The Playbook
AI Operations

Den Motor tauschen reicht nicht: 27x im agentischen Engineering — und ein Product Management ohne Datengrundlage

Agentic AI Agentic Engineering Product Management Developer Productivity Operating Model Private Equity DACH

Hg hat seinem Portfolio im Frühsommer einen Benchmark geschickt und es im Juli öffentlich gemacht. Es steht quer zu allem, was seit Monaten über eskalierende AI-Kosten geschrieben wird. Bei den Firmen, die im agentischen Engineering am weitesten sind, liegt der Output pro Entwickler beim 2,5-Fachen des Vorjahres. Die Tools dafür kosten ein paar tausend Dollar pro Kopf und Jahr. Macht einen Return vom rund 27-Fachen der Ausgaben.

Nathaniel Barnes, der den Benchmark veröffentlicht hat, schreibt selbst dazu, dass es kein Portfolioschnitt ist. Es zeigt die Spitze von rund 60 Softwarefirmen.

Die interessantere Zahl steht weiter unten im Text und wird leicht überlesen: Innerhalb eines einzigen Unternehmens liegt ein Team bei 1,5x und ein anderes über 4x. Gleiche Lizenzen, gleiche Modelle, gleicher CTO. Wer den Unterschied im Modell sucht, sucht an der falschen Stelle.

Der Motor ist getauscht, die Halle steht noch

Barnes greift zu einem Bild aus der Wirtschaftsgeschichte, das gut sitzt. Als die Fabriken von Dampf auf Elektrizität umstellten, schraubten die ersten Betriebe einen Elektromotor dorthin, wo vorher die Dampfmaschine stand, und ließen den Rest der Halle unverändert. Der zentrale Antriebsstrang blieb, die Maschinen blieben, wo sie standen. Der Produktivitätsgewinn: nahe null.

Paul David hat das 1990 durchgerechnet. Der Dynamo war ab den 1880er-Jahren verfügbar, der Produktivitätsschub in der US-Fertigung kam in den 1920ern. Rund vier Jahrzehnte lagen dazwischen, und sie vergingen nicht mit Modellverbesserung am Motor. Sie vergingen damit, die Hallen neu zu planen: Maschinen nach Arbeitsfluss aufgestellt statt um eine Welle herum gruppiert, Einzelantriebe, andere Gebäudehöhen, andere Schichtlogik.

Bei agentischen Coding-Tools stehen wir am gleichen Punkt. Jedem eine Claude-Code-Lizenz zu geben und Adoption zu messen, ist der Motorentausch. Barnes nennt das Ergebnis AI-Theater und hält es für die teuerste Form der Einführung: Man zahlt die Token und bekommt den alten Prozess in etwas schneller.

95 Prozent unbeaufsichtigt ist die eigentliche Messlatte

Das Prinzip hinter den Spitzenwerten ist schnell gesagt und schwer gemacht: viele Agenten laufen unabhängig und parallel, der Entwickler dirigiert, statt zuzuschauen. Damit das trägt, muss ein Agent seine Aufgabe in etwa 95 Prozent der Fälle allein und unbeaufsichtigt zu Ende bringen. Eine Aufgabe, die jedes zweite Mal scheitert, muss man begleiten, und genau das frisst den Gewinn wieder auf.

Der Weg zu diesen 95 Prozent ist erstaunlich unspektakulär. Arbeit in kleine, klar umrissene Stücke schneiden. Eine schnelle, verlässliche Testsuite, die der Agent selbst laufen lassen kann, um zu wissen, ob er fertig ist. Enge Feedback-Schleifen, ordentliche Deploy-Hygiene. Zu genau dieser Disziplin werden gute Engineering-Teams seit zwanzig Jahren ermahnt, agentisch ist daran nichts.

Verändert hat sich der Preis für das Weglassen. Für einen Menschen war die fehlende Testsuite eine Steuer: etwas langsamer, etwas fehleranfälliger, aber er hält den fehlenden Kontext im Kopf und fängt seine eigenen Fehler. Ein Agent kann das nicht. Ohne die Rückmeldung, an der er sein Ergebnis prüft, wird er deutlich langsamer und deutlich ungenauer. Barnes’ Satz dazu ist der beste des Textes: Agenten reparieren die Lücken in der Softwareentwicklung nicht, sie legen sie offen.

Diese 95 Prozent bestimmen auch, wie viele Agenten ein Mensch überhaupt führen kann. In Die Eingriffsrate habe ich beschrieben, warum bei zwei bis drei parallelen Agenten meist Schluss ist: Jeder Wiedereinstieg kostet volle Re-Kontextualisierung. Bei einer Erfolgsquote von 60 Prozent bleibt es bei zwei. Bei 95 Prozent verschiebt sich die Grenze, weil der Mensch nur noch die Ausnahme anfasst. Die Führungsspanne über Agenten ist eine Funktion der Testabdeckung.

R&D hört nicht bei Engineering auf

Barnes ist an einer Stelle sehr ehrlich: Die Zahlen gelten für Engineering, weil die Tools dort direkt auf die Arbeit passen. In GTM und Support sieht Hg ebenfalls Gewinne, aber nicht in dieser Größenordnung.

