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. Gehostet unter: 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. Bericht-Framework des DORA × delta team, 60 Seiten, lizenziert unter 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 (Leiter DORA team), Vivian Hu, Ursula Lübbert-Passing PhD, Eric Maxwell, Aaron Wanjala
4. Gliederung in 7 Kapiteln. Zusammenfassung → Geschäftsfall aufbauen → Marktspaltung verstehen → ROI berechnen → Organisatorisches Fundament aufbauen → KI-Investitions-Roadmap planen → Langfristigen ROI sichern → (Danksagungen / Nächste Schritte / Anhang Rechner) ### Die zentrale These — KI ist ein Verstärker > "Künstliche Intelligenz (KI) fungiert als starker Verstärker in der Softwareentwicklung. Sie vergrößert die Stärken leistungsstarker Organisationen und die Dysfunktionen schwacher Organisationen."
5. Implikation 1. Der Kauf von KI-Lizenzen reicht nicht aus — "der alleinige Kauf von Lizenzen garantiert keine finanzielle Rendite".
6. Implikation 2. Wenn die Organisation Engpässe aufweist (manuelle Tests, Bürokratie, fragmentierte Daten), beschleunigt KI die technische Verschuldung, statt sie zu verringern.
7. Implikation 3. "Code wird oft als Verbindlichkeit betrachtet, nicht als Vermögenswert" (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 Messgröße ist nicht das Codevolumen, sondern "die beseitigten Engpässe". ### Die J-Kurve der KI-Wertschöpfung (Kernkonzept) > "Die Einführung eines neuen Prozesses garantiert nahezu einen anfänglich negativen Effekt auf die Leistung, wobei die Tiefe des Rückgangs direkt mit dem Ausmaß der Veränderung korreliert." Drei Treiber des vorübergehenden Produktivitätseinbruchs: 1. Lernkurve: Teams lernen neue Schnittstellen, passen Arbeitsabläufe an, meistern den Wandel von Prompting → Systemen, die auf Kontext, Intention und Spezifikation aufbauen. 2. Verifizierungssteuer: Zeit, die für die Überprüfung generierten Codes aufgewendet wird (Misstrauen gegenüber Halluzinationen + gestiegenes Volumen). 3. Pipeline-Anpassung: Nachgelagerte Prozesse (Tests, Änderungsfreigabe) müssen die neue Geschwindigkeit absorbieren, wobei Legacy-Einschränkungen offengelegt werden. Führungsrisiko: "Initiativen scheitern oft nicht, weil die Technologie fehlerhaft ist, sondern weil die Führung diese Lernphase als Scheitern fehlinterpretiert und während des unvermeidlichen Einbruchs die Finanzierung zurückzieht." Daher die Notwendigkeit, den Einbruch explizit einzuplanen, um die Investition während der Lernphase zu schützen. ### Der Beispielrechner — Referenzwerte | Variable | Beispielwert | |----------|---------------| | Größe des technischen Personals (VZÄ) | 500 | | Durchschnittliches Vollkosten-Gehalt | 176.000 $ (US-Mischwert; +30 % US, +100 % EU auf Basisgehalt) | | 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/Token) | 80 $ | | Jährliche Schulungskosten / Nutzer | 9.600 $ | | Zusätzliche Infrastrukturkosten | 100.000 $ | | Produktivitätsrückgang durch J-Kurve | 15 % | | Dauer der J-Kurve | 3 Monate | | Umsatz des Produktportfolios | 100 Mio. $ | | Kosten pro Ausfallstunde | 100.000 $ | | Aktuelle Deployments / Jahr | 50 | | Erfolgsquote von Ideen | 33 % (Larsen et al. 2023) | | Umsatzeinfluss pro erfolgreichem Feature | 0,5 % (Spanne 0,01–1 %) | | Aktuelle CFR | 5 % | | Ziel-CFR | 6 % (+20 % — Instabilitätssteuer) | | Ziel-Deployments / Jahr | 56 (+12 %) | | Ziel-Features / Jahr | 56 | | FDRT (Wiederherstellungszeit nach fehlgeschlagenem Deployment) | 4 Stunden | Beispielergebnisse: | | Betrag | |--|--| | Gesamte harte Kosten (Tools + Schulung) | 5.065.000 $ | | J-Kurven-Kosten | 3.300.000 $ | | Gesamtinvestition im ersten Jahr | 8.365.000 $ | | Kapazität zur Personalreinvestition | 11.000.000 $ | | Umsatz durch zusätzliche Feature-Deployments | 990.000 $ | | Auswirkung von Ausfallzeiten (Instabilitätssteuer) | −344.000 $ | | Gesamter jährlicher Wert | 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) ` Produktivität → Nutzererfahrung → Kosteneffizienz → Entwicklererfahrung → Geschäftswachstum (am direktesten) (am indirektesten) `
9. Produktivität. der direkteste Effekt, am besten durch DORA 2025 bestätigt (>80 % der Befragten nehmen einen Gewinn wahr).
