Als ich Mitte der 1990er-Jahre Informatik studierte, war künstliche Intelligenz eines der Fächer, die mich am meisten faszinierten. Wir lernten die Grundlagen, den Stand der Forschung und die Anwendungen jener Zeit kennen. Unser Lehrbuch war das damals brandneue „Artificial Intelligence: A Modern Approach“ von Stuart Russell und Peter Norvig, das bald zum Standardwerk des Fachs wurde. Es deckte ein breites Spektrum ab: die Suche nach Lösungen, logisches Schließen, Planung, Schlussfolgern unter Unsicherheit sowie neuronale Netze und ihr Training. Interessanterweise beschrieb das Buch KI als die Lehre von intelligenten Agenten – Systemen, die ihre Umgebung wahrnehmen und selbstständig handeln. Dreißig Jahre später steht genau diese Idee wieder im Mittelpunkt. Am Ende meines Studiums war mein Fazit eindeutig: KI ist spannend, aber die Technik ist noch weit davon entfernt, in der Industrie wirklich eingesetzt zu werden. Außerhalb der Forschungslabore gab es kaum Anwendungen.
Dieses Fazit hatte lange Bestand. Über die Jahre verfolgte ich, was KI in der Softwarebranche insgesamt erreichte, aber ein Thema, an dem wir selbst arbeiteten, war sie nie. In den 2000er-Jahren arbeitete ich bei SAP Research. Ein eigenes Forschungsprogramm zu KI hatten wir dort nicht, weil wir sie nicht für reif genug hielten für angewandte Forschung im industriellen Umfeld. Wir sahen damals schlicht keinen Nutzen darin.
Das änderte sich in den 2010er-Jahren. Die neuronalen Netze, die ich im Studium kennengelernt hatte, kehrten unter einem neuen Namen zurück, Deep Learning: Netze mit sehr viel mehr Schichten, trainiert mit weit mehr Daten und weit mehr Rechenleistung, großenteils von Grafikkarten. 2012 gewann ein tiefes neuronales Netz namens AlexNet mit großem Abstand den ImageNet-Wettbewerb, einen Maßstab für das Erkennen von Objekten auf Fotos. Bis 2015 machten die besten Systeme bei diesem Test weniger Fehler als ein geschulter Mensch. 2016 schlug AlphaGo Lee Sedol, einen der weltbesten Spieler, im Go – einem Spiel, das lange als für Computer unerreichbar galt.
Zur selben Zeit hielt KI Einzug in den Alltag. Die Lenses von Snapchat setzten Gesichtern in Echtzeit verspielte Masken auf. Mit Google Fotos ließen sich die eigenen Bilder nach „Strand“ oder „Hund“ durchsuchen, ohne dass man sie je verschlagwortet hatte. Siri, Amazons Alexa und der Google Assistant brachten die Sprachsteuerung aufs Handy und ins Wohnzimmer. 2016 stellte Google Übersetzer auf neuronale Netze um und wurde fast über Nacht spürbar besser, und 2017 zeigte DeepL aus Köln, wie gut maschinelle Übersetzung sein kann.
Das weckte mein Interesse. Ich verfolgte das Feld genauer und beschäftigte mich mit der Verarbeitung natürlicher Sprache und damit, wie man Sprachschnittstellen für Software baut. Aber vor rund zehn Jahren fühlte sich das noch umständlich und kompliziert an: Jeden Befehl und jede Formulierung, die ein Nutzer wählen könnte, musste man von Hand festlegen, und Anfragen, die nicht in dieses Muster passten, scheiterten oft. Die Technik war noch nicht leistungsfähig genug.