Der Grund dafür ist kein Tool-Problem. Engineering produziert seit zwanzig Jahren maschinenlesbare Wahrheit über die eigene Arbeit, ohne je zu wissen, wofür. Code kompiliert oder nicht. Der Test ist grün oder rot. Die Typen passen oder nicht. Der Build läuft durch, der PR merged, das Deployment steht. Continuous Integration, Versionskontrolle, Ticketsystem, Linter — das ist rückblickend die Verifikationsumgebung, in der ein Agent überhaupt erst unbeaufsichtigt arbeiten kann.

Eine R&D-Organisation besteht aber aus mehr. Anforderungsmanagement, Architektur, QA, technische Doku, Release-Management, Customizing, Support-Engineering. Und ganz vorn im Trichter das Product Management, das entscheidet, woran die 2,5-fache Kapazität überhaupt arbeitet. Eine verdoppelte Fertigung mit unveränderter Arbeitsvorbereitung produziert schneller das Falsche.

Agentic Product Management hat kein Äquivalent zur Testsuite

Stell dieselbe Frage wie im Engineering: Was bräuchte ein Agent, um eine Product-Management-Aufgabe zu 95 Prozent unbeaufsichtigt zu erledigen? Die Liste ist kurz, und jeder Punkt fällt in den meisten Häusern durch.

Wer hat was verlangt. Kundenwünsche liegen als Freitext in CRM-Notizen, in Sales-Mails, in einem Slack-Kanal und auf einem Miro-Board vom letzten Workshop. Niemand kann maschinell beantworten, wie oft ein Wunsch in zwölf Monaten von wie vielen Kunden mit welchem ARR kam.

Was ist ausgeliefert und was hat es bewirkt. Ohne Produkt-Telemetrie weiß niemand, welches Feature bei welchem Kunden benutzt wird. Im DACH-Mittelstand ist das der Normalfall: On-Prem-Installationen, Private Cloud, Betriebsräte und Kundenverträge, die Nutzungsmessung untersagen. Ein PM-Agent ohne Nutzungsdaten ist ein Blinder mit Meinung.

Die Spur von der Anforderung zum Release. Das Jira-Epic, das dreimal umbenannt wurde, verbindet keine Anforderung mit einer Version.

Warum Deals gewonnen und verloren gehen. Ein Dropdown mit dem Wert „Preis” ist keine Win-Loss-Analyse.

Eine Definition of Done, die eine Maschine prüfen kann. Das ist die Kernlücke. Für Code ist es der grüne Test. Für eine Anforderung ist es bislang ein Mensch im Review, der sagt: ja, so war das gemeint. Solange das Akzeptanzkriterium ausschließlich im Kopf eines Stakeholders existiert, gibt es keinen unbeaufsichtigten Durchlauf, und der PM-Agent bleibt ein Assistent, der Tickets schöner formuliert.

Genau hier liegt die Arbeit der nächsten zwei Jahre. Das Modell reicht längst, die Arbeit steckt in der Datengrundlage: Kundenfeedback strukturiert erfassen statt in Freitext, Nutzungsdaten überhaupt erst erheben, Anforderungen mit Releases verknüpfen, Akzeptanzkriterien so schreiben, dass sie prüfbar sind. Das ist unsexy und dauert Quartale. Es ist dieselbe Rechnung wie bei der Testsuite: Was für Menschen eine Steuer war, ist für Agenten die Betriebsvoraussetzung.

Für den DACH-Markt hat das eine unbequeme Konsequenz. Wer sein Produkt als Cloud betreibt und Telemetrie hat — Personio, Celonis —, kann das Fundament in überschaubarer Zeit bauen. Wer seine Software bei tausenden Kanzleien, Praxen und Handwerksbetrieben on-prem betreibt, wie große Teile der DATEV- und Lexware-Welt, hat für das Product Management schlicht keine Augen. Ausgerechnet die vertikalen Champions, die im Moat-Vergleich gut dastehen, sind beim agentischen Umbau der Produktorganisation im Nachteil.

Build-time und Run-time nicht in einen Topf werfen

Eine Unterscheidung aus dem Hg-Text gehört in jede Board-Vorlage. Build-time-Spend sind die Werkzeuge, mit denen Entwickler das Produkt bauen. Das ist eine Produktivitätsinvestition mit dem beschriebenen Return, und Barnes rät ausdrücklich dazu, für die nächsten 12 bis 18 Monate mit steigenden Pro-Kopf-Kosten zu planen.

Run-time-Spend ist die AI, die im verkauften Produkt läuft. Die sitzt in der Bruttomarge, skaliert mit jedem Kunden und verdient genau die Disziplin, die beim Build-time-Spend fehl am Platz ist. Wer beides als „AI-Kosten” in eine Zeile schreibt, macht in der Regel einen von zwei Fehlern: Er würgt die Produktivitätsinvestition ab, oder er winkt ein Margenproblem durch. Wie man die Run-time-Seite steuert, steht in AI FinOps.