10. Entwicklererfahrung. Bindung, weniger Fluktuation (Ersatzkosten = 1,5–2× Jahresgehalt). Vom Basisrechner ausgeschlossen (variable Verbindung).
11. Kosteneffizienz. vermiedene Neueinstellung (kein Personalabbau!) + Einsparungen bei der IT-Infrastruktur.
12. Nutzererfahrung. App-Leistung → Engagement. Vom Rechner ausgeschlossen ("lose" Verbindung).
13. Geschäftswachstum. Umsatz, Konversion. Am weitesten nachgelagert, am schwersten zuzuordnen. ### Fünf systemische Schlüssel zur Einführung (organisatorisches Fundament) 1. Vertrauen: "eine klare und kommunizierte KI-Haltung" — reduziert die Verifizierungssteuer durch psychologische Sicherheit. 2. Plattform: Internal Developer Platform (IDP), behandelt als Produkt — Leitplanken sowohl für Entwickler ALS AUCH für Agenten. 3. Daten: KI-zugängliche interne Daten + gesunde Datenökosysteme + maschinenlesbare Dokumentationsqualität. 4. Nutzer: nutzerzentrierter Fokus — Geschwindigkeit, ausgerichtet auf Nutzerwert, nicht auf Commit-Volumen. 5. Leitplanken: nicht verhandelbare Sicherheits-/Qualitätsgates, automatisierte Prüfungen, Pre-Commit-Hooks. ### Zweiphasige Investitions-Roadmap | Phase | Budgetart | Fähigkeiten | Ziel | |-------|-------------|--------------|------| | (1) Kontextschicht aufbauen | CapEx | Hochwertige IDP + gesundes Datenökosystem + maschinenlesbare Dokumentation | Agenten-Reibung minimieren — garbage in, garbage out | | (2) Mensch in der Schleife stärken | OpEx | Vertrauen in KI + Context Engineering | Entwickler werden zu hochrangigen Orchestratoren — Verifizierungssteuer senken | | (3) Fortschritt validieren | (Messgröße) | Frühindikator: Häufigkeit von Experimenten + Deployment-Frequenz / Stabilität: Änderungsfehlerquote + Nacharbeit | Verlauf der J-Kurve bestätigen | ### Drei zu modellierende Szenarien | Szenario | Wertmultiplikator | Kostenmultiplikator | Annahme | |----------|------------------|-----------------|-----------| | Konservativ | 0,8 | 1,5 | Langsame Einführung + verdeckter Integrationsaufwand | | Realistische Basis | 1,0 | 1,0 | Standardverlauf | | Optimistisch | 1,2 | 0,8 | Elite-Team + ausgereifte IDP, die die Tools absorbiert | ### Genutzte externe Daten (unterstützende Belege) | Datenpunkt | Wert | Quelle | |--------|--------|--------| | Führungskräfte, die von ROI bei ≥ 1 generativem KI-Anwendungsfall berichten | 78 % | Google Cloud, The ROI of AI 2025 | | Frühe Anwender agentischer KI mit positiven Erträgen | 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) | Faktor 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 KI-Kunden von Google Cloud (3 Jahre) | 727 % | Google Cloud | | Erfolgsquote von