Macht KI die Produktentwicklung wirklich schneller?

KI beschleunigt die Produktentwicklung. Aber wohin verschwindet die Arbeit?

Michael Dobler

Autor Dr. Web

6. September 2026

2 Min. Lesezeit

Ein Prototyp entsteht im Code an einem Tag, die Entwicklung entwirrt die schwache Struktur eine Woche später. KI verkürzt einen Arbeitsschritt und schiebt den Aufwand nach hinten, statt ihn abzuschaffen. Die DORA-Studie 2025 beziffert die Kehrseite, höheres Tempo bei sinkender Stabilität.

drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen

KI-Produktivität misst sich meist am einzelnen Arbeitsschritt: Ein Research-Bericht steht in Stunden statt Tagen, ein Prototyp über Nacht. Der Blick auf den ganzen Weg von der Idee bis zum fertigen Produkt fällt dabei oft weg. Auf diesem Weg entscheidet sich, ob aus schnellerem Arbeiten auch schnellerer Fortschritt wird.

Das Wichtigste in Kürze

KI verschiebt Arbeit, statt sie abzuschaffen: gesparte Zeit im Design taucht als Prüf- und Nacharbeit in der Entwicklung wieder auf.
Die DORA-Studie 2025 findet höheren Durchsatz durch KI, zugleich sinkt die Stabilität der Auslieferung.
METR maß 2025 erfahrene Open-Source-Entwickler mit KI um 19 Prozent langsamer, obwohl sie sich rund 20 Prozent schneller einschätzten.
Für Agenturen und Inhouse-Teams zählt der Weg von der Idee bis zum Kunden, nicht das Tempo eines einzelnen Schritts.

Warum verschwindet die Arbeit nicht, sondern wandert?

Gestapelte Pakete auf einem Förderband mit einem — Designerin Candace Wilson zeigt, wie KI-Tools im Research Zeit sparen und Teams mehr Raum für kritische Prüfung schaffen

Die Designerin Candace Wilson beschreibt aus ihrem Produktteam ein Muster, das viele Agenturen kennen.^[1] KI spart im Research die Fleißarbeit, das Sortieren von Transkripten und das Bauen erster Folien. Die gewonnene Zeit fließt nicht ins Nichts, sondern in mehr Prüfen und Nachdenken.

Heikel wird der Übergabe-Punkt zwischen Design und Entwicklung. Wilsons Team reicht Prototypen im Code weiter, damit die Entwicklung Teile davon übernimmt. Schwächen in der Komponenten-Struktur und im responsiven Verhalten wandern dabei unbemerkt in die Entwicklung und wachsen dort zu Design-Schulden heran.

Lokales Tempo und System-Tempo sind eben zweierlei. Ein Prototyp steht schneller, doch ob der Weg von der Idee bis zur Auslieferung kürzer wird, entscheidet der Rest der Kette.

Was sagen die Daten zum Tempo?

Die DORA-Studie 2025 liefert die große Stichprobe: 90 Prozent der Entwickler nutzen KI, über 80 Prozent berichten einen Produktivitätsgewinn.^[2] Zugleich zeigt die Auswertung eine Kehrseite. KI hebt den Durchsatz, drückt aber die Stabilität der Auslieferung, weil mehr Code schneller entsteht, als Review und Deployment ihn sicher aufnehmen.

METR maß den Effekt andersherum. In einem kontrollierten Versuch 2025 arbeiteten erfahrene Open-Source-Entwickler mit KI-Werkzeugen 19 Prozent langsamer, schätzten sich selbst aber rund 20 Prozent schneller ein.^[3] Ein Update von 2026 hält den Vorsprung neuerer Werkzeuge für wahrscheinlich, kann seine Größe aber nicht sauber messen. Dass die Menge an erzeugtem Code wächst, belegen auch die jüngsten Zahlen von GitLab.

Ein Prototyp an einem Tag ist ein Etappensieg, kein Ziel. Über den Wert entscheidet, ob die nächste Station leichter arbeitet, nicht die Stoppuhr am einzelnen Schritt.
— Markus Seyfferth, Chefredakteur Dr. Web

KI-Tempo: Was die Zahlen wirklich zeigen

Warum lokales Tempo und Fortschritt im System auseinanderfallen

90 %

der Entwickler nutzen KI bei der Arbeit (DORA 2025)

> 80 %

berichten einen Produktivitätsgewinn, doch die Auslieferung wird instabiler (DORA 2025)

−19 %

gemessenes Tempo erfahrener Entwickler mit KI-Werkzeugen (METR 2025)

Gefühl gegen Messung (METR 2025)

+20 %

so viel schneller schätzten sich die Entwickler selbst ein

−19 %

so viel langsamer arbeiteten sie tatsächlich

Was heißt das für Teams im DACH-Raum?

Für Agenturen und Inhouse-Teams folgt daraus eine nüchterne Messlatte. Zählen sollte der Weg von der Idee bis zum Kunden, nicht das Tempo eines einzelnen Schritts. Ein sauberer Maßstab für „gut genug“ hilft mehr als jede Multiplikator-Zahl auf einer Folie.

Wilson zieht die Grenze bei „produktionsnah statt produktionsreif“: Prototyp-Code muss nicht perfekt sein, aber so strukturiert, dass die Entwicklung ihn ohne komplettes Entwirren übernimmt. Früher refaktorieren, klare Leitplanken und eine ehrliche Übergabe sichern das erarbeitete Tempo, sonst kehrt der Aufwand später als Nacharbeit zurück.

Konkret heißt das: Übergaben neu definieren, Prüf- und Refactoring-Zeit fest einplanen und die eigene Tempo-Zahl hinterfragen, bevor sie in den Report wandert. Teams, die den Umgang mit KI-erzeugtem Code und das Aufräumen hinter der KI mitdenken, verwandeln schnelleres Arbeiten in echten Fortschritt.