Agentic Coding verändert die Engineering-Belegschaft, nur anders, als du denkst

90% der Fortune-100-Unternehmen nutzen inzwischen GitHub Copilot.¹ Gartner erwartet, dass 90% der Software-Engineers in Unternehmen bis 2028 KI-Code-Assistenten nutzen, gegenüber unter 14% Anfang 2024.² Die Verbreitungskurve steht senkrecht.

Aber die Debatte steckt bei der falschen Frage fest. Alle fragen: “Wie viel schneller sind einzelne Entwickler?” Sie sollten fragen: “Was kann meine Engineering-Organisation jetzt zusätzlich übernehmen?”

Der Wandel sieht so aus: Ein Team von 14 Leuten, das früher eine Produktsparte betreut hat, braucht vielleicht nur noch 3, um dieselbe Leistung zu halten. Das heißt nicht, dass du 11 Leute entlässt. Es heißt, dass plötzlich 11 Entwickler für Prioritäten frei sind, die im Backlog festhingen. Was dein Unternehmen bauen kann, hat auf einmal eine andere Grenze.

Engineering ist dafür das ideale Testfeld. Anders als bei Content-Erstellung oder Kundenservice haben wir harte Feedback-Schleifen. Code kompiliert oder nicht. Tests laufen durch oder fallen durch. Features gehen live oder nicht. Halluzinationen fallen im PR-Review auf und landen nicht bei Kunden. Damit ist Engineering einer der risikoärmsten Bereiche für den Einsatz von KI und einer der am leichtesten sauber messbaren.

Individuelle Produktivität lenkt ab

Auf der Ebene einzelner Entwickler ist die Studienlage unübersichtlich. Die sorgfältige METR-Studie vom Juli 2025 fand, dass erfahrene Entwickler mit KI-Unterstützung 19% langsamer waren, während sie glaubten, 20% schneller zu sein.³ McKinsey fand das Gegenteil: Mit KI-Unterstützung schrieben Entwickler neuen Code fast doppelt so schnell.⁴

Beides kann stimmen. Junior-Entwickler in unbekannten Codebasen holen 26-39% heraus. Senior-Entwickler in Systemen, die sie selbst gebaut haben, kommen auf einstellige Werte oder auf nichts. Die Streuung hängt von Aufgabe, Codebasis und Geschick im Umgang mit den Tools ab.

Aber der Blickwinkel ist falsch. Produktivitätszahlen einzelner Personen sagen kaum etwas über das, was zählt: die Fähigkeit deiner Organisation, ROI zu liefern.

Der ROI wuchs früher linear mit dem Headcount. Du wolltest mehr Output, also hast du mehr Leute eingestellt. KI ändert die Rechnung. Wenn drei Engineers jetzt leisten, was vierzehn früher geleistet haben, hast du nicht nur die Produktivität verbessert, du hast Kapazität freigesetzt. Die Frage lautet dann: Was machst du damit?

Die Ersetzungs-Erzählung verfehlt den Punkt

Thomas Dohmke, CEO von GitHub: “The companies that are the smartest are going to hire more developers. If you 10x a single developer, then 10 developers can do 100x.”⁵ Er hat noch nie “a single company say, ‘We’ve finished everything on our backlog thanks to AI.’ If anything, AI is creating more possibilities and more work.”

Goldman Sachs hat Devin AI für Routineaufgaben eingeführt und behält trotzdem sein Engineering-Team mit 12.000 Leuten.⁶ Der CIO beschrieb es so: Die Engineers definieren Probleme und beaufsichtigen den Output der Agenten. Sie werden nicht von ihnen ersetzt.

Die Belegschaft schrumpft nicht. Sie wird umverteilt. Senior Engineers erzeugen nicht mehr nur ihren eigenen Output. Sie führen ein Team aus KI-Agenten durch ein Projekt. Aus dem Individual Contributor ist ein Orchestrator geworden: Er definiert das Problem, steuert die Agenten, prüft den Output und übernimmt die wirklich kreative Arbeit. Die freigewordene Kapazität fließt in Vorhaben, die vorher an fehlenden Ressourcen gescheitert sind.

Dieses Gespräch führen wir mit Engineering-Leitern in Europa und in den USA. Niemand fragt: “Wie viele Leute kann ich abbauen?” Sie fragen: “Was können wir jetzt angehen, was vorher nicht ging?”

Die Messlücke

Das Problem: Die meisten Organisationen sehen das nicht klar.

Der DORA Report 2024 stellte fest, dass mit wachsender KI-Nutzung der Delivery-Durchsatz auf Organisationsebene tatsächlich sank, bei einem Rückgang der Delivery-Stabilität um 7%.⁷ Die Aktivitätskennzahlen einzelner Personen schießen hoch, gemergte PRs, erledigte Aufgaben, während die Ergebnisse der Organisation gleich bleiben oder schlechter werden.

Die alten Stellvertreter (Story Points, Velocity, Codezeilen) waren schon vorher fragwürdig. Jetzt führen sie aktiv in die Irre. Ein Engineer, der doppelt so viele PRs ausspuckt, hilft niemandem, wenn sich die Review-Zeit verdoppelt und die Fehlerquote steigt.

Ich habe schon einmal geschrieben, wie schwer es ist, die Frage zu beantworten: “Was hat dieser Engineering-Etat von £20M eigentlich hervorgebracht?” KI macht das schwerer und wichtiger zugleich.

