EN DE
Nehmen Sie Kontakt auf →
AI-Augmented Software Development 3
KI-UNTERSTÜTZUNG · MENSCHLICHE AUFSICHT

AI-Augmented
Software Development

Beschleunigen Sie Ihre Software-Delivery mit KI – indem KI in die Workflows integriert wird, die Ihre Engineering-Teams ohnehin nutzen, während erfahrene Engineers für jede Änderung in Produktion verantwortlich bleiben.

Über AI-Delivery sprechen →KI über den gesamten SDLC →
17+
Geschäftstätigkeit in Jahren
100%
In Schweizer Besitz
40+
Langjährige Kunden
650+
Mitarbeiter
80+
Dedizierte Teams

KI kann einzelne Engineering-Aufgaben beschleunigen, schnellerer Code bedeutet aber nicht automatisch schnellere Delivery. AI-Augmented Software Development von Axon Active integriert KI in erprobte Engineering-Workflows und verbessert so Produktivität, Qualität und Delivery-Fluss. Wir verbinden erfahrene Software-Engineers, produktionsreife KI-Werkzeuge, disziplinierte Praktiken und klare Governance über den gesamten Lebenszyklus – damit Ihre bestehenden Teams schneller entwickeln, testen und ausliefern können, während ein Ihnen persönlich bekannter Engineer für jede Änderung in Produktion verantwortlich bleibt.

DIE DELIVERY-HERAUSFORDERUNG

Schnellerer Code ist noch keine schnellere Delivery

KI-gestütztes Coding kann einzelne Engineering-Aufgaben beschleunigen. Aber ein schnellerer Output macht die Software-Delivery nicht automatisch schneller.

Mehr KI-erzeugte Änderungen bedeuten mehr Review-, Validierungs- und Koordinationsaufwand – und werfen neue Fragen zu Qualität, Sicherheit und Verantwortlichkeit auf.

Der Engpass verschiebt sich vom Schreiben von Code hin zum Verwalten von Kontext, zum Validieren von Ergebnissen und zum Bewegen der Arbeit durch das Delivery-System. Teams, die das Coding beschleunigen, ohne den Rest des Workflows zu verbessern, erzeugen am Ende schlicht eine grössere Warteschlange weiter hinten.

AI-Augmented Software Development setzt am gesamten Delivery-System an: wo KI Arbeit beschleunigen kann, wo menschliches Urteilsvermögen weiterhin nötig ist und wie Teams schneller werden, ohne Qualität oder Kontrolle zu schwächen.

Schnellerer Code ist noch keine schnellere Delivery
WOHIN SICH DIE BRANCHE BEWEGT

Die KI-Einführung eilt der Produktionsreife voraus

84%

der Entwickler nutzen KI-Werkzeuge oder planen deren Einsatz – doch nur ein Drittel vertraut der Genauigkeit der Ergebnisse, und 46% misstrauen ihnen aktiv. Quelle: Stack Overflow Survey 2025

75%

der Software-Engineers in Unternehmen werden bis 2028 voraussichtlich KI-Coding-Assistenten nutzen – nach unter 10% Anfang 2023. Quelle: Gartner, April 2024

6%

der Organisationen gelten als AI High Performer – sie erzielen mit KI spürbaren Wert –, während fast zwei Drittel weiterhin in der Pilotphase feststecken. Quelle: McKinsey, The State of AI 2025

Die Einführung von KI ist nicht mehr die entscheidende Frage. Schwieriger ist es, aus der Nutzung von KI eine verlässliche, wiederholbare Software-Delivery zu machen. Dafür braucht es mehr als Zugang zu Coding-Werkzeugen: Teams brauchen die Workflows, Review-Praktiken, die Governance und die Messgrössen, damit KI in Produktion nützlich wird.

