In der hochriskanten Welt der Technologie-Startups ist Geschwindigkeit oft die einzige Währung, die zählt. Diese jungen Unternehmen arbeiten nach einer Philosophie, die als „Lean Startup“ bekannt ist, bei der das Ziel darin besteht, ein „Minimum Viable Product“ zu entwickeln – eine Basisversion eines Software-Tools, die gut genug ist, um sie mit echten Kunden zu testen, aber einfach genug, um sie schnell zu bauen. Die Idee ist, aus dieser ersten Veröffentlichung zu lernen und sich zu verbessern, anstatt Jahre damit zu verbringen, ein Produkt zu perfektionieren, das niemand will. Um dieses schnelle Tempo zu bewältigen, nutzen Teams „Agile“-Methoden, die die Arbeit in kleine, handhabbare Stücke aufteilen und Pläne ständig anpassen. Ein hartnäckiges Problem plagt diese kleinen Teams jedoch: Sie laufen oft aus Zeit oder Geld, noch bevor sie überhaupt launchen können. Ihre Engineering-Teams sind klein, ihre Budgets sind knapp und die manuelle Arbeit, die für die Planung, Schätzung und den Bau von Software erforderlich ist, bremst sie aus. Wenn ein Startup auf ein einziges Produkt angewiesen ist, um zu überleben, kann eine Verzögerung bei der Auslieferung den Unterschied zwischen Erfolg und der endgültigen Schließung bedeuten.

Hier kommt das Versprechen der künstlichen Intelligenz ins Spiel. In den letzten Jahren ist ein neuer Typ von Computerprogramm namens „Generative KI“ entstanden, der in der Lage ist, Code zu schreiben, Fragen zu beantworten und Probleme zu lösen, ganz ähnlich wie ein Mensch. Obwohl viele Entwickler versucht haben, diese Werkzeuge zu nutzen, um ihre Arbeit zu beschleunigen, gab es bisher keinen klaren, getesteten Leitfaden dafür, wie man sie in den gesamten Prozess der Entwicklung eines Startup-Produkts einwebt. Funktioniert die Technologie tatsächlich, wenn ein Team unter Druck steht? Macht sie das Produkt besser oder nur schneller? Ein Forscher namens Muhammad Owais Mushtaq setzte sich zum Ziel, diese Fragen zu beantworten, indem er eine neue Arbeitsweise in einem realen Unternehmensumfeld testete. Er fragte nicht nur Menschen nach ihrer Meinung; er entwickelte ein spezifisches Framework für den Einsatz von KI und beobachtete dann, wie es während eines Live-Projekts performte, um zu sehen, ob es die chronischen Verzögerungen lösen konnte, die so viele Startups in den Ruin treiben.

Die Forschung konzentrierte sich auf eine spezifische Herausforderung: den Übergang eines alten Softwaresystems zu einem neuen, modernen System. Dies ist eine häufige Aufgabe für Unternehmen, oft als „Migration“ bezeichnet, und sie ist notorisch schwierig, da der alte Code komplex und schlecht dokumentiert ist. Mushtaq arbeitete mit einem Team eines Finanztechnologie-Unternehmens zusammen, das sein System schnell aktualisieren musste. Er führte einen strukturierten Ansatz ein, bei dem die künstliche Intelligenz zu unterschiedlichen Zeiten verschiedene Teile der Aufgabe übernahm. Der Prozess wurde in zwei Hauptphasen unterteilt. Erstens musste das Team planen und schätzen, wie lange die Arbeit dauern würde. Zweitens mussten sie den Code tatsächlich schreiben und auf Fehler prüfen. In der Planungsphase nutzten die Forscher KI-Werkzeuge, um den alten Code zu lesen und vorzuschlagen, wie viel Aufwand für jeden Teil des neuen Systems erforderlich wäre. Sie verglichen diese KI-Vorschläge mit den Schätzungen erfahrener menschlicher Experten.

Die Ergebnisse dieser Planungsphase waren beeindruckend. Das KI-gestützte Team war in der Lage, seine Projekteinschätzungen in nur zwei und einem halben Tagen zu erstellen, während die menschlichen Experten fünf Tage für dieselbe Arbeit benötigten. Das bedeutete, dass der Planungsprozess doppelt so schnell war. Noch wichtiger war, dass die Geschwindigkeit nicht zu Lasten der Genauigkeit ging. Die Schätzungen der KI waren im Vergleich zu den abschließenden Urteilen der menschlichen Experten zu 94 Prozent genau. Dies bewies, dass ein Computer ein unordentliches, altes System betrachten und den anfallenden Arbeitsaufwand fast so gut verstehen konnte wie ein erfahrener Mensch, aber in der Hälfte der Zeit. Dieser Befund ist signifikant, da er darauf hindeutet, dass kleine Startups, denen es oft an großen Teams von erfahrenen Planern mangelt, diese Werkzeuge nutzen könnten, um einen realistischen Fahrplan für ihre Projekte zu erhalten, ohne ihre wenigen verfügbaren Experten auszubrennen.

