KI-Anwendungsfälle in der IT, die es verdienen, zum Standard zu werden
Kurzfassung
- Das KI-gestützte Tool CodeConcise von Thoughtworks analysiert Legacy-Code, extrahiert Geschäftsregeln und beschleunigt die Mainframe-Modernisierung. Bis jetzt wurde die Umwandlungszeit pro Modul um 4 Wochen verkürzt und bei einer groß angelegten Überholung 240 FTE-Jahre eingespart.
- KI-basierte Engineering-Pulsbefragungen von Finastra entdeckten einen bislang nicht erfassten wöchentlichen Arbeitsaufwand von 6 Stunden. Diese Erkenntnis ermöglichte es der Führung, Workflows zu optimieren, Aufgaben besser zu verteilen und Burnout-Risiken zu minimieren. KI-gestützte IDEs, intelligente Code-Vorschläge und automatisierte Arbeitsabläufe senken die kognitive Belastung.
- CreateFuture nutzte KI-basierte Backlog-Verfolgung, um 30 % der Zeit für das Management von User Stories einzusparen und 4–8 Stunden pro Sprint zurückzugewinnen. KI hilft Teams dabei, Scope Creep zu erkennen, Sprint-Reporting zu automatisieren und unterdimensionierte Features vorherzusagen, bevor sie die Entwicklung behindern.
- Chamomile.ai‘s LLM-basierte Log-Analyse erkennt subtile Anomalien, prognostiziert Ausfälle und automatisiert die Behebung. Dadurch konnte der manuelle Untersuchungsaufwand reduziert und Probleme gelöst werden, bevor sie zu größeren Ausfällen führen.
KI hat inzwischen fast alle Bereiche der IT und Entwicklung erreicht. Überall ist zu hören, wie sie die Effizienz von Entwicklerteams steigert, die Work-Life-Balance verbessert und als intelligenter, allwissender, ständig verfügbarer Assistent auftritt. Das kann einen schon schwindelig machen.
Doch obwohl KI praktisch überall präsent ist, liefert sie nicht das, was wir erwartet haben – oder oft sogar überhaupt nichts. Über die Hälfte der IT-Führungskräfte hat Schwierigkeiten, den ROI von KI nachzuweisen und verbrennt dabei Milliarden.
In Vorstandsetagen dreht sich alles um agentische KI, Risiken und den neuesten DeepSeek-Trend, doch die eigentliche Frage wird selten gestellt: Lösen wir mit KI überhaupt die richtigen Probleme? Vielleicht ist nicht die Technologie selbst die größte Herausforderung, sondern zu wissen, wo sie sinnvoll eingesetzt werden sollte.
Want more from The CTO Club?
Create a free account to finish this piece and join a community of CTOs and engineering leaders sharing real-world frameworks, tools, and insights for designing, deploying, and scaling AI-driven technology.
Have an account? Log In
Es ist jedoch nicht alles düster. Einige Teams haben die Antwort schon gefunden. Wir haben mit ein paar Vorreitern gesprochen, die mit teils überraschend einfachen (aber wirkungsvollen) Business-Anwendungen echten Mehrwert schaffen. Hier sind die KI-Anwendungsfälle, von denen sie am meisten überzeugt sind:
1. Legacy-IT modernisieren
KI löst eine altbekannte Herausforderung bei der Modernisierung von Altsystemen: Verhindern, dass veraltete Logik in moderne Systeme gelangt. „Behörden betreiben noch immer riesige, monolithische Systeme“, sagt Noel Hara, VP & CTO Public Sector bei NTT DATA. „Selbst wenn Geschäftslogik extrahiert oder Code neu geschrieben wird, steckt darin oft tief verborgene, überholte Logik.“
Das Team von Noel setzt inzwischen KI ein, um extrahierte Regeln zu analysieren und intelligent mit aktuellen Richtlinien abzugleichen. Noch besser: Die Tools schlagen smarte Anpassungen vor, wo sich Policies geändert haben, ohne die Geschäftsverantwortlichen zu überfordern. „So bleibt der Modernisierungsprozess reibungslos und verhindert, dass sich im neuen System ein Berg an technischer Schulden auftürmt.“
Thoughtworks hat CodeConcise entwickelt, einen internen KI-basierten Beschleuniger, der komplexe Code-Strukturen zerlegt, Abhängigkeiten kartiert und wichtige Erkenntnisse aufdeckt – selbst wenn Schlüsselentwickler schon lange nicht mehr dabei sind. Das Tool kann Legacy-Code auch in moderne Programmiersprachen übersetzen und so Compliance sowie die Ausrichtung auf das Entwicklerteam sicherstellen.
Die interne Einführung verlief bislang sehr erfolgreich: Die Modernisierungszeit pro Modul wurde bereits um 4 Wochen gesenkt und bei einer Mainframe-Transformation im großen Stil schätzungsweise 240 FTE-Jahre eingespart.