Sebastian Sussmann

Sebastian Sussmann

CIO & Chief AI Officer · Axon Active Vietnam
KI verändert, wie Software gebaut wird – aber nicht, wer dafür verantwortlich ist. KI-Werkzeuge kann jeder einem Team in die Hand geben. Die eigentliche Arbeit besteht darin, ihm das Urteilsvermögen mitzugeben, sie zu nutzen. Arbeit lässt sich an KI delegieren; die Verantwortung für das, was ausgeliefert wird, niemals.
VON WERKZEUGEN ZUR DELIVERY

Sechs Bausteine des AI-Augmented Software Engineering

Engineers Zugang zu KI-Werkzeugen zu geben, ist einfach. KI in einem produktiven Delivery-Prozess verlässlich zum Laufen zu bringen, ist schwerer

Die Werkzeuge selbst sind breit verfügbar. Entscheidend ist das Delivery-System darum herum – die Menschen, Workflows, die Autonomie, Governance, Qualitätskontrollen und Messgrössen, die aus KI-Fähigkeit eine verlässliche Software-Delivery machen.

Sechs Bausteine des AI-Augmented Software Engineering

  1. Erfahrene Engineers mit Produktkontext

    Ihnen persönlich bekannte Engineers, die Ihr Produkt und Ihre Domäne verstehen. KI macht Produktkontext wichtiger, nicht unwichtiger – denn Engineers müssen weiterhin erkennen, wann ein KI-Ergebnis technisch plausibel, für das Geschäft aber falsch ist.

  2. KI-Werkzeuge in den täglichen Workflows

    KI-Werkzeuge sind in die tatsächliche Arbeitsweise der Teams integriert. Konfigurationen und Praktiken werden überprüft, versioniert und über Squads hinweg geteilt – statt Entwicklern eine Lizenz zu geben und die Einführung dem Zufall zu überlassen.

  3. Autonomie wird je Aufgabe vergeben

    Der Grad der KI-Autonomie hängt von der Aufgabe ab, von ihrem Risiko und von den Nachweisen, die das Ergebnis stützen. Klar definierte Arbeit mit geringerem Risiko lässt sich weiter delegieren; Änderungen mit höherem Risiko verlangen stärkere menschliche Aufsicht.

  4. Menschlicher Review und Verantwortlichkeit

    KI kann zur Arbeit beitragen, die Verantwortung für Software in Produktion bleibt aber bei Menschen. Ein Ihnen persönlich bekannter Engineer bleibt dafür verantwortlich, Änderungen zu prüfen und freizugeben, bevor sie in Produktion gehen.

  5. Quality Gates und Nachvollziehbarkeit

    KI-gestützte Änderungen durchlaufen dieselben Qualitätskontrollen wie andere Produktionsarbeit – mit zusätzlicher Nachvollziehbarkeit, wo sie nötig ist: die eingesetzten KI-Werkzeuge, die Anweisungen, Evaluationen und der menschliche Review.

  6. Gemessen an den Ergebnissen

    Der Massstab ist nicht, wie viel Code KI erzeugt oder wie viele Aufgaben sie erledigt hat. Der Massstab ist, ob das Team Software schneller liefert – in der Qualität und mit den geschäftlichen Ergebnissen, die das Produkt verlangt.

KI wirkt am besten, wenn Engineers damit ihre Fähigkeiten erweitern, statt ihr Urteilsvermögen an sie abzugeben. Ein erfahrener Engineer kann eine KI-erzeugte Änderung gegen die Architektur, den Produktkontext und die betrieblichen Realitäten prüfen, die ein Modell nicht vollständig sehen kann. Genau das ist der Unterschied zwischen einem Team KI-Werkzeuge zu geben und einem AI-augmented Software-Delivery-System. Es baut auf dem Axon Model™ auf – dem Delivery-Framework hinter über 80 Produktionsteams seit 2009, heute erweitert für KI-gestützte Software-Delivery

PHASE FÜR PHASE

KI im Software-Entwicklungszyklus

KI ist über den gesamten Software-Entwicklungszyklus hinweg nützlich, aber nicht jede Aufgabe sollte im gleichen Mass delegiert werden. Von Definieren bis Betreiben hängt der Grad der KI-Autonomie von der Aufgabe ab, von ihrem Risiko und von den Nachweisen, die das Ergebnis stützen.

Das Prinzip ist einfach: KI kann mehr übernehmen, wo die Arbeit klar definiert und das Risiko verstanden ist. Für Absicht, Entscheidungen und Ergebnisse bleiben Menschen verantwortlich.

