Ihre KI hat gerade massenhaft technische Schulden produziert.
KI sollte Ihre Codebasis verbessern. Sie hat sie verschlechtert.
Zum ersten Mal seit der Erfindung der Versionskontrolle liefern Teams schneller aus und verursachen mehr Schäden.
KI leistet drei Dinge für Entwicklungsteams. Sie schreibt Code schneller. Sie erkennt Fehler früher. Sie baut Dinge, die Ihr aktuelles Team nicht allein bauen kann.
Die Branche hat alles auf die erste Fähigkeit gesetzt. Geschwindigkeit. Mehr Code, schneller.
Niemand hat gefragt, was passiert, wenn man die Leistung eines Teams verdreifacht, das bereits die Hälfte seiner eigenen Codebasis nicht verstanden hat.
Quelle: https://www.faros.ai/blog/ai-acceleration-whiplash-takeaways
Ich habe das schon einmal gesehen. Wir alle haben das.
In den späten 1990er Jahren versprach Enterprise Java „Write once, run anywhere". Unternehmen setzten ganze Produktlinien darauf. J2EE, EJBs, Middleware-Stacks.
Bis 2005 erforderte das Ändern einer Button-Farbe in einer durchschnittlichen Enterprise-Java-Anwendung 14 Dateien in 6 Paketen. Martin Fowler nannte es die „Enterprise-Krankheit". Unternehmen konnten nicht ausliefern. Sie konnten niemanden einstellen, der das System verstand. Sie konnten es nicht neu schreiben, weil sie nicht dokumentieren konnten, was das alte System tat.
Die Behebung dauerte ein Jahrzehnt. Leichtgewichtige Frameworks. TDD. CI. Agil. Die Branche musste die Management-Ebene rund um die Technologie neu aufbauen.
KI macht dasselbe, nur in einem komprimierten Zeitrahmen.
Wir haben jedem Entwickler die Fähigkeit gegeben, täglich Tausende von Codezeilen zu generieren. Der Entwickler, der es promptete, kann nicht erklären, was es gebaut hat. Der Prüfer, der es genehmigt hat, hat es nicht gelesen. Und der nächste Entwickler, der es übernimmt, wird es wie eine Blackbox behandeln, denn das ist es, was es ist.
Ich habe das bei Brownfield-Codebasen und Greenfield-Demos beobachtet. Sie brechen auf die gleiche Weise.
Hier sind die 5 Fehlermodi, die wir in unseren Engagements sehen.
Die 5 Fehlermodi von KI auf echten Codebasen
1. KI-generiertes Volumen ist das neue „Masse an Personal draufwerfen".
Jeder CTO hat Cursor-Lizenzen gekauft. Jeder Vorstand hat nach dem ROI gefragt. Der Hype-Zyklus hat seinen gesamten Verlauf in weniger als einem Jahr durchlaufen.
Aber mehr Code war nie das Problem.
70% der Fortune-500-Unternehmen betreiben immer noch Software, die über zwanzig Jahre alt ist. Diese Codebasen sind nicht langsam, weil Entwickler zu langsam tippen. Sie sind langsam, weil niemand, der im Unternehmen lebt, alle Geschäftsregeln versteht, die im Code kodiert sind.
Geben Sie einem KI-Agenten Zugriff auf diese Codebasis. Er wird funktionierenden Code produzieren, der Tests besteht und Verträge verletzt, die niemand dokumentiert hat.
DORA-Bericht 2026: KI-Tools liefern 35-40% Gewinn bei sauberen Greenfield-Aufgaben. Bei Brownfield, gleiche Tools, 10% oder weniger. Eine 4-fache Lücke.
Der Engpass war das Verständnis. KI hat es verschlimmert.
2. Verständnisschulden sind die neuen technischen Schulden.
GitClear analysierte 623 Millionen Code-Änderungen. Legacy-Refactoring ist seit 2023 um 74% zurückgegangen. KI-Tools generieren neuen Code, anstatt wiederzuverwenden, was existiert. Ein bestandener Test. Ein geschlossener Ticket. Keine Konsolidierung gegenüber dem bestehenden System.
Addy Osmani bei Google nannte es Verständnisschulden: die Lücke zwischen der Menge an Code, die existiert, und dem, was ein Mensch versteht.
Bei einer 6 Monate alten Codebasis erholt man sich. Bei einem 10 Jahre alten Monolithen mit undokumentierten Integrationen und Geschäftslogik, die über Hunderte von Dateien verteilt ist, nicht.
Technische Schulden sind Code, von dem Sie wissen, dass er schlecht ist. Verständnisschulden sind Code, den Sie überhaupt nicht bewerten können. KI ist die erste Technologie, die die zweite Art in großem Maßstab generiert.
3. Review-Theater ist der neue Gummistempel.
31% mehr PRs ohne Überprüfung gemerged in Faros AIs 22.000-Entwickler-Datensatz. Die mediane Überprüfungszeit stieg um das 5-fache, weil Prüfer mit dem Volumen nicht Schritt halten konnten.
Mehr Output, weniger Qualitätskontrolle, niemand, der befugt ist, es zu verlangsamen. Wir haben dieses Organisationsmuster hundertmal gesehen, bevor es KI gab. Jetzt läuft es mit Maschinengeschwindigkeit.
Anthropic fand heraus, dass Entwickler, die KI für passive Delegation nutzten, bei Verständnistests unter 40% lagen. Aktive Abfrage: 65%+. Gleiche Tools. Die Variable war der Mensch.
Die meisten Teams nutzen KI, um nicht nachdenken zu müssen. Das holt einen in der Produktion ein.
