- Große Unternehmen haben KI zunächst pauschal verboten, weil unklar war, wo die eingegebenen Daten landen und ob Datenschutzregeln eingehalten werden.
- Gremien prüfen KI gründlich, vorangetrieben wird sie aber von einzelnen Enthusiasten, die früh Zugriff auf ein Tool bekommen und ihre Lösungen mit Kollegen teilen.
- Ein KI-Review-Agent auf Basis von GitHub Copilot findet echte Fehler. Seine Findings braucht aber ein Mensch, der sie gegen den Scope des Tasks prüft.
- Die größte Sorge ist nicht kaputte Technik, sondern eine KI, die Pull Requests ungeprüft durchwinkt oder Merges mit unnötigen Findings blockiert.
- Wer KI im Konzern voranbringen will, braucht vor allem eines: Beharrlichkeit.
In großen Unternehmen kommt KI selten über Gremien in den Arbeitsalltag. Sie kommt über einzelne Enthusiasten, die früh Zugriff auf ein Tool bekommen und einfach anfangen. Wir erleben das gerade als externe Entwickler in einem Kundenprojekt: Ein KI-Review-Agent, den ein Kollege beim Kunden für iOS gebaut hat, soll jetzt auch die Android-Pull-Requests prüfen. Die Software ist fertig. Was fehlt, ist jemand mit ausreichenden Berechtigungen, der sich traut, sie einzurichten.
Warum ist KI für große Unternehmen so schwer zu greifen?
Weil KI für viele noch etwas Mystisches hat und man ihrem Ergebnis ein gewisses Vertrauen entgegenbringen muss, um damit arbeiten zu können. Genau dieses Vertrauen lässt sich in einem durchregulierten Unternehmen schlecht per Formular erteilen.
In großen Corporate-Firmen mit mehreren Hundert Mitarbeitern ist jeder Prozess genau geregelt. Das hat einen guten Grund: Überall soll nach denselben Richtlinien und Maßstäben gearbeitet werden. Überspitzt gesagt holt sich dort mancher nicht mal einen Kaffee, ohne vorher 15 Unterschriften einzusammeln.
Bei KI stößt dieses Prinzip an seine Grenzen. Der Output kann je nach Nutzung stark variieren, und wie gut jemand mit einem Modell arbeitet, hängt stark vom Menschen ab, der der Maschine den Input liefert. Zwei Leute, ein Tool, zwei völlig verschiedene Ergebnisse. Einen einheitlichen Leitfaden dafür zu schreiben, ist entsprechend schwierig.
Warum entscheiden Start-ups bei KI so viel schneller?
Weil sie meist flache Hierarchien haben. Dort kann eine kleine Runde den Einsatz einer neuen Technologie schnell absegnen, oder eben auch genauso schnell ablehnen.
Das Ergebnis ist deutlich: In manchen Tech-Start-ups wird keine einzige Zeile Code mehr selbst geschrieben. Wie groß der Unterschied zwischen dieser Arbeitsweise und klassischer Entwicklung ist, zeigt unser Artikel zu Agentic Coding vs. Normal Coding.
Warum gilt in vielen Konzernen erst mal ein KI-Verbot?
Weil die Sicherheitsfrage ungeklärt ist: Wo landen die Daten, die man in das jeweilige Modell eingibt, überhaupt? Vielen wird schon bei diesem Gedanken angst und bange. Man sieht förmlich die Abmahnanwälte, die sich die Hände reiben, weil irgendeine Datenschutzverordnung nicht eingehalten wurde.
Die erste Reaktion der großen Firmen war deshalb ein generelles KI-Verbot. Danach wurden Komitees und Gremien gegründet, die sich minutiös damit auseinandersetzen, wie KI arbeitet und was davon mit den eigenen Richtlinien vereinbar ist.
Das Verbot ist also kein Desinteresse. Auch die großen Firmen haben verstanden, dass dieses Thema nicht spurlos an ihnen vorbeigehen sollte. Bei unserem aktuellen Kunden hat sich inzwischen einiges bewegt: Mittlerweile ist dort GitHub Copilot erlaubt, auch zum Entwickeln. Die Teams organisieren ihre KI-Nutzung selbst und tauschen untereinander Lösungen aus.
Wer treibt KI im Konzern wirklich voran?
