KI-gestützte SAP-Entwicklung: Wie sich die Offshoring-Rechnung verändert

Christoph Rahmen

15. September 2026

Zuletzt aktualisiert am: 15. September 2026

Inhalte Verbergen

1 Wie KI die Produktivität in der Softwareentwicklung steigert

2 Warum erfahrene Entwickler mit besserer KI nicht weniger wichtig werden

3 Warum Kontext bei der SAP-Entwicklung mit KI entscheidend bleibt

4 Wie gute Code-Standards KI-Agenten effizienter machen

5 Wie mgm KI-gestützte SAP-Entwicklung in der Praxis umsetzt

6 Wie sich die Offshoring-Rechnung durch KI in der SAP-Entwicklung verändert

7 Warum ein Senior-Entwickler mit KI mehr wirtschaftlichen Wert liefert

8 Quellen

Wenn Unternehmen die Kosten ihrer SAP-Entwicklung senken wollten, gab es über viele Jahre eine naheliegende Antwort: Near- oder Offshoring. Die Logik dahinter ist einfach. Ist die Entwicklungsstunde an einem anderen Standort deutlich günstiger, sinken die direkten Entwicklungskosten. Also wurde Softwareentwicklung zunehmend dorthin verlagert, wo Entwickler günstiger verfügbar waren.

KI-gestützte SAP-Entwicklung verändert diese Rechnung. Denn mit KI wird nicht nur die Entwicklungsstunde günstiger. Es ändert sich, wie viele menschliche Entwicklungsstunden ein Projekt überhaupt noch benötigt. Wenn ein erfahrener SAP-Entwickler mithilfe von KI-Agenten große Teile von Codegenerierung, Analyse, Tests und Dokumentation beschleunigen oder automatisieren kann, verliert der reine Vergleich von Tagessätzen an Aussagekraft. Entscheidend wird eine andere Frage: Wie viel belastbares Ergebnis entsteht für das eingesetzte Budget?

Genau hier setzen wir bei mgm an: erfahrene SAP-Entwickler, unterstützt durch KI-Agenten, mit direktem Draht zu Ihnen, tiefem Systemverständnis und Verantwortung beim Menschen.

Wie KI die Produktivität in der Softwareentwicklung steigert

Dass generative KI die Produktivität steigern kann, ist inzwischen gut belegt. PwC zeigt im Global AI Jobs Barometer 2026, dass Branchen mit hoher KI-Exposition ihre Produktivität stärker steigern als weniger exponierte Bereiche. Seit der breiten Verfügbarkeit generativer KI ab 2022 hat sich dieser Effekt noch verstärkt.

Auch im Software Engineering selbst werden die Veränderungen sichtbar. McKinsey beschreibt für 2026 eine Entwicklung weg vom klassischen Coding-Assistenten hin zu agentenbasierten Entwicklungsmodellen: KI unterstützt nicht mehr nur einzelne Codezeilen, sondern übernimmt zunehmend ganze Arbeitspakete. Sie erzeugt Code, schreibt Tests, analysiert Fehler, bereitet Dokumentation vor oder setzt Änderungen über mehrere Dateien hinweg um. In den von McKinsey beobachteten Unternehmen verändert sich dadurch teilweise sogar die Größe der Entwicklungsteams. Aufgaben, für die früher größere Teams nötig waren, erledigen zunehmend kleinere Teams gemeinsam mit KI-Agenten. Das ist der entscheidende Punkt: KI macht nicht dieselbe Entwicklungsorganisation etwas schneller. Sie verändert die Arbeitsteilung zwischen Mensch und Maschine.

Die DORA-Forschung von Google kommt zu einem ähnlichen Ergebnis. Im State of AI-assisted Software Development Report 2025 berichten mehr als 80 Prozent der befragten Technologieexpertinnen und Experten von Produktivitätsgewinnen durch KI. Gleichzeitig zeigt DORA: KI wirkt nicht isoliert, sie verstärkt die vorhandene Entwicklungsorganisation. Gute Engineering-Strukturen profitieren stärker, schwache Prozesse werden durch zusätzliche Geschwindigkeit sogar sichtbarer.

