Wie ein CTO den Entwicklungslebenszyklus neu gestaltet – und welche Auswirkungen dies auf sein Team hat
Erfahren Sie, wie ein CTO eines Fintech-Unternehmens KI über den gesamten Entwicklungslebenszyklus hinweg einsetzte, um die Bereitstellung zu beschleunigen, den operativen Aufwand zu reduzieren und die Arbeitsabläufe des Teams neu zu gestalten.
Sergey Terentyev
Technischer Leiter, Banken und Fintech – VAE
KI-Integration: Sergey Terentyev integrierte KI in jeden Schritt, um Geschwindigkeit, Bereitstellung und Produktivität zu steigern.
Kultureller Wandel: KI ist zu einem festen Bestandteil der Arbeitsabläufe in der Entwicklung geworden und wird nicht mehr nur als experimentelles Werkzeug eingesetzt.
Regulatorisches Gleichgewicht: In einem stark regulierten Bankenumfeld ist es entscheidend, Innovation und Regulierung miteinander in Einklang zu bringen.
Gleichgewicht zwischen Mensch und KI: Einige Aufgaben bleiben vom Menschen bestimmt; KI kann das Urteilsvermögen von Ingenieurinnen und Ingenieuren in regulierten Bereichen nicht vollständig ersetzen.
Betriebsmodell: CTOs sollten KI als Wandel des Betriebsmodells und nicht lediglich als Aktualisierung der Werkzeuge betrachten.
Sergey Terentyev leitet den Technologie- und Entwicklungsbereich innerhalb eines lizenzierten digitalen Bankenumfelds. Im vergangenen Jahr hat er den gesamten Entwicklungslebenszyklus überarbeitet, sodass KI in jeden einzelnen Schritt integriert ist.
Wir haben uns mit Sergey unterhalten, um mehr zu erfahren. Er berichtete uns, was er verändert hat und wie sich dies auf sein Team ausgewirkt hat.
KI verändert mehr als nur die Werkzeuge
Ich bin Sergey und derzeit als CTO im Bank- und Fintech-Bereich in den VAE tätig. Ich habe als Softwareentwickler angefangen und bin durch die Entwicklung von Produkten, den Aufbau skalierbarer Teams und die Lösung komplexer Technologieprobleme in eine Führungsrolle hineingewachsen.
Möchten Sie mehr vom The CTO Club?
Erstellen Sie ein kostenloses Konto, um diesen Beitrag fertigzulesen und einer Community von CTOs und Technikleitern beizutreten, die praxisnahe Frameworks, Tools und Einblicke für die Entwicklung, Einführung und Skalierung KI-gesteuerter Technologien teilen.
Have an account? Log In
Mein Weg zur KI-Transformation war einfach: Herkömmliche Methoden zum Aufbau und zur Führung von Technologieteams werden zu langsam. Teams verbringen nach wie vor zu viel Zeit mit repetitiven Aufgaben, Abstimmung, Dokumentation, Support und manuellen Prozessen.
Heute konzentriere ich mich auf die praktische Einführung von KI in Entwicklungs- und Produktorganisationen. Nicht auf KI als Hype, sondern als Möglichkeit, schneller voranzukommen, die Bereitstellung zu verbessern, Verschwendung zu reduzieren und kleineren Teams zu ermöglichen, deutlich mehr zu erreichen.
Ich sehe diesen Moment als eine Gelegenheit zum Umdenken darüber, wie Technologieorganisationen arbeiten. KI verändert nicht nur die Werkzeuge, sondern auch Teams, Führung und die Art und Weise, wie Unternehmen Produkte entwickeln.
Innovation und Regulierung miteinander in Einklang bringen
Die Organisation, in der ich den Technologie- und Entwicklungsbereich leite, ist in einem stark regulierten Umfeld tätig. Daher verbindet die Technologielandschaft moderne Produktentwicklung mit Sicherheits-, Compliance- und betrieblichen Anforderungen auf Unternehmensebene.
