser aus, als es ist.

Das hat mich zu der eigentlichen Frage geführt: Wenn man die Lehrbuchantworten beiseitelegt, wo stehen Teams dann wirklich?

Was wir gefragt haben

Im März 2026 haben wir 99 professionelle Softwareentwicklerinnen und -entwickler über Prolific befragt (Hinderks, Thomaschewski & Schön, 2026, vorgestellt auf der ISD 2026 in Prag). Alle arbeiten agil und nutzen KI-Coding-Tools. Die geschlossenen Fragen habe ich schon im Research-Protokoll zur Studie ausgewertet. Hier geht es nur um die zwei offenen Fragen am Ende.

Die erste Frage bezog sich auf das Drei-Ebenen-Modell, das wir vorher beschrieben hatten: ein gemeinsames KI-Entwicklungssystem, das System-Teams entwerfen, Platform-Teams betreiben und Product-Teams nutzen. Warum ich KI für ein Organisationsproblem halte, steht in AI-Dev#1, das Modell selbst auf der Seite zur KI-gestützten Entwicklung.

• Organisation: Was müsste sich in Deiner Organisation ändern, damit so ein System funktioniert? 67 Personen haben geantwortet.
• Agile Praxis: Welche agile Praxis hat sich durch KI am stärksten verändert? 58 Personen haben geantwortet.

Nicht das Tool fehlt, sondern die Struktur

Die erste Zahl, die mir auffiel, ist die kleinste: Nur 2 von 67 Befragten arbeiten schon nach einem ähnlichen Modell. Alle anderen nutzen KI, jede und jeder für sich. Eine Organisation, die das bündelt, gibt es bei ihnen noch nicht.

Was müsste sich also ändern? Drei Themen liegen gleichauf an der Spitze.

Was müsste sich ändern?	Antworten (von 67)	Anteil
Teamstrukturen und Rollen	24	etwa jede dritte
Gemeinsame Tools und Infrastruktur	23	etwa jede dritte
Kultur, Haltung, Führung	22	etwa jede dritte
Kompetenzen und Schulung	16	etwa jede vierte
Personal und Budget	16	etwa jede vierte
Vorbehalte (Autonomie, Abhängigkeiten)	13	etwa jede fünfte
Regeln, Governance, Sicherheit	10	etwa jede siebte
Größe der Organisation	10	etwa jede siebte
Arbeiten schon ähnlich	2	2 von 67

Teamstrukturen und Rollen (24 Antworten): Wer kümmert sich um die KI-Umgebung? Viele schreiben, dass es dafür eigene Teams oder zumindest feste Rollen bräuchte. Heute macht das nebenbei, wer gerade Lust hat.

Gemeinsame Tools und Infrastruktur (23 Antworten): weg vom eigenen Setup, hin zu gemeinsamen Werkzeugen, geteiltem Kontext und einer Wissensbasis, die alle nutzen.

Kultur, Haltung und Führung (22 Antworten): Offenheit, Rückhalt vom Management, eine Organisation, die bereit ist, sich umzubauen. Eine Person beschreibt den Graben im eigenen Team so:

Some of us are young and very open, very curious, trying new stuff, but some people just don't want to adapt.

Erst danach kommen Kompetenzen und Schulung sowie Personal und Budget, mit je 16 Antworten. Regeln und Governance nennt nur jede siebte Antwort. Und dass ein besseres Tool fehlt, schreibt praktisch niemand.

Eine Antwort fasst das für mich am besten zusammen:

I see it much more challenging from an organisational point of view rather than a technical one.

Ein Einwand gehört allerdings gleich hierher. Die Befragten kannten das Modell aus der Umfrage. Wenn jemand „System-Teams einrichten“ schreibt, ist das zum Teil ein Echo dessen, was wir vorher beschrieben haben. Bei Kultur und Haltung klingen die Antworten dagegen oft sehr persönlich, wie im Zitat oben.

