DevSecOps im KI-Zeitalter Je mehr KI übernimmt, desto wichtiger werden gute Teams

KI kann Code erzeugen, prüfen und Aufgaben übernehmen. Was ihr fehlt, ist das Wissen, um Ergebnisse über mehrere Disziplinen hinweg einzuordnen und Verantwortung zu übernehmen. Genau deshalb verändert KI auch die Anforderungen an DevSecOps.

Diskussionen über Künstliche Intelligenz (KI) in der Software-Auslieferung laufen immer wieder auf dieselbe Annahme hinaus: Ein Entwickler mit leistungsfähigen KI-Tools erledigt die Arbeit eines ganzen Teams. Das ist eine verlockende Vorstellung – aber leider nicht ganz richtig.

Gitlab DevSecOps Report 2026

KI macht Entwickler schneller… und Entwicklung langsamer

KI hat verändert, was einzelne Entwickler leisten können. Sie hat allerdings auch verändert, was von Entwicklern erwartet wird. Wer KI einsetzt, um Infrastruktur-Code zu generieren, muss dessen Sicherheitsimplikationen trotzdem beurteilen können. Selbst KI-gestützte Security-Scans ersetzen nicht das Verständnis der zugrunde liegenden Geschäftslogik. Je mehr Aufgaben KI übernimmt, desto breiter wird das Urteilsvermögen, das gebraucht wird, um ihre Arbeit zu validieren.

Organisationen mit dem höchsten Return on AI Investment werden diejenigen sein, die gezielt in kollaborative Praktiken investieren: in bereichsübergreifende Reviews, strukturierten Wissenstransfer und gezieltes Mentoring. Nur so entwickeln einzelne Entwickler die Multidomain-Kompetenz, die KI voraussetzt, aber nicht liefern kann.

Gute Software entsteht nicht durch bessere Werkzeuge allein. Sie entsteht durch bessere Teams.

Kollaborative Grundlagen als Fundament

Das Kernziel von DevSecOps ist der Aufbau einer kollaborativen Engineering-Kultur, die den gesamten Software-Entwicklungslebenszyklus umspannt – von der Geschäftsstrategie bis zur technischen Umsetzung. Diese Kultur betont Wiederverwendbarkeit und bewährte Praktiken, die Entwicklerproduktivität und Auslieferungseffizienz direkt verbessern. Organisationen erreichen das durch ein Dual-Gate-System:

• Menschliche, konsensbasierte Code-Reviews sichern Wissenstransfer und Qualitätsstandards über Disziplinen hinweg;

• Automatisierte Qualitäts- und Security-Gates fangen Probleme ab, bevor sie die Produktion erreichen.

Dieser Ansatz kombiniert Geschwindigkeit mit Kontrolle, minimiert Risiken im Software-Change-Management und verhindert, dass Beschleunigung auf Kosten von Stabilität oder Sicherheit geht.

Die meisten Organisationen bleiben allerdings an diesem Punkt stehen. Sie implementieren Prozesse, installieren das Tooling, messen Velocity-Verbesserungen – und verpassen dabei die tiefere Transformation, die sich darunter vollzieht.

Mechanismen des Wissenstransfers

Das kollaborative Modell ist im Kern ein Lernsystem, das Wissen in der gesamten Organisation aufbaut und überträgt. Erkenntnisse aus der pädagogischen Psychologie – insbesondere Blooms Taxonomie des Lernens – zeigen, dass die höchste Form des Verstehens durch das Unterrichten anderer erreicht wird.

Hier zeigt das duale Kontrollsystem seinen größten Wert. Code-Reviews werden zu strukturierten Wissenstransfersitzungen. Jede Person agiert als Wissensexperte in ihrer Domäne und lernt gleichzeitig aus angrenzenden Bereichen:

• Der Security-Engineer, der Code reviewt, vermittelt sichere Entwicklungspraktiken und lernt zugleich über fachliche Anforderungen;

• Die Architektin versteht Produktprioritäten und teilt Wissen über technische Randbedingungen;

• Junior Developer übernehmen Muster von Erfahreneren und bringen gleichzeitig frische Perspektiven auf das Tooling ein.

Daraus entsteht ein Netzwerkeffekt: Das Wissen jedes Einzelnen hebt die Fähigkeiten aller anderen. Expertise fließt in alle Richtungen durch die Organisation. Diese kollaborative Kultur schafft eine lernende Organisation, in der jede Interaktion Lehrmöglichkeiten und beschleunigtes Wachstum erzeugt.

Gastkommentar zur Softwarekultur

Latein als Denkschule für Künstliche Intelligenz in der Software-Entwicklung

Betrachtet man DevSecOps durch diese Linse, wird jeder Code-Review zu einem Lehrmoment, jeder Security-Scan zu einer Lernmöglichkeit. Das ist es, was bestimmte Engineers auszeichnet: Sie haben über Jahre kollaborativer Interaktion Wissen aus angrenzenden Domänen verinnerlicht.

Der autonome Engineer: KI als Partner, nicht als Ersatz

Die natürliche Evolution dieses kollaborativen Modells ist der „autonome Engineer“ – ein Wissensarbeiter, der durch KI augmentiert wird und dadurch eine bisher unbekannte Selbstständigkeit und Effizienz erreicht. Jeder Engineer erhält KI-Partner, die Aufgaben auf niedrigerem Niveau übernehmen: Erinnern, Verstehen, Anwenden einfacher Konzepte. Einem Agenten diese repetitiven Aufgaben zu übertragen, senkt die kognitive Last erheblich und gibt mentale Kapazität für höherwertige Tätigkeiten frei – Analyse, Bewertung, kreative Problemlösung.

