AI-native Entwicklung: Der Hebel für öffentliche IT-Dienstleister

‍

Die Softwareentwicklung durchläuft gerade einen Wandel, wie er nur einmal pro Generation vorkommt. Agentische AI-Tools verkürzen die Bereitstellungszeit bei vielen Aufgaben um das 3- bis 10-Fache. Unternehmen, die sich frühzeitig anpassen, bauen nachhaltige Vorteile bei Marge, Skalierung und Positionierung auf. Wer das nicht tut, wird innerhalb von 24 bis 36 Monaten von AI-nativen Wettbewerbern neu eingepreist.

Für öffentliche IT-Dienstleister trifft dieser Wandel besonders geschäftskritische Legacy-Systeme: wenig Dokumentation, hohes Risiko, seit jeher langsame und teure Modernisierung. Genau hier schreibt AI-native Bereitstellung die Wirtschaftlichkeit neu.

Warum die nächsten 18 Monate entscheiden

Drei strukturelle Veränderungen finden gleichzeitig statt:

1. Die Produktionseinheit verschiebt sich. Der Engpass liegt nicht mehr beim Schreiben von Code, sondern darin, die Absicht so präzise zu beschreiben, dass ein Agent sie zuverlässig ausführen kann. Senior Engineers, die Probleme aufschlüsseln und Ergebnisse überprüfen, werden überproportional wertvoll.

2. Die Software-Wirtschaftlichkeit verdichtet sich. Generische Anwendungen lassen sich zunehmend in Tagen statt Monaten entwickeln. Der Wert konzentriert sich auf Domänenverständnis, Integration, Compliance und Verantwortlichkeit.

3. Agentisches Arbeiten ersetzt tool-gestütztes Arbeiten. Die Entwicklung von Chat über Assistenten bis hin zu Agenten und Multi-Agenten-Systemen verändert, wer was tut. Zwischen Teams, die das verstanden haben, und solchen, die es noch vor sich haben, liegt bereits das 3- bis 10-Fache an Produktivität.

Das Problem für öffentliche IT-Dienstleister

Für die öffentliche IT ist die Frist kein Wettbewerbsvorteil, den man sich erarbeiten kann. Sie ist Gesetz. Ob digitalisiert wird, ist entschieden, offen ist nur das Tempo:

• Bis Ende 2026 werden in Deutschland 51 prioritäre Register an die Identifikationsnummer angebunden, mehr als 350 Register müssen vernetzt und über 240 Onlinedienste bereitgestellt werden.
• Aus geplant rund 1 Milliarde Euro für die IT-Konsolidierung des Bundes wurden 3,5 Milliarden Euro, das Zieljahr verschob sich von 2025 auf 2028. Die Verzögerung selbst treibt die Kosten.
• Kritische Fachverfahren laufen international bis zu 60 Jahre auf COBOL und Assembler. Das Wissen dazu geht in Rente, Behörden holen bereits Pensionär:innen zurück.

Warten ist die teuerste Option. Der Backlog wächst durch gesetzliche Fristen strukturell weiter, während die Umsetzungslast bei den IT-Dienstleistern liegt, zusätzlich zu den Hunderten kritischen Fachverfahren, die sie ohnehin parallel betreiben.

Drei Engpässe gleichzeitig: Tempo, Budget, Fachkräfte

Rund die Hälfte der großen öffentlichen IT-Projekte überzieht ihren Zeitplan. Rund 80 Prozent der öffentlichen IT-Budgets fließen in den reinen Betrieb von Altsystemen, deutlich über dem Branchenschnitt. Und bis 2030 fehlen 140.000 IT-Fachkräfte, bei über 1,3 Millionen Ruhestandsabgängen und im Schnitt 7,7 Monaten, bis eine Stelle besetzt ist.

‍

"Mehr Ressourcen" sind am Markt schlicht nicht verfügbar. Die Lücke wächst weiter, solange der Arbeitsmodus selbst gleich bleibt. Die Lösung liegt in einer anderen Art Kapazität: Kapazität, die AI-native arbeitet, über bestehende Vergabewege und Rahmenverträge, ohne neues Beschaffungsmodell.

Die AI Maturity Stages: Reifegrad statt Behauptung

"AI-first" ist ein Label, das viele verwenden, aber nur wenige belegen können. Um Klarheit zu schaffen, hat &amp die AI Maturity Stages entwickelt: fünf Stufen, die beschreiben, wie ein Team von der Nutzung einzelner AI-Tools zu vollständig agent-nativem Arbeiten übergeht.

Die Stufen sind aus dem eigenen Weg von &amp entstanden. Heute agiert &amp auf Stufe 3, während Stufe 4 im internen Pilotbetrieb läuft. Die eigentliche Frage an jeden Softwarepartner lautet damit nicht, ob er sich AI-first nennt, sondern welche Stufe er nachweisen kann.

‍

Wo AI sich entlang des Entwicklungszyklus auszahlt

AI-gestützte Leistungssteigerungen zeigen sich auf jeder Ebene des Software Development Life Cycle, von Analyse und Design über Implementation und Testing bis zu Deployment und Maintenance. Die zugrunde liegenden Kennzahlen sind evidenzbasiert und stammen aus realen Leistungsdaten mehrerer Studien, darunter McKinsey, MITRE, Meta und Google.

Case Study: 20 Jahre altes Kernsystem in 27 Arbeitstagen abgelöst

Ein Unternehmen betrieb zentrale Geschäftsprozesse auf einer 20 Jahre alten Desktop-Anwendung, ohne Audit-Log, mit manuellen Datenübertragungen und ohne revisionssichere Speicherung.

Statt eines konventionellen Modernisierungsansatzes wählte &amp einen AI-nativen Weg: Ein AI-Coding-Agent, ausgestattet mit einem eigens entwickelten Delivery-Harness, analysierte den Legacy-Quellcode und baute die Anwendung auf der Microsoft Power Platform neu auf.

‍

Das Ergebnis:

• Ein lauffähiges MVP nach 2 Tagen, die vollständige Legacy-Ablösung nach 27 Arbeitstagen.
• Rund 70 Prozent geringere Kosten und rund 90 Prozent schneller als typische Modernisierungsprojekte dieser Größe.
• Vollautomatisch und auditbereit: Systembuchungen, Audit-Log, revisionssichere Dokumente und Self-Service Power BI, plus ein wiederverwendbarer AI-Agent samt Wissensdatenbank, übergeben an die Kundin.

Wir beraten, was wir selbst bauen

&amp berät nicht aus der Theorie heraus. Wir haben unsere eigenen AI-Coworker entwickelt, in realer Legacy-Modernisierung eingesetzt und gemessen, was sich wirklich auszahlt. Das macht unsere Empfehlungen evidenzbasiert statt Versprechen. Heute helfen wir Organisationen in der Energieversorgung, im öffentlichen Sektor und dem Bankenwesen, genau diesen Schritt zu gehen, von einigen hundert Mitarbeitenden bis hin zu Großkonzernen.

‍

Vereinbaren Sie einen kostenlosen 20-Minuten-Check mit &amp und identifizieren Sie den größten Hebel in Ihrem Software-Lebenszyklus.

‍