„KI einsetzen” ist für sich genommen also noch kein leistungsfähiges Entwicklungsmodell.

Warum erfahrene Entwickler mit besserer KI nicht weniger wichtig werden

Eine verbreitete Annahme lautet: Wenn KI immer besser programmiert, braucht man irgendwann weniger erfahrene Entwickler. Der aktuelle Forschungsstand spricht eher für eine Verschiebung ihrer Rolle. Eine systematische Literaturübersicht von Mohamed, Assi und Guizani wertete 37 unabhängige Untersuchungen zum Einsatz von KI-Assistenten in der Softwareentwicklung aus. Die Ergebnisse zeigen deutliche Vorteile bei repetitiven, klar abgegrenzten Aufgaben, aber ein differenzierteres Bild bei komplexeren Tätigkeiten und bei der Codequalität.

Besonders deutlich zeigte das eine viel diskutierte Untersuchung von METR. Erfahrene Open-Source-Entwickler bearbeiteten reale Aufgaben in Codebasen, die sie sehr gut kannten. Mit den Anfang 2025 verfügbaren KI-Werkzeugen benötigten sie im Durchschnitt rund 19 Prozent länger als ohne KI. Das überrascht auf den ersten Blick, zeigt aber vor allem eines: Generierter Code ist noch kein fertiges Ergebnis. Vorschläge müssen in den bestehenden Kontext eingeordnet, geprüft, angepasst oder verworfen werden. Gerade in gewachsenen, komplexen Systemen reicht es nicht, dass eine Lösung plausibel aussieht.

Interessant ist deshalb das METR-Update vom Februar 2026. Neuere Daten deuten inzwischen auf positive Produktivitätseffekte moderner KI-Agenten hin, auch wenn sich deren Größenordnung laut METR aufgrund methodischer Einschränkungen noch nicht zuverlässig bestimmen lässt. Die Richtung ist dennoch bemerkenswert: Während KI bei der Erstellung von Software besser wird, verschiebt sich die Aufgabe des Entwicklers. Weniger die Frage, wie schreibe ich diesen Code. Mehr die Frage, ist das die richtige Lösung für dieses System.

McKinsey beschreibt diese Entwicklung ähnlich. Systemdenken, Architektur, das Zerlegen komplexer Anforderungen, Bewertung und Ownership gewinnen an Bedeutung. Entwickler brauchen damit früher Kompetenzen, die bislang typischerweise bei sehr erfahrenen Kolleginnen und Kollegen lagen.

Für uns bei mgm folgt daraus: KI reduziert nicht den wirtschaftlichen Wert eines erfahrenen SAP-Entwicklers. Sie reduziert den Anteil seiner Zeit, den er für Tätigkeiten aufwenden muss, für die seine Erfahrung eigentlich zu teuer ist. Unsere Senior-Entwickler müssen nicht jede Codezeile selbst schreiben. Sie sorgen dafür, dass am Ende die richtige Codezeile in Ihrem System landet.

Warum Kontext bei der SAP-Entwicklung mit KI entscheidend bleibt

Enterprise-Software besteht selten aus isolierten Programmieraufgaben. Eine Änderung kann Datenmodelle, Berechtigungen, Schnittstellen, bestehende Prozesse, Erweiterungskonzepte, Releasefähigkeit und zukünftige Wartbarkeit gleichzeitig betreffen. Hinzu kommen in gewachsenen Systemen Jahre oder Jahrzehnte an kundenspezifischen Entscheidungen.

KI kann Code erzeugen. Sie weiß aber nicht automatisch, warum ein bestimmter Prozess bei Ihnen genau so aufgebaut wurde, welche Schnittstelle besonders kritisch ist oder welche Architekturentscheidung in zwei Jahren Probleme verursachen könnte.

