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?

  1. die Arbeit findet in Sprache statt 

  2. alles benötigte liegt bereits digital vor

  3. Auch die Anleitungen, wie es geht

  4. der Erfolg ist gut verifizierbar.

  5. 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:
 

  1. Long-Tail Marktanalyse 
  2. Freemium + Abo 
  3. Mobile Apps plus Website & Backend
  4. 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:
 

  1. Long-Tail Marktanalyse 
  2. Freemium + Abo 
  3. Mobile Apps plus Website & Backend
  4. 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/