Bei den Effizienzhebeln bleibt Barnes nüchtern: Modelle nach Aufgabe routen, Kontext schlank halten, deterministische Arbeit wie Tests, Typprüfung und Formatierung an Werkzeuge geben statt an ein Wahrscheinlichkeitsmodell. Alles richtig, alles nachgelagert. Wer mit „wie halten wir das klein” anfängt, optimiert die Investition weg, bevor sie zurückkommt.

Was das für Sponsoren heißt

Die Tools kann jeder kaufen. Knapp ist das Wissen, wie man eine Engineering-Organisation um sie herum neu baut, und genau das lässt sich über ein Portfolio hinweg mehrfach verwerten. Hg macht daraus ein Programm: Im Jump Start setzt sich ein AI-Team für eine Weile in ein Engineering-Team, einzelne Teams kommen danach über 3x, der Rest der Organisation folgt innerhalb von Monaten. Dazu die Agentic Engineering Academies, in denen dieses Jahr über 60 Ingenieure aus 20 Portfoliofirmen ausgebildet wurden, mit mindestens 80 weiteren in Planung. Warum dazu auch die Aufsichtsseite gehört, steht in Setzen und Vergessen gibt es nicht.

Für die Due Diligence verschiebt das die Fragen. „Nutzt ihr Copilot” ist als Prüffrage erledigt, die Antwort ist überall ja. Was zählt, steht in Tech Due Diligence 2.0 und bekommt jetzt drei harte Ergänzungen: Wie lange läuft die Testsuite und wie verlässlich ist sie? Welcher Anteil der Aufgaben wird unbeaufsichtigt abgeschlossen? Wie groß ist die Streuung zwischen dem besten und dem schwächsten Team? Auf der Produktseite kommen zwei dazu: Gibt es Nutzungsdaten aus dem laufenden Produkt, und lässt sich eine beliebige Anforderung aus 2025 bis zu ihrem Release zurückverfolgen?

Meine Perspektive 🎯

  • Der eigentliche Befund ist die Streuung. 1,5x im einen Team, über 4x im anderen, gleiches Haus, gleiche Lizenzen. Diese Spanne ist die genaueste Messung der Prozessqualität, die eine Engineering-Organisation je hatte. Sie wird nur von niemandem so gelesen.
  • 95 Prozent ist eine Infrastruktur-Ansage. Wer seine Testsuite seit Jahren vor sich herschiebt, zahlt jetzt doppelt: einmal in Bugs, einmal in Agenten-Autonomie, die er nie bekommt. Das nächste Modell ändert daran nichts.
  • Product Management ist der nächste Engpass, und keiner misst ihn. Die verdoppelte Engineering-Kapazität trifft auf eine Arbeitsvorbereitung, die noch mit Freitext arbeitet. Wenn 2027 jemand fragt, warum der Umbau nicht durchschlug, liegt die Antwort hier.
  • On-Prem ist beim agentischen Umbau der Produktorganisation ein echtes Handicap. Wer nicht sieht, was der Kunde tut, kann das Product Management nicht automatisieren. Das trifft ausgerechnet die vertikalen DACH-Champions.
  • Am Build-time-Spend zu sparen ist die teuerste Disziplin, die man sich leisten kann. Bei einem 27-fachen Return kostet jeder gesparte Euro Tool-Budget ein Vielfaches an Entwicklerkapazität. Die Kürzung steht im Reporting, der entgangene Umbau nicht.

Fazit: sechs Fragen an die eigene R&D

Drei fürs Engineering, drei fürs Produkt. Wer vier davon nicht beantworten kann, hat den Motor getauscht und die Halle stehen lassen.

  1. Wie lange läuft eure Testsuite, und vertraut ihr ihrem Ergebnis ohne Nachprüfung?
  2. Welcher Anteil der Agenten-Aufgaben wird ohne menschlichen Eingriff fertig? Wenn die Zahl nicht existiert, ist das die Antwort.
  3. Wie weit liegen euer bestes und euer schwächstes Team auseinander, und weiß der CTO, woran es liegt?
  4. Könnt ihr maschinell beantworten, wie oft ein Kundenwunsch in zwölf Monaten von wem kam?
  5. Wisst ihr, welches Feature bei welchem Kunden tatsächlich benutzt wird?
  6. Steht euer Akzeptanzkriterium so im Ticket, dass eine Maschine prüfen kann, ob es erfüllt ist?

Die Fragen 1 bis 3 kosten Monate. Die Fragen 4 bis 6 kosten Jahre, und die meisten haben damit noch nicht angefangen.

Die Diskussion zu diesem Text läuft auf LinkedIn. Die Frage dort: Wie weit liegen bei euch das beste und das schwächste Team auseinander?

Quellen

  1. Hg, Nathaniel Barnes — The AI prize is enormous. But you have to rebuild the factory. (15.07.2026)
  2. Hg — „Should we use a cheaper model” is the wrong question to ask (20.07.2026)
  3. Hg — What 200 engineers taught us about building AI products (15.06.2026)
  4. Paul A. David — The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox, AEA Papers and Proceedings, 1990
  5. Lenny’s Podcast — How the most AI-pilled product team builds products (Fiona Fung, Anthropic)