Wie KI den Wertstrom Idea-to-Market verändert

Wie das Bauen von Software von einer Kette aus Übergaben zu einem KI-gebauten Ablauf wird, bei dem ein Mensch freigibt und was für reale Beispiele es aktuell gibt.

Sebastian Bitter

3.8.2026

Idea-to-Market verwandelt eine Produktidee in laufende Software, die Ihre Kunden nutzen. Heute läuft er als Kette von Übergaben, von einer Person zur nächsten, und genau dort geht Zeit verloren. Je mehr KI übernimmt, desto stärker verschmelzen die Schritte, und der Mensch wandert vom Schreiben jeder Zeile zum Setzen der Richtung und zur Freigabe des Ergebnisses. Wir gehen den Strom Stufe für Stufe durch und zeigen jede Veränderung an einem realen Beispiel: GitHub Copilot, Amazon Q und Devin. Für die meisten Teams ist das realistische Ziel eine KI, die die Arbeit macht, während ein Mensch sie freigibt. Die KI ganz allein laufen zu lassen, trägt heute noch nicht. Ein schneller Einzelschritt ist nicht dasselbe wie eine schnellere Auslieferung. In einer kontrollierten Studie waren erfahrene Entwickler auf großem, gewachsenem Code rund 19% langsamer, der Gewinn hängt also am Kontext.

Der Strom heute, und wohin KI ihn bewegt

Idea-to-Market ist der Wertstrom, der eine Produktidee in laufende Software verwandelt, die Ihre Kunden tatsächlich nutzen. Er beginnt, wenn jemand aufschreibt, was gebraucht wird, und endet mit Software, die im Betrieb läuft und überwacht wird. Fast jedes Software- und Produktteam lebt in diesem Strom, und er ist der Ort, an dem die aktuellen KI-Coding-Werkzeuge zuerst auftauchen.

In der klassischen Form läuft die Arbeit als sechs Schritte, jeder von einer Person zur nächsten übergeben. Der Product Owner und der Fachbereich schreiben auf, was gebraucht wird. Ein Architekt entwirft die Lösung. Entwickler schreiben den Code von Hand. Getestet wird separat, am Ende. Eine Kollegin prüft die Änderung, dann wird sie in den gemeinsamen Code übernommen. Zuletzt geht das Release von Hand raus, und wenn etwas bricht, ist das Zurücknehmen langsam.

Die Gestalt davon ist eine gerade Linie. Ein Mensch macht jeden Schritt, Qualität wird erst am Ende geprüft, und die Reaktionen sind langsam. Wie in jedem Wertstrom steckt die meiste Verzögerung und Nacharbeit in den Übergaben zwischen den Schritten, dort wo eine Person auf eine andere wartet oder Arbeit ohne das ganze Bild übernimmt. Ein schnellerer Code-Editor behebt das nicht, weil der Stau zwischen den Schritten sitzt und nicht in ihnen.

Das ist es, was KI verändert. Über die Stufen hinweg werden die sechs Schritte nicht nur schneller, sie ändern ihre Gestalt. Design und Programmierung verschmelzen. Die Anforderung schreiben und ihren Test festlegen rücken zusammen. Die Qualitätsprüfung wandert vom Endgate in jeden Schritt. Und der Mensch wandert vom Schreiben jeder Zeile zum Setzen der Richtung und zur Freigabe des Ergebnisses. Der Rest dieses Beitrags geht diesen Weg Stufe für Stufe durch und zeigt jede Veränderung an einem realen Beispiel.

Abbildung 1: Idea-to-Market über die vier Stufen. Dieselbe Kette auf jeder Stufe. Von assistierend zu agentisch schrumpfen die sechs klassischen Schritte auf fünf, weil Design und Programmierung verschmelzen und das Testen kontinuierlich wird.

Stufe für Stufe, gezeigt an realen Fällen

Jede Stufe unten kommt mit einem realen Beispiel, seiner Kernzahl und der Stelle, an der diese Zahl nicht mehr trägt. Die klassische Stufe ist die Ausgangsbasis von oben, ohne KI im Ablauf, deshalb beginnen wir bei assistierend.

Assistierend: KI schlägt vor, der Mensch bleibt in jedem Schritt

Auf der assistierenden Stufe bleiben die sechs klassischen Schritte, wie sie sind, und KI hilft in jedem einzelnen. Ein Coding-Assistent schlägt Code, Tests und Dokumentation vor, während der Entwickler jede Entscheidung behält. Der Strom behält seine Gestalt, jeder Schritt wird ein wenig schneller, und der Mensch steckt weiterhin in allem drin.

Das Beispiel ist GitHub Copilot. In einem kontrollierten Experiment mit 95 Entwicklern, die etwas von Grund auf neu bauten, einen kleinen Webserver, war die Copilot-Gruppe rund 55% schneller, und mehr von ihnen wurden überhaupt fertig. Das ist ein solides, unabhängig angelegtes Ergebnis, deshalb steht es auf der assistierenden Stufe.

