Projekte & Ergebnisse
Ausgewählte Projekte zeigen, wie KI Lieferkosten senken, Veränderung beschleunigen und Organisationen mehr Kontrolle über kritische Technologie schaffen kann.
Ein geschäftskritisches Kernsystem ins eigene Unternehmen holen
Ergebnis: Ein geschäftskritisches System wurde intern übernommen. Zeitersparnis: rund 50 % schneller (rund einen Monat pro Feature eingespart). Einsparung bei den jährlichen Betriebskosten: rund 72 %. Jährliche Einsparung bei der Feature-Lieferung: CHF 360’000 an vermiedenen externen Kosten für die Feature-Lieferung.
Eine zentrale Unternehmenslösung war von einem externen Anbieter über zwei Jahre zu Kosten von rund CHF 400’000. Die laufenden Betriebskosten lagen bei rund CHF 41’120 pro Jahr: rund CHF 20’000 für gerätebezogene Lizenzen, die mit der Zahl vernetzter IoT-Geräte stiegen, zuzüglich Support des Anbieters zu CHF 220 pro Stunde. Ein angefordertes neues Feature wurde auf zwei Monaten und CHF 60’000. Bei diesem Satz hätte ein Jahr kontinuierlicher Feature-Arbeit CHF 360’000 gekostet.
Das interne DevOps-Team zögerte zunächst, Verantwortung für fremdentwickelten Code zu übernehmen, und musste Zeit in die Bereitstellung investieren. KI-gestützte Analyse schuf schnell Vertrauen, während der Service die geforderte SLA weiterhin erfüllte.
Eine vollständige operative Plattform liefern
Ergebnis: fünf vernetzte Produkte wurden geliefert von zwei Full-Stack-Engineers in vier Monaten. Zeitersparnis: rund 70 % schneller (rund 12 Monate eingespart). Kosteneinsparung: rund 85 % (rund CHF 300’000 eingespart).
Ein dienstleistungsintensives Unternehmen benötigte eine vernetzte digitale Plattform, um den gesamten Kunden- und Lieferzyklus zu steuern: Lead-Generierung, Angebote, Vertrieb, Projektumsetzung, Aussendiensteinsätze, Finanzadministration und die Kommunikation mit Kunden und Auftragnehmern.
Zwei Full-Stack-Engineers nutzten KI-Coding-Agenten in Design, Umsetzung, API- und ERP-Integration, Tests, Fehlerbehebung und Release-Vorbereitung. So konnte ein schlankes Team Backend, Web, Mobile und Website ohne Wartezeiten auf separate Spezialistenübergaben liefern.
Ohne KI-Unterstützung würde ein vergleichbarer Funktionsumfang typischerweise 50–65 Engineer-Monate über ein Programm von 12–18 Monaten erfordern. Nötig wären ein Kernteam aus erfahrenen Engineers sowie Kompetenzen in Backend- und ERP-Integration, React, Flutter/Mobile, öffentlichem Web, QA und Release Engineering. Bei denselben monatlichen Engineering-Kosten von CHF 6’000 lägen die direkten Engineering-Kosten schätzungsweise bei CHF 300’000–390’000.
Risiken eines geschäftskritischen Altsystems reduzieren
Ergebnis: Ein Altsystem wurde von einem Entwickler in zwei Monaten. Zeitersparnis: rund 83 % schneller (rund 10 Monaten eingespart). Kosteneinsparung: rund 83 % (rund CHF 216’000 eingespart).
Der Kunde war auf eine fragile Legacy-Firmware-Codebasis auf nRF-Mikrocontrollern angewiesen. Sie wurde von einem Entwickler gewartet, war nur schwer sicher zu ändern und wurde sowohl zu einem betrieblichen Kostenproblem als auch zu einem erheblichen Unternehmensrisiko.
Ein Softwareentwickler übernahm die gesamte Codebasis und nutzte KI-gestütztes Engineering, um die Legacy-Embedded-C-Firmware zu analysieren und zu refaktorieren. Der zuvor blockierende Algorithmus wurde innerhalb einer Woche gelöst, während die breitere Codebasis über zwei Monate modularisiert und neu aufgebaut wurde. Hunderte automatisierte Testfälle wurden eingeführt und in Cloud-basierten Testumgebungen ausgeführt.
Ein vergleichbares Refactoring-Programm ausschliesslich mit menschlicher Entwicklung wurde auf rund 12 Monate geschätzt. Beim historischen Satz des Kunden von CHF 135 pro Stunde entspricht dies rund 1’920 Stunden und CHF 259’200, gegenüber rund 320 Stunden und CHF 43’200 für zwei Monate KI-gestützter Arbeit.
KI-gestützte Embedded-Entwicklung erfordert weiterhin erfahrenes Engineering-Urteilsvermögen. Jeder KI-generierte Firmware-Code wurde gegen Hardware-Einschränkungen, Speicherverbrauch, Zeitverhalten, Sicherheitsanforderungen und Tests auf Geräteebene geprüft. KI ersetzte nicht die technische Verantwortung; sie ermöglichte einem Entwickler, eine fragile Firmware-Codebasis zu verstehen, zu refaktorieren, zu testen und weiterzuentwickeln – in einem Tempo, das sonst ein wesentlich längeres und riskanteres Programm erfordert hätte.
