ProgrammierEnde
Die
neue
DotCom
Bubble?
Das Internet war danach nicht weg, sondern dominiert als Grundlagentechnologie.
Und KI?
Eine statistische Simulation von menschlichem Denken in Sprache.
Kann KI Programmierer ersetzen?
Kann die Elektrische Säge einen Tischler ersetzen?
Kann eine Möbelfabrik Tische produzieren?
-
die Arbeit findet in Sprache statt
-
alles benötigte liegt bereits digital vor
-
Auch die Anleitungen, wie es geht
-
der Erfolg ist gut verifizierbar.
-
man kann alle Schritt automatisieren
Wann KI funktioniert
Oh, das sind ja wir.
2 Jahre KI-gestützte
Entwicklung
-
Phase 1: Copilot - haha, guck mal wie doof
-
Phase 2: Copilot: ahum, nutzen tue ich das trotzdem
-
Phase 3: Sonnet 3.5: hmm, den kann man ja alleine laufen lassen
-
Phase 4: ich gebe es nicht zu, aber die meiste Zeit läuft er alleine.
-
Phase 5: verdrahtet mit MCP - Context7, Github, Jira, langfuse etc.
-
Aktuell: Multiagenten, Spec-Kit, AntiGravity, claude.ai/code
Zwischen Tischlerei und Möbelfabrik, wo stehen wir gerade?
Startupmaschine.
1 Person + Agenten:
- Long-Tail Marktanalyse
- Freemium + Abo
- Mobile Apps plus Website & Backend
- 2-3 Apps pro Tag
Wir sind noch immer die Tischler, die elektrische Werkzeuge nutzen.
Maturity Modelle
CMMI
ITIL
DevOps Maturity Model
Agile Maturity Model
Cloud Maturity Model
-
Methoden & Praktiken
-
Werkzeuge & Technologie
-
Prozesse & Workflows
-
Rollen & Organisationsformen
-
Infrastruktur & Plattformen
-
Daten & Datenverfügbarkeit
-
Enterprise-Integration & Interoperabilität
-
Kompetenzen & Skills
-
Capabilities & Outcomes
Reifegrade
in ...
https://johannhartmann.github.io/
Level 1: AI Assisted
- 15-Min-Daily, 8 Personen
- Ein Feature/Tag
- ChatGPT, Copilot, Claude
- Pull Request, manuelles Review
- Wöchentliches Deployment (Donnerstag)
Level 1: AI Assisted
| Arbeitsweise | Team & Rollen | Werkzeuge |
|---|---|---|
| • Individuelle AI-Exploration • "Shadow AI" • wie bisher- aber mit CoPilot • KI primär für Erklärungen und Copy&Paste |
• 7±2 Personen: 1 PO, 1 SM, 3-5 Devs, 1 QA, 1 Designer • Klassisches Scrum/Kanban • 2-Wochen-Sprints • Entscheidungen: Tage-Wochen |
• ChatGPT, Claude, GitHub Copilot • Nur Code-Completion • Keine autonomen Agents • Automatisierung: ~10% |
Late Majority
Level 1: AI Assisted
| Daten | Infrastruktur | Outcome |
|---|---|---|
| • 30-50% digitalisiert und auffindbar • Primär strukturiert im Batch • Kein AI-Zugriff • "Variable" Qualität |
• Standard Cloud/On-Premise • Keine AI-Extensions • Manuelle Integration • Menschen als Integratoren |
• Produktivität: 1x • Speed: Wochen-Monate • Deploy: Wöchentlich-monatlich • Erste Benefits: 10-20% |
Late Majority
Probleme
- "Daten" meint meist SQL, nur strukturierte Daten
- 80% der eigentliche Daten sind un- und semi-strukturiert
- Unstrukturiertes Wissen vor allem in Köpfen
- KI-Einsatz bleibt hinter den Erwartungen zurück
- KI-Integration ist Copy & Paste und Auto-Complete.
