Die 50 Jahre alte Regel, die jede Softwarefirma bestimmte, ist zerbrochen. Was sie ersetzt

(SeaPRwire) –   Im Jahr 1975 veröffentlichte ein Software-Ingenieur namens Fred Brooks ein Managementbuch, das die inhärente Schwierigkeit der Skalierung von Technologieunternehmen beschrieb. Er nannte es The Mythical Man-Month, und der Titel deutete auf eine einfache Erkenntnis hin: Mehr Personal bedeutet nicht schnellere Leistung.

Einfach ausgedrückt, ist die Skalierung der Leistung eines Softwareteams völlig anders als die Steigerung der Leistung von Arbeitern in einer Widget-Fabrik. Zehn weitere Arbeiter bringen Ihnen zehn weitere Widgets. Aber zehnmal mehr Kapital und zehnmal so viele Programmierer bringen Ihnen nicht zehnmal mehr Codezeilen.

Brooks wusste dies aus Erfahrung. Bei seiner Arbeit am 360-Mainframe-Betriebssystemprojekt von IBM beobachtete er, wie Softwareorganisationen unter ihrer eigenen Komplexität zusammenbrachen. Jeder neue Mitarbeiter trug exponentiell zu den Kommunikationskosten bei. Neue Leute brauchten Schulungen, und die Einarbeitungszeit bedeutete, dass sie langsam produzierten. Bestehende Mitarbeiter mussten ihre Arbeit unterbrechen, um die Neulinge zu schulen – ein doppelter Schlag, der sich mit jeder Neueinstellung verstärkte.

50 Jahre lang fand niemand einen Weg, dies zu umgehen. Von den 66 Einhörnern (Startups im Wert von über 1 Milliarde Dollar), die 2021 mit Bargeld überschüttet wurden, haben 30 seitdem keine Mittel mehr aufgenommen, und 11 haben zu niedrigeren Bewertungen Kapital erhalten. Obwohl zweifellos andere Faktoren eine Rolle spielten, ist dies ein weiterer Datenpunkt, der zeigt, dass Produktivität nicht einfach durch die Einstellung weiterer Ingenieure erkauft werden kann.

Dann, im Jahr 2022, änderte sich etwas.

Warum KI Brooks’s Law aufhebt

Seit 2023 regiert eine neue Reihe von Gesetzen die Kapitalallokation, die das Mythical Man-Month* mehr oder weniger irrelevant machen. Dies wird deutlich, wenn man sich Unternehmen ansieht, die Kapital in AI-Modelle stecken und sofortige Erträge in Forschung und Modellfähigkeit erzielen. Modellunternehmen haben es geschafft, mehr Kapital mit kleineren Teams einzusetzen und dadurch ein überproportionales Umsatzwachstum zu erzielen. Tatsächlich zeigen unsere internen Daten, dass die größeren AI-Unternehmen fast das Dreifache des Umsatzes pro Vollzeitmitarbeiter im Vergleich zu Nicht-AI-Software- und Technologieunternehmen aufweisen.

Der Grund liegt tiefer als nur in der Werkzeug- oder Workflow-Effizienz. Moderne AI-Ansätze haben sich so entwickelt, dass sie große Mengen an Rechenleistung statt komplexer Ingenieurskunst nutzen, was bedeutet, dass das alte Koordinationsproblem, das aus der Komplexität resultierte, weitgehend verschwindet. Rich Sutton hat dies 2019 in seinem Essay „Bitter Lesson“ berühmt festgehalten, indem er argumentierte, dass einfache Algorithmen, die leistungsstarke Computer nutzen, clevere Algorithmen, die auf „domänenspezifischem“ menschlichem Wissen basieren, durchweg übertreffen. Als Sutton den Essay 2019 schrieb, gab es noch kein ChatGPT und keine hundert Millionen Dollar teuren Trainingsläufe zur Entwicklung fortschrittlicher Modelle. Der anschließende Aufstieg der Frontier AI hat sein Argument seitdem dramatischer bestätigt, als es vielleicht jemand erwartet hatte.