Produktabsicht in ausführbare Arbeit überführen

KI hilft Teams, grosse Mengen an Produkt- und Technikinformationen zu erschliessen, bevor die Umsetzung beginnt. Sie kann Anforderungen analysieren, bestehende Dokumentation und Code durchsuchen, Abhängigkeiten erkennen, Widersprüche aufzeigen und die Informationen zusammentragen, die ein Team braucht, um Arbeit klar zu spezifizieren.

KI verkürzt einen grossen Teil der Zeit, die für das Sammeln und Ordnen von Informationen draufgeht. Sie entscheidet nicht, was das Produkt tun soll. Product Owner und Engineers klären weiterhin Unklarheiten, hinterfragen Annahmen, priorisieren Anforderungen und einigen sich darauf, wie Erfolg aussieht.

Klar definierte Arbeit gibt auch den folgenden Phasen etwas Konkretes, woran sie sich ausrichten können – Akzeptanzkriterien, die später Umsetzungsaufgaben, Tests und Validierungsschritte steuern.

MENSCHEN BEHALTEN
Die Absicht validieren, Unklarheiten klären und Erfolg definieren.

AI-Code-Review, der die Review-Last senkt

Der AI-Code-Review macht auf jedem Pull Request einen ersten Durchgang und sucht nach offensichtlichen Fehlern, fehlender Fehlerbehandlung und gängigen Sicherheitsmustern. Menschliche Reviewer können sich danach auf Architektur, Geschäftslogik und fachliche Korrektheit konzentrieren. Gut gemacht, wird der Review dadurch schneller.

Der Massstab für Erfolg ist nicht, wie viele Probleme KI findet. Er ist, ob Engineers Änderungen schneller prüfen können, ohne dass der Review oberflächlicher wird.

KI-Testfallgenerierung und KI-gestütztes Unit Testing

KI kann Testfälle aus Spezifikationen und bestehendem Code erzeugen und in Stunden eine Abdeckung liefern, für die von Hand Tage nötig wären.

Unbeaufsichtigt erzeugt sie im selben Tempo aber auch schwache oder instabile Tests. Deshalb läuft KI-gestütztes Unit Testing in unseren Engagements standardmässig unter Aufsicht: Menschliche Engineers validieren die Tests, bevor sie Teil des produktiven Quality Gate werden.

KI in der agilen Softwareentwicklung

KI-gestützte Arbeit liegt nicht ausserhalb des Sprints. Anforderungsverfeinerung, Spezifikation, Umsetzung, Pull-Request-Beschreibungen und Testerzeugung bleiben Teil desselben Delivery-Prozesses – dasselbe Board, dieselbe Definition of Done, dieselben Review-Standards.

Umgeht KI-gestützte Arbeit den Workflow, lässt sie sich später kaum noch nachverfolgen, prüfen oder verantworten. KI soll den Delivery-Prozess leistungsfähiger machen und keinen Parallelprozess schaffen, für den niemand zuständig ist.

MENSCHEN, WERKZEUGE UND GOVERNANCE

Die drei Schichten hinter AI-Augmented Software Development

Die sechs Bausteine oben laufen nicht von selbst. In unseren Engagements werden sie von drei Schichten getragen: erfahrene Menschen, die das Produkt verstehen, Werkzeuge, die in die Arbeitsweise der Teams integriert sind, und eine Governance, die KI-gestützte Arbeit verantwortbar hält.

Diese drei Schichten stützen einander. Fällt eine weg, wird das Delivery-Modell schwächer: KI ohne Domänenwissen liefert Ergebnisse, die schwerer zu beurteilen sind; Werkzeuge ohne disziplinierten Prozess führen zu uneinheitlicher Nutzung; und Tempo ohne Governance erzeugt Risiken, die sich kaum nachverfolgen lassen.

Menschen – Ihnen persönlich bekannte Engineers, die Ihre Domäne kennen

Wissen über KI-Werkzeuge lässt sich relativ schnell aneignen. Domänenwissen braucht Jahre.

Ein KI-Modell kann die Codebasis lesen, aber es kann nicht sagen, auf welches Verhalten sich ein wichtiger Kunde stillschweigend verlässt, warum die Preislogik so rundet, wie sie rundet, oder welche halbfertige Migration ein Modul gefährlich macht.

