Wie Softwareunternehmen von AI-Pilotprojekten zur AI-Transformation übergehen

Die Einführung von AI nimmt zu, doch die Transformation steht noch am Anfang

Artificial Intelligence ist für Softwareunternehmen längst mehr als nur ein Experiment. Sie wird zu einem entscheidenden Faktor für ihre Wettbewerbsfähigkeit. Doch die Kluft zwischen Unternehmen, die lediglich experimentieren, und solchen, die ihr Geschäft mit AI wirklich transformieren, wird größer statt kleiner.

Dieser Bericht basiert auf fünf aufeinanderfolgenden Erhebungen unserer vierteljährlichen Kundenumfrage und umfasst mehr als 270 Unternehmen im Zeitraum von März 2025 bis März 2026. Die Daten zeigen ein einheitliches und ernüchterndes Muster bei allen untersuchten Anwendungsfällen: Anforderungsmanagement, Erstellung neuen Codes, Refactoring von Legacy-Code, Delivery, Portfoliomanagement sowie Sicherheit und Compliance.

Der Anteil der Unternehmen, die angeben, AI „derzeit nicht zu nutzen“, sinkt in allen Kategorien. Experimentiert wird vielerorts. Doch die höheren Reifegrade – AI, die Menschen aktiv und in großem Umfang unterstützt, Agents, die innerhalb von Workflows arbeiten, und autonome AI – spielen bislang kaum eine Rolle. Für Führungskräfte in regulierten und teilregulierten Branchen ist das Bild noch deutlicher: Die für Compliance und Risikomanagement wichtigsten Anwendungsfälle weisen die langsamsten Einführungskurven auf.

Dieser Bericht erläutert, was die Daten zeigen, warum die meisten Unternehmen nicht weiterkommen und wie Technologie- und Business-Verantwortliche mit einem strukturierten Framework von der Optimierung einzelner Aufgaben zur Transformation des gesamten Softwaregeschäfts gelangen können.

Seit Anfang 2025 führen wir vierteljährlich eine Umfrage durch, die erfasst, wie der Kundenstamm – große und mittelständische Unternehmen aus verschiedenen Branchen wie Finanzwesen, Industrie, Gesundheitswesen, öffentlichem Sektor und Technologie – AI im gesamten Softwareentwicklungszyklus einsetzt.

Umfragedesign

Jede vierteljährliche Erhebungswelle erfasst je Anwendungsfall Antworten von etwa 360 bis 380 Teilnehmern. Die Befragten schätzen den aktuellen Einführungsgrad in ihrem Unternehmen in sechs Anwendungsbereichen selbst ein:

• Erstellung von neuem Code

• Anforderungsmanagement

• Refactoring von Legacy-Code

• Auslieferung

• Portfoliomanagement

• Sicherheit und Compliance

Für jeden Anwendungsfall wählen die Befragten die Reifestufe aus, die ihr Unternehmen heute am besten beschreibt:

Diese fünfstufige Skala entspricht direkt unserem AI Adoption Framework, das in Abschnitt 6 ausführlich beschrieben wird. Das Längsschnittdesign der Umfrage – fünf Erhebungswellen über einen Zeitraum von 12 Monaten – ermöglicht es, die Geschwindigkeit der Einführung zu verfolgen, nicht nur ihren aktuellen Stand.

Die folgende Grafik zeigt alle sechs Anwendungsbereiche über fünf quartalsweise Erhebungswellen hinweg, von W1 März 2025 bis W5 März 2026. Jede Balkengruppe zeigt die Verteilung über die fünf Reifegrade zu einem bestimmten Zeitpunkt.

Für welche der folgenden Anwendungsfälle setzt ihr AI ein?

Die Einführung schreitet voran, die Transformation nicht

Über alle sechs Anwendungsfälle hinweg nehmen die roten Balken — Organisationen, die AI überhaupt nicht nutzen — im Zeitverlauf ab. Das sind die guten Nachrichten. Die Erprobung (orange) wächst, und der Anteil der Befragten, die angeben, dass AI Menschen aktiv unterstützt (gelb), steigt allmählich, insbesondere bei der Code-Erstellung.

Doch die Kategorien, die für echte Transformation stehen, etwa Agents in Workflows und autonome AI, bleiben in den meisten Anwendungsfällen und Wellen sehr klein. Die Daten legen stark nahe, dass die große Mehrheit der Organisationen im Übergang von der Erkundung zur Integration feststeckt und nicht in die Phasen gelangt, die überproportionalen geschäftlichen Mehrwert liefern.