Nicht die Gremien und Komitees, sondern die einzelnen KI-Enthusiasten. Uns erinnert das an einen Kundentermin, den wir vor einiger Zeit bei einem großen Unternehmen hatten. Auf die Frage nach Kaffee kam die Antwort:
„Ihr möchtet einen Kaffee? Oben im 5. OG beim Herbert gibt’s eine nicht abgeklemmte Steckdose, der hat da einen Wasserkocher angeschlossen.“
Genau so läuft KI in großen Unternehmen. Herbert steht für die wenigen Pioniere, die als Erste Berechtigungen für die Nutzung eines KI-Tools bekommen haben. Er tüftelt damit herum und schaut, was er alles tun kann, um seine Arbeit mit KI effizienter zu machen. Und irgendwann kommen die Kollegen vorbei, weil es bei ihm etwas gibt, das sonst nirgends läuft.
Auch bei unserem aktuellen Kunden gibt es so einen Herbert. Er ist der beliebte Kollege, der gern zu Austausch-Meetings eingeladen wird, um seine Lösungen zu präsentieren.
Praxisbeispiel: Wie funktioniert der KI-Review-Agent für iOS?
Der Herbert in unserem Projekt hat als Erstes einen Review-Agenten gebaut, der auf Wunsch die Pull Requests der iOS-Entwickler reviewt. Dahinter steckt kein Hexenwerk: Das Tool führt die Reviews mit GitHub Copilot durch, und zwar anhand eines Skills. An diesem Skill orientiert sich der Agent und schreibt seine Findings als Kommentare direkt an den Pull Request.
Warum nur iOS und nicht Android? Herbert ist in diesem Fall iOS-Architekt. Er hat auf iOS-Seite die nötigen Berechtigungen und mit Android nichts zu schaffen. Der Agent ist also genau dort entstanden, wo jemand Zugriff und Interesse hatte, nicht dort, wo ein Gremium es geplant hätte.
Was bringt der Review-Agent im Alltag?
Ein Selbstläufer ist er nicht. Die Findings des Agenten brauchen zunächst einen Human in the Loop, der prüft, ob sie für den Scope des jeweiligen Tasks überhaupt eine Daseinsberechtigung haben. Oft entsteht dadurch aber eine interessante Perspektive, die sonst nicht aufgefallen wäre. Und wir würden schon sagen: Bisher findet er echte Fehler.
Bekannt wurde der Agent über die Austausch-Meetings, in denen solche Themen vorgestellt werden, um Kollegen auf KI aufmerksam zu machen und abzuholen. So hörten irgendwann auch externe Mitarbeiter und KI-Enthusiasten wie wir davon und wollten das auch für Android haben. Wie ihr Agent-Kommentare im Pull-Request-Alltag sinnvoll einbindet, beschreiben wir in AI Code Review im Team: PR-Workflow, Regeln, Tools.
Was braucht es, um den Review-Agenten auf Android zu übertragen?
Technisch erstaunlich wenig: Die Lösung war im Prinzip schon da. Am Ende sind wir so an die Aufgabe gekommen, den KI-Review-Agenten auch für Android umzusetzen.
Die eigentliche Herausforderung ist eine andere. Wir müssen jemanden mit ausreichenden Berechtigungen finden, der Herberts bereits geschriebene Software auch für Android einrichtet. Und diese Person braucht die nötige Courage dafür, denn sie übernimmt die Verantwortung, falls etwas schiefgeht.

Stand heute haben wir diese Person noch nicht gefunden. Sobald es so weit ist, schreiben wir hier gerne Teil 2 dieser Reise.
Wovor haben Unternehmen bei einem KI-Review-Agenten Angst?
Weniger vor kaputter Technik als vor fehlender Kontrolle. Die eigentliche Sorge ist, dass die KI Pull Requests einfach durchwinkt oder sogar merged, ohne dass ein Mensch je ein Auge darauf geworfen hat. Das Gegenteil ist genauso denkbar: Der Agent blockiert Merges durch zu viele unnötige Findings.
Absichern lässt sich das aus unserer Sicht über einen technischen User für die KI, der nur sehr beschränkte und spezifische Rechte am Repo hat. Dann legen die Rechte dieses Users fest, was der Agent darf, und nicht die KI selbst.
Wie werdet ihr selbst zum Herbert in eurem Unternehmen?
Mit Beharrlichkeit. Wer ein Thema wie KI vorantreiben will, muss gegenüber seinen Vorgesetzten regelrecht penetrant bleiben. Oder ihr meldet euch freiwillig, um Teil der Teams und Gremien zu werden, die sich um das Thema KI kümmern.