Ein schneller Einzelschritt ist nicht dasselbe wie ein schnelleres Ganzes. Ein Experiment der Forschungsgruppe METR aus dem Jahr 2025 gab erfahrenen Entwicklern KI-Werkzeuge auf großem, lang gewachsenem Code und fand sie rund 19% langsamer, obwohl sie sich schneller fühlten. Ein Branchenbericht von 2024 (DORA) sah dasselbe Muster im Großen: Teams mit mehr KI schrieben besser dokumentierten Code, lieferten aber ein wenig weniger aus und verursachten ein wenig mehr Störungen. Der assistierende Gewinn ist auf frischer, abgegrenzter Arbeit real. Er wird dünn auf großen bestehenden Systemen.

Abbildung 2: Die Aufgabe, der KI-Vorschlag, die Entscheidung des Menschen und das Ergebnis, mit den Limitationen daneben. Die 55% stammen aus einer Aufgabe auf der grünen Wiese und übertragen sich nicht auf großen bestehenden Code.

Agentisch: die KI macht die Arbeit, ein Mensch gibt frei

Auf der agentischen Stufe wird die Arbeit um einen KI-Agenten herum neu gebaut, einen Assistenten, der eine ganze Aufgabe allein tragen kann, und die sechs Schritte schrumpfen auf fünf. Der Mensch setzt die Absicht, gibt Ziel und Leitplanken vor und die Anforderung und ihr Test entstehen im Hin und Her mit der KI. Der Agent baut dann die Lösung aus dieser Beschreibung, sodass Design und Programmierung zu einem Schritt werden. Das Testen läuft kontinuierlich, bei jeder Änderung, sodass Qualität nach vorne wandert statt ans Ende. Der Mensch wird Prüfer und Freigeber: prüfen, freigeben und die Ausnahmen entscheiden. Das Release folgt, sobald die Änderung freigegeben ist.

Das Beispiel ist Amazon Q Code Transformation. Amazon ließ einen KI-Agenten rund 30.000 Java-Anwendungen von einer alten Version auf eine neuere aktualisieren und berichtet, damit das Äquivalent von etwa 4.500 Entwicklerjahren Arbeit gespart zu haben, dazu eine separate Schätzung von rund 260 Millionen Dollar jährlicher Betriebskosten. Amazon berichtet außerdem, dass rund 79% des KI-geschriebenen Codes ohne weitere Änderungen ausgeliefert wurden, und ein Entwickler prüfte und gab jede Änderung frei. Diese Freigabe ist der ganze Kern. Das ist eine KI, die die Hauptarbeit macht, während ein Mensch freigibt, genau der Aufbau, dem ein vorsichtiges oder reguliertes Team vertrauen kann.

Der Gewinn ist kleiner als die Schlagzeile. Ein externer Test erreichte allein nur rund 36% Erfolg, ohne Amazons interne Werkzeuge und Bibliotheken. Bei verworrenem altem Code ist er schwächer. Und die Kernzahlen kommen von Amazon selbst, nicht aus einer unabhängigen Prüfung. Ein Projekt dieser Größe zahlt sich nur aus, wenn sich dieselbe Aktualisierung über tausende ähnlicher Anwendungen wiederholt.

Abbildung 3: Eine alte Anwendung geht hinein, der Agent aktualisiert sie, ein Entwickler prüft und gibt frei, und die neue Version geht live.

Autonom: das System steuert die Schleife, der Mensch setzt die Regeln

Auf der autonomen Stufe schließt sich die Schleife weiter. Das System setzt eigene Teilziele, steuert seine eigene Build-and-Check-Schleife und liefert sogar mit einem Sicherheitsnetz aus: Es rollt die Änderung zuerst an einen kleinen Teil der Nutzer aus, beobachtet die Live-Zahlen und nimmt sie von allein zurück, wenn etwas komisch aussieht. Der Mensch gibt nicht mehr jedes Ergebnis frei. Er setzt die Ziele und die Leitplanken und behält das Ganze im Blick.

Das Beispiel hier ist eine Warnung, und wir zeigen es als solche. Als Answer.AI, ein unabhängiges Team, den autonomen Agenten Devin über 20 reale Aufgaben strukturiert testete, scheiterten 14, 3 gelangen und 3 blieben unklar. Ganz allein zu laufen, trägt heute noch nicht, deshalb ist die autonome Stufe in diesem Strom eine Richtung zum Beobachten und keine Empfehlung.

Abbildung 4: Die autonome Schleife wie getestet, mit dem Ergebnis, dass die meisten Aufgaben scheiterten. Dieser Fall markiert die Obergrenze des Stroms heute: Die autonome Stufe ist dort, wo die Belege ausgehen, nicht dort, wo sie am stärksten sind.