Die Entwicklungsorganisation umfasst mobile und webbasierte Plattformen, Backend-Dienste, Cloud-Infrastruktur, Cybersicherheit, Integrationen, Datenplattformen und das Management von Anbietern. Wir arbeiten sowohl mit interner Entwicklung als auch mit strategischen externen Partnern und verlagern gleichzeitig schrittweise weitere Kernkompetenzen ins Unternehmen.
Aus architektonischer Sicht bewegen wir uns auf ein stärker modularisiertes und API-gesteuertes Modell mit mehr Verantwortung innerhalb der Produktentwicklungsteams zu. Das Umfeld ist recht komplex, da wir in den Bereichen Banksysteme, Fintech-Integrationen, Zahlungsinfrastruktur, kundenorientierte Anwendungen und interne Betriebsplattformen tätig sind.
Bereitstellung und Auslieferung erfolgen hochgradig iterativ, mit einem starken Fokus auf Automatisierung, CI/CD, Cloud-Infrastruktur, Beobachtbarkeit und betriebliche Widerstandsfähigkeit. Eine wichtige Priorität besteht darin, die Abhängigkeit von traditionellen Bereitstellungsmodellen zu verringern und die Entwicklungsgeschwindigkeit durch KI-gestützte Entwicklung und Automatisierung zu erhöhen.
Ein großer Teil meiner Aufgabe besteht darin, die Geschwindigkeit von Innovationen mit den Anforderungen eines regulierten Finanzumfelds in Einklang zu bringen, in dem Zuverlässigkeit, Sicherheit und Governance entscheidend sind.
Wie verpflichtende KI Entwicklungsabläufe verändert
Wir haben KI direkt in den Entwicklungsablauf für die Bereitstellung integriert, anstatt sie als optionales individuelles Werkzeug zu behandeln.
Zuvor verbrachten Ingenieurinnen und Ingenieure viel Zeit mit repetitiven Aufgaben wie der Implementierung von Standardcode, Dokumentation, Codeanalyse, Fehlersuche, Testvorbereitung, der Prüfung von Anbieter-Code und der Übersetzung von Geschäftsanforderungen in technische Aufgaben. Der betriebliche Mehraufwand überlastete erfahrene Ingenieurinnen und Ingenieure und hinderte sie daran, sich auf Architektur- und Produktentscheidungen zu konzentrieren.
Im vergangenen Jahr haben wir die KI-gestützte Entwicklung systematisch in die täglichen Entwicklungsprozesse integriert. Dazu gehörten Codegenerierung, Unterstützung bei Codeprüfungen, Erstellung von Dokumentation, Auswirkungsanalysen, Untersuchungen von Vorfällen und eine schnellere Prototypenentwicklung.
Die Veränderung wirkte sich nicht nur auf die Geschwindigkeit aus, sondern auch auf die Zusammenarbeit der Teams. Ingenieurinnen und Ingenieure verbringen nun weniger Zeit mit repetitiven Tätigkeiten mit geringem Mehrwert und mehr Zeit mit Systemdesign, produktorientiertem Denken und Entscheidungsfindung. Außerdem verringerte sich die Abhängigkeit von einer kleinen Zahl erfahrener Personen, da Wissen leichter innerhalb der Teams verteilt werden kann.
Die größte Veränderung war wahrscheinlich kultureller Natur. Die Teams betrachten KI nicht mehr als experimentelles Werkzeug, sondern als Bestandteil des normalen Entwicklungsablaufs. Sie erwarten nun standardmäßig Automatisierung, statt davon auszugehen, dass jeder Prozess manuell erfolgen muss.
Wie KI jeden Teil des Entwicklungslebenszyklus erreichen kann
Sehen wir uns den Weg von der Geschäftsanforderung bis zur produktionsreifen technischen Umsetzung an.
Normalerweise beginnt er mit einer in allgemeinverständlicher Sprache formulierten Produkt- oder Geschäftsanforderung. KI hilft dabei, diese in strukturierte technische Anforderungen zu übersetzen, Abhängigkeiten zu identifizieren, API-Verträge vorzuschlagen und mögliche Grenzfälle oder Integrationsrisiken bereits früh im Prozess hervorzuheben.