Level 2: AI Augmented
- 10-Min-Daily, 6 Personen
- 3 Features parallel/Person
- Aufgabe: Agents überwachen / nachbessern
- 3 Deployments heute
- Pro Person: 3 Features + 1 Bug (bis 15 Uhr)
Level 2: AI Augmented
| Arbeitsweise | Team & Rollen | Werkzeuge | Daten |
|---|---|---|---|
| • Multi-Threading: 2-3 Features/Person • Agent-Delegation • Systematisierung mit Guidelines |
• 5-7 Personen • SM betreut mehrere Teams • Developer wird "AI Orchestrator" • Entscheidungen: Stunden |
• 2-3 Agents/Person parallel • Jira, Github, Playwright per MCP • Claude Code, Cursor, Windsurf • Automatisierung: 60-70% der Arbeit |
• Strukturiert 80% |
| Arbeitsweise | Team & Rollen | Werkzeuge | Daten |
|---|---|---|---|
| • Multi-Threading: 2-3 Features/Person • Agent-Delegation • Systematisierung mit Guidelines |
• 5-7 Personen • SM betreut mehrere Teams • Developer wird "AI Orchestrator" • Entscheidungen: Stunden |
• 2-3 Agents/Person parallel • Jira, Github, Playwright per MCP • Claude Code, Cursor, AntiGravity • Automatisierung: 60-70% der Arbeit |
• Strukturiert 80% • Unstrukturiert 30% • Katalogisiert • erster operativ/ändern |
Early Majority
Level 2: AI Augmented
| Infrastruktur | Outcomes | Neu | Wegfallend |
|---|---|---|---|
| • MCP-Integration kritisch: • Jira, GitHub, Grafana mit MCP • Vector Databases (RAG) • Data Products |
• Produktivität: 1,5-2x • Speed: Wochen • Deploy: Täglich-mehrmals täglich • 6-10 Features parallel • ROI: Messbar positiv |
• Produktivität: 1,5-2x • Speed: Wochen • Deploy: Täglich-mehrmals täglich • 6-10 Features parallel |
• SM pro Team (betreut mehrere) • Rein manuelle Code-Entwicklung • Unsystematische AI-Nutzung |
Early Majority
Probleme
- Mensch schaut den Agenten beim Arbeiten zu
- "AiDHS"
- Nur in der IT wird KI wirklich als Teil des Prozesses eingesetzt
- KI darf zwar die Systeme programmieren, aber nicht selbst operativ autark handeln
- Bestehender Prozess passt nicht mehr für Entwicklung
- Bestehende Teamgröße passt nicht mehr
Level 3: AI-Miniteams
- 5-Min-Sync, 3 Personen
- Live-Prototyping mit Kunde
- Unsupervised Development, kein Review
- Auto-Bug-Fix (14 Uhr)
- 6 Features, 3 Produkte parallel
Level 3: AI-Miniteams
| Arbeitsweise | Teams & Rollen | Werkzeuge | Daten |
|---|---|---|---|
| • Sprints fallen weg • Unsupervised Development • Kein menschlicher Code-Review mehr • PO erstellt GUIs mit Kunden |
• Mini-Teams: 2-3 Personen • 1-2 Devs, optional 1 PO • 1 PO steuert 2-3 Mini-Teams • Entscheidungen: Stunden • Hohe Autonomie |
• Claude Code: Unsupervised • Lovable, Bold, v0 für PO • Agents: Volle Lese-/Schreibrechte • Canary Releases: 10-20x/Tag • Automatisierung: 80-90% |
• 95%+ digitalisiert • Strukturiert: Real-Time • Agents: Volle Rechte • Data Mesh Architektur • Qualität: ~95%, Vollst.: ~50% |
Early Adopters
Level 3: AI-Miniteams
| Infrastruktur | Outcomes | Neu | Wegfallend |
|---|---|---|---|
| • Cloud-native kritisch • Agents: Aktiv schreibend • Canary Release Pipelines • Feature-Flag-Systeme • Self-Healing • AI-Anomaly Detection |
• Produktivität: 2x/Person • Speed: Tage • Deploy: bis zu 10-20x täglich • Mini-Team ersetzt 7-Personen-Team • 4x Feature-Testing • ROI: 3-5x |
• Unsupervised Development • Lovable/Bold für GUI-Prototyping • Lesend/Schreibende Agents • Mini-Team-Struktur • Data Catalogues |
• Scrum Master :-( • QA Engineer • UX/UI Designer • Frontend/Backend-Spezialisierung • Manuelle Code-Reviews • Sprints als Struktur |
Early Adopters
Probleme
- Agentische Entwicklung entwächst individuellen und lokalen Kinderschuhen
- "Wie macht ich das professionell, systematisch und verlässlich"
- Wir bräuchten eine Platform, mit der das gut geht.
- "Produktivität pro EntwicklerIn" geht hoch, dabei beobachten die nur.
Level 4: Agentic Development
- Agent-Dashboard, 47 Agents aktiv
- Prompt-Template-Update, Metriken
- Refactoring-Agent entwickeln
- Bug-Eskalation, Agent verbessern
- 50+ Features (von Maschine)
Level 4: Agentic Development
| Arbeitsweise | Teams & Rollen | Werkzeuge | Daten |
|---|---|---|---|
| • Kontinuierlich fortschreitende Automatisierung • Menschen: Ausnahmen & Strategie • Ops/Platform-Team wächst |
• Hybrid: Mini-Teams + Ops-Team • Neue Rolle: AI Platform/Ops-Engineer • Baut Agent-Plattform • Entwickelt Agent-Capabilities • Automatisiert kontinuierlich |
• Agent-Orchestrierungs-Plattform • Agent Registry + Workflow Engine • Policy Engine, Resource Manager • Spezialisierte Agent-Typen • Automatisierung: 95-98% |
• 98%+ digitalisiert • Strukturiert: 95% Real-Time • Unstrukturiert: 90% • Self-Validating/Correcting Pipelines • Qualität: ~95%, Vollst.: ~80% |
Bleeding Edge
Level 4: Agentic Development
| Infrastruktur | Outcomes | Neu | Wegfallend |
|---|---|---|---|
| • Massive AI-Workloads (100x vs L3) • Agent Registry, Workflow Engine • Service Mesh (Istio, Linkerd) • Multi-Cloud/Hybrid |
• Produktivität: 3-10x/Person • Speed: Stunden • Deploy: bis zu 50-100x täglich • 80-90% Bugs auto-gefixt • Self-Improving Systems • ROI: 5-10x |
• Dediziertes Platform/Ops-Team • Agent-Orchestrierungs-Plattform • Agent Registry + Workflow Engine • Policy Engine für Guardrails • Spezialisierte Agent-Typen • Service Mesh |
• Mini-Teams schrumpfen • Direkte Feature-Entwicklung durch Menschen • Feste Iterations-Zyklen • Manuelle Ausnahme-Behandlung • Menschen in taktischen Entscheidungen |
Bleeding Edge
Probleme
- Wenn die Struktur gut funktioniert, warum nicht auf mehr Bereiche?
