Ergebnisse statt Stunden - wie AI verändert, was wir verkaufen

AI verändert unsere Arbeit schneller, als viele Abrechnungsmodelle nachkommen. Wir können heute mit kleinen Teams mehr leisten, in mehr Technologien arbeiten und Ausführungsschritte abkürzen, die früher viele Stunden gebunden haben. Das ist eine gute Nachricht für Kunden, die wirksame Ergebnisse wollen. Es ist auch eine Einladung, ehrlich darüber zu sprechen, wofür eigentlich bezahlt wird.

Effizienter und vielseitiger

AI macht erfahrene Entwickler und Berater nicht überflüssig, aber spürbar produktiver. Routineaufgaben gehen schneller von der Hand: Codeentwürfe, Tests, Migrationsskripte, Dokumentation, Recherche, erste Textfassungen, Konfigurationen, Datenanalysen.

Gleichzeitig wird die Bandbreite größer. Eine Sprache, ein Framework oder eine Cloud, die man bisher selten benutzt hat, ist mit guter AI-Unterstützung schneller zugänglich. Das macht es leichter, ein gewachsenes System in einer fremden Sprache zu übernehmen, einen Prototyp in einer ungewohnten Umgebung zu bauen oder eine Datenstruktur zu durchdringen, die nicht zum Alltag gehört.

Technologie wird damit als reine Eintrittsbarriere kleiner. Wer ein Problem versteht, kommt schneller an eine erste Lösung - auch außerhalb der eigenen Komfortzone.

Was AI gut übernimmt - und was nicht

AI ist stark bei Ausführung. Sie kann Code generieren, der überwiegend funktioniert. Sie kann lange Texte zusammenfassen, Schnittstellen vorschlagen, Strukturen entwerfen, Fehlermuster erkennen und Vorschläge in Varianten liefern.

AI ist schwach an genau drei Stellen, und die sind teuer:

• Sie weiß nicht, wofür das Ergebnis wirklich da ist. Sie kennt nicht den Kunden, das Geschäft, die Organisation, die laufenden Kompromisse und die nächsten Schritte.
• Sie kann ihr eigenes Ergebnis nicht zuverlässig beurteilen. Was plausibel klingt, ist nicht automatisch richtig, sicher, wartbar oder geschäftlich klug.
• Sie übersetzt nicht zwischen Mensch und Aufgabe. Sie nimmt eine Anfrage, wie sie kommt. Was unausgesprochen ist, fehlt.

Genau hier liegt der bleibende Wert von erfahrenen Profis. Können wird wichtiger, nicht unwichtiger.

Gute AI-Anfragen sind ein Handwerk

Eine gute Anfrage an ein Modell ist selten ein kurzer Satz. Sie enthält Kontext, Randbedingungen, frühere Entscheidungen, Beispiele, gewünschtes Format und eine klare Zielsetzung. Sie wird oft mehrfach überarbeitet und an die Reaktionen des Modells angepasst.

Dafür braucht es das, was Stunden bisher gemessen haben - aber an anderer Stelle:

• Zeit, um das Problem wirklich zu verstehen
• Erfahrung, um Fallen, Sonderfälle und stille Annahmen zu erkennen
• Geschick, um eine Aufgabe so zu beschreiben, dass das Ergebnis prüfbar ist
• Urteilsvermögen, um zwischen einer schicken und einer tragfähigen Lösung zu unterscheiden

Wer das mitbringt, bekommt aus AI deutlich mehr heraus. Wer nur Stichworte einwirft, bekommt Stichworte zurück.

Jemand muss übersetzen

In jedem Projekt gibt es eine Übersetzungsarbeit, die AI nicht leisten kann: vom Geschäftsziel zur technischen Aufgabe und wieder zurück. Was soll das Ergebnis sein? Für wen? Was darf es kosten, und was darf es nicht riskieren? Welche Annahme prüfen wir zuerst, und welche dürfen wir vorerst stehen lassen?

Diese Übersetzung ist das, was unsere Arbeit für Sie wertvoll macht - unabhängig davon, ob wir am Ende selbst tippen oder AI tippen lassen. Sie ist auch der Grund, warum Stunden ein zunehmend schlechter Maßstab für gute Arbeit sind.

Stundenabrechnung passt nicht mehr zur Realität

Wenn AI Ausführungsarbeit verkürzt, wird die Stundenabrechnung zunehmend paradox. Die gleiche Aufgabe wird in weniger Stunden erledigt, also würde der Kunde weniger zahlen - obwohl das Ergebnis identisch ist und der Aufwand für Verstehen, Beurteilen und Übersetzen sogar zunimmt.

Stundenabrechnung erzeugt zusätzlich einen Interessenskonflikt. Je länger wir brauchen, desto mehr verdienen wir. Je effizienter wir arbeiten, desto weniger. Das war schon immer unangenehm. Mit AI wird es unhaltbarer.

Sinnvoller ist ein Modell, das den Wert eines Ergebnisses anerkennt:

• ein definierter Liefergegenstand mit klarem Nutzen
• ein abgegrenzter Discovery-Schritt mit klarer Entscheidung am Ende
• eine Wartungsleistung mit klaren Reaktionszeiten
• ein Venture-Anteil, wenn Risiko und Erlös bewusst geteilt werden

Das ist nicht in jeder Konstellation einfach. Aber es ist ehrlicher. Und es richtet die Anreize so aus, dass Kunde und Team in dieselbe Richtung arbeiten.

Wertbasiert bezahlen - aber wie, operativ?