Menschliche Expertise KI-generierten Code

Der menschliche Vorteil beim Vibe Coding

So kann KI menschliche Fähigkeiten verstärken, anstatt sie zu ersetzen. Laut einer GitLab-Studie unter DevSecOps-Führungskräften in Deutschland glauben 80 Prozent, KI werde ihre Rolle in den nächsten fünf Jahren erheblich verändern – während 76 Prozent der Ansicht sind, KI werde den Bedarf an Engineers eher steigern als senken.

Dennoch etabliert sich in Führungskreisen eine gefährliche Gegenerzählung: Leistungsfähige KI-Agenten könnten Wissensarbeiter vollständig ersetzen. Das ist ein grundlegendes Missverständnis darüber, wie Menschen Expertise entwickeln. Selbst mit hochleistungsfähiger KI braucht es weiterhin menschliche Experten, die in der Lage sind:

• Ausgaben über mehrere Disziplinen hinweg zu bewerten,

• Vertrauen in KI-Empfehlungen zu begründen,

• domänenspezifisches Urteilsvermögen einzubringen,

• Verantwortung für Produktivsysteme zu übernehmen.

Tatsächlich ergab die Untersuchung, dass 35 Prozent der DevSecOps-Fachkräfte in Deutschland der Ansicht sind, dass KI-Tools die Karriereentwicklung von Junior Developers sogar beschleunigen werden.

Das Argument „Wir brauchen keine Junior Developers mehr“ ignoriert, dass jemand KI-Ausgaben reviewen, validieren und verantworten muss. Junior Developers schreiben nicht nur Code – sie lernen, ihn über mehrere Domänen hinweg zu beurteilen und bauen so das Urteilsvermögen auf, das zur Überprüfung von KI-Ausgaben notwendig ist. Das entgegengesetzte Argument, KI könnte erfahrene Architekten und Senior Developers ersetzen, ist ebenso problematisch: Ohne zu verstehen, wie guter Code in den Bereichen Security, Infrastruktur und Geschäftslogik aussieht, lässt sich nicht beurteilen, ob KI-Ausgaben korrekt sind.

Wie verändert KI Entwicklung und Qualitätssicherung?

Die Top Software- und Testing-Trends für 2026

Der eigentliche Engpass: Kollektive Kompetenz

Der tatsächliche Engpass ist nicht die KI-Fähigkeit selbst. Es ist die Knappheit an Menschen, die tatsächlich als dieser „autonome Engineer“ agieren können. Gebraucht werden Engineers mit ausreichenden Fähigkeiten über mehrere Domänen hinweg, um KI-Ausgaben in den Bereichen Security, Infrastruktur, Qualität und Geschäftslogik wirksam zu bewerten. Und es braucht Ausbilder, die verstehen, wie man solche vielschichtigen Praktiker entwickelt.

Das kollaborative Modell des ursprünglichen DevSecOps-Ziels bleibt deshalb unverzichtbar: Es ist der Mechanismus, durch den Menschen diese Wissensbreite entwickeln. Der autonome Engineer ist keine Person, die isoliert arbeitet. Es ist jemand, der die kollektive Kompetenz des funktionsübergreifenden Teams verinnerlicht hat und nun mit KI-Augmentierung agieren kann – bei gleichzeitig erhaltenem Urteilsvermögen und der Verantwortlichkeit, die einzig menschliche Expertise liefert.

Der Weg in die Zukunft

Organisationen stehen vor einer entscheidenden Weggabelung. Der verlockende Pfad betrachtet KI als Kostensenkungsstrategie: teures Senior-Talent durch günstigere Tools ersetzen, betrieben von wem auch immer. Dieser Weg führt zu instabilen Systemen, technischen Schulden und letztlich zum Scheitern.

Der nachhaltige Pfad erkennt KI als Werkzeug, das bestehende Fähigkeiten verstärkt – ohne das Urteilsvermögen ersetzen zu können, das aus tiefem, funktionsübergreifenden Wissen entsteht. Erfolgreiche Unternehmen investieren doppelt: in kollaboratives Lernen und gleichzeitig in KI-Augmentierung. Sie verstehen, dass die Schaffung eines autonomen Engineers voraussetzt, zuerst ein Team aufzubauen, das jeden Einzelnen über mehrere Domänen hinweg unterrichtet. Sie erkennen, dass der Code-Review-Prozess genau das Wissen überträgt, das für den effektiven Einsatz von KI-Tools benötigt wird.

Die Deutsche Telekom etwa nutzt eine einheitliche DevSecOps-Plattform, um Entwicklungs-Workflows zu standardisieren, die Zusammenarbeit zu verbessern und Security früher im Lifecycle zu integrieren. Die Plattform unterstützt 13.000 aktive Nutzer im gesamten Unternehmen und hat zu einer sechsfach schnelleren Time-to-Market beigetragen.

Das illustriert das Paradoxon des KI-Zeitalters in der Software-Auslieferung: Je leistungsfähiger unsere KI-Tools werden, desto wichtiger wird kollaboratives Lernen. Der einzige Weg, Menschen zu schaffen, die diese Tools effektiv einsetzen können, ist der funktionsübergreifende Wissenstransfer durch DevSecOps.

Bryan Ross, Field CTO bei GitLab

Modernisierung von Legacy-Systemen

Gitlab und IBM bringen DevSecOps nativ auf IBM Z

(ID:50939004)