# dora-google-cloud-roi-ai-assisted-software-development-j-curve-2026-04-21

## Veille

Gemeinsamer **DORA × delta**-Bericht (Google Cloud Professional Services), 60 Seiten, Version **v. 2026.1** (Zitate Februar 2026, PDF erstellt am 21. April 2026), Lizenz **CC BY-NC-SA 4.0** — das erste offizielle **DORA-ROI**-Framework für KI im SDLC, mit einem **interaktiven Rechner** unter dora.dev/ai/roi/calculator. Kernthese: ***„AI is an amplifier"*** — KI **verstärkt** gleichzeitig die Stärken leistungsstarker Organisationen und die Dysfunktionen schwacher Organisationen; sie erzeugt keine Leistung, sondern **vervielfacht sie dort, wo sie bereits vorhanden ist**. Neues zentrales Konzept: die ***J-Curve of AI value realization*** — jede KI-Einführung durchläuft einen **vorübergehenden Produktivitätseinbruch** (Lernkurve + Verifizierungssteuer + Pipeline-Anpassung), bevor **exponentielles Wachstum** einsetzt, eine Metapher für die *„tuition cost of transformation"*, die **explizit einzuplanen** ist. Referenzberechnung: Organisation mit 500 Vollzeitäquivalenten / vollbelastetem Gehalt von 176.000 $ / 12,5 % eingesparter Zeit pro Entwickler (≈ 1 Std./8-Std.-Tag) → **Wert 11,6 Mio. $ / Investition 8,4 Mio. $ / ROI 39 % / Amortisationszeit 8 Monate (0,7 Jahre)**. Modellierte Kosten: Lizenzen (250 $/Nutzer/Jahr), zusätzliche API (80 $/Nutzer/Jahr), Schulung (9.600 $/Nutzer/Jahr), Infrastruktur (100.000 $/Jahr), J-Curve-Kosten (3,3 Mio. $ für einen Rückgang von 15 % über 3 Monate). Modellierter Wert: **Kapazität zur Personal-Reinvestition** (11 Mio. $ — freigesetzte Kapazität zur Reinvestition, **KEIN Personalabbau**), Umsatz aus zusätzlichen Feature-Deployments (990.000 $, basierend auf einer Erfolgsquote von 33 % bei Ideen, Larsen 2023), **negative Auswirkung von Ausfallzeiten** (−344.000 $, „instability tax"). **Explizite Reinvestitionsstrategie**: ***„we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — reinvestieren in Innovation, Talente halten, institutionelles Wissen nutzen. Fünf Wertsäulen: Productivity / User Experience / Cost Efficiency / Developer Experience / Business Growth (vom direktesten zum indirektesten, *kumulierter Geschäftswert*). Fünf systemische Schlüssel der Einführung: **Trust + Platform + Data + Users + Guardrails**. Zweiphasige Roadmap: (1) **Build context layer (CapEx)** — hochwertige IDP + gesunde Datenökosysteme; (2) **Empower human in loop (OpEx)** — context engineering + Vertrauen in KI. Indikatoren: Frühindikator = Experimentierfrequenz + Deployment-Frequenz; Stabilitätsmessgröße = Change Failure Rate + Nacharbeit. Drei zu modellierende Szenarien (Conservative 0,8 Wert × 1,5 Kosten / Realistic 1,0 / Optimistic 1,2 × 0,8). Herangezogene externe Daten: 78 % der Führungskräfte berichten von ROI bei ≥1 Gen-AI-Use-Case (Google Cloud), 88 % der frühen Anwender agentenbasierter KI verzeichnen positiven ROI, **35–40 % Produktivität bei Greenfield vs. ≤10 % bei Brownfield/Legacy** (Stanford), Inferenzkosten ÷280 zwischen November 2022 und Oktober 2024 (Stanford AI Index 2025), **727 % ROI über 3 Jahre** für Google-Cloud-KI-Kunden, durchschnittliche Amortisationszeit von KI am Markt **8 Monate**. Anerkannte Schwächen: *„all models are wrong"* — das Modell muss kontextualisiert, der Rechner angepasst werden; Risiko der Doppelzählung von Wert (eingesparte Zeit → sowohl vermiedene Neueinstellung ALS AUCH Zusatzumsatz); ein „loser" Zusammenhang bei der User Experience, daher aus dem Rechner ausgeschlossen. **Deontologische Einsicht**: ***„We don't measure AI by the code it writes but by the bottlenecks it clears"*** — gemessen an beseitigten Engpässen, nicht am Codevolumen. **Hohe Relevanz** für CIOs/CTOs, die einen belastbaren KI-Business-Case für CFO/Board erstellen müssen; für Frankreich/Europa in Bezug zu setzen zu Wescale (realistisch X3–X4), Tatsyi/Raiffeisen Bank Ukraine (Bankfallstudie, −75 Stellen, aber bewusste Reinvestition), Frizzo (3–5× Median), Curran/Intercom (3× F&E über 16 Monate), DORA Report 2025 (auf dem dieser ROI aufbaut).

