Veröffentlicht am 26. August 2026

Vier Wochen, zwei Senior Software Engineers, ein funktionierendes Backend und ein erfolgreiches technisches Review: In unserem AI Lighthouse hat sich unsere grundsätzliche Hypothese bestätigt. Ein kleines Team aus erfahrenen Software Engineers kann mit konsequentem KI-Einsatz in sehr kurzer Zeit erstaunlich viel umsetzen – selbst wenn die verwendete Technologie zunächst nicht zum täglichen Handwerkszeug des Teams gehört. Damit stellte sich die Anschlussfrage: Was bedeutet KI im Entwicklungsprozess für alles, was neben dem Coding passiert?

Gleichzeitig war uns bewusst, dass unser Experiment unter Laborbedingungen stattgefunden hatte. Wir hatten vieles bewusst vereinfacht. Der Dokumentationsumfang war reduziert, die Tests waren auf Unit Tests begrenzt, das Team bestand aus nur zwei Entwicklern und der Scope war klar abgegrenzt. Ein reguliertes Medizinprodukt mit allen Anforderungen an Entwicklung, Dokumentation und Verifizierung ist eine andere Ausgangssituation.

Gerade deshalb war für uns die Frage interessant, was passieren würde, wenn wir die im Experiment erreichte Entwicklungsgeschwindigkeit auf reale Projekte übertragen.

Wenn die Implementierung nur noch einen Bruchteil der bisherigen Zeit benötigt, verschwinden die anderen Bestandteile professioneller Softwareentwicklung nicht. Requirements Engineering, Reviews, Testing, Verifikation und Validierung, Cybersecurity, Dokumentation und Freigaben bleiben notwendig – im regulierten MedTech-Umfeld ohnehin.

Damit besteht die Gefahr, dass sich der Flaschenhals lediglich verschiebt. Wenn wir in der Implementierung erheblich schneller werden, Reviews und V&V aber weiterhin genauso lange dauern wie bisher, reduziert sich die Gesamtdauer eines Projekts längst nicht im gleichen Verhältnis.

Unsere heutigen Prozesse sind auf KI im Entwicklungsprozess noch nicht vollständig ausgelegt. Deshalb beschäftigen sich unsere Chapter Leads damit, wie wir sie anpassen und verschlanken können, ohne dabei das zu verlieren, was für uns entscheidend ist: nachvollziehbare Qualität und vollständige Compliance mit ISO 13485 und IEC 62304.

Dabei geht es nicht darum, notwendige Schritte wegzulassen. Vielmehr müssen wir uns fragen, welche Tätigkeiten sich automatisieren lassen, welche Informationen früher verfügbar sein müssen und wie wir Reviews und Verifizierung so organisieren können, dass sie mit einer deutlich schnelleren Entwicklung Schritt halten.

Bei der Betrachtung unserer Laborbedingungen ist uns noch ein weiterer Punkt aufgefallen, der zunächst fast selbstverständlich wirkte: Kunde und Product Owner waren im Experiment dieselbe Person – aus unserem eigenen Haus.

Das hatte einen erheblichen Vorteil. Fachliche Fragen aus der Entwicklung ließen sich in der Regel unmittelbar beantworten. Wenn Informationen fehlten, konnten wir sie kurzfristig beschaffen. Musste eine Entscheidung getroffen werden, waren keine langen Abstimmungsschleifen notwendig.

In einem klassischen Kundenprojekt sieht die Realität häufig anders aus. Informationen müssen zunächst intern beschafft werden, Ansprechpartner sind nicht jederzeit verfügbar, Entscheidungen benötigen Abstimmungen mit mehreren Stakeholdern und eine fachliche Rückfrage kann durchaus einige Tage offenbleiben.

Bei einem traditionellen Entwicklungstempo lässt sich ein Teil dieser Wartezeit vielleicht noch auffangen. Wenn die Implementierung selbst aber plötzlich erheblich schneller wird, verändert sich das Verhältnis. Ein Entwicklungsteam, das eine Funktion innerhalb weniger Stunden umsetzen könnte, verliert einen wesentlichen Teil dieses Geschwindigkeitsvorteils, wenn es anschließend mehrere Tage auf eine fachliche Entscheidung wartet.

Damit stellt sich für uns eine neue Frage: Sind nicht nur unsere eigenen Prozesse, sondern auch unsere Kunden auf diese Art der Entwicklung vorbereitet?

Wer die Vorteile KI-gestützter Softwareentwicklung vollständig nutzen möchte, braucht mehr als ein schnelles Entwicklungsteam. Informationen müssen kurzfristig verfügbar sein, fachliche Fragen zeitnah beantwortet und Entscheidungen schneller getroffen werden können. Das bedeutet nicht, Entscheidungen weniger sorgfältig zu treffen. Es bedeutet aber, Entscheidungswege und Verantwortlichkeiten so zu gestalten, dass sie zur Geschwindigkeit der Entwicklung passen.

Damit verändert KI im Entwicklungsprozess möglicherweise auch die Zusammenarbeit zwischen Auftraggeber und Entwicklungspartner. Kurze Feedbackschleifen und verfügbare fachliche Ansprechpartner waren schon immer Bestandteile guter agiler Entwicklung. In einem KI-beschleunigten Projekt werden sie von einem Vorteil zunehmend zu einer Voraussetzung.

Eine unserer wichtigsten Erkenntnisse aus dem Lighthouse lautet deshalb: Die mögliche Beschleunigung endet nicht beim Coding. Wenn wir ihr Potenzial wirklich nutzen wollen, muss das gesamte Projekt lernen, mit dieser Geschwindigkeit umzugehen.