Sob_dem die Planung feststand, ging das Team zur Bauphase über. Hier testeten die Forscher verschiedene Arten von KI-Werkzeugen, um herauszufinden, welches am besten für welche Aufgabe geeignet ist. Sie fanden heraus, dass die Werkzeuge nicht alle gleich waren; einige waren besser darin, das große Ganze zu verstehen, während andere besser darin waren, Standard-Code zu schreiben. Für Aufgaben, die ein Verständnis dafür erforderten, wie verschiedene Teile des Systems zusammenpassen – wie etwa das Umschreiben komplexer Sicherheitsfunktionen oder das Verbinden mehrerer Dateien –, setzte das Team „Deep-Context“-KI-Agenten ein. Diese Werkzeuge konnten das gesamte Projekt gleichzeitig betrachten. Sie schnitten außergewöhnlich gut ab, erreichten eine Genauigkeitsrate von 95 bis 99 Prozent bei ihrer Arbeit und erforderten sehr wenige Korrekturen. Für einfachere Aufgaben wie das Erstellen grundlegender Datenstrukturen oder das Einrichten der Pipeline, die die Software automatisch testet, war jedoch ein standardmäßiger Coding-Assistent ausreichend. Diese Unterscheidung ist entscheidend: Sie zeigt, dass die Verwendung des richtigen Werkzeugs für die richtige Aufgabe wichtiger ist als nur die allgemeine Nutzung von KI.

Die Studie untersuchte auch, wie das Team die Arbeit überprüfte. Die Forscher setzten KI ein, um Testfälle zu generieren – Szenarien, die darauf ausgelegt sind, die Software zu testen und Fehler zu finden – und um den Code auf Sicherheitsmängel zu prüfen. Dieser Teil des Prozesses war äußerst effektiv darin, Edge Cases (Grenzfälle) zu finden, also seltene Situationen, die oft zum Absturz von Software führen. Die KI half dem Qualitätssicherungsteam dabei, bis zu fünf solcher Edge Cases für jedes einzelne Feature zu finden, das sie entwickelten – eine Anzahl, die manuell nur schwer zu erreichen gewesen wäre. Die Forschung deckte jedoch auch eine erhebliche menschliche Kostenstelle auf. Während die KI den Code schnell schrieb, mussten die Menschen dennoch jede einzelne Zeile überprüfen. Die automatisierten Werkzeuge markierten oft sicheren Code als gefährlich, was zu einer hohen Rate an Fehlalarmen führte. In einigen Fällen mussten fast die Hälfte der automatisierten Warnungen von einem Menschen ignori been.

Dies führte zur Entdeckung eines neuen Phänomens, das der Forscher als „Verifikationsmüdigkeit“ (Verification Fatigue) bezeichnet. Die KI ersetzte nicht die Notwendigkeit menschlichen Urteilsvermögens; sie verlagerte lediglich die Last. Anstatt Stunden mit dem Schreiben von Code zu verbringen, verbrachten Entwickler nun Stunden damit, zu verifizieren, ob der von der KI geschriebene Code korrekt und sicher war. Die mentale Anstrengung, die das Überprüfen der Maschinenarbeit erforderte, war intensiv, und die Forscher stellten fest, dass die Werkzeuge noch nicht intelligent genug waren, um die Gesamtarchitektur des Systems eigenständig zu verstehen. Sie konnten die Details sehen, aber sie übersahen das große Ganze. Folglich entwickelte sich die Rolle des Menschen vom Code-Schreibers zum Code-Prüfer. Die Studie kommt zu dem Schluss, dass diese Werkzeuge zwar die Erstellung eines Startup-Produkts drastisch beschleunigen können, aber noch nicht in der Lage sind, das Ruder allein zu übernehmen.

Das abschließende Fazit dieser Forschung ist, dass künstliche Intelligenz ein mächtiger Partner für Lean Startups ist, aber ein diszipliniertes Vorgehen erfordert, um effektiv zu sein. Die Studie hat gezeigt, dass ein kleines Team durch die Integration von KI in einen strukturierten Workflow die Planungszeit halbieren und komplexe Software mit hoher Genauigkeit bauen kann. Das vom Forscher vorgeschlagene Framework bietet einen klaren Weg, dem andere Startups folgen können: Nutzen Sie KI für die Schwerstarbeit bei der Schätzung und beim komplexen Refactoring, aber halten Sie den Menschen in der Schleife, um die Architektur zu überwachen und die Ergebnisse zu verifizieren. Die Technologie ist bereit zu helfen, aber sie ist kein Zauberstab, der die Notwendigkeit menschlicher Aufsicht eliminiert. Erfolg entsteht daraus, genau zu wissen, wo man die Maschine arbeiten lässt und wo man mit menschlicher Expertise eingreift.