Genau dieser Kontext zählt beim Review KI-erzeugter Arbeit. Der Engineer, der das Produkt seit Jahren trägt, erkennt oft am besten, wann eine technisch plausible Änderung für das Geschäft falsch ist. Unser Modell beruht auf namentlich benannten Engineers, die bei Ihrem Produkt bleiben und dieses Wissen über die Zeit vertiefen.

Unser Modell beruht auf namentlich benannten Engineers, die bei Ihrem Produkt bleiben und dieses Wissen über die Zeit vertiefen.

Die drei Schichten hinter AI-Augmented Software Development

Werkzeuge – dieselben AI-Coding-Werkzeuge, anders integriert

Die KI-Werkzeuglandschaft verändert sich laufend. Modelle werden besser, neue Coding-Assistenten kommen hinzu, und das heute bevorzugte Werkzeug ist es morgen vielleicht nicht mehr. Entscheidend ist, die zugrunde liegenden Engineering-Prinzipien zu verstehen: wie Modelle mit Kontext umgehen, wo sie typischerweise scheitern und welche Aufgaben sich für mehr Autonomie eignen.

Wir nutzen breit eingesetzte Werkzeuge wie GitHub Copilot Enterprise, Claude Code und Cursor, dazu von Axon gebaute Runtimes für Spec, Test und Monitoring. Die Werkzeuge selbst sind nicht der Unterschied. Die Art, wie sie eingeführt und betrieben werden, ist es

Jedes Engagement hat ein AI Working Agreement, das festlegt, wie KI eingesetzt wird, welche Kontrollen gelten und wo menschlicher Review erforderlich ist. Engineers erhalten Training, bevor der Zugang ausgeweitet wird, und bewährte Konfigurationen stehen unter Versionskontrolle und werden über Squads hinweg geteilt.

Auch die Nutzung von KI kostet. Der Token-Verbrauch wird je Engagement budgetiert und überwacht wie andere Cloud-Ressourcen – und zusammen mit Zykluszeit, Qualität und Delivery-Ergebnissen bewertet

Werkzeuge – dieselben AI-Coding-Werkzeuge, anders integriert

Governance – für jede AI-augmented Änderung bleibt jemand verantwortlich

Governance verbindet KI-Fähigkeit mit Produktionsverantwortung. AI-gestützte Arbeit folgt definierten Kontrollen für Autonomie, Review, Nachvollziehbarkeit und Qualität

Diese Kontrollen sind in den Engineering-Workflow eingebaut, damit Verantwortlichkeit nicht von individuellen Gewohnheiten oder blosser Dokumentation abhängt. Die Governance-Schicht wird weiter unten im Detail beschrieben

Governance – für jede AI-augmented Änderung bleibt jemand verantwortlich
Muon Nguyen - Can Tho branch director at Axon Active

Muon Nguyen

Branch Director · Axon Active Vietnam
Nutzen Sie KI zum Erkunden und Ihre Teamkollegen zum Validieren. KI liefert schnell Optionen, die Qualität der Ergebnisse hängt aber weiterhin von Ihnen ab. Deshalb bleibt Teamarbeit unverzichtbar – und deshalb verstärkt KI die Zusammenarbeit, statt sie zu ersetzen.
AUTONOMIE

Human-in-the-loop AI-Delivery: vier Autonomiestufen auf Aufgabenebene

Human-in-the-loop AI-Entwicklung ist in jeden Teil unseres Delivery-Modells eingebaut. Jede KI-gestützte Aufgabe bei Axon Active erhält eine von vier Autonomiestufen – je nach Komplexität, Risiko und möglichem Wirkungsradius

Die Stufe gehört zur Aufgabe, nicht zum Team und nicht zum einzelnen Engineer. Ein sehr erfahrener Engineer erhält nicht automatisch mehr Autonomie, und eine risikoarme Aufgabe braucht nicht dieselbe Aufsicht wie eine produktionskritische Änderung. Diese Stufen beschreiben Autonomie innerhalb der laufenden Delivery; sie sind kein organisationsweites AI-Reifegradmodell.

Human-in-the-loop AI-Delivery: vier Autonomiestufen auf Aufgabenebene
MESSUNG

Entwicklerproduktivität mit KI – mehr als schnelleres Codin

KI kann Entwicklern helfen, Code schneller zu schreiben, zu prüfen, zu testen und zu verstehen. Aber schnelleres Coding ist nur ein Teil der Produktivität.