Anschließend verwenden Entwickler KI-gestützte Entwicklungstools während der Implementierung, um Services zu erstellen, sich wiederholende Codemuster zu generieren, Testfälle anzulegen und die Dokumentation zu beschleunigen. Das Ziel ist nicht vollständig autonomes Programmieren, sondern die Reduzierung manueller Arbeit mit geringem Mehrwert, damit sich Entwickler auf Architektur und Logik konzentrieren können.
Während der Entwicklung unterstützt KI auch bei Code-Reviews, erklärt unbekannte Teile der Codebasis, identifiziert mögliche Schwachstellen und bewertet Ansätze für die Implementierung. Bei störungsanfälligen Systemen nutzen Entwickler KI, um Protokolle zu analysieren und ungewöhnliches Verhalten deutlich schneller als bei einer herkömmlichen manuellen Untersuchung zusammenzufassen.
Sobald Änderungen in die Bereitstellungspipelines gelangen, übernehmen Automatisierungen Tests, Validierung und Überwachung. Nach der Bereitstellung wird KI erneut nützlich, indem sie Teams hilft, Warnmeldungen zu interpretieren, Vorfälle miteinander in Beziehung zu setzen und die Untersuchungszeit bei betrieblichen Problemen zu verkürzen.
Wie Sie sehen, ist KI inzwischen über den gesamten technischen Lebenszyklus hinweg eingebettet und nicht mehr nur ein isolierter Chatbot oder Programmierassistent. Sie wurde vom Planen bis zum Betrieb zu einem Bestandteil des täglichen Arbeitsablaufs.
Warum CTOs die maschinelle Lesbarkeit verbessern müssen
Wir haben die Abhängigkeit von zentralisiertem Wissen und manueller Koordination reduziert. Anstatt dass kritische Informationen nur bei bestimmten Personen oder Teams liegen, haben wir Arbeitsabläufe eingeführt, in denen KI den Entwicklern half, sich selbstständig in Systemen zurechtzufinden, die Architektur zu verstehen, Vorfälle zu analysieren und die Einarbeitung zu beschleunigen.
Damit komme ich zu einer weiteren wichtigen Veränderung, die wir vorgenommen haben: Systeme nicht nur für die Lesbarkeit durch Menschen, sondern auch für die maschinelle Lesbarkeit zu entwickeln.
Saubere APIs, strukturierte Dokumentation, Überwachung, modulare Services und klar definierte Schnittstellen verbessern sowohl die Produktivität der Menschen als auch die Effektivität der KI erheblich.
Warum KI in einer regulierten Branche keine Beurteilungen übernehmen kann
KI beschleunigt insbesondere die Bereitstellung und reduziert sich wiederholende technische Arbeit. Bei der Reaktion auf Vorfälle hilft KI Entwicklern beispielsweise dabei, Protokolle zu analysieren, mögliche Grundursachen zu identifizieren, Erkenntnisse zusammenzufassen und Untersuchungen zu beschleunigen.
Gleichzeitig bleiben einige Bereiche ausdrücklich menschengeführt. Endgültige Architekturentscheidungen, Sicherheits-Governance, Risikoakzeptanz, Priorisierung und die Verantwortung für den Produktionsbetrieb erfordern weiterhin erfahrene Personen, die Ermessensentscheidungen treffen.
Einfach ausgedrückt ist KI hervorragend darin, Beschleunigung und Mustererkennung zu ermöglichen. Führungsentscheidungen in komplexen Systemen hängen jedoch weiterhin von Kontext, Abwägungen, geschäftlichen Prioritäten, Regulierung und langfristigem Denken ab. Besonders im Finanzdienstleistungssektor kann man Verantwortung nicht vollständig automatisieren.
