The ROI of AI-assisted Software Development

Kernpunkte

1. Datum / Quelle. 21. April 2026 (PDF-Metadaten CreationDate), Version v. 2026.1, Zitate abgerufen im Februar 2026. Hosting: https://cloud.google.com/resources/content/dora-roi-of-ai-assisted-software-development. Direktes PDF: https://services.google.com/fh/files/misc/dora-roi-of-ai-assisted-software-development-2026.pdf
2. Format. DORA × delta team Bericht-Framework, 60 Seiten, unter der Lizenz CC BY-NC-SA 4.0, mit einem interaktiven Rechner unter https://dora.dev/ai/roi/calculator
3. Hauptautoren. Eva Dong, Andre Ellis Jr., Nathen Harvey (DORA team lead), Vivian Hu, Ursula Lübbert-Passing PhD, Eric Maxwell, Aaron Wanjala
4. Gliederung in 7 Kapiteln. Zusammenfassung → Den Business Case erstellen → Die Marktkluft verstehen → Den ROI berechnen → Das organisatorische Fundament schaffen → Die KI-Investitions-Roadmap festlegen → Den langfristigen ROI sichern → (Danksagungen / Nächste Schritte / Anhang Rechner) ### Die Kernthese — AI is an amplifier > „Artificial intelligence (AI) serves as a powerful amplifier in software development. It magnifies the strengths of high-performing organizations and the dysfunctions of struggling ones."
5. Implikation 1. Der alleinige Kauf von KI-Lizenzen reicht nicht aus — „purchasing licenses alone will not guarantee a financial return".
6. Implikation 2. Wenn die Organisation Engpässe aufweist (manuelles Testen, Bürokratie, fragmentierte Daten), beschleunigt KI die technische Verschuldung, statt sie zu verringern.
7. Implikation 3. „Code is often seen as a liability, not an asset" (Winters/Manshreck/Wright, Software Engineering at Google, 2020) — mehr Code ohne Aufsicht zu generieren erhöht den Verifizierungsaufwand und die langfristige Verschuldung.
8. Implikation 4. Die relevante Kennzahl ist nicht das Codevolumen, sondern „the bottlenecks it clears". ### Die J-Curve of AI value realization (zentrales Konzept) > „The introduction of a new process almost guarantees an initial negative impact on performance, with the depth of the decline directly correlating to the magnitude of the change." Drei Treiber des vorübergehenden Produktivitätseinbruchs: 1. Lernkurve: Teams lernen neue Schnittstellen, passen Arbeitsabläufe an, meistern den Wandel von prompting → systems built on context, intent, specification. 2. Verifizierungssteuer: Zeit, die für die Überprüfung generierten Codes aufgewendet wird (Misstrauen gegenüber Halluzinationen + erhöhtes Volumen). 3. Pipeline-Anpassung: nachgelagerte Prozesse (Testen, Änderungsfreigabe) müssen die neue Geschwindigkeit auffangen, wodurch Altlasten-Einschränkungen sichtbar werden. Managementrisiko: „Initiatives often fail not because the technology is flawed but because leadership misinterprets this learning phase as a failure and pulls funding during the inevitable dip." Daher die Notwendigkeit, den Einbruch explizit einzuplanen, um die Investition während der Lernphase zu schützen.
