von AutoScout24, eine der grössten Automobilplattformen Europas, hat seine Softwareentwicklung mit KI-gestützten Workflows neu aufgestellt. Das Ergebnis: deutlich schnellere Entwicklungszyklen, weniger Routinearbeit für Engineers und ein messbarer Produktivitätsschub. Was klingt wie eine Tech-Konzern-Story, ist in Wahrheit eine Blaupause, die auch im Mittelstand funktioniert.
Ausgangslage: Skalierungsdruck trifft Fachkräftemangel
AutoScout24 betreibt eine Plattform, auf der monatlich Millionen von Fahrzeugen vermittelt werden. Die IT muss kontinuierlich neue Features liefern, ohne dass die Komplexität die Teams überrollt. Genau hier liegt die Parallele zum Mittelstand: Die Anforderungen wachsen, der Markt für qualifizierte Entwickler ist leergefegt, und gleichzeitig steigen die Erwartungen an Geschwindigkeit und Qualität. Wer dieses Spannungsfeld nicht löst, verliert Marge und Marktposition.
Das Unternehmen entschied sich, KI nicht als isoliertes Pilotprojekt zu behandeln, sondern als integralen Bestandteil der täglichen Entwicklungsarbeit. Dazu wurden OpenAI-Modelle entlang des gesamten Softwarelebenszyklus eingebunden — vom Code Review über Dokumentation bis hin zu automatisierten Tests. Diese strategische Entscheidung unterscheidet AutoScout24 von vielen Unternehmen, die KI noch immer als experimentelles Beiwerk betrachten.
Was AutoScout24 konkret tut
Die Engineering-Teams nutzen KI-Assistenten direkt in der Entwicklungsumgebung. Routineaufgaben wie das Schreiben von Unit-Tests, das Refactoring alter Codebestände oder die Erstellung technischer Dokumentation werden weitgehend automatisiert. Engineers konzentrieren sich auf Architektur, Geschäftslogik und kritische Reviews — also genau die Tätigkeiten, in denen menschliche Expertise den grössten Hebel hat.
Besonders bemerkenswert ist die Integration in Code-Review-Prozesse. KI analysiert Pull Requests, identifiziert potenzielle Sicherheitsprobleme und schlägt Verbesserungen vor, bevor ein menschlicher Reviewer überhaupt das erste Mal hineinschaut. Das verkürzt Feedback-Schleifen, die früher Tage gedauert haben, auf Stunden. Für Teams, die in zweiwöchigen Sprints arbeiten, bedeutet das einen kompletten Zyklus-Gewinn.
Auch die Onboarding-Zeit neuer Entwickler sank deutlich. Wer neu im Team ist, kann sich per KI-Assistent durch die Codebase navigieren lassen, statt sich tagelang durch Wikis zu kämpfen. Das senkt eine der grössten versteckten Kosten in jeder IT-Organisation. Gerade im Mittelstand, wo selten ein dediziertes Onboarding-Team existiert, ist dieser Effekt besonders wertvoll.
Die Zahlen dahinter
AutoScout24 berichtet von signifikanten Effizienzgewinnen. Engineers sparen pro Woche mehrere Stunden, die sie sonst für repetitive Tätigkeiten aufgewendet hätten. Branchenstudien wie der GitHub Copilot Productivity Report zeigen ähnliche Werte: 30 bis 55 Prozent schnellere Task-Completion bei wiederkehrenden Aufgaben. McKinsey beziffert das Produktivitätspotenzial von generativer KI in der Softwareentwicklung auf 20 bis 45 Prozent.
Für ein mittelständisches IT-Team mit zehn Entwicklern bedeutet das, übersetzt in konkrete Zahlen: Bei einem durchschnittlichen Vollkostensatz von 120.000 Euro pro Engineer und einer realistischen Produktivitätssteigerung von 25 Prozent entspricht das einer Wertschöpfung von rund 300.000 Euro pro Jahr. Die Investitionskosten für Lizenzen, Schulungen und Integration liegen typischerweise im niedrigen fünfstelligen Bereich. Der Return on Investment ist also nicht nur positiv, sondern dramatisch.
Was der Mittelstand daraus lernen kann
Die AutoScout24-Story ist deshalb so interessant, weil sie sich nicht auf Konzern-Spezifika stützt. Die eingesetzten Werkzeuge — GitHub Copilot, ChatGPT Enterprise, OpenAI-API — stehen jedem Unternehmen offen. Die entscheidenden Erfolgsfaktoren sind organisatorisch, nicht technologisch.
Erstens: KI als Standard etablieren, nicht als Pilot. Solange KI-Werkzeuge als optionales Experiment einzelner Engineers behandelt werden, entstehen keine flächendeckenden Effekte. Erst wenn das gesamte Team die Werkzeuge nutzt und Prozesse darauf ausgelegt sind, entfaltet sich der Skalen-Hebel. Im Mittelstand heisst das: Geschäftsführung muss Rückendeckung geben und Budget freigeben, statt auf „der Markt regelt das schon“ zu warten.