AI-Einführung nach Anwendungsfall in der Softwareentwicklung

Die Erstellung neuen Codes führt bei der AI-Einführung

Die Code-Erstellung weist von allen sechs Kategorien die fortschrittlichste Einführungskurve auf. Bis W5 März 2026 ist der Anteil der Befragten, die angeben, dass AI Menschen hier aktiv unterstützt, höher als bei jedem anderen Anwendungsfall; auch die Erprobung ist am höchsten. Das ist intuitiv nachvollziehbar: Coding Assistants waren die ersten breit verfügbaren AI-Tools für Softwareteams, und die Produktivitätsgewinne sind unmittelbar und messbar. Doch selbst hier bleiben Agents in Workflows und autonome AI Randerscheinungen — die Vorteile liegen weiterhin größtenteils auf der Ebene individueller Produktivität.

Das Requirements Management hat großes AI-Potenzial, doch die Einführung steht noch am Anfang

Das Requirements Management begann in Welle 1 mit einer der höchsten Quoten für „derzeit keine Nutzung“: über 75 %. Bis Welle 5 ist dieser Anteil deutlich gesunken, während Erprobung und AI-Unterstützung zunehmen. In diesem Anwendungsfall kann AI die Übersetzung geschäftlicher Absichten in maschinenlesbare Spezifikationen erheblich beschleunigen. Die Daten zeigen jedoch, dass Organisationen die Möglichkeiten bisher kaum ausgeschöpft haben. Besonders für regulierte Branchen, in denen die Rückverfolgbarkeit von Anforderungen eine Compliance-Verpflichtung ist, stellt dies sowohl ein Risiko als auch eine Chance dar.

Die Modernisierung von Legacy-Systemen ist ein wertvoller AI-Anwendungsfall mit langsamer Einführung

Die Modernisierung von Legacy-Systemen zeigt ein ähnliches Muster wie das Requirements Management: Selbst in Welle 5 nutzen sie noch über 40 % nicht, obwohl AI in diesem Bereich wohl besonders leistungsstark ist. Die Modernisierung großer, komplexer und unzureichend dokumentierter Codebases ist genau die Art von Arbeit, die menschliche Entwickler erschöpft — und bei der AI-Agents einen überproportionalen Mehrwert liefern können. Die langsame Einführung spiegelt wahrscheinlich sowohl die Risikoaversion von Organisationen mit kritischen Legacy-Systemen als auch das Fehlen von Governance-Strukturen wider, die nötig sind, um AI bei geschäftskritischem Code zu vertrauen.

AI in der Softwarebereitstellung schreitet kontinuierlich voran

Die Softwarebereitstellung zeigt über die fünf Wellen hinweg einen stetigen, wenn auch moderaten Rückgang der Nichtnutzung — von etwa 70 % auf rund 40 %. Dies ist eine breite Kategorie, die CI/CD, Release Management und die Übergabe an den Betrieb umfasst. Die allmähliche Entwicklung deutet darauf hin, dass die Einführung schrittweise erfolgt, während AI-Tools entlang der Pipeline ausgereifter werden. In der Softwarebereitstellung zeigt sich auch der in Abschnitt 4 beschriebene „Bottleneck-Effekt“ am deutlichsten — die schnellere Code-Generierung vorgelagert erhöht den Druck auf Bereitstellungsprozesse, die noch nicht in ähnlichem Maße beschleunigt wurden.

Portfolio Management bleibt ein blinder Fleck bei der AI-Einführung

Das Portfolio Management weist in allen Wellen durchgängig einige der höchsten Quoten für „keine Nutzung“ auf und liegt in Welle 5 noch immer über 45 %. Das ist auffällig, denn Entscheidungen auf Portfolioebene — Priorisierung, Investitionsallokation und Roadmap-Management — sind der Bereich, in dem AI-Unterstützung Geschäftsergebnisse am unmittelbarsten beeinflussen könnte, statt nur die Engineering-Effizienz. Die Daten deuten darauf hin, dass die AI-Einführung in den meisten Organisationen von unten durch Entwickler-Tools vorangetrieben wird und die strategischen Ebenen, auf denen der größte Mehrwert liegt, noch nicht erreicht hat.

Die AI-Einführung in Sicherheit und Compliance bleibt langsam

Sicherheit und Compliance ist der Anwendungsfall mit der größten direkten Relevanz für regulierte Branchen — und weist eine der langsamsten Einführungskurven auf. In Welle 5 nutzen rund 40 % der Befragten in diesem Bereich noch überhaupt keine AI. Da Sicherheit und Compliance in jedem regulierten Sektor verpflichtende, nicht verhandelbare Aktivitäten sind, ist dies sowohl ein Risikosignal als auch eine Chance. Organisationen, die AI-Agents erfolgreich für Sicherheitsscans, die Durchsetzung von Richtlinien und die Compliance-Prüfung einsetzen, gewinnen nicht nur an Effizienz, sondern auch einen strukturellen Vorteil beim Management der Regulierungskosten.