Ideen (Features, die den Umsatz steigern) | ~33 % | Larsen et al. 2023 (A/B-Test-Methodik) | | Ersatzkosten für Entwickler | 1,5–2× Jahresgehalt | Standard-HR | | Gemeinkosten des Vollkostengehalts | +30 % US / +100 % EU | auf das Grundgehalt | ### Explizite normative Position — keinen Personalabbau > "Wir raten Organisationen dringend davon ab, eine Strategie des Personalabbaus zu verfolgen, die sich negativ auf die Moral und die Unternehmenskultur auswirkt, die Effizienz verringern kann und die Beschäftigten sogar dazu verleiten kann, ihre Arbeitsprozesse nicht zu verbessern. Stattdessen sollte dieser Effekt in neue, innovative oder produktivere Arbeit reinvestiert werden." Eine Position, die explizit im Gegensatz zu Fällen wie Tatsyi/Raiffeisen Bank Ukraine steht (−75 Personen in 12 Monaten). Produktive Spannung: Tatsyi berichtet von einer bewussten Umverteilung der freigesetzten Kapazität bei gleichzeitigem Personalabbau; DORA empfiehlt, den Personalbestand zu erhalten und die freigesetzte Kapazität in Innovation zu reinvestieren. Die beiden Positionen sind nicht unvereinbar — Tatsyi ist rückblickend auf eine bereits getroffene Entscheidung, DORA ist präskriptiv im Voraus, um Moral, institutionelles Wissen und Anreizstrukturen zu erhalten. Als Debattenangelpunkt in Vorstandsgremien zu verwenden. ### Verbindung zum Veille-Dossier #### Konvergenz "KI ist ein Verstärker" / "organisatorisches System >> Werkzeug"
14. Tatsyi/Raiffeisen. (2026-05-05): "KI hat unsere Produktionsmöglichkeitsgrenze erweitert, und wir haben die freigesetzte Kapazität bewusst zugeteilt" — ein exaktes Analogon zur DORA-Position.
15. Wescale Usine Logicielle Augmentée. (2026-05-03): Governance, eingeführt als eine "fast militärische Schicht", realistisch X3-X4.
16. Habert PROJ-AI. (2026-05-05): "Technologie 20 % / Teamdisziplin 80 %" — eine direkte Bestätigung.
17. Osmani *Cognitive Surrender. * (2026-05-05): 6 strukturelle organisatorische Leitplanken.
18. MIT NANDA *GenAI Divide. * (2025-08-23): 95 % der KI-Pilotprojekte liefern keinen ROI — von DORA explizit als "pessimistische Perspektive" zitiert.
19. → Starke Konvergenz: Organisatorische Reife ist der Burggraben, nicht das Werkzeug. #### Konvergenz "J-Kurve / Studiengebühr"
20. Frizzo. (2026-05-05): "Verkümmerung der Schreibmuskulatur", "der neue Engpass ist die Aufsicht" — erlebt die Verifizierungssteuer im Alltag.
21. BCG Brain Fry. (Bedard et al., 2026-03-05): 14 % KI-Brain-Fry — die Lernkosten auf menschlicher Seite.
22. Beck *Starving Genies. * (2026-04-03): freiwillige Knappheit zur Erhaltung manueller Praxis vs. FOMO gegenüber rund um die Uhr aktiven Agenten.