Eine weitere Option für die Modernisierung von Altsystemen kann auch darin bestehen, mit dem richtigen Nearshore-Softwareentwicklungspartner zusammenzuarbeiten.
2. Mitarbeiterproduktivität steigern
Schon vor dem aktuellen KI-Hype hat künstliche Intelligenz die mühsamen Aufgaben wie das Erstellen von Boilerplate-Code oder das Verwalten von Testfällen übernommen – Aufgaben, die zuvor stundenlange Arbeit für IT-Teams bedeuteten. Heute erweitern KI-gesteuerte IDEs wie Tabnine und JetBrains AI diese Tätigkeiten um intelligente Code-Reviews, kontextabhängige Zusammenfassungen und automatisierte Wissensdokumentation. Entwickler müssen nun nicht mehr ständig zwischen Kontexten wechseln oder nach nicht dokumentierten Lösungen suchen.
Jimmy Xu, Field CTO von Cycode, sieht die Zukunft der KI-unterstützten Entwicklung so deutlich, dass er KI als das „Mittel“ für 10x-Entwickler bezeichnet. Er hat nicht unrecht. Aus der Distanz betrachtet erscheint KI weniger wie ein Werkzeug, sondern vielmehr als das verbindende Gewebe der modernen Softwareentwicklung.
Es kann fragmentierte Arbeitsabläufe zusammenführen, intelligenteres Aufgaben-Management ermöglichen, eine detaillierte Transparenz bieten und Ineffizienzen aufdecken, von denen Teams vielleicht gar nichts ahnen. Finastra hat dies aus erster Hand erlebt, nachdem sie ein maßgeschneidertes KI-Tool zur Überwachung der Entwicklererfahrung eingeführt hatten.
Anfänglich nutzte das Management KI-gestützte Pulsbefragungen, um das Wohlbefinden der Entwickler zu beurteilen. Doch schon bald trat ein übersehenes Problem zutage: Entwickler dokumentierten (zuvor nicht erfasste) sechs zusätzliche Arbeitsstunden pro Woche, verursacht durch ständige Anforderungen und fortlaufende Produktaktualisierungen.
Angesichts des Risikos eines Burnouts setzte das Management KI ein, um Arbeitslasten zu optimieren, Fokuszeiten durchzusetzen und Kommunikationszeiten zu verbessern, um unnötige Unterbrechungen zu minimieren. Jetzt können die Entwickler ihre Energie in Innovationen stecken, ohne durch ständiges Kontextwechseln ausgebremst zu werden.
3. Den Produktumfang vor unkontrolliertem Wachstum bewahren
„Für einen Softwareentwickler nimmt das Programmieren nur einen kleinen Teil der Arbeitswoche ein — etwa zwei Stunden täglich“, kommentiert Jeff Watkins, CTO von CreateFuture. Der Großteil der Woche fließt in die Anpassung von User Stories, Epics, Akzeptanzkriterien, QA-Prozesse und, wenn man nicht aufpasst, in das Ringkämpfen mit schleichendem Scope Creep, der immer weiter wächst.
Glücklicherweise hat KI genau hier einige der wirkungsvollsten Fortschritte für CreateFuture gebracht. „Wir haben etwa 30 % der Zeit eingespart, die zuvor für das Schreiben, Prüfen und Abstimmen von Epics, Stories und Akzeptanzkriterien draufging“, erklärt er und betont, wie KI ihre Produktentwicklung geschärft hat.
Sein Team setzt inzwischen KI ein, um:
- Meeting-Zusammenfassungen zu automatisieren, um wichtige Diskussionen und Umfangsabweichungen zu dokumentieren sowie eine Maßnahmen-Checkliste zur Kurskorrektur zu erstellen.
- Sprint-Reports zu generieren, indem abgeschlossene Aufgaben, Änderungen im Backlog und sich wandelnde Anforderungen überwacht werden — so können Teams Scope Creep erkennen, bevor der Fortschritt entgleist.
- Predictive Analysis auf vergangene Projekte anzuwenden, um zu knapp bemessene Features frühzeitig zu identifizieren.
- Feedback-Loops einzurichten, die Peer-Feedback zusammenfassen und Wachstumschancen aufzeigen.