## Titre Article

The ROI of AI-assisted Software Development

## Date

2026-04-21

## URL

https://cloud.google.com/resources/content/dora-roi-of-ai-assisted-software-development

## Keywords

DORA ROI KI-unterstützter Softwareentwicklung, Google Cloud DORA-Bericht 2026.1, J-Curve of AI value realization, AI is an amplifier, code is a liability not an asset, tuition cost of transformation, Lernkurve Verifizierungssteuer Pipeline-Anpassung, fünf Wertsäulen Productivity User Experience Cost Efficiency Developer Experience Business Growth, Personal-Reinvestitionskapazität, do not adopt headcount-reduction strategy, Instabilitätssteuer, ROI 39 % Amortisationszeit 8 Monate, Beispielrechner 500 Vollzeitäquivalente 176.000 $ Gehalt 12,5 Prozent eingesparte Zeit, J-Curve Produktivitätsrückgang 15 % drei Monate, Erfolgsquote bei Ideen ein Drittel, 0,5 Prozent Umsatzauswirkung pro erfolgreichem Feature, Change Failure Rate 5 bis 6 Prozent, Lead Time for Changes Deployment-Frequenz, Durchsatz vs. Instabilität, fünf systemische Schlüssel der Einführung Trust Platform Data Users Guardrails, Build Context Layer CapEx Empower Human in Loop OpEx, Experimentierfrequenz Frühindikator, Optionalität Optionsprämie Optionswert, Internal Developer Platform IDP als Produkt, KI-zugängliche interne Daten, gesunde Datenökosysteme, Dokumentationsqualität, context engineering, Vertrauen in KI, klare und kommunizierte KI-Haltung, nutzerzentrierter Fokus, Arbeiten in kleinen Batches Versionskontrolle Testautomatisierung kontinuierliche Integration, Szenarienplanung konservativ realistisch optimistisch, Wertmultiplikator Kostenmultiplikator, Brownfield 10 Prozent vs. Greenfield 35-40 Prozent Produktivität, Inferenzkosten geteilt durch 280 Stanford AI Index, 727 Prozent ROI Google Cloud KI drei Jahre, 78 Prozent Führungskräfte ROI Gen-AI-Use-Case, 88 Prozent Frühanwender agentenbasierte KI positive Erträge, MIT NANDA Shadow-AI-Economy, GenAI Divide State of AI in Business 2025, agentenbasierte Ära, autonome Agenten End-to-End-Transformation, we don't measure AI by code it writes but by bottlenecks it clears, all models are wrong but useful, freigesetztes Personal in Innovation reinvestieren, Software-Delivery als Wertmotor, institutionelles Wissen erhalten und schulen, Verschiebung Governance-Kosten vs. Inferenzkosten, Google Cloud delta team, Eva Dong, Andre Ellis Jr., Nathen Harvey, Vivian Hu, Ursula Lübbert-Passing, Eric Maxwell, Aaron Wanjala, dora.dev/ai/roi/calculator, CC BY-NC-SA 4.0

## Authors

Rapport conjoint **DORA team × delta team** (Google Cloud Professional Services). Auteurs principaux : **Eva Dong** (AI Value Realization Americas, ex-McKinsey 8 ans, Master Financial Engineering Michigan), **Andre Ellis Jr.** (Cloud Financial Operations Lead, Morehouse + Wharton MBA), **Nathen Harvey** (DORA team lead, co-auteur multiples DORA reports + 97 Things Every Cloud Engineer Should Know), **Vivian Hu** (10X Technology Consultant, contributrice DORA 2025 State of AI-assisted Software Development), **Ursula Lübbert-Passing PhD** (AI Value Realization EMEA, 20 ans benchmarking + value advisory, PhD effort estimation software projects), **Eric Maxwell** (lead 10X Technology consulting, ex-Chef Software, contributeur DORA), **Aaron Wanjala** (cloud developer advocate Spring Boot/Angular). Conseillers et contributeurs : **Ben Jose, Eric Lam, Matt Orr, Allison Park, Ryan J. Salva, Jerome Simms, Dave Stanke, Cedric Yao**. Design : Human After All (humanafterall.studio). Document publié sous licence **CC BY-NC-SA 4.0**, version v. 2026.1, citations retrieved February 2026.

## Ton

**Profil**: **DORA × Google Cloud delta team**-Bericht-Framework, 60 Seiten, ein **Referenzdokument für Entscheidungsträger** (CTO / CIO / CFO / VP Engineering / Vorstände), veröffentlicht unter einer Creative-Commons-Lizenz CC BY-NC-SA 4.0, um Übernahme und interne Anpassung zu ermöglichen. Hybrides Format zwischen einem **Vendor-Whitepaper** (Methodik, Rechner), einem **DORA-Forschungsbericht** (Kontinuität zum 2025 State of AI-assisted Software Development) und einem **finanziellen Toolkit** (Formeln, Szenarien, interaktiver Rechner). Primäre Zielgruppe: Engineering- und Finanzverantwortliche, die einen **belastbaren KI-Business-Case für einen CFO oder ein Board erstellen müssen**. Sekundäre Zielgruppe: Transformations-Sponsoren, CTO/CIO-Communities, Beratungsunternehmen, Value-Realization- und FinOps-Teams.

**Stil**: Institutionelle DORA-Stimme, klares Englisch, **pädagogisch-präskriptiv**, ohne herablassend zu sein. Hohe Zahlendichte, aber **stets von expliziten methodischen Vorbehalten eingerahmt** — ***„all models are wrong"*** wird bereits in der Einleitung des Rechners zitiert. **Ehrliches Register im Umgang mit Unsicherheit**: Google Cloud dokumentiert **drei Marktperspektiven** (positiv / neutral / pessimistisch), statt eine einzige Erzählung durchzusetzen; dokumentiert **die Grenzen des Rechners**; räumt ein, dass der Zusammenhang zwischen User Experience und Umsatz *„loose"* ist und **aus der Berechnung ausgeschlossen** wurde. Kein Hype: Dies ist **Consulting-Rigorosität**, angewandt auf ein narrativ übersättigtes Thema.

