Wie GitLab KI-Kompetenz in technischen Teams aufbaut

Zwei Entwicklungsteams bekommen dasselbe KI-Tool – und die Ergebnisse fallen völlig unterschiedlich aus. Das eine Team arbeitet damit produktiv und erkennt Fehler früher. Das andere verlässt sich auf einen Agenten, der überzeugend formulierte, aber falsche Ergebnisse liefert. Welche agentischen KI-Muster die Teamzusammenarbeit verändern, zeigt eine aktuelle UX-Studie.

Bei GitLab standen unseren Teammitgliedern KI-Tools zur Verfügung. Ein Teil von ihnen hat daraus rasch konkreten Nutzen gezogen und Probleme früher erkannt. Andere hatten noch keinen Einstieg gefunden, um tragfähige KI-native Arbeitsabläufe zu entwickeln.

Daraus haben wir gelernt: KI-Kompetenz aufzubauen – also zu wissen, welche Aufgaben sich an KI delegieren lassen, wie passende KI-native Prozesse aussehen und wie sich die Ergebnisse beurteilen lassen – ist ebenso wichtig wie der Zugang zu den Tools und deren Einführung. Diese Kompetenz unternehmensweit aufzubauen, war eine organisatorische wie technische Aufgabe und erforderte eine enge Zusammenarbeit zwischen unseren Teams Enterprise Technology und Talent Development. Wie verbreitet diese Herausforderung ist, zeigt auch die Software-Innovationsstudie für Deutschland.

Wir dokumentieren hier unser internes Vorgehen, damit andere technische Führungskräfte eine weitere Perspektive darauf gewinnen, wie sich KI-Einführung im eigenen Unternehmen sinnvoll gestalten lässt.

Eine KI-Strategie, die zum Tempo unserer Arbeit passt

Grundlage für sinnvolle Wege in unseren technischen Teams war eine tragfähige Infrastruktur. Enterprise Technology hat dafür mehrere Governance-Modelle geprüft. Das erste war ein vollständig zentralisiertes Team. Angesichts der Entwicklungsgeschwindigkeit im KI-Bereich befürchteten wir allerdings, dass Freigaben durch eine einzelne Gruppe zum Engpass werden. Teammitglieder könnten dann versuchen, die Governance-Strukturen zu umgehen, um mit KI zu experimentieren. Das zweite Modell war ein vollständig dezentraler Ansatz. Er birgt jedoch die Gefahr, dass Aktivitäten im Unternehmen auseinanderlaufen – das erhöht die Komplexität und erschwert einheitliche Leitplanken.

Wir haben uns für ein hybrides Modell entschieden, das Governance und Enablement verbindet und Elemente beider Ansätze aufgreift:

• Enterprise AI als zentraler Governance- und Technologie-Hub: Enterprise AI ist Teil unseres Enterprise-Technology-Teams und fungiert als Plattform-Hub. Die Gruppe legt Standards und Sicherheitsleitplanken fest und verantwortet die zentrale Strategie für unsere größten KI-Anbieter sowie für Eigenentwicklungen, die Governance und Kontrolle unterstützen. Alle weiteren KI-Tools setzen auf diesen Leitplanken auf.
• AI Transformation Owner entwickeln die dezentrale, bereichsspezifische KI-Strategie: In jedem Bereich ist ein AI Transformation Owner verankert – eine erfahrene Führungskraft, die nah genug an der operativen Arbeit ist, um zu erkennen, wo KI bei der Automatisierung helfen kann.
• AI Champions vermitteln geeignete Wege zu Einführung und Zugang: In jedem Bereich bildet eine Community aus AI Champions ein internes Center of Excellence. Dazu gehören Personen, die als Erste Neues ausprobieren, Kolleg(inn)en unterstützen und die von Enterprise AI und den AI Transformation Ownern vorgezeichneten Wege begleiten.

„Ein Teil dessen, was wir unseren Kund(inn)en bieten, ist Speed with Control. Intern lautet eines unserer Betriebsprinzipien Speed with Quality. Unser Governance-Modell verbindet beides: Teams können zügig liefern – in einer Qualität, die den Anforderungen an Governance und Compliance im Unternehmen entspricht.“ – Manu Narayan, CIO

Das Ergebnis ist ein föderiertes Modell: Grundlegende KI-Tools werden zentral gesteuert, Erprobung und bereichsspezifische Strategie entstehen dezentral – dort, wo die Arbeit stattfindet.

Die Zusammenarbeit, auf der das Modell aufbaut

Damit die Rollen in diesem Modell greifen, mussten wir außerdem verstehen, wo unsere Teammitglieder im Umgang mit KI jeweils stehen.

Talent Development hat Enterprise Technology dabei unterstützt, den Zugang zu KI nutzbar und passgenau zu gestalten. Eine erfahrene Entwicklerin und eine neu eingestellte Kollegin brauchen unterschiedliche Unterstützung. Deshalb haben wir ein Tool zur Selbsteinschätzung entwickelt: die AI Literacy Ladder. Sie erfasst, wo einzelne Teammitglieder bei der KI-Kompetenz tatsächlich stehen, und empfiehlt einen rollenspezifischen Weg – darunter einen eigenen Lernpfad für die Entwicklung.

Die Lernpfade für die Entwicklung setzen an praktischem Wissen und konkreten Arbeitsabläufen an: Planung, Code-Review, das Reparieren einer fehlgeschlagenen Pipeline, Behebung von Sicherheitslücken. Wenn das Curriculum an der täglichen Arbeit ansetzt, bleibt das Gelernte eher haften.