9. ### Der Beispielrechner — Referenzwerte | Variable | Beispielwert | |----------|---------------| | Größe des technischen Personals (Vollzeitäquivalente) | 500 | | Durchschnittliches vollbelastetes Gehalt | 176.000 $ (US-Mischwert; +30 % US, +100 % EU auf Grundgehalt) | | Netto eingesparte Zeit pro Entwickler | 12,5 % (~1 Std. / 8-Std.-Tag; Literaturspanne 40–150 Min./Tag) | | Jährliche KI-Lizenz / Nutzer | 250 $ | | Zusätzliche jährliche KI-Kosten / Nutzer (API/Tokens) | 80 $ | | Jährliche Schulungskosten / Nutzer | 9.600 $ | | Zusätzliche Infrastrukturkosten | 100.000 $ | | Produktivitätsrückgang durch J-Curve | 15 % | | Dauer der J-Curve | 3 Monate | | Umsatz des Produktportfolios | 100 Mio. $ | | Kosten pro Ausfallstunde | 100.000 $ | | Aktuelle Deployments / Jahr | 50 | | Erfolgsquote bei Ideen | 33 % (Larsen et al. 2023) | | Umsatzauswirkung pro erfolgreichem Feature | 0,5 % (Spanne 0,01–1 %) | | Aktuelle CFR | 5 % | | Ziel-CFR | 6 % (+20 % — instability tax) | | Ziel-Deployments / Jahr | 56 (+12 %) | | Ziel-Features / Jahr | 56 | | FDRT (Wiederherstellungszeit bei fehlgeschlagenem Deployment) | 4 Stunden | Beispielergebnisse: | | Betrag | |--|--| | Gesamte harte Kosten (Tooling + Schulung) | 5.065.000 $ | | J-Curve-Kosten | 3.300.000 $ | | Gesamtinvestition im ersten Jahr | 8.365.000 $ | | Kapazität zur Personal-Reinvestition | 11.000.000 $ | | Umsatz aus zusätzlichen Feature-Deployments | 990.000 $ | | Auswirkung von Ausfallzeiten (Instabilitätssteuer) | −344.000 $ | | Gesamtjahreswert | 11.646.000 $ | | Nutzen im ersten Jahr | 3.281.000 $ | | ROI im ersten Jahr | 39 % | | Amortisationszeit | 0,7 Jahre (8 Monate) | ### Fünf Wertsäulen (kumulierter Geschäftswert) ` Productivity → User Experience → Cost Efficiency → Developer Experience → Business Growth (am direktesten) (am indirektesten) `
10. Productivity. der direkteste Effekt, am besten durch DORA 2025 bestätigt (>80 % der Befragten nehmen einen Gewinn wahr).
11. Developer Experience. Mitarbeiterbindung, weniger Fluktuation (Ersatzkosten = 1,5–2× Jahresgehalt). Aus dem Basisrechner ausgeschlossen (variabler Zusammenhang).
12. Cost efficiency. vermiedene Neueinstellung (kein Personalabbau!) + Einsparungen bei der IT-Infrastruktur.
13. User Experience. App-Leistung → Engagement. Aus dem Rechner ausgeschlossen (loser Zusammenhang). ### Fünf systemische Schlüssel der Einführung (organisatorisches Fundament) 1. Trust: „clear and communicated AI stance" — reduziert die Verifizierungssteuer durch psychologische Sicherheit. 2. Platform: Internal Developer Platform (IDP), behandelt als Produkt — Guardrails für Entwickler UND für Agenten. 3. Data: KI-zugängliche interne Daten + gesunde Datenökosysteme + maschinenlesbare Dokumentationsqualität. 4. Users: nutzerzentrierter Fokus — Geschwindigkeit auf Nutzerwert ausgerichtet, nicht auf Commit-Volumen. 5. Guardrails: nicht optionale Sicherheits-/Qualitäts-Gates, automatisierte Prüfungen, Pre-Commit-Hooks. ### Zweiphasige Investitions-Roadmap | Phase | Budgetart | Fähigkeiten | Ziel | |-------|-------------|--------------|------| | (1) Build the context layer | CapEx | Hochwertige IDP + gesundes Datenökosystem + maschinenlesbare Dokumentation | Agenten-Reibung minimieren — garbage in, garbage out | | (2) Empower the human in the loop | OpEx | Vertrauen in KI + context engineering | Entwickler werden zu high-level orchestrators — Verifizierungssteuer reduzieren | | (3) Validate progress | (Messgröße) | Frühindikator: Experimentierfrequenz + Deployment-Frequenz / Stabilität: Change Failure Rate + Nacharbeit | J-Curve-Verlauf bestätigen | ### Drei zu modellierende Szenarien | Szenario | Wertmultiplikator | Kostenmultiplikator | Annahme | |----------|------------------|-----------------|-----------| | Conservative | 0,8 | 1,5 | Langsame Einführung + verdeckter Integrationsaufwand | | Realistic base | 1,0 | 1,0 | Standardverlauf | | Optimistic | 1,2 | 0,8 | Elite-Team + reife IDP, die die Tools absorbiert | ### Herangezogene externe Daten (Evidenz) | Datenpunkt | Wert | Quelle | |--------|--------|--------| | Führungskräfte, die ROI bei ≥1 Gen-AI-Use-Case berichten | 78 % | Google Cloud, The ROI of AI 2025 | | Frühanwender mit positiven Erträgen aus agentenbasierter KI | 88 % | Google Cloud, The ROI of AI 2025 | | Produktivitätsgewinn Greenfield (einfach) | 35–40 % | Stanford Software Engineering Productivity Research | | Produktivitätsgewinn Brownfield (Legacy) | ≤10 % | Stanford | | Rückgang der Inferenzkosten (Nov. 2022 → Okt. 2024) | ÷280 | Stanford 2025 AI Index | | Durchschnittliche Amortisationszeit für KI-Tools (Google-Cloud-Daten) | 8 Monate | Google Cloud, How Businesses Achieve Strong ROI | | Durchschnittlicher ROI für Google-Cloud-KI-Kunden (3 Jahre) | 727 % | Google Cloud | | Erfolgsquote bei Ideen (Features, die den Umsatz steigern) | ~33 % | Larsen et al. 2023 (A/B-Testing-Methodik) | | Ersatzkosten für Entwickler | 1,5–2× Jahresgehalt | Standard-HR | | Aufschlag auf vollbelastete Gehaltskosten | +30 % US / +100 % EU | Auf Grundgehalt | ### Explizite normative Position — do not reduce headcount > „We strongly recommend organizations do not adopt a headcount-reduction strategy, which has a negative impact on morale and organizational culture, can reduce efficiencies, and can even incentivize workers to not improve their work processes. Instead, this effort should be reinvested into new, innovative, or more productive work." Position explizit im Gegensatz zu Fällen wie Tatsyi/Raiffeisen Bank Ukraine (−75 Stellen über 12 Monate). Produktive Spannung: Tatsyi berichtet von einer bewussten Umverteilung der freigesetzten Kapazität bei gleichzeitigem Personalabbau; DORA empfiehlt, das Personal zu halten und die freigesetzte Kapazität in Innovation zu reinvestieren. Die beiden Positionen sind nicht unvereinbar — Tatsyi ist retrospektiv zu einer bereits getroffenen Entscheidung, DORA ist a priori präskriptiv, um Moral, institutionelles Wissen und Anreizstruktur zu bewahren. Zu verwenden als Diskussionsansatz in Vorständen. ### Verbindung zum Corpus #### Konvergenz zu „AI is an amplifier" / „organisatorisches System >> Tool"
14. Tatsyi/Raiffeisen. (2026-05-05): „AI expanded our production possibility frontier, and we deliberately allocated the freed capacity" — ein exaktes Analogon zur DORA-Position.
15. Wescale Usine Logicielle Augmentée. (2026-05-03): Governance, eingeführt als „near-military layer", realistisch X3–X4.
16. Habert PROJ-AI. (2026-05-05): „technology 20% / team discipline 80%" — eine direkte Umformulierung.
17. Osmani *Cognitive Surrender. * (2026-05-05): 6 strukturelle organisatorische Guardrails.
18. MIT NANDA *GenAI Divide. (2025-08-23): 95 % der KI-Pilotprojekte liefern keinen ROI — von DORA explizit als „pessimistic perspective"* zitiert.
19. → Starke Konvergenz: organisatorische Reife ist der Burggraben, nicht das Tool. #### Konvergenz zu „J-Curve / tuition cost"
20. Frizzo. (2026-05-05): „writing muscle atrophy", „the new bottleneck is supervision" — erlebt die Verifizierungssteuer tagtäglich.