Deshalb bleibt Kontrolle entscheidend. Das Fraunhofer IESE weist darauf hin, dass KI-generierter Code neue Anforderungen an Verifikation und Validierung stellt: Nicht vollständig nachvollziehbare Ergebnisse, fehlerhafte Annahmen oder halluzinierte Referenzen können bestehende Qualitätssicherungsverfahren vor neue Herausforderungen stellen. Und DORA zeigt, dass mehr Entwicklungsdurchsatz nicht automatisch höhere Stabilität bedeutet. Geschwindigkeit ohne robuste Engineering-Prozesse kann bestehende Schwächen sogar verstärken.

Für unseren Ansatz heißt das: KI übernimmt Arbeit, unsere Senior-Entwickler behalten die Verantwortung. Sie definieren den Lösungsweg, geben Kontext, prüfen Ergebnisse und entscheiden, was übernommen wird. Die menschliche Rolle ist damit kein nachgelagerter Qualitätscheck, sondern Teil des Entwicklungsprozesses selbst.

Wie gute Code-Standards KI-Agenten effizienter machen

Ein Faktor wird in der Diskussion über KI-Entwicklung häufig unterschätzt: die Qualität der Entwicklungsumgebung. Sonar untersuchte 2026 in einem kontrollierten Experiment mit 540 Agentenläufen, wie sich sauber strukturierter Code auf die Arbeit eines Coding-Agenten auswirkt. Auf der saubereren Codebasis benötigte der Agent 7,2 Prozent weniger Input-Tokens, 8,5 Prozent weniger Output-Tokens und rund ein Drittel weniger erneute Zugriffe auf bereits bearbeitete Dateien. Der geschätzte Reasoning-Aufwand sank um 11,1 Prozent, die Erfolgsquote blieb nahezu gleich. Sauberer Code machte den Agenten also nicht intelligenter, aber deutlich effizienter.

Genau diesen Mechanismus nutzen wir. Unsere Agenten arbeiten nicht allein mit dem allgemeinen Wissen eines Sprachmodells. Wir betten sie in einen definierten Engineering-Kontext ein: mgm-Entwicklungsrichtlinien, Architekturprinzipien, Qualitätsstandards und die für die jeweilige Aufgabe relevante SAP-Technologie, darunter RAP, CAP, Fiori mit OData V4, ABAP Cloud und die SAP Business Technology Platform. So wird aus einem generischen KI-Werkzeug ein Bestandteil eines strukturierten Entwicklungsprozesses.

Wie mgm KI-gestützte SAP-Entwicklung in der Praxis umsetzt

Wir verfolgen zwei Wege bei der KI-gestützten SAP-Entwicklung:

Bei gekapselten Lösungen führen wir einen großen Teil der Entwicklung innerhalb unserer eigenen Tool- und KI-Landschaft durch. Architektur, Entwicklungsrichtlinien, Tests und Qualitätssicherung liegen vollständig in unserer Hand. Bei Ihnen entsteht Aufwand vor allem für Integration und Anpassung. Unser eRechnung-Tool ist ein Beispiel für dieses Prinzip: Die Lösung muss nicht für jeden Kunden von Grund auf neu entwickelt werden. Ein wesentlicher Teil des Entwicklungsaufwands ist bereits geleistet und kommt Ihnen über eine erprobte, KoSIT-validierte Lösung zugute. Zur Produktseite “eRechnung für SAP”
Der zweite Weg ist individuelle Entwicklung direkt in Ihrem SAP-System. Hier arbeiten unsere Senior-Entwickler gemeinsam mit KI-Agenten. Die Agenten übernehmen geeignete Teile von Entwicklung, Analyse, Tests oder Dokumentation. Unsere Entwickler liefern Systemkontext, Architekturentscheidungen und fachliche Bewertung und verantworten das Ergebnis. Vereinfacht gesagt: maschinelle Kapazität für Erstellung und Analyse, menschliche Erfahrung für Kontext, Architektur und Verantwortung.

Dieses Modell ist die Grundlage unserer KI-gestützten SAP-Entwicklung aus Deutschland: nicht mehr Köpfe auf ein Problem setzen, sondern die Produktivität erfahrener Entwickler mit KI erhöhen.