**Zentrale Aphorismen**:
- ***„AI is an amplifier"*** (die Kernthese — die zentrale Metapher des Dokuments).
- ***„AI magnifies the strengths of high-performing organizations and the dysfunctions of struggling ones."***
- ***„Code is often seen as a liability, not an asset."*** (Zitat aus Software Engineering at Google, Winters/Manshreck/Wright 2020).
- ***„We don't measure AI by the code it writes but by the bottlenecks it clears."*** (ethisch-deontologische Messformel).
- ***„All models are wrong, but we hope this one proves useful."*** (eingeräumte methodische Klarsicht).
- ***„The tuition cost of transformation."*** (die J-Curve-Metapher, die die finanzielle Kommunikation strukturiert).
- ***„We strongly recommend organizations do not adopt a headcount-reduction strategy."*** (explizite normative Position — freigesetzte Produktivität sollte **reinvestiert**, nicht gestrichen werden).

**Ausgearbeitete Metaphern**:
- ***J-Curve of AI value realization*** — eine visuelle Metapher, die ein nichtlineares Phänomen (vorübergehender Einbruch vor exponentiellem Wachstum) **finanziell greifbar macht**. Eine Metapher, die besonders für CFOs/Vorstände nützlich ist, die die Strategie **während des Einbruchs bestätigen** müssen, ohne in Panik zu geraten.
- ***Tuition cost of transformation*** — die Anfangsinvestition ist **Lehrgeld**, kein Verlust. Ein semantischer Rahmen, der Schulden in Bildungsinvestition verwandelt.
- ***AI as amplifier*** — KI ist kein **Werkzeug** im klassischen Sinne, sondern ein **Multiplikator**, der auf den bereits bestehenden Zustand des Systems wirkt. Bricht mit der Erzählung „KI = Lösung".
- ***Verification tax*** — die versteckten Kosten der Durchsicht/Verifizierung generierten Codes, verrechnet gegen die bei der Generierung eingesparte Zeit. Ein Schlüsselkonzept, das erklärt, warum scheinbare Gewinne nicht netto sind.
- ***Free headcount*** — die durch Produktivität freigesetzte Kapazität = entspricht zusätzlichem Personal, das anderweitig eingesetzt werden kann. Eine HR-/Finanzmetapher, um **Umverteilung** statt **Abbau** zu rahmen.
- ***Optionality / option premium / option value*** — aus der Derivate-Finanzwelt entlehnt: Jedes Experiment ist eine kostengünstige Option, die nur „ausgeübt" wird, wenn sie ihren Wert unter Beweis stellt. **Rahmt Experimentieren als Portfolio kostengünstiger Optionen**.
- ***We don't measure AI by the code it writes but by the bottlenecks it clears*** — lenkt die Kennzahl weg vom **Codevolumen** (eine Vanity-Metrik, sogar toxisch, da *code is a liability*) hin zur **Beseitigung von Engpässen**.

**Epistemische Haltung**: vorbildliche **methodische Rigorosität** + **Klarsicht über Unsicherheit**. Drei Marker:
1. **Drei Perspektiven** (positiv / neutral / pessimistisch) zum ROI von KI am Markt — Google Cloud dokumentiert die pessimistische (MIT NANDA Shadow-AI-Economy) **ohne sie herunterzuspielen**.
2. **Wiederholter methodischer Hinweis**: *„high-uncertainty estimate meant to spark a conversation, rather than a rigid mathematical formula"*.
3. **Aus dem Rechner ausgeschlossene Empfehlungen**, wenn der Zusammenhang schwach ist (z. B. Mitarbeiterbindung, User Experience zu Umsatz) — bevorzugt eine konservative Schätzung gegenüber einer fragilen Kausalkette.

**Autorität**: aufgebaut aus (a) der **DORA-Linie** (Kontinuität von 2020 ROI of DevOps Transformation → 2025 State of AI-assisted Software Development → DORA AI Capabilities Model → 2026 ROI of AI), (b) der **Rigorosität des Frameworks** (einfache Formel ROI = (Wert − Investition) / Investition, ein offener und anpassbarer Rechner), (c) der **Übereinstimmung mit breiteren Google-Cloud-Daten** (78 % Führungskräfte, 88 % agentische Anwender, 727 % über 3 Jahre, 8 Monate Amortisation), (d) dem **mitzeichnenden delta team**, Google Cloud Professional Services (Autorität für operative Transformation).