21. BCG Brain Fry. (Bedard et al., 2026-03-05): 14 % AI Brain Fry — die Lernkosten auf menschlicher Seite.
22. Beck *Starving Genies. * (2026-04-03): bewusste Verknappung zum Erhalt manueller Praxis vs. FOMO gegenüber 24/7-Agenten.
23. → DORA liefert den finanziellen Rahmen für den Einbruch, den diese Autoren qualitativ dokumentieren. #### Konvergenz bei Produktivitätsverhältnissen (verbreiteter Median 3–5×)
24. DORA-Beispiel 12,5 % eingesparte Zeit. = entspricht 1,14× auf 8-Std.-Basis, weit konservativer als die 3–5×-Medianverhältnisse im 2026er-Corpus.
25. Warum. DORA ist bewusst konservativ ausgelegt, um den Case vor einem CFO zu verteidigen. Die von Praktikern berichteten Verhältnisse (Frizzo 3–5×, Wescale X3–X4, Curran 3×, Tatsyi Multi-Tool ×1,5–3 / Claude-Stack ×4,5) erfassen die gesamte Transformation der Arbeit (Scope-Änderung, neue Produkte, Aufgabenumverteilung), die der DORA-Rechner nicht erfasst — er misst avoided hire, nicht new product space.
26. Stanford 35–40 % Greenfield vs. ≤10 % Brownfield. , von DORA zitiert: bestätigt die ungleiche Verteilung je nach technischem Kontext.
27. → Korrekte Lesart: DORA = finanziell verteidigbare Untergrenze; Praktikerverhältnisse = organisatorisch beobachtete Obergrenze. Beide sind je nach Messumfang zutreffend. #### Konvergenz zu „free headcount / reinvest / do not reduce headcount"
28. DORA. „do not adopt a headcount-reduction strategy".
29. Curran/Intercom. (2026-04-16): 3× F&E-Produktivität ohne massiven Abbau — interne Umverteilung.
30. Tatsyi/Raiffeisen. (2026-05-05): −75 Stellen, aber mit bewusster Umverteilung der freigesetzten Kapazität auf Features / Stabilität / technische Schuld.
31. → Produktive Spannung: DORA präskriptiv (nicht abbauen) vs. Tatsyi deskriptiv (abgebaut bei gleichzeitiger Umverteilung). Zu verwenden für ausgewogene Präsentationen. #### Konvergenz zu „code is a liability"
32. DORA. zitiert Software Engineering at Google (Winters/Manshreck/Wright, 2020).
33. Cherny. (2026-05): „100% of generated code" — jedoch mit Aufsicht und Kompaktierung.
34. Frizzo. (2026-05-05): „writing muscle atrophy" — die kognitiven Kosten des Volumens.
35. Osmani Cognitive Surrender. (2026-05-05): „PRs ~100 lines max" — eine explizite Anti-Volumen-Grenze.
36. → „more code is bad code" ist ein stilisiertes Faktum von 2026, bestätigt durch heterogene Quellen. #### Position Frankreich/Europa vs. angelsächsische Position
37. DORA ist amerikanisch, dokumentiert aber eine europäische Position (Ursula Lübbert-Passing PhD, EMEA Value Realization).
38. Der Rechner berücksichtigt. einen Gehaltsaufschlag von +100 % für Europa (vs. +30 % USA) — sensibel gegenüber lokalen Kontexten.
39. Zu verwenden in französischsprachigen Präsentationen als Referenzstandard für CFO/Vorstände, ergänzend zu Wescale (französisches Unternehmen), Habert (FR), Tatsyi (Mitteleuropa). #### Konvergenz zu „experiment frequency = leading financial indicator"
40. DORA. Optionalitäts-Framework, Experimentierfrequenz als Frühindikator.
41. Cherny. (2026-05): „few dozen PRs/day", parallele Exploration.
42. Karpathy. (2026-04-29): MenuGen vs. Nanobanana, jagged intelligence, Experimentieren als neuer Modus.
43. Habert PROJ-AI. 7-dimension Decision Records, die dokumentierte Exploration legitimieren.
44. → Konvergenz: KI ermöglicht es, jedes Feature in eine kostengünstige Option zu verwandeln. ### Zu markierende Einschränkungen
45. Der Rechner ist bewusst vereinfacht. (von den Autoren eingeräumt) — ausgeschlossen: Einsparungen durch Mitarbeiterbindung/Fluktuation, Zusammenhang User Experience–Umsatz, Compounding-Effekte agentenbasierter KI ab Jahr 2, nachgelagerte Einsparungen bei Geschäftsprozessen (HR usw.).
