KI und Softwarekosten: Mehr als Codeerzeugung | Thinkwise
KI schreibt Code schneller. Bezahlt wird aber mehr als das Schreiben: KI-Nutzung, Prüfung, Sicherheit und jede spätere Änderung. Wo diese Kosten entstehen und wie sie bei drei Entwicklungsansätzen verteilt sind.
Die Rechnung endet nicht beim letzten Prompt
Eine Funktion beschreiben und Minuten später ausprobieren: Für Unternehmen mit gewachsenen Kernanwendungen ist das attraktiv. Ob eine Anwendung wirtschaftlich ist, entscheidet sich aber über ihren gesamten Lebenszyklus, den Software Development Lifecycle (SDLC) - von der Erstellung über Prüfung und Betrieb bis zu jeder weiteren Änderung und Erneuerung. Fünf Kostenblöcke tauchen im Prompt nicht auf.
KI-Nutzung. Gartner erwartet, dass die Kosten für KI-gestütztes Programmieren bis 2028 das durchschnittliche Entwicklergehalt übersteigen. Treiber sind der steigende Token-Verbrauch und verbrauchsabhängige Preise. [1] Folgekosten für Prüfung, Nacharbeit, Sicherheit und Compliance werden durch KI eher verstärkt. [2]
Prüfen und Freigeben. Wenn KI mehr Änderungen ermöglicht, müssen auch Reviews, Tests und Freigaben mit dieser Geschwindigkeit umgehen können. Sonst entsteht zwar schneller neuer Code, aber die Anwendung gelangt deshalb noch nicht schneller und verlässlicher in den produktiven Betrieb. In einer NBER-Untersuchung mit über 500.000 GitHub-Entwicklern steigerten autonome Coding-Agenten die Codeaktivität um 240 Prozent, die tatsächlichen Releases aber nur um 30 Prozent. Die Autoren führen das auf menschliche Engpässe bei Review, Integration und Release zurück. [3] Jede zusätzliche Code-Änderung bindet also Prüfzeit erfahrener Entwickler – genau die Fachkräfte, die ohnehin knapp sind.
Sicherheit und Nacharbeit. Laut Veracode bestand KI-generierter Code ohne gezielte Sicherheitsvorgaben im Schnitt nur 56 Prozent der Sicherheitstests. [4] Jede Schwachstelle muss gefunden und behoben werden – vor dem Go-live oder im laufenden Betrieb.
Betrieb. Was in Produktion geht, muss überwacht, aktualisiert und bei Störungen schnell korrigiert werden. Rechnet eine Rabattregel falsch, kostet das nicht nur Entwicklerstunden, sondern auch Korrekturen in Belegen und das Vertrauen von Kunden.
Wartbarkeit. GitClear hat 623 Millionen Code-Änderungen ausgewertet: Doppelte Code-Blöcke nahmen seit 2023 um 81 Prozent zu, Refactoring ging deutlich zurück. [5] Eine weitere Studie fand 22,7 Prozent der von KI eingeführten Qualitätsprobleme auch in der zuletzt untersuchten Version noch vor. [6] Spätere Änderungen müssen dadurch an mehr Stellen ansetzen. Hinzu kommt: Code, den niemand im Team selbst geschrieben hat, muss vor jeder Änderung erst verstanden werden - spätestens wenn Entwickler wechseln.
Die Kosten verschwinden also nicht, sie verschieben sich: vom Schreiben zum Prüfen, Absichern und Pflegen.
Ein Beispiel: eine neue Rabattregel
Ein Großhändler führt für einen neuen Vertriebskanal eine Staffelrabattregel ein. Mit KI ist sie in Minuten formuliert. Teuer sind die Fragen danach: Rechnet sie bei Teillieferungen und Gutschriften richtig? Greift die Berechtigung in jeder Oberfläche und Schnittstelle? Und wer passt die Umsetzung an, wenn in zwei Jahren das Oberflächen-Framework ersetzt wird?
Drei Ansätze, drei Kostenprofile
1 Vibe Coding: günstig im Einstieg, teuer in der Überführung
Beim Vibe Coding entstehen Anwendungen durch Beschreiben, Ausprobieren und Nachbessern, ohne den Code systematisch zu prüfen. Für Prototypen ist das sinnvoll. Soll die Rabattregel aber in den Echtbetrieb, fallen die Kosten gesammelt an: Architektur nachziehen, Tests schreiben, Sicherheitslücken schließen.