## Pense-betes

- **Datum / Quelle**: **21. April 2026** (PDF-Metadaten CreationDate), Version **v. 2026.1**, Zitate abgerufen im Februar 2026. Hosting: https://cloud.google.com/resources/content/dora-roi-of-ai-assisted-software-development. Direktes PDF: https://services.google.com/fh/files/misc/dora-roi-of-ai-assisted-software-development-2026.pdf
- **Format**: DORA × delta team Bericht-Framework, **60 Seiten**, unter der Lizenz **CC BY-NC-SA 4.0**, mit einem **interaktiven Rechner** unter https://dora.dev/ai/roi/calculator
- **Hauptautoren**: Eva Dong, Andre Ellis Jr., Nathen Harvey (DORA team lead), Vivian Hu, Ursula Lübbert-Passing PhD, Eric Maxwell, Aaron Wanjala
- **Gliederung in 7 Kapiteln**: Zusammenfassung → Den Business Case erstellen → Die Marktkluft verstehen → Den ROI berechnen → Das organisatorische Fundament schaffen → Die KI-Investitions-Roadmap festlegen → Den langfristigen ROI sichern → (Danksagungen / Nächste Schritte / Anhang Rechner) ### Die Kernthese — *AI is an amplifier* > *„Artificial intelligence (AI) serves as a powerful amplifier in software development. It magnifies the strengths of high-performing organizations and the dysfunctions of struggling ones."*
- **Implikation 1**: Der alleinige Kauf von KI-Lizenzen **reicht nicht aus** — *„purchasing licenses alone will not guarantee a financial return"*.
- **Implikation 2**: Wenn die Organisation Engpässe aufweist (manuelles Testen, Bürokratie, fragmentierte Daten), **beschleunigt** KI die technische Verschuldung, statt sie zu verringern.
- **Implikation 3**: *„Code is often seen as a liability, not an asset"* (Winters/Manshreck/Wright, *Software Engineering at Google*, 2020) — mehr Code **ohne Aufsicht** zu generieren erhöht den Verifizierungsaufwand und die langfristige Verschuldung.
- **Implikation 4**: Die relevante Kennzahl ist **nicht das Codevolumen**, sondern ***„the bottlenecks it clears"***. ### Die J-Curve of AI value realization (zentrales Konzept) > *„The introduction of a new process almost guarantees an initial negative impact on performance, with the depth of the decline directly correlating to the magnitude of the change."* **Drei Treiber** des vorübergehenden Produktivitätseinbruchs: 1. **Lernkurve**: Teams lernen neue Schnittstellen, passen Arbeitsabläufe an, meistern den Wandel von *prompting → systems built on context, intent, specification*. 2. **Verifizierungssteuer**: Zeit, die für die Überprüfung generierten Codes aufgewendet wird (Misstrauen gegenüber Halluzinationen + erhöhtes Volumen). 3. **Pipeline-Anpassung**: nachgelagerte Prozesse (Testen, Änderungsfreigabe) müssen die neue Geschwindigkeit auffangen, **wodurch Altlasten-Einschränkungen sichtbar werden**. **Managementrisiko**: *„Initiatives often fail not because the technology is flawed but because leadership misinterprets this learning phase as a failure and pulls funding during the inevitable dip."* Daher die Notwendigkeit, den Einbruch **explizit einzuplanen**, um die Investition während der Lernphase zu schützen.
- ### Der Beispielrechner — Referenzwerte

| Variable | Beispielwert |
|----------|---------------|
| Größe des technischen Personals (Vollzeitäquivalente) | **500** |
| Durchschnittliches vollbelastetes Gehalt | **176.000 $** (US-Mischwert; +30 % US, +100 % EU auf Grundgehalt) |
| Netto eingesparte Zeit pro Entwickler | **12,5 %** (~1 Std. / 8-Std.-Tag; Literaturspanne 40–150 Min./Tag) |
| Jährliche KI-Lizenz / Nutzer | **250 $** |
| Zusätzliche jährliche KI-Kosten / Nutzer (API/Tokens) | **80 $** |
| Jährliche Schulungskosten / Nutzer | **9.600 $** |
| Zusätzliche Infrastrukturkosten | **100.000 $** |
| Produktivitätsrückgang durch J-Curve | **15 %** |
| Dauer der J-Curve | **3 Monate** |
| Umsatz des Produktportfolios | **100 Mio. $** |
| Kosten pro Ausfallstunde | **100.000 $** |
| Aktuelle Deployments / Jahr | 50 |
| Erfolgsquote bei Ideen | **33 %** (Larsen et al. 2023) |
| Umsatzauswirkung pro erfolgreichem Feature | **0,5 %** (Spanne 0,01–1 %) |
| Aktuelle CFR | 5 % |
| Ziel-CFR | 6 % (+20 % — *instability tax*) |
| Ziel-Deployments / Jahr | 56 (+12 %) |
| Ziel-Features / Jahr | 56 |
| FDRT (Wiederherstellungszeit bei fehlgeschlagenem Deployment) | 4 Stunden |

**Beispielergebnisse**:

| | Betrag |
|--|--|
| Gesamte harte Kosten (Tooling + Schulung) | **5.065.000 $** |
| J-Curve-Kosten | **3.300.000 $** |
| **Gesamtinvestition im ersten Jahr** | **8.365.000 $** |
| Kapazität zur Personal-Reinvestition | 11.000.000 $ |
| Umsatz aus zusätzlichen Feature-Deployments | 990.000 $ |
| Auswirkung von Ausfallzeiten (Instabilitätssteuer) | **−344.000 $** |
| **Gesamtjahreswert** | **11.646.000 $** |
| **Nutzen im ersten Jahr** | 3.281.000 $ |
| **ROI im ersten Jahr** | **39 %** |
| **Amortisationszeit** | **0,7 Jahre (8 Monate)** |

### Fünf Wertsäulen (kumulierter Geschäftswert)

```
Productivity → User Experience → Cost Efficiency → Developer Experience → Business Growth
(am direktesten)                                                  (am indirektesten)
```
- **Productivity**: der direkteste Effekt, am besten durch DORA 2025 bestätigt (>80 % der Befragten nehmen einen Gewinn wahr).
- **Developer Experience**: Mitarbeiterbindung, weniger Fluktuation (Ersatzkosten = 1,5–2× Jahresgehalt). **Aus dem Basisrechner ausgeschlossen** (variabler Zusammenhang).
- **Cost efficiency**: vermiedene Neueinstellung (kein Personalabbau!) + Einsparungen bei der IT-Infrastruktur.
- **User Experience**: App-Leistung → Engagement. **Aus dem Rechner ausgeschlossen** (loser Zusammenhang). ### Fünf systemische Schlüssel der Einführung (organisatorisches Fundament) 1. **Trust**: *„clear and communicated AI stance"* — reduziert die Verifizierungssteuer durch psychologische Sicherheit. 2. **Platform**: Internal Developer Platform (IDP), behandelt **als Produkt** — Guardrails für Entwickler UND für Agenten. 3. **Data**: KI-zugängliche interne Daten + gesunde Datenökosysteme + maschinenlesbare Dokumentationsqualität. 4. **Users**: nutzerzentrierter Fokus — Geschwindigkeit auf Nutzerwert ausgerichtet, nicht auf Commit-Volumen. 5. **Guardrails**: nicht optionale Sicherheits-/Qualitäts-Gates, automatisierte Prüfungen, Pre-Commit-Hooks. ### Zweiphasige Investitions-Roadmap