- Kontiniuerliche Verbesserung der Effizienz
- Skalierbarkeit?
Level 5: Vollautomatisiert agentisch
- 12 Opportunities über Nacht
- 20-Min-Review, 3 genehmigt
- CFO-Meeting, Healthcare-Prototyp
- 15 Agents orchestriert
- 127 Features/Woche, 98.7% autonom
Godmode
Level 5: Vollautomatisiert
agentisch
| Arbeitsweise | Teams & Rollen | Werkzeuge | Daten |
|---|---|---|---|
| • Nicht mehr agil • Keine Sprints/Ceremonies • Continuous AI-Driven Evolution • Planning = Agent-Artefakt • Menschen überwachen vor allem |
• Platform-Team • Product Strategists (10-50 Produkte) • Platform Engineer/Agent Developer • Operations Engineer (Agent-Ops) |
• Agentic Mesh/Fabric vollständig • Viele Agent-Typen •Supervisory/Hierarchical • Agents erstellen eigene Environments • Automatisierung: ~99% |
• 99% digitalisiert • strukturiert + unstrukturiert • Semantische Datenmodelle • Alle Agents: Benötigte Rechte |
| Infrastruktur | Outcomes | Neu | Wegfallend |
|---|---|---|---|
| • Massive elastische Infrastructure • Agents verwalten eigene Ressourcen • A2A (Agent-to-Agent) Standard • Agentische Aushandlung (autonom) |
• Produktivität: 10-50x • Speed: Stunden (LLM-limitiert) • Deploy: 100-1000x täglich • 2-20 Pers. → 10-100 Produkte • 100-1000 Features/Monat • 95%+ selbstheilend • ROI: 10-100x |
• Ops-Modell • 100+ spezialisierte Agent-Typen • Agents erstellen Agenten • Semantische Datenmodelle • 100% Daten-Digitalisierung • Enterprise agentifiziert |
• Mini-Teams • Klassische Developer-Rollen • Menschliche Feature-Entwicklung • Taktische/operative Entscheidungen durch Menschen • Manuelle System-Integration • Batch-Prozesse |
Level 5: Vollautomatisiert
agentisch
Level 5 gibt es schon.
1 Person + Agenten:
- Long-Tail Marktanalyse
- Freemium + Abo
- Mobile Apps plus Website & Backend
- 2-3 Apps pro Tag
| Aspekt | Level 1 | Level 2 | Level 3 | Level 4 | Level 5 |
|---|---|---|---|---|---|
| Team | 7±2 | 5-7 | 2-3 | Hybrid + Ops | Ops |
| Kontrolle | 100% Mensch | Mensch orchestriert | Mensch validiert | Mensch adaptiert | Mensch gibt Strategie vor |
| Automatisierung | 10% | 60-70% | 80-90% | 90-95 | 95-99% |
| Speed | Monate | Wochen | Tage | Stunden | Stunden |
Nicht jeder Reifegrad
ist sinnvoll oder möglich.
Take-Aways
- Digitalisierungsrückstand geht nicht mehr
- Wir sind gerade erst am Anfang.
- Wer selbst mal probieren möchte wo er steht:
https://johannhartmann.github.io/
ProgrammierEnde
By Johann-Peter Hartmann
ProgrammierEnde
Traut man aktuellen Statistiken, dann assistiert das LLM längst nicht mehr, sondern macht Pläne, evaluiert Architekturen, macht Designvorschläge, erstellt Tests, implementiert die Software und schreibt die Dokumentation. Nicht nur “Vibe-Coder”, sondern auch erfahrene SeniorInnen, CTOs und ArchitektInnen überlassen grosse Teile der Tipp-Arbeit dem LLM. Welche Effekte hat das auf unsere Arbeit in Zukunft? Wenn ich 10 mal schneller entwickeln kann, kann ich dann 10 mal schneller die Qualität sichern und Refaktorieren? Wenn ich alleine einen Backlog in einer Woche schaffe, muss ich dann noch agil arbeiten? Brauchen wir noch Teams, oder wäre alleine effizienter? Was muss die Softwareentwicklerin der Zukunft an Stelle von Programmieren können? Wir zeigen die Effekte, die heute schon zu sehen sind, und die, die erst noch kommen werden.