Die Umfragedaten zeigen, was passiert. Um zu verstehen, warum, müssen wir die strukturellen Hürden betrachten, die Unternehmen daran hindern, über frühe Experimente hinauszukommen. Auf Grundlage unserer Arbeit mit mehr als 1.800 Kunden in zehn Ländern haben wir vier Hindernisse identifiziert, die für die überwiegende Mehrheit ins Stocken geratener AI-Transformationen verantwortlich sind.

Der Flaschenhalseffekt im Detail

Der häufigste Irrtum über den ROI von AI ist, dass die Einführung eines Coding-Assistenten das Unternehmen produktiver macht. Für sich genommen stimmt das: Entwickler schreiben Code schneller. Doch in den meisten Unternehmen ist die Entwicklung nicht der Engpass. Die Erhebung von Anforderungen dauert Wochen. Tests sind teilweise manuell und dauern Tage. Compliance-Prüfungen basieren auf Checklisten. Für Deployments sind in mehreren Phasen menschliche Freigaben erforderlich.

Wenn ihr eine Phase einer Pipeline beschleunigt, während der Rest unverändert bleibt, beschleunigt ihr nicht die Pipeline. Ihr erzeugt eine längere Warteschlange am nächsten Engpass. Schnellerer Code-Output bedeutet schlicht, dass mehr Code länger auf Tests, Prüfungen und Deployments wartet. Die Durchlaufzeit verbessert sich nicht. Geschäftlicher Mehrwert entsteht nicht schneller. Und der ROI der AI-Investition scheint bei null zu liegen, obwohl die zugrunde liegende Technologie genau wie angekündigt funktioniert.

DIE SYSTEMLEKTION FÜR FÜHRUNGSKRÄFTE

Echte Produktivitätsgewinne durch AI erfordern End-to-End-Denken. Unternehmen, die eine Phase beschleunigen, ohne die umgebende Pipeline zu berücksichtigen, werden bei den für das Geschäft entscheidenden Kennzahlen keine Verbesserung sehen: Time-to-Value, Release-Frequenz und Fehlerraten. AI-Transformation ist ein Systemproblem, kein Tooling-Problem.

Warum regulierte Branchen vor einer zusätzlichen Herausforderung stehen

Für Unternehmen, die formalen regulatorischen Rahmenbedingungen unterliegen – etwa in Finanzdienstleistungen, im Gesundheitswesen, in der Energiebranche, im Verteidigungssektor, in der öffentlichen Verwaltung oder bei kritischer Infrastruktur –, werden die vier genannten Hindernisse durch ein fünftes verschärft: die Anforderung, für jede folgenschwere Entscheidung im Softwarelebenszyklus eine prüfbare und nachvollziehbare Dokumentation zu führen.

Herkömmliche AI-Tools, die für kommerzielle SaaS-Deployments entwickelt wurden, sind nicht auf regulatorische Audit-Trails ausgelegt. Ihre Einführung ohne eine geeignete Governance-Infrastruktur schafft rechtliche und Compliance-Risiken. Der Aufbau einer solchen Governance-Infrastruktur erfordert jedoch Fähigkeiten, Architektur und organisatorische Reife, die die meisten Unternehmen erst noch entwickeln.

Das Ergebnis: Regulierte Branchen, die aufgrund ihres unverhältnismäßig hohen Compliance-Aufwands oft am meisten von AI-gestützter Effizienz profitieren könnten, sind zugleich am stärksten darin eingeschränkt, wie schnell sie AI sicher einführen können.
Das Ausmaß der Strategielücke verdeutlichen die Umfragedaten: In Welle 5 verfügen nur 10 % der Unternehmen tatsächlich über eine formale AI-Strategie, während 59 % gerade eine entwickeln. Weitere 31 % haben überhaupt keine Strategie. Unternehmen können nicht steuern, was sie nicht definiert haben.

Unser AI Adoption Framework beschreibt fünf Phasen der AI-Reife in Softwareunternehmen. Die Phasen sind nicht willkürlich gewählt – sie spiegeln die strukturellen Veränderungen bei Mitarbeitern, Prozessen und Technologie wider, die erforderlich sind, um mit jeder weiteren Phase Effizienzgewinne zu erzielen.