| Phase | Budgetart | Fähigkeiten | Ziel |
|-------|-------------|--------------|------|
| (1) **Build the context layer** | **CapEx** | Hochwertige IDP + gesundes Datenökosystem + maschinenlesbare Dokumentation | Agenten-Reibung minimieren — *garbage in, garbage out* |
| (2) **Empower the human in the loop** | **OpEx** | Vertrauen in KI + context engineering | Entwickler werden zu *high-level orchestrators* — Verifizierungssteuer reduzieren |
| (3) **Validate progress** | (Messgröße) | Frühindikator: Experimentierfrequenz + Deployment-Frequenz / Stabilität: Change Failure Rate + Nacharbeit | J-Curve-Verlauf bestätigen |

### Drei zu modellierende Szenarien

| Szenario | Wertmultiplikator | Kostenmultiplikator | Annahme |
|----------|------------------|-----------------|-----------|
| **Conservative** | **0,8** | **1,5** | Langsame Einführung + verdeckter Integrationsaufwand |
| **Realistic base** | 1,0 | 1,0 | Standardverlauf |
| **Optimistic** | **1,2** | **0,8** | Elite-Team + reife IDP, die die Tools absorbiert |

### Herangezogene externe Daten (Evidenz)

| Datenpunkt | Wert | Quelle |
|--------|--------|--------|
| Führungskräfte, die ROI bei ≥1 Gen-AI-Use-Case berichten | **78 %** | Google Cloud, *The ROI of AI 2025* |
| Frühanwender mit positiven Erträgen aus agentenbasierter KI | **88 %** | Google Cloud, *The ROI of AI 2025* |
| Produktivitätsgewinn Greenfield (einfach) | **35–40 %** | Stanford Software Engineering Productivity Research |
| Produktivitätsgewinn Brownfield (Legacy) | **≤10 %** | Stanford |
| Rückgang der Inferenzkosten (Nov. 2022 → Okt. 2024) | **÷280** | Stanford 2025 AI Index |
| Durchschnittliche Amortisationszeit für KI-Tools (Google-Cloud-Daten) | **8 Monate** | Google Cloud, *How Businesses Achieve Strong ROI* |
| Durchschnittlicher ROI für Google-Cloud-KI-Kunden (3 Jahre) | **727 %** | Google Cloud |
| Erfolgsquote bei Ideen (Features, die den Umsatz steigern) | **~33 %** | Larsen et al. 2023 (A/B-Testing-Methodik) |
| Ersatzkosten für Entwickler | **1,5–2× Jahresgehalt** | Standard-HR |
| Aufschlag auf vollbelastete Gehaltskosten | **+30 % US / +100 % EU** | Auf Grundgehalt |

### Explizite normative Position — *do not reduce headcount*

> *„We strongly recommend organizations do not adopt a headcount-reduction strategy, which has a negative impact on morale and organizational culture, can reduce efficiencies, and can even incentivize workers to not improve their work processes. Instead, this effort should be reinvested into new, innovative, or more productive work."*