Brooks’ langjährige Beobachtung gilt für den Bau traditioneller Software. Die Entwicklung von AI hat sich als ganz anders erwiesen. Anstatt große Teams über mehrere Subsysteme hinweg zu erfordern, die sich koordinieren müssen, werden AI-Modelle von kleineren Teams entwickelt, deren Output in Qualität als Funktion der Daten und Rechenleistung zunimmt, die ihnen zugeführt werden. Das Ergebnis ist etwas, das Brooks fast unvorstellbar gefunden hätte: Kapital kann endlich schnell eingesetzt werden, und die Beziehung zwischen Investition und Output ist weitaus direkter. Das heißt, jetzt können Sie Geld in Softwareentwicklung stecken, um mehr Output zu erzielen. Das gilt, wenn Sie AI-Modelle entwickeln, die die Arbeit erledigen, für die wir sonst traditionelle Software verwenden würden.

Wie die neuen Zahlen aussehen

Dies zeigt sich auf den privaten Märkten, wo Unternehmen historische Summen an Geld aufnehmen, mit historisch kleinen Teams, und ein historisches Wachstum genießen. OpenAI, Anthropic und Cursor sind in weniger als zwei Jahren von wenigen Millionen Dollar Umsatz auf Milliarden angewachsen.

Es gibt auch eine Veränderung dessen, was es braucht, um zu gewinnen. Lange Zeit war die Antwort auf das Mythical Man-Month* bessere Führung und eine stärkere Unternehmenskultur. Besser geführte Teams setzten sich gegen Rivalen durch, indem sie schneller und effizienter mit der gleichen Menge an Kapital agierten. Aber in jüngster Zeit hat AI den Engpass von Menschen auf Rechenleistung verlagert, und die Führung großartiger Teams in großem Maßstab ist heute weniger wichtig als früher.

Brooks’ Beschränkung lag immer auf der Angebotsseite: Man konnte einfach nicht schnell genug großartige Softwareunternehmen aufbauen, um die Nachfrage nach ihnen zu decken. Die gleiche Logik galt für Risikokapital: Finanzmittel waren reichlich vorhanden, aber die großartigen Unternehmen, die sie aufnehmen konnten, gab es nicht. Dieses Muster war über Zyklen hinweg beobachtbar, wobei sich die Renditen auf eine kleine Anzahl von Ausreißern konzentrierten und keine Menge an Fundraising änderte, wie viele dieser Ausreißer in einer bestimmten Ära existierten. Aber die Knappheit der Ausreißer lag nie an Ideen oder Kapital. Es ging um das, was Brooks gesehen hatte: Man konnte Unternehmen nicht nach Bedarf skalieren. Ändern Sie das, und Sie ändern die Knappheit.

Was nach The Mythical Man Month kommt
Die Auswirkungen dieser Verschiebung werden tiefgreifend sein. Renditen werden denen zufallen, die Kapital schnell und effizient einsetzen können, und nicht nur denen mit dem größten Konsumentenverständnis, dem größten Tatendrang oder der größten Führungsstärke. Für Kunden und Investoren könnte dies viel mehr Möglichkeiten bedeuten, generationenprägende Unternehmen aufzubauen, ohne grundlegende Skalierungsgrenzen zu erreichen.

Die Änderungsrate in der Softwareindustrie und allem, was sie berührt, wird sich nur weiter beschleunigen. Und die Bandbreite der Dinge, die Software berühren kann, wird ebenfalls zunehmen. Vor AI war die Ingenieurskunst durch die sinkenden Erträge begrenzt, die sich ergaben, wenn man mehr Programmierer auf ein Problem ansetzte. Mit AI hat die Welt herausgefunden, wie man das umgehen kann.

Brooks identifizierte die Falle, in der die Softwareindustrie über fünfzig Jahre lang navigierte. The Mythical Man Month galt als unüberwindbar. Aber im Zeitalter der AI könnte es einfach um ein ausreichend großes Rechenbudget und ein kleines genug Team gehen, das weiß, wann und wie es eingesetzt werden muss.

Die in .com-Kommentaren geäußerten Meinungen sind ausschließlich die Ansichten ihrer Autoren und spiegeln nicht unbedingt die Meinungen und Überzeugungen von .