Es fehlt die Verbindung zwischen individuellem Output und organisatorischer Kapazität, die Kernaufgabe von Workforce Engineering. Du musst beides sehen: wer aus den KI-Tools Nutzen zieht und wie sich das in dem niederschlägt, was deine Teams gemeinsam liefern können. Im Zusammenhang zwischen Gewinnen auf individueller Ebene und Ergebnissen auf Makroebene steckt die Erkenntnis.

Das bauen wir bei Flowstate. Wir erfassen die Zeitverteilung pro Person, pro Projekt, pro Quartal. So können wir modellieren, wie die KI-Nutzung die effektive Kapazität in deiner Organisation verändert, und nicht nur den Durchsatz Einzelner.

KI-Kosten brauchen dieselbe Strenge wie Cloud-Kosten

Die andere Dimension, die niemand sauber verfolgt: KI-Ausgaben sind nutzungsbasiert, genau wie Cloud-Rechenleistung. Wir erinnern uns alle, was passiert ist, als Unternehmen die Cloud ohne Governance eingeführt haben.

Die durchschnittlichen monatlichen KI-Ausgaben sollen im Jahresvergleich um 36% steigen.⁸ Die meisten Organisationen berichten, dass die Kosten für Agenten die Erwartungen überstiegen haben. Fast die Hälfte nennt “runaway tool loops” als Ursache für Budgetüberschreitungen.

Die Preisdynamik habe ich in Das Mooresche Gesetz für KI ist offiziell tot behandelt. Die Preise für Frontier-Modelle steigen, statt zu fallen, und die darauf aufgebauten Tools stellen alle auf nutzungsbasierte Preise um, weil Pauschal-Abos nicht mehr tragbar waren.

Der Token-Verbrauch gehört in dieselbe Ansicht wie der Engineering-Output. Sonst kannst du die Grundfrage nicht beantworten: Bringen die KI-Ausgaben genug Kapazitätsgewinn, um die Kosten zu rechtfertigen?

Unsere Forschung bei Flowstate zeigt, dass das für Workforce Engineering kritisch wird. Du kannst Headcount und Budget nicht prognostizieren, ohne zu verstehen, wie die KI-Ausgaben mit der Teamaktivität skalieren. Die Unternehmen, die KI-Kosten als nachträgliche Position behandeln, werden überrascht werden. Wer sie ins Workforce Engineering einbaut, sieht die Zielkonflikte klar.

Ausgaben mit Ergebnissen verbinden

Wenn KI-Ausgaben direkt mit Geschäftsergebnissen verknüpft sind, wird die ROI-Diskussion unkompliziert.

Du rechtfertigst dann nicht isoliert Toolkosten. Du zeigst: “Dieses Team hat durch KI-Tooling 40% Kapazität freigesetzt. Wir haben sie dem Modernisierungsprojekt für Zahlungen zugeteilt. Das ging zwei Quartale früher live. Hier ist die Umsatzwirkung.”

Die entscheidende Erkenntnis ist nicht “Sind wir produktiver?” Sie lautet: “Wie sollte sich unsere Personalplanung ändern, wenn man bedenkt, was KI möglich macht?”

Wenn deine Teams mit demselben Headcount wirklich mehr liefern können, hast du Optionen. Die Roadmap verdoppeln. Angrenzende Chancen ergreifen. Die Features bauen, die ständig nach hinten gerutscht sind. Die Grenze war immer die Kapazität. KI verschiebt diese Grenze.

Die Unternehmen, die das sehen, weil sie individuelle Produktivität und organisatorische Kapazität und KI-Kosten in einer gemeinsamen Ansicht messen, treffen bessere Allokationsentscheidungen. Sie erkennen, wo sich KI-Investitionen auszahlen und wo nicht. Sie steuern laufend nach, statt nach Bauchgefühl zu planen.

Ausblick auf 2026

Das Jahr 2026 wird davon geprägt sein, wer 2025 die Messung gelöst hat.

KI-Coding-Tools werden Standard sein. Den Unterschied machen strukturierte Einführung, Governance, die Kostenexplosionen verhindert, und Messsysteme, die KI-Investitionen mit organisatorischer Kapazität verbinden und nicht nur mit dem Durchsatz Einzelner.

Die Belegschaft wird sich weiter um Engineers als Problemdefinierer und Output-Aufseher formen, während KI die mechanische Arbeit erledigt. Teams, die jetzt in Weiterbildung investieren, haben Engineers, die die Tools wirksam nutzen. Teams, die das nicht tun, verbrennen Tokens ohne Kapazitätsgewinn.

Das kluge Geld setzt darauf, mit deiner Engineering-Organisation mehr zu schaffen, nicht weniger. Aber nur, wenn du klar siehst, was KI tatsächlich möglich macht.

Darauf arbeiten wir hin.

---

Footnotes

1. GitHub Copilot Statistics & Adoption Trends – Second Talent ↩

2. Gartner Says 75% of Enterprise Software Engineers Will Use AI Code Assistants by 2028 – Gartner ↩

3. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity – METR ↩

4. Unleashing developer productivity with generative AI – McKinsey ↩

5. GitHub CEO says the ‘smartest’ companies will hire more software engineers – Yahoo Finance ↩

6. Goldman Sachs is piloting its first autonomous coder – CNBC ↩

7. Announcing the 2024 DORA Report – Google Cloud ↩

8. The State Of AI Costs In 2025 – CloudZero ↩