Position **explizit im Gegensatz** zu Fällen wie **Tatsyi/Raiffeisen Bank Ukraine** (−75 Stellen über 12 Monate). Produktive Spannung: Tatsyi berichtet von einer **bewussten Umverteilung** der freigesetzten Kapazität bei gleichzeitigem Personalabbau; DORA empfiehlt, **das Personal zu halten** und die freigesetzte Kapazität in Innovation zu reinvestieren. Die beiden Positionen sind nicht unvereinbar — Tatsyi ist retrospektiv zu einer bereits getroffenen Entscheidung, DORA ist **a priori** präskriptiv, um Moral, institutionelles Wissen und Anreizstruktur zu bewahren. Zu verwenden als **Diskussionsansatz** in Vorständen. ### Verbindung zum Corpus #### Konvergenz zu „AI is an amplifier" / „organisatorisches System >> Tool"
- **Tatsyi/Raiffeisen** (2026-05-05): *„AI expanded our production possibility frontier, and we deliberately allocated the freed capacity"* — ein exaktes Analogon zur DORA-Position.
- **Wescale Usine Logicielle Augmentée** (2026-05-03): *Governance, eingeführt als „near-military layer"*, realistisch X3–X4.
- **Habert PROJ-AI** (2026-05-05): *„technology 20% / team discipline 80%"* — eine direkte Umformulierung.
- **Osmani *Cognitive Surrender*** (2026-05-05): 6 strukturelle organisatorische Guardrails.
- **MIT NANDA *GenAI Divide*** (2025-08-23): 95 % der KI-Pilotprojekte liefern keinen ROI — von DORA explizit als *„pessimistic perspective"* zitiert.
- → **Starke Konvergenz**: organisatorische Reife ist der **Burggraben**, nicht das Tool. #### Konvergenz zu „J-Curve / tuition cost"
- **Frizzo** (2026-05-05): *„writing muscle atrophy"*, *„the new bottleneck is supervision"* — erlebt die Verifizierungssteuer tagtäglich.
- **BCG Brain Fry** (Bedard et al., 2026-03-05): 14 % AI Brain Fry — die Lernkosten auf menschlicher Seite.
- **Beck *Starving Genies*** (2026-04-03): bewusste Verknappung zum Erhalt manueller Praxis vs. FOMO gegenüber 24/7-Agenten.
- → DORA liefert den **finanziellen Rahmen** für den Einbruch, den diese Autoren qualitativ dokumentieren. #### Konvergenz bei Produktivitätsverhältnissen (verbreiteter Median 3–5×)
- **DORA-Beispiel 12,5 % eingesparte Zeit** = entspricht 1,14× auf 8-Std.-Basis, **weit konservativer** als die 3–5×-Medianverhältnisse im 2026er-Corpus.
- **Warum**: DORA ist **bewusst konservativ** ausgelegt, um den Case vor einem CFO zu verteidigen. Die von Praktikern berichteten Verhältnisse (Frizzo 3–5×, Wescale X3–X4, Curran 3×, Tatsyi Multi-Tool ×1,5–3 / Claude-Stack ×4,5) erfassen **die gesamte Transformation der Arbeit** (Scope-Änderung, neue Produkte, Aufgabenumverteilung), die der DORA-Rechner nicht erfasst — er misst *avoided hire*, nicht *new product space*.
- **Stanford 35–40 % Greenfield vs. ≤10 % Brownfield**, von DORA zitiert: bestätigt die **ungleiche Verteilung** je nach technischem Kontext.
- → **Korrekte Lesart**: DORA = **finanziell verteidigbare Untergrenze**; Praktikerverhältnisse = **organisatorisch beobachtete Obergrenze**. Beide sind je nach Messumfang zutreffend. #### Konvergenz zu „free headcount / reinvest / do not reduce headcount"
- **DORA**: *„do not adopt a headcount-reduction strategy"*.
- **Curran/Intercom** (2026-04-16): 3× F&E-Produktivität **ohne massiven Abbau** — interne Umverteilung.
- **Tatsyi/Raiffeisen** (2026-05-05): −75 Stellen, aber mit **bewusster Umverteilung** der freigesetzten Kapazität auf Features / Stabilität / technische Schuld.
- → **Produktive Spannung**: DORA präskriptiv (nicht abbauen) vs. Tatsyi deskriptiv (abgebaut bei gleichzeitiger Umverteilung). Zu verwenden für **ausgewogene** Präsentationen. #### Konvergenz zu „code is a liability"
- **DORA** zitiert Software Engineering at Google (Winters/Manshreck/Wright, 2020).
- **Cherny** (2026-05): *„100% of generated code"* — jedoch mit Aufsicht und Kompaktierung.
- **Frizzo** (2026-05-05): *„writing muscle atrophy"* — die kognitiven Kosten des Volumens.
- **Osmani Cognitive Surrender** (2026-05-05): *„PRs ~100 lines max"* — eine explizite Anti-Volumen-Grenze.
- → ***„more code is bad code"*** ist ein **stilisiertes Faktum von 2026**, bestätigt durch heterogene Quellen. #### Position Frankreich/Europa vs. angelsächsische Position
- DORA ist **amerikanisch, dokumentiert aber eine europäische Position** (Ursula Lübbert-Passing PhD, EMEA Value Realization).
- **Der Rechner berücksichtigt** einen Gehaltsaufschlag von +100 % für Europa (vs. +30 % USA) — sensibel gegenüber lokalen Kontexten.
- Zu verwenden in französischsprachigen Präsentationen als **Referenzstandard** für CFO/Vorstände, ergänzend zu Wescale (französisches Unternehmen), Habert (FR), Tatsyi (Mitteleuropa). #### Konvergenz zu „experiment frequency = leading financial indicator"
- **DORA**: Optionalitäts-Framework, Experimentierfrequenz als Frühindikator.
- **Cherny** (2026-05): *„few dozen PRs/day"*, parallele Exploration.
- **Karpathy** (2026-04-29): MenuGen vs. Nanobanana, *jagged intelligence*, Experimentieren als neuer Modus.
- **Habert PROJ-AI**: *7-dimension Decision Records*, die dokumentierte Exploration legitimieren.
- → **Konvergenz**: KI ermöglicht es, **jedes Feature in eine kostengünstige Option zu verwandeln**. ### Zu markierende Einschränkungen
- **Der Rechner ist bewusst vereinfacht** (von den Autoren eingeräumt) — **ausgeschlossen**: Einsparungen durch Mitarbeiterbindung/Fluktuation, Zusammenhang User Experience–Umsatz, Compounding-Effekte agentenbasierter KI ab Jahr 2, nachgelagerte Einsparungen bei Geschäftsprozessen (HR usw.).
- **Beispielzahlen sind stark US-zentriert** (176.000 $ Gehalt, 250 $ Lizenz/Jahr — unterschätzt vermutlich Enterprise-Kosten bei Großkundenverhandlungen + Agenten).
- **12,5 % eingesparte Zeit sind im Vergleich zu Praktiker-Feedback sehr konservativ** — dies ist jedoch **bewusst so gewählt**, um den Case vor einem skeptischen CFO zu verteidigen. Umgekehrtes Risiko: **Unterbewertung** des Potenzials.
- **Die Zeitersparnis wird im Modell durch die Instabilitätssteuer gedeckelt** — der vorübergehende Einbruch (Rückgang von 15 % über 3 Monate) **wiegt 3,3 Mio. $** von insgesamt 8,4 Mio. $ Investition. Zu prüfen: Ist dieser Einbruch wirklich immer so groß? Bei reifen Organisationen könnte er deutlich kleiner ausfallen.
- **Die Erfolgsquote von 33 % bei Ideen (Larsen 2023)** stammt aus standardmäßigem A/B-Testing — könnte für gut recherchierte Features zu **niedrig** und für experimentelle zu **hoch** sein.
- **Keine explizite Erörterung** regulatorischer Risiken (DSGVO, EU AI Act, branchenspezifische Aufsicht) — **überraschend** für ein Google-Cloud-Dokument mit EMEA-Enterprise-Reichweite.
- **Der Bezug zu Google Cloud** (727 % ROI über 3 Jahre, 8 Monate Amortisation): Statistiken, die **intern bei Google-Cloud-Kunden** erhoben wurden, vermutlich Selektionsverzerrung.
- **Der Rechner erfasst nicht**, was Tatsyi als *„production possibility frontier"* bezeichnet (die **neuen Produkte**, die es zuvor nicht gab) — er misst *avoided hire*, nicht *new product space*. Eine **strukturelle** Einschränkung des Modells.
- **„All models are wrong"** wird im Dokument 3-mal wiederholt — eine selbstentwaffnende Geste, die das Modell jedoch **nicht von methodischer Kritik** an blinder Anwendung befreit. ### Zu verwenden für
- **Vorstands-/Board-/CFO-Präsentationen**: offizielles Google-Cloud-×-DORA-Framework — institutionelle Autorität zur Verteidigung eines KI-Budgets.
- **Aufbau eines KI-Business-Case**: den Rechner als Struktur wiederverwenden, **die Annahmen an den Kundenkontext anpassen** (explizite Empfehlung der Autoren).
- **Sensibilisierung für die „tuition cost"**: die Investition während des J-Curve-Einbruchs schützen, die Finanzierung während der Lernphase nicht kürzen.
- **Team-/HR-Debatte**: Die normative Position *„do not reduce headcount"* ist ein nutzbares Argument gegen rein budgetgetriebene Impulse zum Personalabbau.
- **Belegte Zahlen**: 39 % ROI / 8 Monate Amortisation / 35–40 % Greenfield vs. 10 % Brownfield / Inferenzkosten ÷280 / 727 % ROI über 3 Jahre — **solide Zahlen** zur Integration in Schulungen, Tech-Watch-Notizen und strategische Präsentationen.
- **Verknüpfung französischsprachiger Inhalte mit Wescale / Habert / Tatsyi / Frizzo**: DORA als **institutionelles finanzielles Fundament**, andere Notizen als ergänzende **operative Erfahrungsberichte**.
- **Strategische Diskussion zu IDP / context engineering**: Die DORA-Fähigkeiten (Quality IDP + KI-zugängliche interne Daten + Dokumentationsqualität) werden zu identifizierbaren und budgetierbaren **Prioritätsinvestitionen**.