Wir messen Entwicklerproduktivität mit KI über den gesamten Delivery-Prozess – von einzelnen Engineering-Aufgaben über den Arbeitsfluss bis hin zu den Ergebnissen, die das Produkt am Ende erreichen muss.

Aufgabe

Hilft AI Engineers, schneller und besser zu arbeiten? Wir betrachten Kennzahlen wie die Zykluszeit für verschiedene Aufgabentypen, die Zeit bis zum ersten Pull Request, die Qualität KI-gestützten Codes und den Umfang der nötigen Nacharbeit

Diese Kennzahlen zeigen, wo AI die einzelne Engineering-Arbeit verbessert – sie sind aber nur der Ausgangspunkt.

Fluss

Bewegt schnelleres Engineering die Arbeit tatsächlich schneller durch das System? Wir verfolgen Lead Time, Deployment-Frequenz, Work in Progress, Review-Zeit und die Fehlerdurchschlupfrate.

Ein Engineer kann eine Aufgabe früher abschliessen – wenn aber die Warteschlangen wachsen oder Reviews zum Engpass werden, hat sich der Delivery-Prozess insgesamt nicht verbessert.

Ergebnis

Führt schnellere Delivery zu besseren Produktergebnissen? Der letzte Massstab ist das Ergebnis, das für das Geschäft zählt – ob das schnellere Akzeptanz neuer Funktionen bedeutet, weniger Vorfälle in Produktion, eine bessere Kundenerfahrung oder eine schnellere Erholung nach Ausfällen.

Wir berichten Produktivität auf allen drei Ebenen – Aufgabe, Fluss und Ergebnis –, damit Teams sehen, wo KI echte Gewinne schafft, wo Engpässe bleiben und ob diese Gewinne am Ende im Geschäft ankommen.

KI JE LEISTUNG

KI über unsere Engineering-Leistungen hinweg

AI-augmented Delivery reicht über die Feature-Entwicklung hinaus. Dieselben Delivery-Prinzipien lassen sich über unsere Engineering-Leistungen hinweg anwenden – mit KI-Anwendungsfällen, die auf die jeweilige Arbeit zugeschnitten sind.

Dediziertes Entwicklungsteam

Story-Refinement · Unterstützung beim Code-Review · Erzeugung von Unit- und Integrationstests · PR-Beschreibungen · Incident-Triage · Erkennung von Performance-Regressionen

KI-Anwendungsfälle in dedizierten Entwicklungsteams →

AI Product Development

Eval-Design und Akzeptanzkriterien · Umsetzung von RAG-Pipelines · Prompt Engineering und Versionierung · Tests der Retrieval-Qualität · LLM-Observability und Drift-Erkennung · Überwachung von Halluzinationen und Sicherheit.

KI-Anwendungsfälle in der KI-Softwareentwicklung →

DevOps & Cloud Services

KI-gestütztes IaC-Review · Deployment-Validierung · Triage von Security-Scans · KI-erzeugte Runbooks · Anomalieerkennung in der Observability · Audit von KI-Integrationen

KI-Anwendungsfälle in DevOps & Cloud →

Data Engineering & Analytics

Kennzahlendefinition · Semantische Schichten · Erzeugung von Pipeline-Tests · Unterstützung beim SQL-/dbt-Review · Erkennung von Schema-Drift · Anomalieerkennung in der Datenqualität · Aktualität und Lineage von Dashboards

KI-Anwendungsfälle im Data Engineering →
Client testimonials

Stimmen der Menschen, mit denen wir arbeiten

Mr. Christoph Graf
Head of Product Development, Swiss GRC

Die Partnerschaft mit Axon Active hat uns die Engineering-Stabilität und Skalierbarkeit gegeben, die es braucht, um ein AI-natives Ökosystem wie GRC Next zum Leben zu erwecken. Die technische Expertise des Teams in moderner Full-Stack-Entwicklung, verbunden mit der konsequenten Einhaltung der ISO-27001-Prozesse, hat es zu einer unverzichtbaren Erweiterung unserer Schweizer Führung gemacht.

FAQs

Häufig gestellte Fragen

Was ist AI-Augmented Software Development?