Jeff betrachtet KI als eine Art „Gummiente“ für den Produktumfang: die richtigen Fragen stellen, Hindernisse aufdecken und den Zusammenhang zwischen den Investitionen in die Entwicklung und den Unternehmenszielen klar machen. „Da KI nun unsere Sprint-Reports und Dokumentenprüfungen übernimmt, gewinnen wir pro Sprint vier bis acht Stunden zurück.“
4. Selbstheilende IT-Infrastruktur ermöglichen
Ein Systemausfall ist eine teure Krise für IT-Teams. Selbst an guten Tagen kann ein Ausfall bei großen Unternehmen bis zu $9.000 pro Minute kosten. Werden noch regulatorische Strafen, Datenverluste und Reputationsschäden für regulierte Branchen berücksichtigt, kann der Gesamtschaden leicht die 5-Millionen-Dollar-Marke überschreiten. Dennoch sind die meisten IT-Monitoring-Lösungen weiterhin reaktiv: Sie erkennen zwar Vorfälle, verhindern aber nicht deren Wiederholung und stoßen beim Skalieren an ihre Grenzen. Wie Jimmy anmerkt: „Skalierung und Bereitstellung werden zu entscheidenden Herausforderungen in einer zunehmend komplexen Umgebung.“
Eine selbstheilende Infrastruktur schließt diese Lücken mit autonomen Überwachungstools. Für Tirath Ramdas, CEO von Chamomile.ai, ist die Log-Analyse ein Paradebeispiel dafür, wie KI die Arbeitslast der Entwickler verringern und gleichzeitig autonome IT-Systeme stärken kann. „Bug-Report-Analyse ist mühsam, selten erfreulich und findet oft unter hohem Druck statt, wenn gerade Ausfälle oder Störungen beginnen, Endnutzer zu beeinträchtigen“, sagt Tirath. Doch eine echte Root Cause Analysis erfordert mehr als nur das Durchsuchen von ERROR-Logs.
„Es geht darum, mehrere Logs zu korrelieren und subtile Anomalien aufzuspüren.“ Er nutzt LLMs, um lästige Log-Suchen zu eliminieren und schnell Kontext-Muster herzustellen. „Sie sind großartig im unscharfen Abgleich von Begriffen, intelligenten Vergleich von Logs und im Markieren ungewöhnlicher Verhaltensweisen.“ Noch besser: Sie können kleine Fehler automatisiert in Logs erkennen und den manuellen Prüfaufwand so verringern, um die Vorfalllösung zu beschleunigen.
Über die Log-Analyse hinaus können KI-Tools auch kleine Vorfälle automatisch beheben. Autonome KI-basierte Systeme überwachen kontinuierlich Echtzeit-Kennzahlen wie CPU-Auslastung, Netzwerk-Latenz, Speicherverbrauch, um Anomalien zu erkennen, Fehlalarme zu minimieren und bei Grenzwertüberschreitungen schnell zu handeln.
Wenn eine Systemmetrik einen vordefinierten Schwellenwert überschreitet, kann KI ein automatisiertes Behebungsprotokoll auslösen. „Für die Behebung kann KI maßgeschneiderte Anleitungen zur Fehlerbehebung bereitstellen und vorgeschlagene Code-Korrekturen mit Automatisierungsworkflows generieren. Anschließend können Sie mit KI einen normalisierten Risiko-Score für verschiedene Feststellungen berechnen und das Priorisieren automatisieren,“ kommentiert Jimmy.
KI treibt Wandel voran, wenn Ihre Unternehmenskultur es zulässt
KI kann tatsächlich Zeitersparnis bringen und vollständige Workflow-Transparenz für Engineering- und IT-Teams ermöglichen – allerdings nur, wenn die Kultur bereit ist, dies zu unterstützen. „Sie brauchen keine ausgefallene neue Technik, um das zu schaffen,“ sagt Jeff. All das ist bereits mit den KI-Tools umsetzbar, die in Ihrer Office-Suite enthalten sind, wie Microsoft Copilot 365 oder Google Gemini Advanced.
„Worauf es wirklich ankommt, ist, in Menschen zu investieren. Zeigen Sie ihnen, wie sie das bekommen, was sie aus diesen Tools brauchen,“ ergänzt er. Selbst in kleinen Teams summiert sich schon der Aufwand von ein paar Stunden Coaching pro Person und plötzlich sieht man eine echte Rendite auf die Investition.
Größere Teams können experimentelle Projekte wie die berüchtigten „Hack the Scope“-Tage ausprobieren. Geben Sie Ihren Ingenieur:innen ein unklar definiertes Projekt, einen Haufen Daten und KI-Tools, um Probleme wie Risikoprognosen oder Epic-Entwürfe zu lösen. Die beste Lösung bringt Ruhm, Anreize für das nächste Pilotprojekt und wahrscheinlich einen übertriebenen Pokal ein.
„Mein Fazit ist also: Werden Sie richtig gut im Umgang mit den vorhandenen Tools, bevor Sie weitere kaufen – sonst werden Sie das alte Sprichwort erleben: ,Viel Ausrüstung, keine Ahnung‘.“
Abonnieren Sie den CTO Club-Newsletter für weitere Einblicke zu KI, zur Verbindung von Business und Engineering sowie zu selbstheilender IT.