## RésuméDe400mots

Das **Google Cloud DORA × delta team** veröffentlicht im April 2026 (v. 2026.1, Zitate Februar 2026, **CC BY-NC-SA 4.0**) einen 60-seitigen Bericht-Framework zum ROI von KI in der Softwareentwicklung, mit einem **interaktiven Rechner** unter dora.dev/ai/roi/calculator. Das Dokument reiht sich in die DORA-Linie ein (2020 ROI of DevOps Transformation → 2025 State of AI-assisted Software Development → DORA AI Capabilities Model → 2026 ROI of AI).

**Kernthese**: ***„AI is an amplifier"*** — KI verstärkt gleichzeitig die Stärken leistungsstarker Organisationen und die Dysfunktionen schwacher Organisationen. Der Kauf von KI-Lizenzen **reicht nicht aus**: In ein System mit manuellem Testen, Bürokratie oder fragmentierten Daten eingeführte KI **beschleunigt** die technische Verschuldung. Zitat aus Software Engineering at Google: ***„code is often seen as a liability, not an asset"***. Ethische Messgröße: ***„we don't measure AI by the code it writes but by the bottlenecks it clears"***.

**Neues zentrales Konzept**: die ***J-Curve of AI value realization*** — jede KI-Einführung durchläuft einen **vorübergehenden Einbruch** (Lernkurve + Verifizierungssteuer + Pipeline-Anpassung), bevor **exponentielles Wachstum** einsetzt, eine Metapher für die *„tuition cost of transformation"*, die **explizit einzuplanen** ist, um während des Einbruchs nicht in Panik zu geraten.

**Beispielrechner** (500 Vollzeitäquivalente / 176.000 $ Gehalt / 12,5 % eingesparte Zeit pro Entwickler): **Wert 11,6 Mio. $ / Investition 8,4 Mio. $ / ROI 39 % / Amortisation 8 Monate (0,7 Jahre)**. Detail: harte Kosten 5,065 Mio. $ + J-Curve-Kosten 3,3 Mio. $; Wert = Personal-Reinvestitionskapazität 11 Mio. $ + zusätzliche Features 990.000 $ − Instabilitätssteuer 344.000 $.

**Explizite normative Position**: ***„we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — reinvestieren, Talente halten, institutionelles Wissen nutzen.

**Fünf Wertsäulen**: Productivity / User Experience / Cost Efficiency / Developer Experience / Business Growth (vom direktesten zum indirektesten). **Fünf systemische Schlüssel**: Trust + Platform + Data + Users + Guardrails. **Zweiphasige Roadmap**: (1) Build context layer (CapEx) — hochwertige IDP + gesundes Datenökosystem; (2) Empower human in loop (OpEx) — context engineering + Vertrauen in KI. Frühindikatoren: Experimentierfrequenz + Deployment-Frequenz.

**Externe Daten**: 78 % der Führungskräfte berichten von ROI bei ≥1 Gen-AI-Use-Case, 88 % der frühen Anwender agentenbasierter KI verzeichnen positiven ROI, **35–40 % Produktivität bei Greenfield vs. ≤10 % bei Brownfield** (Stanford), Inferenzkosten **÷280** (Nov. 2022 → Okt. 2024), **727 % ROI über 3 Jahre** für Google-Cloud-KI-Kunden, durchschnittliche Amortisation von **8 Monaten**.

