Warum KI-gestützte Softwareprojekte genauso scheitern wie klassische

Die Erwartung: KI wird alles ändern

In vielen Unternehmen hat sich eine Annahme etabliert: Mit ChatGPT, Claude Code oder ähnlichen Tools lässt sich Software schneller und günstiger entwickeln. Die Versprechen klingen plausibel. Ein LLM schreibt Code in Sekunden, erklärt Zusammenhänge, generiert Dokumentation. Die Hoffnung dahinter ist nachvollziehbar – weniger Aufwand, kürzere Projektlaufzeiten, geringere Kosten.

Was dabei übersehen wird: Die Gründe, warum Softwareprojekte scheitern, haben sich durch KI nicht verändert. Sie liegen selten in der Programmierung selbst. Sie liegen in dem, was davor passiert – oder eben nicht passiert.

Warum KI-gestützte Softwareprojekte scheitern

Ein Softwareprojekt scheitert nicht, weil der Code schlecht ist. Es scheitert, weil die Grundlagen fehlen. Das war vor zehn Jahren so, und das ist heute mit LLMs nicht anders.

Die häufigsten Ursachen sind bekannt:

• Unklare Ziele: Niemand hat definiert, was die Software konkret leisten soll – und für wen.
• Fehlende Anforderungen: Es gibt Ideen, aber keine Struktur. Was davon ist notwendig, was optional, was widersprüchlich?
• Unrealistische Erwartungen: Der Aufwand wird unterschätzt, weil niemand die Komplexität durchdrungen hat.
• Keine Entscheidungsgrundlage: Statt eines klaren Konzepts gibt es nur Annahmen.

Diese Probleme löst keine KI. Ein LLM kann keinen Geschäftsprozess verstehen, den niemand beschrieben hat. Es kann keine Anforderungen priorisieren, die nie formuliert wurden. Und es kann keine Ziele klären, über die sich das Unternehmen selbst nicht einig ist.

Der Irrtum: LLMs als Abkürzung zur Klarheit

Ein verbreitetes Missverständnis lautet: "Wir lassen ChatGPT erst mal einen Prototyp bauen, dann sehen wir weiter." Das klingt pragmatisch, führt aber in die falsche Richtung.

LLMs wie ChatGPT, Gemini oder Claude Code arbeiten mit dem, was sie bekommen. Sie generieren Code auf Basis von Eingaben – nicht auf Basis von Geschäftslogik. Wenn die Eingabe vage ist, ist das Ergebnis bestenfalls oberflächlich. Häufiger ist es schlicht falsch, ohne dass das sofort auffällt.

Das Problem: Ein LLM widerspricht nicht. Es fragt nicht nach, ob das Ziel überhaupt sinnvoll ist. Es liefert – schnell, freundlich, überzeugend formuliert. Und genau das macht es gefährlich, wenn die Grundlagen fehlen.

Statt "langsam in die falsche Richtung" geht es jetzt "schnell in die falsche Richtung". Das Ergebnis ist dasselbe: ein Projekt, das am Bedarf vorbeigeht.

Was LLMs leisten können – und was nicht

Um KI-Tools sinnvoll einzusetzen, hilft eine nüchterne Einordnung.

LLMs können:

• Code generieren, wenn die Aufgabe klar beschrieben ist
• Dokumentation erstellen, wenn der Inhalt feststeht
• Routineaufgaben beschleunigen, wenn der Rahmen definiert ist
• Varianten durchspielen, wenn die Kriterien bekannt sind

LLMs können nicht:

• Geschäftsziele verstehen oder hinterfragen
• Fehlende Anforderungen erkennen
• Widersprüche in der Fachlogik aufdecken
• Entscheiden, was gebaut werden sollte

Ein LLM ist ein Werkzeug, kein Ersatz für Klärung. Es funktioniert innerhalb klarer Vorgaben. Ohne diese Vorgaben produziert es Ergebnisse, die professionell aussehen, aber keinen Bezug zum tatsächlichen Problem haben.

Warum die Geschwindigkeit zum Risiko wird

In klassischen Projekten dauert es Wochen oder Monate, bis sichtbar wird, dass etwas schiefläuft. Mit KI-Unterstützung passiert das schneller – aber das ist kein Vorteil.

Ein Entwickler, der Wochen an einem Modul arbeitet, stößt dabei auf Fragen. Er kommt zurück, bittet um Klärung, deckt Widersprüche auf. Dieser Prozess ist langsam, aber er erzwingt Auseinandersetzung mit dem Fachthema.

Ein LLM liefert in Minuten. Es stellt keine Fragen. Es macht einfach weiter. Und wenn nach zwei Wochen ein funktionierender Prototyp vorliegt, der das Falsche tut, ist bereits viel Zeit und Geld gebunden – in etwas, das niemand braucht.

Die Geschwindigkeit verstärkt falsche Annahmen, statt sie zu korrigieren. Das macht KI-gestützte Projekte nicht sicherer, sondern riskanter – wenn die Grundlagen fehlen.

Was sich ändern muss

Die Frage ist nicht, ob KI in der Softwareentwicklung nützlich ist. Das kann sie sein. Die Frage ist, unter welchen Voraussetzungen.

Bevor ein LLM zum Einsatz kommt, braucht es Klarheit über:

1. Das Ziel: Was soll die Software konkret leisten? Welches Problem wird gelöst?
2. Die Anforderungen: Was muss sie können? Was nicht? Was ist optional?
3. Die Abgrenzung: Wo endet der Scope? Was gehört nicht dazu?
4. Die Erfolgskriterien: Woran erkennen Sie, dass die Software funktioniert?

Ohne diese Grundlagen ist jedes Werkzeug – ob KI oder klassisch – nur ein schnellerer Weg ins Ungewisse.

KI-Projekte brauchen keine besseren Tools, sondern bessere Vorbereitung

Wer glaubt, dass ChatGPT oder ähnliche Tools die Planungsphase ersetzen, wird dieselben Erfahrungen machen wie bei klassischen Projekten – nur schneller. Die Technologie hat sich verändert, die Erfolgsfaktoren nicht.

Ein Softwareprojekt gelingt, wenn vorher klar ist, was gebaut werden soll. Das gilt für Projekte mit und ohne KI.

Fazit

KI verändert, wie Software entsteht – aber nicht, warum Projekte scheitern. Die Ursachen liegen heute dort, wo sie immer lagen: bei unklaren Zielen, fehlenden Anforderungen und Entscheidungen, die auf Annahmen statt auf Analyse basieren.

LLMs wie ChatGPT, Gemini oder Claude Code sind leistungsfähige Werkzeuge. Sie beschleunigen die Umsetzung, wenn der Rahmen steht. Ohne diesen Rahmen beschleunigen sie vor allem eines: den Weg in die falsche Richtung.

Wer ein KI-gestütztes Softwareprojekt plant, sollte nicht mit dem Tool beginnen, sondern mit der Frage, was eigentlich gebaut werden soll. Die Antwort darauf liefert keine KI. Sie entsteht durch strukturierte Klärung – bevor der erste Prompt geschrieben wird.