4. Die Leute, die das System verstehen, haben den geringsten Anreiz, es der KI zu verfüttern.
Ich sprach mit dem Engineering-Leiter eines PE-gestützten Softwareunternehmens mit etwa 15 Millionen Dollar Umsatz. Sein Team hat Claude intern ausprobiert. Seine Worte: „Es hat eine Menge sinnlosen Mist gebaut."
Er hat recht, skeptisch zu sein.
Ford ließ erfahrene Ingenieure gehen, bevor ihr Wissen die Qualitätssysteme trainieren konnte. Drei Jahre und Milliarden an Garantiekosten später stellten sie 350 erfahrene Ingenieure wieder ein. Diese Ingenieure haben die KI neu trainiert. Qualitätsprozesse neu aufgebaut. Ford führt jetzt die JD Power Initial Quality Study 2026 zum ersten Mal seit 16 Jahren an.
Ihr VP of Hardware Engineering: Sie dachten, das Erfassen von Designanforderungen würde ein qualitativ hochwertiges Produkt hervorbringen. Tat es nicht. Domänenexpertise musste zuerst kommen.
Die Leute, die institutionelles Wissen besitzen, haben die letzte Runde der „Effizienz"-Initiativen gesehen. Sie wissen, was passiert, nachdem der Prozess dokumentiert ist. Mittelalterliche Gilden hielten ihre Methoden aus demselben Grund geheim.
5. Die Codebasis, die KI am meisten braucht, ist die, bei der KI am schlechtesten funktioniert.
Mid-Market-SaaS-Plattformen. Gesundheitssysteme. Logistik-Backends. Finanzdienstleistungsprodukte, die von Entwicklern gebaut wurden, die vor Jahren gegangen sind.
Diese Unternehmen haben zahlende Kunden, echte Einnahmen und Geschäftslogik, die es wert ist, erhalten zu werden. Sie haben die größte Angriffsfläche für KI, um sie zu beschleunigen.
Jedes heutige KI-Coding-Tool geht davon aus, dass die Codebasis sauber, die Architektur modular und der Entwickler in der Lage ist, dem Agenten genügend Kontext zu geben. Diese Annahme bricht innerhalb eines 10 Jahre alten Monolithen mit undokumentierten Integrationen und Geschäftsregeln, an die sich niemand mehr erinnert, sie geschrieben zu haben.
74% der KI-Initiativen skalieren nicht über den Piloten hinaus, so Gartner. Das Modell funktioniert einwandfrei. Die Codebasis war nicht bereit dafür.
Was das tatsächlich behebt
Wir haben das in einem echten Engagement bewiesen. Zwei Ingenieure an einer Legacy-Logistikplattform. 330 gemergte PRs in 6 Monaten. ~90% KI-generierter Code. Der Kunde nannte sie ihr bestes Team. Sie erhielten zweimal diskretionäre Boni.
Dieses Ergebnis kam von Vorbereitung, nicht von besseren Modellen. Drei Dinge geschahen, bevor die KI eine Zeile Code berührte.
Dokumentieren, bevor Sie prompten. Wir nennen es Schritt Null. Bevor ein KI-Agent eine Brownfield-Codebasis berührt, scannen Sie den vorhandenen Code, erstellen KI-lesbare Dokumentation, machen Sie das System für die Tools lesbar. Der Agent kann nicht über das nachdenken, was er nicht sehen kann. Fords Wende begann hier. Sie holten die Leute zurück, die das System verstanden, dokumentierten, was sie wussten, und trainierten erst dann die KI neu.
Definieren Sie die Zonen. 80/20/0. 80% Boilerplate (CRUD, Tests, Konfiguration, Doku): KI generiert frei. 20% Geschäftslogik und Integrationen: Copilot-Modus, KI entwirft, Ingenieur schreibt um. 0% Authentifizierung, Zahlungen, Verschlüsselung, Architekturentscheidungen: Keine KI berührt es. Diese Disziplin verhindert, dass sich Verständnisschulden anhäufen.
Messen, bevor Sie skalieren. Kosten pro Commit. Modellnutzungsmuster. KI-Prozentsatz des Codes. DORA-Metriken über alle Teams hinweg. Baseline vor KI. Messen danach. Ohne diese Daten fliegen Sie blind in dieselbe Beschleunigungspeitsche, die 22.000 Entwickler im Faros-Datensatz getroffen hat.
Wohin das führt
Microsoft hat 2,5 Milliarden Dollar bereitgestellt. Amazon hat 1 Milliarde Dollar bereitgestellt. Anthropic hat 1,5 Milliarden Dollar aufgebracht. OpenAI hat 4 Milliarden Dollar aufgebracht. Alles mit dem gleichen Ziel: KI in Unternehmen zum Laufen zu bringen, die bereits existieren.
Der Markt konzentrierte sich auf Greenfield, weil die Demos besser aussehen. Die größte technische Auswirkung wird von den Unternehmen kommen, deren Codebasen am hässlichsten sind, deren Produkte am ältesten sind und deren Pipelines gebaut wurden, bevor jemand von einem LLM gehört hatte.
Der Engpass ist das Engineering-System unter dem Modell.
P.S. Das ist es, was wir bei Limestone Digital tun. Wir betten KI-native Engineering-Teams in bestehende Codebasen ein. Schritt Null, Zonen-Disziplin, Messinfrastruktur. Wenn Ihr KI-Pilot an einer Brownfield-Codebasis ins Stocken geraten ist, schicken Sie mir eine DM.
Kontakt aufnehmen: [https://limestonedigital.com/](https://limestonedigital.com/)