Wie sich die Offshoring-Rechnung durch KI in der SAP-Entwicklung verändert

Der wirtschaftliche Vorteil klassischer Verlagerungsmodelle basiert auf einem niedrigeren Tagessatz. Solange eine Aufgabe ungefähr dieselbe Zahl menschlicher Entwicklungstage benötigt, ist dieser Vorteil schwer zu schlagen. KI verändert genau diese Voraussetzung. Wenn ein Senior-Entwickler mithilfe von Agenten mehr Entwicklungsleistung in derselben Zeit erbringt, sinkt die Zahl der benötigten Entwicklungstage. Künftig konkurrieren also nicht mehr nur zwei Tagessätze miteinander.

Vereinfacht stehen sich zwei Modelle gegenüber:

Auf der einen Seite Senior-Entwickler plus KI-Leistung, direkter Austausch und geringer Koordinationsbedarf.
Auf der anderen Seite größere Entwicklungskapazität mit niedrigerem Tagessatz, aber zusätzlichem Abstimmungs- und Steuerungsaufwand.

Der günstigere Tagessatz kann weiterhin ein Vorteil sein. Er ist aber nicht mehr automatisch gleichbedeutend mit dem günstigeren Projekt.

Diese Entwicklung wird inzwischen auch wissenschaftlich diskutiert. Ein Beitrag in der Zeitschrift Wirtschaftsinformatik & Management beschreibt unter dem Begriff AI-Shoring einen Ansatz, der qualifizierte Fachkräfte mit spezialisierten KI-Agenten kombiniert. Das Ziel: weniger menschlicher Ressourceneinsatz, kürzere Bearbeitungszeiten und gleichzeitig hohe Qualität und Verfügbarkeit. Softwareentwicklung gehört ausdrücklich zu den diskutierten Anwendungsfeldern.

Die klassische Make-or-Buy- beziehungsweise Shoring-Frage bekommt damit eine zusätzliche Dimension. Nicht mehr nur: Wo kostet eine Entwicklungsstunde weniger? Sondern: Wie viele menschliche Entwicklungsstunden brauchen Sie überhaupt noch, und welche Qualität hat diese verbleibende menschliche Zeit? Gerade für komplexe SAP-Entwicklung halten wir diese Frage für entscheidend.

Warum ein Senior-Entwickler mit KI mehr wirtschaftlichen Wert liefert

Unser Ansatz besteht deshalb nicht darin, Entwickler durch KI zu ersetzen. Er besteht darin, ihre Erfahrung auf die Aufgaben zu konzentrieren, bei denen sie den größten Wert hat: Architektur, Systemverständnis, fachlicher Kontext, Bewertung und Verantwortung. Die darunterliegende Erstellung übernimmt zunehmend die KI.

Dadurch wird Erfahrung skalierbar. Und genau hier liegt das wirtschaftliche Potenzial: Der günstigste Entwickler ist nicht zwangsläufig der mit dem niedrigsten Tagessatz. Entscheidend ist, wie viel verlässliche, integrierbare und wartbare Software für das eingesetzte Budget entsteht. Für geeignete SAP-Entwicklungsaufgaben kann ein kleines Team erfahrener mgm SAP-Entwickler, unterstützt durch spezialisierte KI-Agenten, deshalb schon heute eine wirtschaftliche Alternative zu größeren Near- oder Offshore-Teams sein.

Und je stärker sich die eigentliche Codeerzeugung automatisieren lässt, desto weniger entscheidend wird künftig sein, wo Code geschrieben wird. Entscheidender wird sein, wer versteht, welcher Code der richtige ist.

Sie möchten wissen, wie KI-gestützte SAP-Entwicklung in Ihrem Systemkontext aussehen kann? Einen Überblick über unser SAP-Angebot finden Sie auf unserer Website “KI-gestützte SAP-Entwicklung aus Deutschland” oder sprechen Sie uns direkt an.

Kontakt