23. → DORA liefert den finanziellen Rahmen für den Einbruch, den diese Autoren qualitativ dokumentieren. #### Konvergenz bei Produktivitätsverhältnissen (Median-Konsens 3-5×)
24. DORA-Beispiel 12,5 % eingesparte Zeit. = entspricht einem 1,14× auf einer 8-Std.-Basis, deutlich konservativer als die im Korpus 2026 mehrheitlich genannten Verhältnisse von 3-5×.
25. Warum. DORA ist konservativ nach Design, um sich vor einem CFO verteidigen zu können. Praktiker-Verhältnisse (Frizzo 3-5×, Wescale X3-X4, Curran 3×, Tatsyi Multi-Tool ×1,5-3 / Claude-Stack ×4,5) erfassen die gesamte Transformation der Tätigkeit (Scope-Änderung, neue Produkte, Aufgabenumverteilung), die der DORA-Rechner nicht abbildet — er misst vermiedene Neueinstellung, nicht neuen Produktraum.
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; Praktiker-Verhältnisse = organisatorisch beobachtete Obergrenze. Beide sind je nach Messumfang zutreffend. #### Konvergenz "Personal freisetzen / reinvestieren / keinen Personalabbau"
28. DORA. "keine Strategie des Personalabbaus verfolgen".
29. Curran/Intercom. (2026-04-16): 3× F&E-Produktivität ohne massiven Abbau — interne Umverteilung.
30. Tatsyi/Raiffeisen. (2026-05-05): −75 Personen, aber mit bewusster Umverteilung der freigesetzten Kapazität in Richtung Features / Stabilität / technische Schulden.
31. → Produktive Spannung: DORA präskriptiv (nicht abbauen) vs. Tatsyi deskriptiv (abgebaut bei gleichzeitiger Umverteilung). Für ausgewogene Präsentationen zu verwenden. #### Konvergenz "Code ist eine Verbindlichkeit"
32. DORA. zitiert Software Engineering at Google (Winters/Manshreck/Wright, 2020).
33. Cherny. (2026-05): "100 % des generierten Codes" — aber mit Aufsicht und Kompaktierung.
34. Frizzo. (2026-05-05): "Verkümmerung der Schreibmuskulatur" — die kognitiven Kosten des Volumens.
35. Osmani Cognitive Surrender. (2026-05-05): "PRs max. ~100 Zeilen" — eine explizite Anti-Volumen-Grenze.
36. → Die Aussage "mehr Code ist schlechter Code" ist ein stilisiertes Faktum von 2026, bestätigt durch heterogene Quellen. #### Position FR/Europa vs. angelsächsisch
37. DORA ist amerikanisch, dokumentiert aber eine europäische Position (Ursula Lübbert-Passing PhD, EMEA Value Realization).
38. Der Rechner enthält. einen Gehaltszuschlag von +100 % für Europa (gegenüber +30 % für die USA) — sensibel für lokale Kontexte.
39. In FR-Präsentationen als Referenzstandard für CFOs/Vorstände zu verwenden, ergänzend zu Wescale (FR-Unternehmen), Habert (FR), Tatsyi (Mitteleuropa). #### Konvergenz "Experimentierhäufigkeit = führender Finanzindikator"
40. DORA. Optionalitäts-Framework, Experimentierhäufigkeit als Frühindikator.
41. Cherny. (2026-05): "einige Dutzend PRs/Tag", parallele Exploration.
42. Karpathy. (2026-04-29): MenuGen vs. Nanobanana, jagged intelligence, Experimentieren als neuer Modus.
43. Habert PROJ-AI. Decision Records mit 7 Dimensionen, was dokumentierte Exploration legitimiert.
44. → Konvergenz: KI ermöglicht es, jedes Feature in eine kostengünstige Option zu verwandeln. ### Zu markierende Einschränkungen
45. Der Rechner ist bewusst einfach gehalten. (von den Autoren eingeräumt) — er schließt aus: Einsparungen durch Bindung/Fluktuation, Nutzererfahrung bis Umsatz, kumulierende Effekte agentischer KI ab Jahr 2, Einsparungen bei nachgelagerten Geschäftsprozessen (Personalwesen usw.).