Die meisten Unternehmen befinden sich bei der AI-Reife noch in einem frühen Stadium

Die Umfragedaten passen eng zu diesem Framework. Die Mehrheit der teilnehmenden Unternehmen befindet sich in Phase 1, einige wechseln in Phase 2. Die Fortschritte sind real – einzelne Entwickler arbeiten schneller, einige Aufgaben werden an AI Agents delegiert –, aber es handelt sich um Optimierungsgewinne, nicht um transformative Fortschritte.

Die entscheidende Schwelle liegt beim Übergang von Phase 3 zu Phase 4. Hier verändert sich die Art des Wandels: aus „Wir haben unsere bestehenden Prozesse effizienter gemacht“ wird „Wir haben das grundlegende Betriebsmodell unseres Softwaregeschäfts verändert.“ Die Tooling-Funktionen, die für Phase 4 und Phase 5 erforderlich sind, existieren bereits. Den meisten Unternehmen fehlt nicht die Technologie, sondern die Grundlage bei Mitarbeitern, Prozessen und Governance, um sie sicher und in großem Umfang zu nutzen.

Das Risiko der Polarisierung

Am Markt zeichnet sich eine wichtige strategische Dynamik ab. Da sich AI-Tools von abonnementbasierten Modellen pro Nutzer hin zu verbrauchsbasierter Abrechnung entwickeln – bei der für Tokens, Rechenleistung und Aktionen von Agents statt für Lizenzen gezahlt wird –, werden die wirtschaftlichen Vorteile der AI-Einführung zunehmend Unternehmen zugutekommen, die höhere Phasen des Frameworks erreicht haben.

Unternehmen, die AI vor allem als Instrument zur Kostensenkung betrachten – und sie einsetzen, um Personal abzubauen und Ausgaben zu reduzieren –, werden die Gewinne aus Phase 1 realisieren und dann ein Plateau erreichen. Unternehmen, die AI als Motor für Wertschöpfung betrachten und damit neue Fähigkeiten aufbauen, Kunden besser bedienen und schneller neue Märkte erschließen, werden ihren Vorsprung weiter ausbauen. Die Unterschiede zwischen diesen beiden Gruppen werden sich beschleunigen.

Für Unternehmen, die in regulierten oder teilregulierten Umgebungen tätig sind, ist die Einführung von AI nicht einfach eine Frage der Bereitstellung von Tools und der Schulung von Entwicklern. Sie erfordert, das Maß an AI-Kontrolle an das regulatorische Umfeld anzupassen. Diese Abstimmung muss eine bewusste strategische Entscheidung sein – kein nachträglicher Gedanke.

Wir haben ein Kontrollmodell mit fünf Stufen entwickelt, das regulatorische Anforderungen geeigneten Architekturen für die AI-Bereitstellung zuordnet:

Die meisten Unternehmen in regulierten Branchen arbeiten derzeit auf L1 oder L2 und nutzen kommerzielle SaaS-AI-Tools mit begrenzten Governance-Kontrollen. Die Umfragedaten spiegeln dies wider: Anwendungsfälle in den Bereichen Sicherheit und Compliance weisen die langsamste AI-Einführung auf – genau deshalb, weil die erforderlichen Kontrollen auf L3, L4 oder L5 noch nicht vorhanden sind. Infrastrukturdaten aus Wave 5 bestätigen dieses Bild: 59 % der Unternehmen betreiben AI hauptsächlich in der Public Cloud, 29 % in hybriden Umgebungen und nur 2 % auf souveräner AI-Infrastruktur.

Der Schritt zu L3 oder höher ist nicht einfach ein Technologieprojekt. Er erfordert Entscheidungen zur Datenarchitektur, Anbieterauswahl, zum Standort und zur Überprüfung von Mitarbeitern sowie zum rechtlichen Gerichtsstand. Diese Entscheidungen beeinflussen die Strategie zur AI-Einführung auf allen Ebenen. Ein Unternehmen, das sich für eine vollständig innerhalb der EU betriebene Bereitstellung entscheidet (L3), wird andere Tooling-Entscheidungen treffen als eines, das globales SaaS nutzen kann.

STRATEGISCHE EMPFEHLUNG

Führungskräfte in regulierten Branchen sollten das erforderliche Kontrollniveau festlegen, bevor sie AI-Tools auswählen – nicht danach. Die Kosten, Governance nachträglich in eine AI-Bereitstellung zu integrieren, sind in der Regel deutlich höher, als sie von Anfang an einzuplanen. Dies ist eine Architekturentscheidung, keine Beschaffungsentscheidung.