Was realistisch ist

Legt man die Stufen zusammen, ist der Rat klar. Für die meisten Softwareteams ist das realistische Ziel in Idea-to-Market der agentische Aufbau mit einem Menschen am Gate: Die KI macht die abgegrenzte Arbeit, die Prüfungen laufen daneben, und ein Entwickler gibt frei, bevor etwas zählt. Das ist das Amazon-Q-Muster, und dort treffen sich der reale Gewinn und die reale Kontrolle.

Der Weg dorthin braucht ein paar Dinge, und sie sind konkret. Die KI braucht Code, in dem sie sich zurechtfindet. Sie braucht genug automatische Tests, um ihre eigene Arbeit zu prüfen. Sie braucht die Rechte, zu handeln, nicht nur vorzuschlagen. Und sie braucht einen klaren Freigabe-Schritt mit einem benannten Verantwortlichen. Je sauberer und modularer der Code, desto weiter trägt die KI, das ist die Kehrseite der Amazon-Q-Grenze. Es braucht auch eine andere Art zu messen. Die Zahl, die zählt, ist die Zeit von der Idee bis zur laufenden Software, nicht das Tempo eines einzelnen Schritts, denn nur diese Zahl kann ein schnellerer Editor nicht vortäuschen.

Der zweite Preis wird in diesem Strom leicht übersehen: Das Material, das Sie der KI hier geben, ist Ihr Quellcode, oft das Tafelsilber des Unternehmens. Je tiefer der Agent arbeitet, desto mehr davon muss er sehen, deshalb zählt das Wie des Betriebs so viel wie das Was. Auf öffentlichen Consumer-Tools kann Ihr Code am Ende das Modell des Anbieters trainieren. Auf geschäftlichen oder privaten Aufbauten, die Ihre Daten für sich behalten, bleibt er auf Ihrer Seite und wird nicht zum Training genutzt. Für ein reguliertes Unternehmen gehört diese Entscheidung vom ersten Tag an in den Plan, direkt neben den Geschäftsnutzen.

Mehr Autonomie erkauft Tempo mit mehr Arbeit an Kontrolle und Einrichtung. Jemand muss weiterhin festlegen, was gut aussieht, die Leitplanken aktuell halten und die Ausnahmen bearbeiten. Die Stärke eines agentischen Idea-to-Market ist der Durchsatz bei wiederkehrender, gut definierter Arbeit, und die Chance ist es, Ihre erfahrenen Leute für Design und Urteil freizuspielen. Die Schwäche ist, dass der Gewinn stark vom Kontext abhängt und leicht zu übertreiben ist. Die Gefahr ist, das Falsche zu messen, also einen schnellen Tastendruck oder einen angenommenen Vorschlag als gelieferten Wert zu zählen.

Die Autonomie hat hier eine Obergrenze. Ein Teil davon ist technisch, wie der Devin-Test zeigt. Ein Teil ist Verantwortung: Jemand muss für das geradestehen, was live geht, deshalb bleibt der Freigabe-Schritt, selbst wenn die Werkzeuge ihn überspringen könnten. In regulierten Umgebungen ist dieser Schritt nicht optional. Für Idea-to-Market ist der belastbare Endzustand vorerst agentisch mit einem Menschen am Gate, mit voller Autonomie nur in den engsten und am besten abgezäunten Ecken, wo ein falsches Ergebnis billig abzufangen ist.

Der praktische erste Schritt ist kein großer Wurf auf einmal. Beginnen Sie dort, wo sich das agentische Muster schon auszahlt: eine kleine, wiederkehrende, gut definierte Aufgabe, bei der das Prüfen des Ergebnisses billig und einfach ist, etwa die Aktualisierung eines Frameworks oder eines gut getesteten Dienstes. Behalten Sie den Menschen am Gate. Messen Sie den ganzen Strom, von der Idee bis zur laufenden Software. Weiten Sie den Umfang erst aus, wenn diese End-to-End-Zahl hält. So verdient das erste Projekt das Vertrauen, das das nächste braucht.

Abbildung 5: Jede Stufe bringt einen Gewinn und verlangt einen Preis, belegt an unseren Fällen. Agentisch ist der realistische Zielzustand, autonom der Warnfall.

Was kommt als Nächstes

Idea-to-Market zeigt das Muster der ganzen Serie an einem konkreten Strom: Schritte verschmelzen, Qualität wandert nach vorn, der Mensch rückt ans Gate, und der reale Gewinn hängt vom Kontext ab. Der nächste Beitrag legt dieselbe Brille an Issue-to-Resolution an, den Strom für Kundenservice und Störungen, wo die Erfolge und die Rücknahmen ungewöhnlich nah beieinander liegen.