46. Die Beispielwerte sind sehr US-zentriert. (176.000 $ Gehalt, 250 $ Lizenz/Jahr — unterschätzen wahrscheinlich Kosten im Unternehmensmaßstab mit Enterprise-Verhandlung + Agenten).
47. 12,5 % eingesparte Zeit ist sehr konservativ. im Vergleich zu Praktiker-Rückmeldungen — aber das ist bewusst so gestaltet, um sich vor einem skeptischen CFO verteidigen zu können. Umgekehrtes Risiko: das Potenzial zu unterschätzen.
48. Die Zeitersparnis wird im Modell durch die Instabilitätssteuer gedeckelt. — der vorübergehende Einbruch (Rückgang von 15 % über 3 Monate) kostet 3,3 Mio. $ von insgesamt 8,4 Mio. $ Investition. Zu prüfen: Ist dieser Einbruch immer so groß? Bei ausgereiften Organisationen könnte er deutlich kleiner sein.
49. Die Erfolgsquote von Ideen von 33 % (Larsen 2023). stammt aus einer Standard-A/B-Test-Methodik — könnte für gut recherchierte Features zu niedrig und für experimentelle Features zu hoch sein.
50. Keine explizite Diskussion. regulatorischer Risiken (DSGVO, EU AI Act, sektorspezifische Aufsicht) — überraschend für ein Dokument von Google Cloud mit EMEA-Unternehmensfokus.
51. Die Google-Cloud-Zahl. (727 % ROI über 3 Jahre, 8-monatige Amortisation): interne Google-Cloud-Kundenstatistiken, wahrscheinlich Selektionsverzerrung.
52. Der Rechner erfasst nicht. , was Tatsyi die "Produktionsmöglichkeitsgrenze" nennt (die neuen Produkte, die zuvor nicht existierten) — er misst vermiedene Neueinstellung, nicht neuen Produktraum. Eine strukturelle Einschränkung des Modells.
53. "Alle Modelle sind falsch". wird im Dokument 3-mal wiederholt — selbstentwaffnend, befreit aber nicht von der methodologischen Kritik hinsichtlich blinder Anwendung. ### Zu verwenden für
54. Führungsgremien/Vorstand/CFO-Präsentationen. offizielles Framework von Google Cloud × DORA — institutionelle Autorität zur Verteidigung eines KI-Budgets.
55. Aufbau eines KI-Geschäftsfalls. den Rechner als Struktur wiederverwenden, die Annahmen an den Kundenkontext anpassen (explizite Empfehlung der Autoren).
56. Sensibilisierung für die "Studiengebühr". die Investition während des J-Kurven-Einbruchs schützen, die Finanzierung während der Lernphase nicht kürzen.
57. Team-/HR-Debatte. die normative Position "keinen Personalabbau" ist ein verwendbares Argument gegen rein budgetgetriebene Impulse zum Personalabbau.
58. Zitierte Zahlen. 39 % ROI / 8 Monate Amortisation / 35-40 % Greenfield vs. 10 % Brownfield / Inferenzkosten Faktor 280 / 727 % ROI über 3 Jahre — solide Referenzzahlen zur Integration in Schulungen, Veille-Notizen und strategische Präsentationen.
59. Verknüpfung des FR-Inhalts mit Wescale / Habert / Tatsyi / Frizzo. DORA als institutionelles finanzielles Fundament, die anderen Notizen als ergänzende operative Erfahrungsberichte.
60. Strategische Diskussion zu IDP / Context Engineering. die Fähigkeiten von DORA (hochwertige IDP + KI-zugängliche interne Daten + Dokumentationsqualität) werden zu identifizierbaren und budgetierbaren prioritären Investitionen.