**Verbindung zum Corpus**: starke Konvergenz mit Tatsyi/Raiffeisen (Produktionsmöglichkeitengrenze), Wescale (Governance + X3–X4), Habert PROJ-AI (Technologie 20 % / Disziplin 80 %), MIT NANDA (95 % der Pilotprojekte scheitern, explizit zitiert). Produktive Spannung mit den von Praktikern berichteten Verhältnissen (Frizzo 3–5×, Curran 3×, Tatsyi ×1,5–4,5): DORA = **finanziell verteidigbare Untergrenze** (12,5 % eingesparte Zeit), Praktiker = **organisatorisch beobachtete Obergrenze**. Zu verwenden für Vorstände, CFO-Business-Cases, Transformations-Sponsoren.

## GrapheDeConnaissance

- DORA —publie→ The ROI of AI-assisted Software Development (DOCUMENT, 0.98)
- Google Cloud delta team —publie→ The ROI of AI-assisted Software Development (DOCUMENT, 0.97)
- Eva Dong —travaille_chez→ Google Cloud (ORGANISATION, 0.95)
- Nathen Harvey —dirige→ DORA (ORGANISATION, 0.96)
- Ursula Lübbert-Passing —travaille_chez→ Google Cloud (ORGANISATION, 0.95)
- AI —est_instance_de→ amplificateur du système organisationnel (CONCEPT, 0.97)
- DORA —affirme_que→ l'IA magnifie les forces des organisations performantes et les dysfonctionnements des organisations en difficulté (AFFIRMATION, 0.97)
- J-Curve of AI value realization —est_instance_de→ trajectoire à creux de productivité initial puis croissance exponentielle (CONCEPT, 0.96)
- Learning curve —fait_partie_de→ J-Curve of AI value realization (CONCEPT, 0.95)
- Verification tax —fait_partie_de→ J-Curve of AI value realization (CONCEPT, 0.95)
- Pipeline adaptation —fait_partie_de→ J-Curve of AI value realization (CONCEPT, 0.95)
- Tuition cost of transformation —est_variante_de→ J-Curve productivity drop (CONCEPT, 0.94)
- Code —est_instance_de→ liability not asset (CONCEPT, 0.94)
- DORA —recommande→ mesurer l'IA par les bottlenecks levés et non par le volume de code généré (AFFIRMATION, 0.96)
- Sample ROI calculator —mesure→ 39% ROI / 8 mois payback / 11.6M$ valeur / 8.4M$ investissement (MESURE, 0.97)
- Sample ROI calculator —est_basé_sur→ hypothèses 500 FTE / 176k$ salary / 12.5% time saved / 15% J-Curve drop 3 mois (CONCEPT, 0.96)
- DORA —recommande→ ne pas adopter de stratégie de réduction d'effectifs (AFFIRMATION, 0.97)
- DORA —recommande→ réinvestir la productivité libérée par l'IA dans l'innovation et la création de valeur (AFFIRMATION, 0.96)
- Productivity, User Experience, Cost Efficiency, Developer Experience, Business Growth —fait_partie_de→ Cinq piliers de valeur (DORA) (CONCEPT, 0.96)
- Trust, Platform, Data, Users, Guardrails —fait_partie_de→ Cinq clés systémiques d'adoption (CONCEPT, 0.96)
- DORA —recommande→ traiter l'Internal Developer Platform comme un produit (AFFIRMATION, 0.95)
- Build context layer —est_instance_de→ phase CapEx (Quality IDP + Healthy data ecosystem) (CONCEPT, 0.94)
- Empower human in loop —est_instance_de→ phase OpEx (Trust in AI + context engineering) (CONCEPT, 0.94)
- Experiment frequency —est_instance_de→ leading financial indicator (CONCEPT, 0.95)
- Stanford AI Index 2025 —mesure→ inference cost réduit ×280 entre nov 2022 et oct 2024 (MESURE, 0.96)
- Stanford research —mesure→ 35-40% productivité greenfield vs ≤10% brownfield (MESURE, 0.94)
- Google Cloud —mesure→ 727% ROI moyen sur 3 ans des clients Google Cloud AI (MESURE, 0.92)
- MIT NANDA —affirme_que→ une shadow AI economy existe et 95% des pilotes IA échouent à délivrer un ROI (AFFIRMATION, 0.94)
- Larsen et al. 2023 —mesure→ idea success rate ~33% (MESURE, 0.92)
- Verification tax —est_basé_sur→ Code (CONCEPT, 0.95)
- bilan ROI de l'étude —converge_avec→ Tatsyi production possibility frontier, Wescale gouvernance, Habert technology 20 / discipline 80 (CONCEPT, 0.93)
- Ratios praticiens 3-5× (Frizzo, Wescale, Curran, Tatsyi) —surpasse→ Sample 12.5% time saved (CONCEPT, 0.93)
- Position no-headcount-reduction (DORA) —s_oppose_à→ Tatsyi −75 personnes mais réallocation délibérée (CONCEPT, 0.91)
- Optionality framework —permet→ de traiter chaque expérience comme option à faible coût (CONCEPT, 0.94)
- DORA —affirme_que→ l'IA accélère l'accumulation de dette technique si l'organisation est en bottleneck (AFFIRMATION, 0.95)
- Scénarios Conservative 0.8/1.5, Realistic 1.0, Optimistic 1.2/0.8 —fait_partie_de→ Trois scénarios (DORA) (METHODOLOGIE, 0.94)
- Google Cloud —mesure→ 78% des executives rapportent un ROI sur au moins 1 use case gen AI (MESURE, 0.93)
- Google Cloud —mesure→ 88% des early adopters agentic AI voient des retours positifs (MESURE, 0.92)

---
Canonical: https://www.thekb.eu/de/fiches/dora-google-cloud-roi-ai-assisted-software-development-j-curve-2026-04-21/