AI-Augmented Software Development bedeutet, KI über den gesamten Software-Entwicklungszyklus hinweg einzusetzen – KI-Werkzeuge, Engineering-Methoden und Governance werden so verbunden, dass Teams schneller liefern, ohne Qualität, Sicherheit oder Verantwortlichkeit aufzugeben.

Bei Axon Active heisst das: produktionsreife AI-Coding-Werkzeuge wie GitHub Copilot, Claude Code und Cursor, dazu von Axon gebaute Runtimes für Spec, Test und Monitoring – alle in unsere Engineering-Workflows integriert. KI beschleunigt die Arbeit; erfahrene Engineers bleiben für die Entscheidungen verantwortlich, auf die es ankommt. Jede risikoreiche Änderung durchläuft eine definierte menschliche Aufsicht, mit einer Governance, die KI-gestützte Entwicklung sicher, nachvollziehbar und produktionsreif hält.

Worin unterscheidet es sich von AI Product Development?

Es ist der Unterschied zwischen Methode und Produkt. AI-Augmented Software Development ist KI als Methode – wie wir jede Software schneller und verlässlicher bauen. AI Product Development ist KI als Produkt – KI-Funktionen und vollständige KI-Produkte für Ihre Nutzer (LLM-Integrationen, RAG, Agenten). Das eine verbessert die Delivery; das andere bringt KI zu Ihren Kunden.

Was ist AI-Governance in der Softwareentwicklung?

AI-Governance in der Softwareentwicklung ist die Fähigkeit, für jede KI-gestützte Änderung zu beantworten, wer sie freigegeben hat und auf welcher Grundlage – auch Jahre später, in Minuten.

Jede Änderung führt ihren Herkunftsnachweis mit – welches Modell, welche Prompt-Vorlage, welcher Engineer sie geprüft hat –, automatisch erfasst und über die Aufbewahrungsfrist Ihrer Branche hinweg vorgehalten, im Einklang mit FINMA, DSGVO, dem EU AI Act, dem DSG und NIS 2.

Welche AI-Coding-Werkzeuge nutzen Ihre Teams?

Dieselben Werkzeuge wie der breite Markt, nur diszipliniert betrieben: GitHub Copilot Enterprise, Claude Code und Cursor, dazu von Axon gebaute Runtimes für Spec, Test und Monitoring.

Sie laufen auf Ihren Lizenzen und unter Ihren Datenrichtlinien, und jede Änderung, die sie berühren, wird von einem menschlichen Engineer geprüft.

Wie messen Sie Entwicklerproduktivität mit KI?

In zwei Stufen. Zuerst die Werkzeuge: eine Scorecard in einer abgeschotteten Umgebung zu Tempo, Kosten, Verlässlichkeit sowie Sicherheit und Governance – bevor ein Werkzeug die Delivery berührt.

Danach die Delivery selbst, auf den drei Ebenen, über die wir berichten: Zykluszeit je Aufgabe, durchgängiger Fluss (Lead Time, Fehlerdurchschlupfrate, Work in Progress) und das geschäftliche Ergebnis, das den Anlass für das Engagement gab.

Kann AI Code ohne menschlichen Review ausliefern?

Nein. Human-in-the-loop ist die Untergrenze über alle vier Autonomiestufen hinweg – von «Assisted» bis «Autonomous».

Selbst auf der höchsten Stufe wird jedes KI-Ergebnis vor dem Merge geprüft, und ein namentlich benannter Engineer verantwortet das Resultat.

Autonomie wird je Aufgabe vergeben: Höhere Autonomie verdient sich Arbeit, die risikoarm und gut evaluiert ist.

Was ist der Unterschied zwischen AI-augmented und AI-First Software Engineering?

AI-augmented Softwareentwicklung fügt einem bestehenden Software-Delivery-System KI hinzu, damit Teams schneller arbeiten, die Qualität verbessern und klar definierte Aufgaben automatisieren – während erfahrene Engineers für die Ergebnisse in Produktion verantwortlich bleiben.

AI-First Software Engineering geht weiter: Es gestaltet das Engineering-System selbst rund um KI, Agenten und neue Arbeitsweisen über den gesamten Lebenszyklus neu. Ziel ist nicht, einfach mehr KI einzusetzen, sondern zu verändern, wie Arbeit spezifiziert, delegiert, überprüft und ausgeliefert wird.