Skepsis ja, Ablehnung kaum

Ich hatte mit mehr Widerspruch gerechnet. Ein gemeinsames System bedeutet schließlich auch, dass nicht mehr jeder sein Lieblingswerkzeug wählt. Deshalb haben wir jede Antwort zusätzlich danach eingeordnet, wie sie zum Modell steht.

Bedingung (42 von 67): Die Mehrheit beschreibt, was gegeben sein müsste. Das sind keine Einwände, sondern Anforderungen.

Engpass (21 von 67): Jede dritte Antwort sieht ein echtes Hindernis. Meist ist es Personal, Budget oder die eigene Größe. Auch die positivste Stimme in den Antworten landet hier:

In my organization, we are actively experimenting with a similar approach, and I really like it. The main challenge is the budget.

Alternative (4 von 67): Nur vier Antworten stellen einen Kern des Modells infrage. Fast immer geht es um eines von zwei Dingen. Entweder um die Wartezeiten, wenn ein Product-Team auf ein Platform-Team angewiesen ist. Oder um die freie Wahl des eigenen Coding-Agenten:

We all have different coding agents that give us what we want. If the plan still gives a developer autonomy of choice of his best tool, then it would work.

Diesen Einwand nehme ich ernst. Er ist der einzige echte Gegenentwurf in den Daten. Und er zeigt, wo ein gemeinsames System an Akzeptanz verliert: wenn es sich wie eine Einschränkung anfühlt und nicht wie eine Entlastung.

Kleine Firmen fühlen sich nicht gemeint

Ein Muster zieht sich durch die Engpass-Antworten: Kleine Firmen lesen das Modell als etwas für die Großen. Zehn Antworten machen die Umsetzbarkeit ausdrücklich an der Größe des Unternehmens fest. Am deutlichsten wird das hier:

This system sounds great for bigger companies with more funding and time to spare, but for small companies, employees working in no paying projects would be costing money.

Das ist ein berechtigter Punkt. Wer zu fünft ist, kann niemanden abstellen, der nur die KI-Umgebung pflegt. Es passt zu dem, was wir schon im quantitativen Teil gesehen haben: Kleine Teams brauchen eine vereinfachte Variante, in der die Rollen existieren, aber nicht als eigene Teams. Eine Person schlägt sogar von sich aus vor, dass zwei statt drei Ebenen reichen würden.

Agile Praxis: Der Rahmen bleibt, die Arbeit verschiebt sich

Die zweite Frage hat mich mehr überrascht als die erste. Ich hatte erwartet, dass KI an den Zeremonien rüttelt. Am Daily, an der Retro, am Sprint Review. Das ist nicht der Fall.

Was hat sich verändert?	Antworten (von 58)	Anteil
Umsetzung und Coding-Tempo	13	etwa jede vierte
Iterationstakt und Sprintlänge	11	etwa jede fünfte
Planung, Schätzung, Backlog	11	etwa jede fünfte
Keine Veränderung	11	etwa jede fünfte
Code-Review als Prüfung	8	etwa jede siebte
Tests, TDD und CI	7	etwa jede achte
Rollen und Kompetenzen	6	etwa jede zehnte
Zeremonien (Daily, Retro)	2	2 von 58
Unklar oder ohne Inhalt	6	etwa jede zehnte

Verändert haben sich vor allem drei Dinge: das Tempo beim Umsetzen (13 Antworten), der Takt der Iterationen (11) und die Planung mit Schätzung und Backlog (11). Zeremonien wie Daily oder Retro nennen nur 2 von 58 Antworten.

Genauso viele, nämlich 11, sagen: Bei uns hat sich nichts verändert. Diese Antworten kommen nicht von Leuten, die KI kaum nutzen. Alle elf arbeiten täglich oder häufig damit. Eine Person schreibt:

The team's agile practice remained the same even though all developers and PO use AI.

