Das Schätzungs-Chaos in der AI-gestützten Entwicklung

Früher konntet ihr einem Projektleiter locker sagen: „Das Feature ist in zwei Wochen fertig.“ Heute wirkt das wie aus einer anderen Zeit. Agentische KI-Coder, die nicht nur Vorschläge machen, sondern ganze Lösungen bauen, haben unsere Zeitpläne total durcheinandergewirbelt.

Die alte Rechnung, die halbwegs passte

In rein menschlichen Projekten gab es eine grobe Formel für Schätzungen:

• Kenntnisse im Codebase + Komplexität des Designs + Schreibgeschwindigkeit + Test- und Debug-Aufwand = Ungefähre Dauer

Ihr kanntet euren Code in- und auswendig. Wisstet, wo die Auth solid läuft und wo die DB ein Chaos ist. So konntet ihr Stunden für Refactoring und Edge-Cases abschätzen. Klar, oft rutschte es um 20-40 Prozent nach – aber die Richtung stimmte meist.

KI-Agenten als Gamechanger

Gebt dasselbe Problem einer AI. Alles ändert sich:

Versteht sie eure Architektur sofort? Hängt von Docs, Kontextfenster und Tech-Stack ab.

Liefert sie die beste Lösung gleich? Bei Treffer in der ersten Runde: Stunden. Bei Fehlstarts und Nachfragen: Tage.

Wie viel müsst ihr nachbessern? AI-Code braucht oft Anpassungen, Security-Fixes und Integration.

Einfach gesagt: Zu viele Faktoren entziehen sich eurer Kontrolle.

Das Geständnis: Wir coden per Gefühl

Viele Entwickler geben’s nicht zu: Wir schätzen jetzt öfter „per Vibe“.

• Basierend auf KI-Geschwindigkeit statt Feature-Komplexität.
• In der Hoffnung, dass es beim ersten Mal klappt.
• Unterschätzend, wie AI-Code in eure Systeme passt.
• Überschätzend, wie schnell wir Halluzinationen oder Sicherheitslöcher fixen.

Kein Faulsein – nur passt die alte Schätzungslogik nicht mehr.

Was wirklich hilft (Praktische Tipps)

Hier sind Ansätze, die in der Praxis aufgehen:

1. AI-Leistung erst malen

Testet kleine Features durch euren Workflow. Misst Inference-Zeit, Iterationen und Korrekturen. So habt ihr Daten statt Bauchgefühl.

2. Trennt Mensch und Maschine

Schätzt nicht pauschal. Zerlegt es:

• AI-Zeit: Prompts, Generierung, erster Output.
• Mensch-Zeit: Review, Security, Anpassungen.
• Integration: Einbau, Tests, Fixes.

Das macht Vorhersagen greifbarer.

3. Kontext-Pakete bauen

KI scheitert ohne Hintergrund. Investiert 2-3 Stunden in Docs, Conventions und Beispiele. Output wird besser, Iterationen kürzer – Gesamtzeit sinkt.

4. Unsicherheit einplanen

Vergesst Fixzeiten. Sagt „3-8 Tage, je nach KI-Form“. Ehrlich und planbar.

5. Prozess tracken und optimieren

Jedes Team findet seinen Sweet Spot. Misst, was bei euch läuft – tiefe Prompts oder schrittweise Verfeinerung? Passt Schätzungen an reale Ergebnisse an.

Der große Wandel

Eure Unsicherheit ist kein Fehler. Sie zeigt: Die Basis von Software-Schätzungen bricht ein. Früher fragten wir „Wie lange coden die Menschen?“. Heute: „Wie lange braucht die KI zum Verstehen, Vorschlagen – und wir zum Validieren?“

Das schwankt wegen:

• Modell-Qualität und Speed.
• Problemanpassung an Trainingsdaten.
• Code-Docs und Struktur.
• Eurer KI-Führung.

Der positive Twist

Plus-Seite: Wenn die KI es gleich richtig macht – was öfter vorkommt, als man denkt –, landet das Feature in Tagen statt Wochen auf Produktiv. Mehr Schwankung, aber höhere Durchsatzrate.

Wichtig: Varianz anerkennen, messen und Modelle anpassen.

Blick nach vorn

Gute Entwickler passen sich an:

1. Akzeptieren, dass Schätzungen chaotischer sind.
2. Messen ihren AI-Flow akribisch.
3. Bauen starke Kontext- und Prompt-Systeme.
4. Geben breite, ehrliche Spannen.
5. Liefern schnell und lernen iterativ.

Das „Vibe-Coding“? Könnte der neue Standard sein – Schätzen mit KI statt gegen sie.