Die Euphorie über automatisierte Code-Erstellung weicht in den Chefetagen einer nüchternen Kosten-Nutzen-Rechnung. Neue Untersuchungen der Strategieberatung Bain & Company beleuchten eine unerwartete Reibungsfläche bei der Einführung generativer KI in der Softwareentwicklung. Unter dem Titel The Reliability Paradox sowie in der Analyse zur Realization Rate zeichnen die Autoren das Bild einer Branche, die zwar rasant Code produziert, jedoch zunehmend an den Folgekosten für Wartung und Systemstabilität leidet. IT-Führungskräfte sehen sich daher gezwungen, ihre bisherigen Annahmen über reine Produktivitätsgewinne grundlegend zu überdenken.
Die Datengrundlage der Beratung stützt sich auf zwei Erhebungen, darunter eine detaillierte Befragung von knapp 300 IT- und Engineering-Verantwortlichen sowie der Automation and AI Pathfinder Survey mit 951 Unternehmensentscheidern. Die Erwartungen an den Einsatz von Algorithmen sind immens. Rund 50 Prozent der befragten Organisationen gehen davon aus, dass wesentliche Kernaufgaben des Software-Engineerings bereits binnen ein bis zwei Jahren primär KI-geführt ablaufen werden. Aus dieser Transformation leiten die befragten Führungskräfte eine Beschleunigung der Release-Zyklen und des gesamten Durchsatzes um knapp 150 Prozent ab.
Hinter diesem rechnerischen Tempogewinn verbirgt sich jedoch das von Bain beschriebene Zuverlässigkeits-Paradoxon. Während Werkzeuge für generative KI erhebliche Geschwindigkeitsvorteile bei der Entwurfsphase und beim automatisierten Schreiben von Testszenarien liefern, bricht die betriebliche Ausfallsicherheit im Vergleich drastisch ein. In den Bewertungen der Engineering-Teams schneidet die operative Resilienz von KI-generiertem Code unter allen Parametern am schlechtesten ab. Die Flut an neuem Programmcode verlagert die Arbeitslast unversehens auf die nachgelagerten Betriebsteams, anstatt die Gesamtarbeit zu reduzieren.
In der Praxis geraten insbesondere Site-Reliability- und Plattform-Teams unter massiven Druck. Das Deployment, die kontinuierliche Überwachung sowie das Aufspüren subtiler Fehler in maschinell erstelltem Code erzeugen überproportional hohe operative Betriebskosten. Anstatt Entwicklerkapazitäten für strategische Neuerungen freizusetzen, fließen erhebliche Ressourcen in die nachträgliche Fehlerbehebung und Systemstabilisierung. Die Annahme, dass schneller geschriebener Code automatisch zu geringeren Gesamtkosten im Lebenszyklus einer Software führt, erweist sich damit im Alltag vieler Unternehmen als Trugschluss.
Parallel zu den technischen Hürden schlagen Finanzvorstände Alarm, da die erhofften wirtschaftlichen Einsparungen oft ausbleiben. Laut den Erhebungen von Bain peilten knapp 40 Prozent der Unternehmen bei ihren KI-Rollouts anfänglich Kostensenkungen von mehr als 20 Prozent an. In der Realität bleiben die tatsächlichen Erträge weit hinter diesen Prognosen zurück, da die meisten Initiativen Einsparungen von unter 10 Prozent erzielen. Diese deutliche Kluft zwischen optimistischen Business Cases und realer Wertrealisierung veranlasst CFOs dazu, künftige Budgets strenger an risikobereinigte Kennzahlen zu koppeln.
Als Konsequenz aus diesen Erkenntnissen empfiehlt Bain den Unternehmen einen raschen Paradigmenwechsel. Investitionsentscheidungen sollten nicht mehr auf theoretischen Schätzungen über Zeitersparnisse beruhen, sondern auf einer ganzheitlichen Messung der operativen Gesamtkosten. Erst wenn Teams nachweisen können, dass KI-gestützte Systeme im laufenden Betrieb stabil bleiben und keine versteckten Opex-Kosten verursachen, sollten weitere Rollouts freigegeben werden. Die Phase der unkritischen Technologiebegeisterung geht damit zu Ende und weicht einem rigorosen Kontrollregime.