Die vielleicht wichtigste Erkenntnis aus fünf Erhebungswellen lautet: Nicht die Technologie begrenzt die Einführung von AI. Die Tools gibt es. Die APIs sind verfügbar. Die Modelle sind leistungsfähig. Die Einschränkung liegt in der Organisation – und im Kern ist sie eine Führungsaufgabe.

Wie sich Rollen in AI-gestützten Softwareorganisationen entwickeln

Die meisten Unternehmen befinden sich heute bei der Zusammenarbeit zwischen Mensch und AI noch in der sogenannten Builder-Phase: Entwickler nutzen AI, um ihre individuelle Arbeit zu beschleunigen. Sie arbeiten innerhalb von Tools statt entlang von Workflows und konzentrieren sich auf lokale Produktivitätssteigerungen.
Die nächste Phase – Composer – erfordert Menschen, die AI-gesteuerte Workflows gestalten, Arbeit zwischen Menschen, Tools und AI-Agenten koordinieren und auf Teamebene statt auf individueller Ebene arbeiten können. Die darauffolgende Phase – Value Architect – erfordert Führungskräfte, die Ergebnisse und Systeme definieren und AI auf organisatorischer Ebene am geschäftlichen Mehrwert ausrichten.
Neunzig bis fünfundneunzig Prozent der Unternehmen arbeiten heute auf Builder-Niveau. Der Übergang zu Composer und Value Architect erfordert gezielte Investitionen in Kompetenzentwicklung, neue Rollendefinitionen und kulturellen Wandel – nicht nur Zugang zu besseren Tools.

Warum es sich um eine Transformation der Führung handelt, nicht der Technologie

Frühere große Technologietransformationen wie ERP-Implementierungen, Cloud-Migrationen und die Einführung von Agile veränderten die äußeren Ebenen der Arbeitsweise von Unternehmen: die Tools, die sie nutzen, und die Prozesse, denen sie folgen. Sie waren bedeutend und schwierig. Doch sie veränderten weder grundlegend, wer Entscheidungen trifft, noch worüber diese Entscheidungen getroffen werden.

Die Transformation durch agentische AI geht tiefer. Sie verändert, wer die Arbeit erledigt (Menschen und AI-Agenten gemeinsam), welche Entscheidungen getroffen werden (wobei AI an Entscheidungen beteiligt ist oder Entscheidungen vorantreibt, die zuvor ausschließlich Menschen trafen) und warum die Organisation so strukturiert ist, wie sie ist (wenn Agenten Workflows durchgängig verantworten können, verlieren traditionelle funktionale Silos ihre Grundlage).

Deshalb kommen die meisten AI-Initiativen nicht über Pilotprojekte hinaus. Ein Pilotprojekt ist ein Technologieexperiment. Eine Transformation erfordert das Engagement der Führung, eine Neugestaltung der Organisation, Investitionen in einem Umfang, der mit einer ERP- oder Cloud-Migration vergleichbar ist, sowie die Bereitschaft, zentrale Betriebsmodelle zu verändern, statt bestehenden lediglich neue Tools hinzuzufügen.

Die Umfragedaten und das oben dargestellte Framework weisen auf drei konkrete Maßnahmen hin, die Technologie- und Business-Verantwortliche jetzt ergreifen sollten – unabhängig davon, wo ihre Organisation derzeit auf der Reifegradkurve steht.

Die AI-Transformation hängt von Governance, Menschen und Führung ab

Die Daten aus fünf Wellen der Kundenbefragung zeichnen ein einheitliches Bild: Die Einführung von AI in Softwareunternehmen ist Realität, sie beschleunigt sich und schöpft bei den meisten Unternehmen noch längst nicht ihr volles Potenzial aus.

Die Unternehmen, die erfolgreich sein werden, sind nicht unbedingt diejenigen, die heute am schnellsten vorangehen. Es sind diejenigen, die die richtigen Grundlagen schaffen: Sie verstehen ihre Engpässe, etablieren eine angemessene Governance, investieren in ihre Mitarbeiter und betrachten AI als geschäftliche Transformation statt als Tool-Upgrade.

Für Führungskräfte in regulierten und teilregulierten Branchen ist das Zeitfenster der Chancen offen. Es erfordert jedoch ein bewussteres Vorgehen bei Kontrolle, Compliance und Architektur als im breiteren Markt. Unternehmen, die dies durchdacht angehen, werden feststellen, dass die regulatorischen Vorgaben, die ihre anfängliche Einführung gebremst haben, zu einem Wettbewerbsvorteil werden: zu einer Plattform für vertrauenswürdige, auditierbare und gesteuerte AI-Funktionen, die für weniger disziplinierte Wettbewerber nur schwer nachzubilden ist.