Das ist für mich der Kern des Befunds. KI wird in den Rahmen eingebaut, den es schon gibt. Der Sprint bleibt, das Daily bleibt, die Retro bleibt. Was sich ändert, ist die Arbeit dazwischen.

Vom Schreiben zum Prüfen

Durch viele Antworten zieht sich ein Rollenwandel. 13 Antworten, also fast jede vierte, beschreiben Code-Review oder Tests als Absicherung von KI-Output. Im Review geht es weniger um Syntax und mehr darum, ob die Logik stimmt, ob der Code sicher ist und in die Architektur passt. Tests und CI werden wichtiger, weil mehr Code schneller entsteht, den niemand Zeile für Zeile geschrieben hat. Sechs Antworten beschreiben den Wandel ausdrücklich an sich selbst:

I am rarely coding myself anymore, AI does it for me. I am merely implementing and testing the code.

Das passt zu den geschlossenen Fragen der Studie. Dort gehörte es zu den stärksten Zustimmungen überhaupt, dass KI die Herangehensweise ans Programmieren verändert hat. Und Continuous Integration und testgetriebene Entwicklung gewinnen deutlich an Bedeutung. Die Rolle verschiebt sich vom Produzieren zum Verantworten.

Was ich dabei kaum finde: Antworten, in denen das Team gemeinsam über die KI-Umgebung nachdenkt. Eine einzige erwähnt, dass KI-Werkzeuge jetzt im Team bewertet werden. Wenn sich die Arbeit so stark verschiebt, aber die Reflexion darüber nicht, lernt das Team als Ganzes wenig dazu.

Was das für Dich heißt

Im quantitativen Teil der Studie gab es eine Lücke, die mich seitdem beschäftigt. Auf einer Skala von −3 bis +3 halten die Befragten das Drei-Ebenen-Modell für plausibel (+1,5). Dass es in der eigenen Organisation funktionieren würde, glauben sie deutlich seltener (+0,8). Die Zahlen sagten mir, dass es diese Lücke gibt. Die offenen Antworten sagen mir, warum: fehlende Ressourcen, die falsche Größe, eine Kultur, die nicht mitzieht, und die Sorge, die eigene Werkzeugwahl zu verlieren.

Keiner dieser Gründe ist technisch. Und keiner verschwindet, wenn das nächste bessere Modell erscheint.

Bevor ich die Grenzen nenne, drei Fragen, mit denen Du Deine eigene Organisation prüfen kannst:

1. Wer ist bei Euch dafür zuständig, die KI-Umgebung zu pflegen, und steht das in irgendeiner Rollenbeschreibung?
2. Arbeiten Eure Teams mit denselben KI-Werkzeugen und Wissensbasen oder jeder mit seinem eigenen Setup?
3. Hat sich in Euren Retros schon einmal jemand mit der KI-Umgebung selbst beschäftigt?

Wenn Du alle drei mit Nein beantwortest, bist Du in guter Gesellschaft. So geht es 65 von 67 unserer Befragten.

Was die Zahlen nicht sagen

Die Zahlen zeigen Tendenzen, keine repräsentativen Aussagen. Es sind 67 und 58 Antworten, manche Themen haben nur eine Handvoll Nennungen. Die Befragten kommen aus einem englischsprachigen Online-Panel und haben sich selbst für eine Studie über KI gemeldet. Sie nutzen KI vermutlich häufiger als der Durchschnitt. Sie kannten das Modell aus der Umfrage, was manche Antworten färbt. Und ein kleiner Teil der Antworten stammt vermutlich gar nicht von Menschen. Das ist Einwand und Befund zugleich: Wer heute Freitexte auswertet, muss auch das prüfen.

Die Studie ist zusammen mit Jörg Thomaschewski und Eva-Maria Schön entstanden. Emma Szameitpreiks hat bei der Codierung geholfen. Die vollständige Auswertung der geschlossenen Fragen findest Du im Research-Protokoll.

Welche der drei Prüffragen kannst Du für Deine Organisation heute schon mit Ja beantworten? Schreib es mir.