2 Professionelle KI-Entwicklung: Verantwortung kostet Prüfkapazität
Mit klaren Anforderungen, Reviews und Tests wird KI-gestützte Entwicklung belastbar und Prüfkapazität zum Engpass: Je mehr Code KI erzeugt, desto mehr Review-Stunden. Zudem gilt: Was das Team generiert, muss es auch besitzen. Jede Zeile Code gehört zum Bestand, der bei Updates und Migrationen mitgezogen wird. KI senkt den Aufwand, diesen Bestand zu schreiben – sie verkleinert ihn nicht.
3 Modellgetriebene Entwicklung: weniger eigener Code im Bestand
Bei Thinkwise beschreiben Teams ihre Anwendung in einem ausführbaren Anwendungsmodell – mit Datenstrukturen, Prozessen, Geschäftsregeln und Berechtigungen. Die Plattform führt es aus; individuelle Logik lässt sich als Code ergänzen. Das wirkt an zwei Stellen auf die Kosten:
Kleinerer Code-Bestand. Was das Modell beschreibt, muss nicht als eigener Code reviewt und gepflegt werden. Die Rabattregel ist eine Erweiterung des Modells; geprüft wird vor allem ihre fachliche Richtigkeit.
Erneuerung ohne Neuprogrammierung. Thinkwise trennt Funktionalität und Technologie. Die Technologien für Oberfläche, Service-Schicht und Datenbank aktualisiert die Plattform laufend im Rahmen von Technology as a Service. Wird das Oberflächen-Framework ersetzt, bleibt die Rabattregel unverändert; zu prüfen sind eigene Ergänzungen und Integrationen.
Dem stehen Plattformlizenz, Modellierung und Schulung gegenüber. Je länger eine Anwendung genutzt und je häufiger sie geändert wird, desto stärker wirken beide Hebel.
Qualitative Einordnung, keine gemessene Rangfolge:
|
Kostenposten |
Vibe Coding |
Professionelle KI-Entwicklung |
Modellgetrieben (Thinkwise) |
|
Erste Version |
Schnell und günstig |
Schnell, mit Review-Aufwand |
Aufwand für die Modellierung |
|
Prüfung und Sicherheit |
Fällt bei der Überführung gesammelt an |
Laufend, wächst mit der Codemenge |
Konzentriert auf Fachregeln und eigenen Code |
|
Pflege der Technikbasis |
Gesamter generierter Code |
Gesamter Code, beim Team oder Dienstleister |
Plattformbasis über TaaS; eigene Ergänzungen beim Team |
|
Nächste Änderung |
Prompt plus erneute Prüfung, Risiko an vielen Stellen |
Änderung im Code plus Review |
Änderung im Modell, fachliche Prüfung |
|
Lizenzen |
KI-Werkzeuge |
KI-Werkzeuge |
Plattformlizenz, ggf. KI-Werkzeuge |
So wird die Rechnung belastbar
Ein fairer Vergleich betrachtet denselben Funktionsumfang und Qualitätsanspruch über den gesamten SDLC von etwa fünf Jahren: KI-Nutzung, Review- und Teststunden, Sicherheitsprüfungen, Lizenzen, Betrieb, Updates und Migrationen sowie die Kosten von Störungen. Dazu gehören auch Abhängigkeiten – von KI-Anbietern ebenso wie von einer Plattform. Bei Thinkwise entscheiden Unternehmen selbst über Datenbank und Betriebsort.
Ein einfacher Test: Rechnen Sie für jede Option nicht nur die erste Version durch, sondern auch die nächste fachliche Änderung und das nächste Framework-Update.
Welche Kosten verursacht Ihre Kernanwendung heute und welche bei der nächsten Veränderung? Sprechen Sie mit uns darüber, wie Sie Modernisierung und langfristige Weiterentwicklung gemeinsam betrachten können.
Quellen:
[1] Gartner, How to Plan for the Impact of AI Costs in Software Engeineering, 9. Juli 2026
[1] Gartner. Pressemitteilung: Gartner Predicts AI Coding Costs Will Surpass Average Developer’s Salary by 2028 as Token Consumption Surges, 24. Juni 2026
[2] Gartner. How to Plan for the Impact of AI Costs in Software Engineering, 9. Juli 2026.
[3] Demirer, Musolff und Yang. Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools. NBER Working Paper 35275, 2026.
[4] Veracode. 2026 GenAI Code Security Report, 28. Juli 2026.
[5] GitClear. The Maintainability Gap: AI Code Quality in 2026, Juni 2026
[6] Liu und weitere Autoren. Debt Behind the AI Boom: A Large-Scale Empirical Study of AI-Generated Code in the Wild. arXiv, Fassung v3 vom 13. Oktober 2026.