„Unser Ziel war nicht, die Tools von heute zu vermitteln. Es ging darum, das Urteilsvermögen und die langfristig tragfähigen Fähigkeiten aufzubauen, mit denen sich unsere Teammitglieder sicher auf die weitere Entwicklung von KI einstellen können.“ – Rob Allen, Chief People Officer

Ergänzend zur AI Literacy Ladder haben wir praxisnahe Schulungen angeboten. Unternehmensweite Einheiten schufen eine gemeinsame Grundlage, darauf folgten bereichsspezifische Sitzungen. Für Entwickler(innen) haben wir vertiefende Workshops mit praktischen Übungen durchgeführt; 87 % der Teilnehmenden gaben an, etwas gelernt zu haben, das sie unmittelbar anwenden können. In einer separaten Reihe nicht-technischer Workshops gaben 95 % der Teilnehmenden an, innerhalb von zwei Wochen etwas aus der Schulung anwenden zu wollen; 92 % berichteten von größerer Sicherheit im Umgang mit dem im Workshop behandelten KI-Tool.

Aus dem Schulungsfeedback ging hervor, dass mehr als 87 % der teilnehmenden Entwickler(innen) das Gelernte innerhalb der folgenden zwei Wochen anwenden wollten. Einen Monat nach dem Start der AI-Ladders-Initiative verzeichneten wir zudem einen Anstieg der täglichen Interaktionen mit dem primären internen KI-Coding-Tool unserer Entwickler(innen) um 22,3 %. Wie sich der KI-ROI skaliert messen lässt, beschreibt unser Leitfaden zu GitLab Duo Analytics.

Wie wir die Wirkung des Programms messen

Um den Erfolg zu bewerten, betrachten wir drei Bereiche:

• Reichweite zeigt, wie viele Teammitglieder die Selbsteinschätzung und die Lernpfade abschließen.
• Tiefe zeigt, ob Teammitglieder die Lernpfade kontinuierlich durchlaufen.
• Praktischer Nutzen, gemessen über das Workshop-Feedback, zeigt, ob Entwickler(innen) einen konkreten Nutzen aus den Schulungen ziehen. Zusätzlich prüfen wir, ob die Tool-Nutzung erkennbar zunimmt und dies mit dem Start des Programms zusammenfällt.

Wir bewerten diese Kennzahlen immer im Zusammenhang, weil sie einzeln betrachtet kein vollständiges Bild ergeben. Gemeinsam zeigen sie deutlicher, ob unsere Enablement-Maßnahmen tatsächlich KI-Kompetenz und konkreten Nutzen erzeugen.

Sechs Erkenntnisse für den eigenen Ansatz

Die perfekte Strategie für die KI-Einführung gibt es nicht. KI entwickelt sich rasch weiter und greift in jedem Unternehmen anders in Kultur und Prozesse ein. Eine Einführungsstrategie braucht deshalb Spielraum, um sich an Veränderungen im Markt anzupassen.

Wer noch am Anfang steht, findet hier sechs Erkenntnisse aus unserem Vorgehen:

1. Enterprise Technology und Talent Development von Anfang an zusammenbringen. Die Einführung ist ebenso eine organisatorische Frage und eine Frage von Verhaltensänderung wie eine technische. Keiner der beiden Bereiche löst sie allein.
2. Governance am Tempo der KI-Einführung ausrichten. Wöchentlich erscheinen neue KI-Tools. Governance muss Enterprise Technology die nötige Kontrolle geben, ohne Einführung, Erprobung oder die Abschaffung von Tools zu blockieren.
3. Menschen dort abholen, wo sie stehen, statt ein einheitliches Curriculum vorzugeben. Teammitglieder nähern sich KI unterschiedlich schnell. Ein praxisnahes Curriculum ist entscheidend, um auch bei später einsteigenden Kolleg(inn)en Kompetenz aufzubauen.
4. KI-Enablement als fortlaufendes Vorhaben behandeln. Die KI-Tools, auf denen die Arbeit der Teams aufbaut, verändern sich weiter. KI-Kompetenz muss deshalb dauerhaft mit Ressourcen aus Talent Development und Enterprise Technology unterstützt werden.
5. Langfristig tragfähiges Urteilsvermögen vermitteln. Die Bedienung von KI-Tools ist nur ein kleiner Teil der Kompetenz. Ebenso wichtig sind die Fragen, was und wie an KI delegiert wird und wie sich die Ergebnisse beurteilen lassen.
6. Nicht auf die perfekte Enablement-Strategie warten. KI entwickelt sich zu schnell, um eine vollständig ausgearbeitete Strategie abzuwarten. Fortschritt entsteht aus einzelnen umgesetzten Schritten und deren Weiterentwicklung.

KI verändert das Geschäft in allen Branchen – und in einem Tempo, das kaum jemand vorhergesehen hat. Wir halten es für richtig, unseren Teammitgliedern die Tools und die Infrastruktur zu geben, mit denen sie die Kompetenz aufbauen können, die ihre Arbeit heute erfordert. Die Zusammenarbeit zwischen Enterprise Technology und Talent Development steht im Zentrum unseres Wegs zu einer KI-orientierten Kultur – Sprosse für Sprosse.

Wenn du wissen möchtest, wie sich der KI-Reifegrad weiter ausbauen lässt: GitLab bietet eine KI-Modernisierungsbewertung an, die eine persönliche Roadmap für die KI-gestützte Entwicklung liefert. Die Bewertung zeigt, wo dein Unternehmen aktuell steht.