Eine zweite wichtige Erkenntnis betrifft die Rolle des Software Engineers selbst. Unser Experiment hat nicht gezeigt, dass Software Engineers durch KI weniger wichtig werden. Vielmehr verschiebt sich der Schwerpunkt ihrer Arbeit.

Tätigkeiten, die früher teilweise am Rand der eigentlichen Implementierung lagen, gewinnen an Bedeutung. Dazu gehören technisches Anforderungsmanagement und Software Design, insbesondere die sinnvolle Aufteilung von Funktionalitäten und Verantwortlichkeiten. Auch Testing, Verifikation, Cybersecurity und Architektur werden wichtiger.

Denn KI kann sehr schnell eine Lösung erzeugen. Sie kann Code schreiben, beim Debugging unterstützen, neue Technologien erklären und Vorschläge für die Architektur machen. Sie kann aber auch veraltete Bibliotheken empfehlen, relevanten Kontext übersehen oder mit großer Überzeugung eine technisch falsche Lösung präsentieren. Auch Fragen wie die Lizenzierung eingesetzter Komponenten werden nicht automatisch zuverlässig beantwortet.

Die zentrale Kompetenz verschiebt sich damit ein Stück weit von der Frage „Kann ich das selbst programmieren?" hin zu „Kann ich beurteilen, ob die entstandene Lösung richtig, sicher, wartbar und für ihren vorgesehenen Zweck geeignet ist?".

Das erfordert weiterhin technisches Wissen. Vielleicht sogar mehr als bisher – nur an anderen Stellen.

Unsere Erfahrung war beispielsweise, dass sich Software Engineers mit KI sehr schnell in eine neue Technologie einarbeiten können. Gleichzeitig wird es umso schwieriger, die Qualität einer Antwort zu beurteilen, je weniger eigenes Wissen über das jeweilige Thema vorhanden ist. Die KI ersetzt Expertise deshalb nicht. Sie kann aber erheblich beschleunigen, wie wir Expertise aufbauen und einsetzen.

Gute Ergebnisse entstehen zudem nicht automatisch dadurch, dass man einem Entwicklungsteam einen Copilot zur Verfügung stellt. Das haben die vier Wochen ebenfalls deutlich gezeigt.

Das Team lernte im Verlauf des Experiments, relevanten Kontext gezielt bereitzustellen, Anforderungen und Akzeptanzkriterien möglichst präzise zu formulieren, Ergebnisse kritisch zu überprüfen und verschiedene Modelle und Werkzeuge für unterschiedliche Aufgaben einzusetzen. Auch die Auswahl der Tools selbst wurde Teil der Entwicklungsarbeit.

Diese Erfahrungen möchten wir bei BAYOOMED nun breiter nutzbar machen. Mit Schulungen, niedrigschwelligen Angeboten, gemeinsamen Best Practices und dem Austausch zwischen Kollegen wollen wir herausfinden, wie sich KI sinnvoll in unsere Entwicklungsarbeit integrieren lässt.

Dabei geht es uns nicht darum, möglichst viel KI einzusetzen. Entscheidend ist, sie dort einzusetzen, wo sie einen tatsächlichen Vorteil schafft – und gleichzeitig ihre Grenzen zu kennen.

Natürlich sind Claude, GitHub Copilot, ChatGPT und andere KI-Assistenten zunächst einmal Werkzeuge. Trotzdem glauben wir nach unserem Experiment stärker als vorher, dass ihre Auswirkungen auf die Softwareentwicklung erheblich sein werden.

Der entscheidende Unterschied besteht für uns nicht nur darin, dass Software Engineers schneller programmieren können. Es verändert sich, womit sie ihre Zeit verbringen. Und wenn die Implementierung schneller wird, müssen sich zwangsläufig auch die Prozesse und die Zusammenarbeit rund um die Entwicklung verändern.

Das kann man positiv oder kritisch sehen. Ignorieren lässt sich die Entwicklung aus unserer Sicht jedoch nicht. Deshalb wollen wir KI im Entwicklungsprozess weiter praktisch untersuchen – insbesondere dort, wo es anspruchsvoll wird: in professionellen und regulierten Softwareprojekten.

Unser AI Lighthouse war für uns deshalb weniger ein abgeschlossenes Experiment als ein Ausgangspunkt für die nächsten Fragen.

Diese Fragen möchten wir nicht ausschließlich in internen Projekten beantworten. Wir suchen deshalb Kunden, die gemeinsam mit uns weitere Lighthouse-Projekte wagen möchten – mit kleinen agilen Teams, konsequentem KI-Einsatz und kurzen Feedback- und Entscheidungszyklen.

Besonders interessant sind für uns Projekte im medizinischen Kontext: Companion Apps, DTx, CDSS sowie App-, Web- oder cloudbasierte Lösungen. Das kann ein Proof of Concept sein, ein MVP oder eine Feasibility, bei der zunächst möglichst schnell geklärt werden soll, ob und wie sich eine Idee technisch umsetzen lässt. Und selbstverständlich darf daraus auch ein Medizinprodukt werden.

Dabei interessiert uns inzwischen nicht mehr nur die Frage, wie schnell wir Software mit KI entwickeln können. Wir wollen herausfinden, wie KI im Entwicklungsprozess aussehen muss, damit diese Geschwindigkeit auch unter realen Projektbedingungen funktioniert.

Und falls das nächste Projekt zusätzlich eine BLE-Anbindung mitbringt, wäre das besonders spannend. Denn dazu haben wir noch eine Hypothese, die wir gerne testen würden.

• KI in der Medizinsoftware-Entwicklung – Wie wir Hersteller bei Entwicklung, Validierung und MDR-konformer Zulassung KI-gestützter Medizinprodukte begleiten.
• Companion Apps – Begleitende Apps für Therapien und Medizinprodukte.
• DTx – Digitale Therapeutika von der Konzeption bis zur Zulassung.