46. Beispielzahlen sind stark US-zentriert. (176.000 $ Gehalt, 250 $ Lizenz/Jahr — unterschätzt vermutlich Enterprise-Kosten bei Großkundenverhandlungen + Agenten).
47. 12,5 % eingesparte Zeit sind im Vergleich zu Praktiker-Feedback sehr konservativ. — dies ist jedoch bewusst so gewählt, um den Case vor einem skeptischen CFO zu verteidigen. Umgekehrtes Risiko: Unterbewertung des Potenzials.
48. Die Zeitersparnis wird im Modell durch die Instabilitätssteuer gedeckelt. — der vorübergehende Einbruch (Rückgang von 15 % über 3 Monate) wiegt 3,3 Mio. $ von insgesamt 8,4 Mio. $ Investition. Zu prüfen: Ist dieser Einbruch wirklich immer so groß? Bei reifen Organisationen könnte er deutlich kleiner ausfallen.
49. Die Erfolgsquote von 33 % bei Ideen (Larsen 2023). stammt aus standardmäßigem A/B-Testing — könnte für gut recherchierte Features zu niedrig und für experimentelle zu hoch sein.
50. Keine explizite Erörterung. regulatorischer Risiken (DSGVO, EU AI Act, branchenspezifische Aufsicht) — überraschend für ein Google-Cloud-Dokument mit EMEA-Enterprise-Reichweite.
51. Der Bezug zu Google Cloud. (727 % ROI über 3 Jahre, 8 Monate Amortisation): Statistiken, die intern bei Google-Cloud-Kunden erhoben wurden, vermutlich Selektionsverzerrung.
52. Der Rechner erfasst nicht. , was Tatsyi als „production possibility frontier" bezeichnet (die neuen Produkte, die es zuvor nicht gab) — er misst avoided hire, nicht new product space. Eine strukturelle Einschränkung des Modells.
53. „All models are wrong". wird im Dokument 3-mal wiederholt — eine selbstentwaffnende Geste, die das Modell jedoch nicht von methodischer Kritik an blinder Anwendung befreit. ### Zu verwenden für
54. Vorstands-/Board-/CFO-Präsentationen. offizielles Google-Cloud-×-DORA-Framework — institutionelle Autorität zur Verteidigung eines KI-Budgets.
55. Aufbau eines KI-Business-Case. den Rechner als Struktur wiederverwenden, die Annahmen an den Kundenkontext anpassen (explizite Empfehlung der Autoren).
56. Sensibilisierung für die „tuition cost". die Investition während des J-Curve-Einbruchs schützen, die Finanzierung während der Lernphase nicht kürzen.
57. Team-/HR-Debatte. Die normative Position „do not reduce headcount" ist ein nutzbares Argument gegen rein budgetgetriebene Impulse zum Personalabbau.
58. Belegte Zahlen. 39 % ROI / 8 Monate Amortisation / 35–40 % Greenfield vs. 10 % Brownfield / Inferenzkosten ÷280 / 727 % ROI über 3 Jahre — solide Zahlen zur Integration in Schulungen, Tech-Watch-Notizen und strategische Präsentationen.
59. Verknüpfung französischsprachiger Inhalte mit Wescale / Habert / Tatsyi / Frizzo. DORA als institutionelles finanzielles Fundament, andere Notizen als ergänzende operative Erfahrungsberichte.
60. Strategische Diskussion zu IDP / context engineering. Die DORA-Fähigkeiten (Quality IDP + KI-zugängliche interne Daten + Dokumentationsqualität) werden zu identifizierbaren und budgetierbaren Prioritätsinvestitionen.