„Am Ende hilft nur Beharrlichkeit.“
Was bremst KI im Konzern: die Technik oder die eigenen Richtlinien?
Die eigenen Richtlinien. Die Technik ist in unserem Beispiel fertig und läuft bereits auf iOS. Was große Corporates beim KI-Einsatz zurückhält, sind die Regeln, die sie sich selbst gegeben haben, und die Frage, wer die Verantwortung übernimmt.
Die Gremien sind dabei nicht das Problem, sie sorgen für die nötige Sorgfalt. Aber sie bringen KI nicht in den Alltag. Das schaffen die Herberts, die mit ihrem Zugriff etwas bauen, es vorzeigen und andere anstecken. Selbst wenn ein Tool wie Copilot offiziell erlaubt ist, hängt der nächste Schritt oft an einer einzelnen Person mit den richtigen Berechtigungen. Und das, während in manchen Tech-Start-ups kaum noch eine Zeile Code von Hand entsteht.
Wann lohnt sich externe Verstärkung für KI im Entwicklungsteam?
Wenn ihr bei euch noch keinen Herbert habt oder er allein nicht hinterherkommt. Habt ihr intern jemanden mit Zugriff, Zeit und Lust auf KI, fangt mit ihm an und lasst ihn seine Ergebnisse im Team vorstellen. Fehlt diese Person, kann sie auch von außen kommen, so wie wir in unserem Projekt.
OneCode vermittelt AI-native Senior-Entwickler aus Deutschland, die eure Teams temporär verstärken, ohne Recruiting und ohne Festanstellung. Agentic Coding mit Claude Code, Cursor oder Codex ist für sie Arbeitsstandard. Sie arbeiten in eurem Repo, in euren Sprints und nach euren Prozessen, also auch innerhalb eurer Richtlinien. Gleiche Zeitzone, keine Sprachbarriere, DSGVO by default.
Dazu gehört der Know-how-Transfer: Workflows für Code Review, CI/CD und Testautomatisierung bleiben im Team, wenn das Projekt endet. Das gilt für iOS und Android genauso wie für Web, Backend und DevOps. Ziel ist messbarer Fortschritt in 4 bis 8 Wochen.
Schildert uns euren Engpass im kostenlosen Erstgespräch. Ihr bekommt eine erste Einschätzung, wo KI in eurem Stack ansetzen kann. Kein Pitch, kein Angebot.
Häufige Fragen
Warum verbieten große Unternehmen KI am Anfang?
Vor allem wegen der Datenfrage: Unklar ist, wo die Daten landen, die man in ein Modell eingibt, und ob dabei Datenschutzregeln verletzt werden. Bis Gremien das geprüft haben, ist ein generelles Verbot die vorsichtigste Antwort. In unserem aktuellen Projekt ist inzwischen GitHub Copilot erlaubt, auch zum Entwickeln.
Warum ist ein einheitlicher KI-Leitfaden so schwierig?
Weil der Output von KI je nach Nutzung stark variiert. Wie gut die Ergebnisse sind, hängt stark vom Menschen ab, der den Input liefert. Das passt schlecht zu Richtlinien, die überall dieselben Maßstäbe sicherstellen sollen.
Wer bringt KI in einem großen Unternehmen voran?
Meist einzelne KI-Enthusiasten, die früh Zugriff auf ein Tool bekommen. Sie bauen erste Lösungen, stellen sie in Austausch-Meetings vor und holen so Kollegen ab.
Wie funktioniert der KI-Review-Agent im Beispiel?
Das Tool führt Reviews mit GitHub Copilot anhand eines Skills durch. Der Agent orientiert sich an diesem Skill und schreibt seine Findings als Kommentare an den Pull Request. Die Entwickler lösen ihn bei Bedarf aus.
Ersetzt ein KI-Review-Agent das menschliche Code Review?
Nein. Seine Findings braucht ein Mensch, der sie gegen den Scope des Tasks prüft. Der Agent findet aber echte Fehler und bringt oft eine Perspektive ein, die sonst nicht aufgefallen wäre.
Wie lässt sich ein KI-Review-Agent absichern?
Zum Beispiel über einen technischen User, der nur sehr beschränkte und spezifische Rechte am Repo hat. Dann legen die Rechte dieses Users fest, was der Agent darf, und nicht die KI selbst. Das zielt auf die zwei Sorgen: ungeprüft durchgewinkte Pull Requests und unnötig blockierte Merges.