KI ist hervorragend darin, Beschleunigung und Mustererkennung zu ermöglichen. Führungsentscheidungen in komplexen Systemen hängen jedoch weiterhin von Kontext, Abwägungen, geschäftlichen Prioritäten, Regulierung und langfristigem Denken ab.
Wie sich KI negativ auf technische Teams auswirken kann
Das größte positive Ergebnis war die Geschwindigkeit der technischen Arbeit. Aufgaben, die früher Tage dauerten, sind jetzt manchmal in wenigen Stunden erledigt. Auch betriebliche Reibungsverluste wurden reduziert, wodurch sich der gesamte Bereitstellungsprozess verbessert und erfahrene Mitarbeiter sich stärker auf Architektur und Entscheidungsfindung statt auf die ständige Behebung akuter Probleme konzentrieren können.
Außerdem haben wir eine schnellere Einarbeitung festgestellt, da die KI-Unterstützung den Entwicklern hilft, unbekannte Systeme deutlich schneller zu verstehen.
Allerdings gab es auch eine negative Seite:
- Wir haben gelernt, dass KI ein falsches Gefühl von Sicherheit vermitteln kann. Generierter Code sieht oft korrekt aus, selbst wenn die zugrunde liegenden Annahmen falsch sind. Ohne solide Grundlagen in der Softwareentwicklung und etablierte Prüfprozesse können sich Teams schneller in die falsche Richtung bewegen.
- Uns ist aufgefallen, dass weniger erfahrene Entwickler manchmal zu abhängig von KI-Tools werden, ohne die von ihnen entwickelten Systeme vollständig zu verstehen. Eine unerwartete Herausforderung bestand daher darin, sicherzustellen, dass KI die Fähigkeiten erweitert, anstatt die technische Tiefe zu verringern.
- Governance und Sicherheit sind zu größeren Herausforderungen geworden. In regulierten Umgebungen braucht man klare Grenzen dafür, auf welche Daten externe KI-Systeme zugreifen dürfen, wie generierter Code geprüft wird und wie sichergestellt werden kann, dass Entscheidungen nachvollziehbar bleiben.
Wo KI hinter den Erwartungen zurückbleibt
KI hat bislang keine autonome Softwareentwicklung ermöglicht. Die Vorstellung von vollständig KI-generierten Systemen oder einer Ersetzung von Entwicklungsteams sorgt für Begeisterung, doch in der Praxis sind wir in komplexen Unternehmensumgebungen noch weit davon entfernt.
KI beschleunigt erfahrene Entwickler sehr gut, ermöglicht Prototyping und unterstützt sie. Sobald Systeme jedoch groß, miteinander vernetzt, reguliert und für den Betrieb kritisch werden, treten die Grenzen deutlich hervor. Der Umgang mit Kontext, langfristige Konsistenz, architektonische Abwägungen und ein tiefgreifendes Systemverständnis sind im Vergleich zu erfahrenen Menschen weiterhin schwach ausgeprägt.
Auch die Zuverlässigkeit produktionsreifer Ergebnisse hat mich enttäuscht. Von KI generierter Code wirkt anfangs oft beeindruckend, doch seine Qualität kann bei Sonderfällen, Fragen der Skalierbarkeit, Sicherheitsanforderungen oder der Wartbarkeit schnell nachlassen. Die letzten 20 Prozent der Entwicklungsarbeit sind weiterhin sehr menschlich.
Wie KI Annahmen über Teams und Architekturen infrage stellt
Die Skalierung der Entwicklung ergibt sich nicht mehr hauptsächlich daraus, mehr Menschen einzustellen.
Kleinere, hochtechnische Teams mit leistungsfähigen KI-Tools können sich deutlich schneller bewegen als wesentlich größere Organisationen mit umfangreichen Prozesshürden. In manchen Fällen wurde die Koordination selbst zu einem größeren Engpass als die eigentliche Entwicklungsarbeit.
Deshalb sind wir zu kleineren, produktorientierten Entwicklungsteams mit stärkerer Verantwortung und mehr Automatisierung bei Bereitstellung, Betrieb und Dokumentation übergegangen.