Die übliche Skepsis gegenüber wertbasierter Bezahlung ist berechtigt: Sie scheitert selten am Prinzip, sondern an der Umsetzung. Wer misst den Wert? Wann wird abgerechnet? Was passiert, wenn der Erfolg ausbleibt? Und wie verhindert man, dass „wertbasiert“ nur ein neues Wort für willkürliche Preise wird?

Unser Modell dafür kommt aus Misthos, einem Werkzeug für Beitragsdokumentation und Erlösverteilung, das wir in Kooperation mit dem Unternehmensberater Gebhard Borck entwickelt haben. Praktisch heißt das: Eine Leistung oder Technologie kann auch dann zugänglich werden, wenn sich ihr wirtschaftlicher Nutzen erst später zeigt. Ein Erfolgsanteil greift erst, wenn der Kunde damit Geld verdient. Unser Beitrag wird vorher transparent festgehalten, der Anteil ist nachvollziehbar und vereinbart.

Für uns ist Misthos mehr als Software. Es ist ein Betriebssystem für faire Vergütung geworden: Es zwingt uns, in Wert und Leistung zu denken statt in abgesessenen Stunden - aber nicht als Optimierungsmaschine gegen Menschen. Gerade weil Beiträge sichtbar werden, müssen sie menschlich, sachlich und gemeinsam bewertet werden.

Das passt nicht für jedes Projekt. Festpreis, Retainer und Tagessatz haben weiter ihre Berechtigung. Aber wo AI die Erstellungskosten drückt und der Wert beim Kunden entsteht, ist die Frage „Was hat es gebracht?“ oft ehrlicher als „Wie lange hat es gedauert?“

Was das für Sie konkret bedeutet

Für Sie als Kunde ändert das die wichtigste Frage. Statt „Wie viele Stunden kostet das?“ lohnt sich häufiger:

• Welches Ergebnis brauchen wir, und woran erkennen wir, dass es gut ist?
• Welche Annahme müssen wir zuerst prüfen, bevor wir viel Geld investieren?
• Welche Arbeit wollen wir extern, welche intern verantworten?
• Welches Risiko tragen wir, welches teilen wir?

Wer den Wert eines Ergebnisses bewusst benennt, schützt sich gleichzeitig vor Unsinn. AI macht es leicht, viel zu produzieren. Sie macht es nicht leicht, das Richtige zu produzieren. Eine klare Zieldefinition verhindert teure Beschäftigung.

Wie wir damit arbeiten

Wir nutzen AI dort, wo sie Arbeit erleichtert: bei Übernahmen gewachsener Systeme, bei der Entwicklung interner Tools, bei Discovery, bei Recherche, bei der Pflege von Inhalten. Sie hilft uns auch, in Technologien zu arbeiten, die nicht zum täglichen Stack gehören - das ist gerade bei Legacy-Software oft entscheidend.

Dazu gehören auch AI-Agenten und, wenn es sinnvoll ist, sehr schnelle Coding-Schleifen mit bewusst kurzem Abstand zwischen Idee, Code und Prüfung. Nicht als Ersatz für Professionalität, sondern als Werkzeug: für Exploration, Prototyping, Varianten, Migrationen oder klar begrenzte Umsetzungsschritte. Entscheidend ist nicht, ob eine Aufgabe klassisch, agentengestützt oder mit viel AI-Anteil entsteht. Entscheidend ist, ob der Weg wirtschaftlich ist und das Ergebnis trägt.

Darum entscheidet bei uns nicht das Tool über die Methode, sondern ein erfahrener Entwickler. AI kann Tempo machen, aber sie braucht Richtung, Grenzen und Kontrolle: Architekturverständnis, Tests, Code-Review, Sicherheitsblick, fachliche Einordnung und Verantwortung für das Ergebnis. Wir sind anpassungsfähig, aber nicht beliebig. Wenn Handarbeit der bessere Weg ist, arbeiten wir von Hand. Wenn ein Agent schneller zur gleichen oder besseren Qualität führt, nutzen wir ihn.

Wir versuchen, das auch in der Zusammenarbeit abzubilden:

• Bei klar umrissenen Vorhaben arbeiten wir gegen ein vereinbartes Ergebnis und ein Budget, nicht gegen einen offenen Stundenzähler.
• Bei Discovery und Klärung geht es um eine fundierte Entscheidung am Ende, nicht um maximalen Aufwand.
• Bei Ventures teilen wir Risiko und mögliche Erlöse bewusst und schriftlich.
• Bei Wartung und laufendem Betrieb arbeiten wir mit klaren Reaktionszeiten und einem festen monatlichen Rahmen.

Stunden sind dabei ein Hilfsmittel der internen Steuerung. Sie sind nicht der Maßstab dafür, was eine Lösung wert ist.

Fazit

AI ist eine gute Nachricht, wenn man Software als Mittel zum Zweck versteht. Sie senkt die Eintrittsbarriere zu Technologie, verkürzt Ausführungsarbeit und macht erfahrene Teams vielseitiger. Sie macht gleichzeitig sichtbarer, wo der eigentliche Wert in Projekten liegt: im Verstehen, im Urteil, in der Übersetzung zwischen Geschäft und System.

Genau dort lohnt es sich, die Abrechnung neu zu denken. Weg von verkauften Stunden, hin zum Wert eines Ergebnisses. Das passt zu Software, die einen Zweck hat - und zu Ventures, in denen Risiko und Nutzen bewusst geteilt werden.