Eine kostspielige mobile Anwendung für zwei Plattformen übernehmen
Ergebnis: Eine separat gewartete iOS- und Android-Anwendung wurde in rund zwei Monaten. Zeitersparnis: künftige Features wurden rund sechsmal schneller. Kosteneinsparung: internes Engineering war rund 30 % günstiger als der externe Anbieter.
Der Kunde war bei einer mobilen Anwendung, die als zwei separate native Codebasen – eine für iOS und eine für Android – betrieben wurde, auf teuren externen Support angewiesen. Es fehlte die praktische Kontrolle über Codebasis, Build-Prozess und den tatsächlichen Änderungsaufwand.
Ein interner Entwickler nutzte KI, um die bestehende Codebasis zu bauen und zu kompilieren, ihre Struktur zu analysieren und einen klaren Überblick über die aktuellen iOS- und Android-Anwendungen zu gewinnen. Kleine Änderungen konnten anschliessend intern mit planbarem Aufwand und Kosten geschätzt und geliefert werden. Die Anwendung wurde danach über rund zwei Monate in Flutter refaktoriert und die zwei separaten Codebasen durch eine gemeinsame plattformübergreifende Anwendung ersetzt.
Interne Engineering-Kosten lagen rund 30 % unter dem Satz des externen Anbieters. Der externe Anbieter verrechnete CHF 175 pro Stunde und Plattform bzw. rund CHF 350 pro vergleichbarer Feature-Stunde, wenn dieselbe Arbeit für iOS und Android erforderlich war. Das Flutter-Refactoring wurde intern in rund zwei Monaten abgeschlossen.
Der verbleibende Engpass waren die Release-Abläufe: Jedes Mobile Release erforderte weiterhin manuelle Vorbereitung, Einreichung und Veröffentlichung im Apple App Store und bei Google Play. KI konnte die Entwicklung beschleunigen, diesen externen Release-Prozess aber nicht beseitigen. KI-generierter Code konnte gelegentlich unnötige Komplexität hinzufügen; dies war jedoch eine bewusste unternehmerische Abwägung: Geschwindigkeit, geringere Kosten und frühere Produktänderungen priorisieren und einzelne Bereiche der gemeinsamen Codebasis im Laufe der Zeit verfeinern.
Ein Shopify-Produkt ohne zusätzliches Spezialisten-Headcount übernehmen
Ergebnis: Ein interner Full-Stack-Entwickler übernahm ein Shopify-basiertes Commerce-Produkt. Zeitersparnis: neue Features wurden rund zwei- bis dreimal schneller geliefert. Kosteneinsparung: die Entwicklungskosten waren rund 30 % niedriger, ohne einen eigenen Shopify-Spezialisten einzustellen.
Ein externer Anbieter hatte die initiale Shopify-Installation umgesetzt, doch dem Kunden fehlte internes Engineering-Know-how für Shopify-spezifische Entwicklung. Wartung, Änderungen am Kundenportal, Shopify-Anwendungen, Unternehmensintegrationen und neue kommerzielle Features hingen sämtlich vom externen Support ab.
Ein interner Full-Stack-Entwickler nutzte KI-gestütztes Engineering, um die bestehende Shopify-Konfiguration, Theme-Struktur, Liquid-Templates, das Kundenportal und Integrationspunkte ins Unternehmen zu verstehen. Anschliessend übernahm der Entwickler Wartung und neue Features, einschliesslich Portalverbesserungen, Shopify-Anwendungen und Integrationen.
Ohne KI-Unterstützung würde der Kunde typischerweise weiterhin einen externen Shopify-Spezialisten für Wartung, Portaländerungen, Anwendungen, Integrationen und neue Features bezahlen – oder einen eigenen Shopify-Engineer mit Shopify-, Liquid-, Anwendungsentwicklungs- und Integrationskompetenz einstellen bzw. beauftragen. Beide Optionen führen entweder zu einer fortlaufenden externen Abhängigkeit oder zu einem neuen Bedarf an spezialisierten Mitarbeitenden.
Shopify-Entwicklung hat ihr eigenes Ökosystem, darunter Liquid-Templates, Theme-Architektur, Storefront- und Kundenkonto-Muster, Anwendungen, Plattform-APIs und Integrationsbeschränkungen. KI ersetzte nicht die Notwendigkeit, plattformspezifische Implementierungsentscheidungen, Sicherheit, Umgang mit Kundendaten, Checkout-Verhalten und Integrationszuverlässigkeit zu prüfen. Sie ermöglichte einem erfahrenen Full-Stack-Entwickler, schnell genug in einem Spezialisten-Ökosystem wirksam zu werden, damit der Kunde Verantwortung übernehmen, Kosten kontrollieren und die Produktlieferung beschleunigen konnte.