Zweitens: Datenschutz und Compliance früh klären. AutoScout24 nutzt Enterprise-Verträge, die Datennutzung und Vertraulichkeit regeln. Für mittelständische Unternehmen ist das kein Hexenwerk — Microsoft, OpenAI und GitHub bieten DSGVO-konforme Enterprise-Pakete an, deren Konditionen für jedes Unternehmen verhandelbar sind. Wer hier auf die kostenlosen Consumer-Varianten setzt, riskiert Datenschutzverletzungen und verschenkt zugleich die robusten Funktionen der Enterprise-Editionen.
Drittens: Auf Workflows fokussieren, nicht auf Werkzeuge. Der grösste Fehler vieler Mittelständler ist, KI-Lizenzen zu kaufen und dann zu hoffen, dass „die Magie passiert“. Tatsächlich entstehen Produktivitätsgewinne erst durch bewusste Integration in bestehende Prozesse: Welche Aufgaben übernimmt die KI? Wo bleibt menschliche Kontrolle Pflicht? Wie werden die Ergebnisse qualitätsgesichert? Diese Fragen müssen vor der Einführung beantwortet werden, nicht währenddessen.
Viertens: Messen, was wirklich zählt. AutoScout24 trackt konkrete KPIs wie Time-to-Merge, Onboarding-Dauer und Bug-Rate. Ohne Messung lässt sich kein Business Case belegen und keine Lernkurve sauber bewerten. Schon einfache Vergleiche zwischen Quartalen genügen, um die Wirkung sichtbar zu machen — Voraussetzung ist nur, dass die Baseline vor dem Rollout dokumentiert wird.
Die Risiken nicht ignorieren
So eindeutig der Business Case ist, so wichtig ist auch ein realistischer Blick auf die Schattenseiten. KI-generierter Code enthält Fehler, manchmal subtile. Sicherheitslücken können sich einschleichen, wenn Reviews zu oberflächlich werden. Über-Vertrauen in KI-Vorschläge führt zu Wissens-Erosion bei Junior-Entwicklern, wenn diese Konzepte nie selbst durchdenken.
AutoScout24 begegnet dem mit klaren Leitplanken: Jeder KI-Vorschlag durchläuft menschliche Reviews, kritische Pfade werden explizit aus der Automatisierung ausgenommen, und Junior-Engineers absolvieren weiterhin klassische Trainings. Dieser hybride Ansatz — KI als Beschleuniger, Mensch als Verantwortlicher — ist das Erfolgsrezept, das sich Mittelständler unbedingt abschauen sollten.
Praktischer Einstieg
Wer als mittelständischer IT-Verantwortlicher heute starten will, kann mit überschaubarem Aufwand erste Effekte erzielen. Ein realistischer Drei-Monats-Plan sieht so aus:
In den ersten vier Wochen erfolgt die Bestandsaufnahme: Welche Tools nutzen die Engineers heute? Wo entstehen die grössten Reibungspunkte? Welche Aufgaben binden besonders viel Zeit? Parallel werden Datenschutz- und Compliance-Anforderungen geprüft, und eine Pilotgruppe von zwei bis drei Engineers wird ausgewählt.
In den Wochen fünf bis acht startet der Pilot. Die Pilotgruppe nutzt GitHub Copilot oder ChatGPT Enterprise produktiv und dokumentiert wöchentlich, was funktioniert und was nicht. Wichtig ist, dass diese Phase nicht als „Spielerei“ abgetan wird, sondern mit klaren Zielen und Metriken arbeitet.
Ab Woche neun beginnt der Rollout auf das Gesamtteam, begleitet von kurzen Schulungen und einer offenen Feedback-Kultur. Nach drei Monaten liegen erste belastbare Zahlen vor — und in der Regel auch die Antwort auf die Frage, warum man nicht schon früher angefangen hat.
Fazit
Die Geschichte von AutoScout24 ist kein Sonderfall, sondern ein Vorgriff auf das, was in den nächsten zwei Jahren Standard wird. Mittelständische IT-Teams, die jetzt handeln, sichern sich einen Vorsprung, der sich später schwer aufholen lässt. Wer wartet, bis „die Technologie reif ist“, verpasst die Phase, in der die organisatorischen Lerneffekte den eigentlichen Wettbewerbsvorteil schaffen.
Die Werkzeuge sind verfügbar. Die Business Cases sind belegt. Die einzige offene Frage ist, ob das Management den Mut hat, KI nicht als Risiko, sondern als strategische Chance zu begreifen — und entsprechend zu investieren.