KI hat auch meine Sicht auf Seniorität verändert. Früher führten der Zugang zu Informationen und Erfahrung zu starken Engpässen bei einigen wenigen leitenden Entwicklern oder Architekten. KI verringert diese Asymmetrie teilweise, weil Wissen, Dokumentation und technische Erkundung innerhalb der Organisation deutlich zugänglicher werden.
Auch architektonisch hat mich das zu einfacheren und modulareren Systemen bewegt. KI arbeitet deutlich besser, wenn Systeme gut strukturiert und beobachtbar sind und klare Trennungen aufweisen. Komplexe, nicht dokumentierte Umgebungen verursachen sowohl für Menschen als auch für KI-Systeme Reibungsverluste.
Warum Menschen bei der Einführung von KI mehr Aufmerksamkeit benötigen als Tools
Ich habe die menschliche Seite der Einführung unterschätzt.
Anfangs konzentrierten wir uns hauptsächlich auf Tools und Fähigkeiten. Wir gingen davon aus, dass die Einführung ganz natürlich erfolgen würde, sobald Entwickler Zugang zu leistungsfähigen KI-Systemen hätten. Die Teams reagierten sehr unterschiedlich. Einige Entwickler wurden sofort deutlich produktiver, während andere ihre Arbeitsabläufe kaum veränderten.
Wenn ich einen Teil der Einführung wiederholen könnte, würde ich weniger Zeit darauf verwenden, Dutzende von KI-Tools zu bewerten, und mehr Zeit in die Neugestaltung von Arbeitsabläufen, die Schulung von Teams und die Definition klarer betrieblicher Muster für den Einsatz von KI in der Entwicklung investieren.
Ich habe die menschliche Seite der Einführung unterschätzt … Wir gingen davon aus, dass die Einführung ganz natürlich erfolgen würde, sobald Entwickler Zugang zu leistungsfähigen KI-Systemen hätten. Die Teams reagierten sehr unterschiedlich … Behandeln Sie KI als Veränderung des Betriebsmodells und nicht nur als Aufrüstung der Tools.
Warum CTOs dies als Veränderung des Betriebsmodells betrachten müssen
Mein Rat an CTOs lautet, KI als eine Veränderung des Betriebsmodells zu betrachten und nicht nur als eine Verbesserung der Werkzeuge.
Viele Unternehmen gehen an KI noch immer so heran wie an frühere Softwarewellen – sie kaufen Plattformen, führen Pilotprojekte durch und ergänzen isolierte Anwendungsfälle. Dadurch wird die größere Veränderung übersehen. KI verändert, wie Engineering-Teams arbeiten, wie Produkte entwickelt werden und wie Organisationen wachsen.
Zweitens: Bleiben Sie pragmatisch. Derzeit gibt es einen enormen Hype, und viele Unternehmen versuchen, KI in Probleme zu zwängen, bei denen sie nur einen geringen Mehrwert bietet. Die besten Ergebnisse entstehen in der Regel dadurch, dass zunächst bestehende Arbeitsabläufe verbessert werden, anstatt futuristischen Ideen nachzujagen.
Drittens: Investieren Sie intensiv in die Grundlagen der Softwareentwicklung, anstatt davon auszugehen, dass KI diese ersetzt. Eine solide Architektur, eine gute Engineering-Kultur, klare Zuständigkeiten, operative Disziplin und erfahrene Mitarbeitende sind in einer von KI geprägten Umgebung noch wichtiger.
Und schließlich sollten CTOs diese Systeme persönlich nutzen – nicht anhand von Berichten oder Produktdemonstrationen von Anbietern, sondern selbst praktisch. Das Tempo der Veränderungen ist zu hoch, um dieses Thema ausschließlich strategisch und ohne direkten Kontakt mit der Technologie selbst zu steuern.
Bleiben Sie auf dem Laufenden
Sie können die Arbeit von Sergey Terentyev auf LinkedIn verfolgen.
Weitere Experteninterviews im The CTO Club folgen.