Der entscheidende Schritt für die Sprache kam 2017, außerhalb der Forschung weitgehend unbemerkt. Ein Team bei Google stellte eine neue Art von neuronalem Netz vor, den Transformer. Statt einen Text Wort für Wort zu lesen, betrachtet er den ganzen Text auf einmal und lernt, welche Wörter zueinander in Beziehung stehen. Transformer ließen sich mit riesigen Textmengen trainieren, und je größer sie wurden, desto besser wurden sie. Diese großen Sprachmodelle, kurz LLMs, lernten zu schreiben, zusammenzufassen, zu übersetzen und sogar zu programmieren – nicht weil jemand Regeln dafür geschrieben hätte, sondern weil sie so viel Text gesehen hatten. Die GPT-Modelle von OpenAI wuchsen von Generation zu Generation; GPT-3 hatte 2020 bereits 175 Milliarden Parameter, also die einstellbaren Werte, die ein Netz beim Training lernt.
Ende 2022 erschien dann ChatGPT. Wie viele andere probierte ich sofort aus, wie weit ich damit komme: in der Softwareentwicklung, bei Hintergrundrecherchen, beim Schreiben aller möglichen Dokumente. Das war interessant. Aber ich hatte nicht das Gefühl, dass es meine tägliche Arbeit grundlegend verändern würde.
Verändert hat es aber, wie genau ich hinsah. Ich beschloss, KI als Technologiethema ins Bewusstsein unseres Teams zu bringen. 2023 veranstalteten wir bei MesserSoft einen Workshop zum Bau KI-gestützter Anwendungen mit Schwerpunkt Deep Learning – eine Art KI-Hackathon. Gleichzeitig zerbrachen wir uns den Kopf darüber, wo KI Teil unserer eigenen Produkte werden könnte. In den folgenden zwei Jahren prüfte ich regelmäßig den Stand der KI-Werkzeuge für die Programmierung, immer mit einer Frage im Kopf: Ist eines davon reif für unsere Entwicklungsteams?
Die Antwort kam 2025, an dem Tag, an dem ich Claude Code selbst ausprobierte.
Das ist es!
Das war mein erster Gedanke. Nach dreißig Jahren, in denen ich KI aus der Distanz beobachtet hatte, wusste ich zum ersten Mal, dass sie die Art verändern würde, wie wir arbeiten. Ehrlich gesagt hätte ich nie erwartet, so etwas noch vor meinem Ruhestand zu erleben.
Im Sommer 2025 fingen wir an, es einzusetzen – schrittweise. Wir lernten, damit zu arbeiten, und wir lernten aus unseren Fehlern. Wir änderten unsere Gewohnheiten, erarbeiteten Best Practices und veränderten unsere Arbeitsweise. Wir hielten interne Workshops ab und teilten Erfahrungen und Erkenntnisse über die Teams hinweg. Schritt für Schritt übernahmen unsere Softwareentwicklungsteams das Werkzeug. Und seit dem Tag, an dem ich Claude Code zum ersten Mal benutzt habe, habe ich selbst mehr Codezeilen produziert als in meinem ganzen Leben davor.
Schnell zeigte sich, dass Claude Code für viel mehr taugt als für das Schreiben von Software. Es ist das, was man heute ein agentisches Werkzeug nennt: Statt nur Fragen zu beantworten, arbeitet es eine Aufgabe selbstständig Schritt für Schritt ab, während die Menschen bestimmen, was getan wird. Produktmanagement, Dokumentation und Marketing waren die naheliegenden nächsten Kandidaten. Später folgten Finanzen und Dokumentenmanagement.
Wenn ich auf die letzten zwölf Monate zurückblicke, hat sich MesserSoft als Organisation verändert. Nicht wegen eines einzelnen Werkzeugs, sondern weil sich unser Team die Zeit genommen hat, eine neue Arbeitsweise zu lernen.
Warum erzähle ich Ihnen das? Weil ich überzeugt bin, dass agentische KI enormes Potenzial für jedes Unternehmen hat – nicht nur für Softwarefirmen, sondern auch für die Fertigungsbetriebe, mit denen wir jeden Tag zusammenarbeiten. Und weil Sie es in unseren Produkten sehen werden. Wie das im Einzelnen aussieht, zeigen wir in eigenen Beiträgen. Dieser hier soll Ihnen einfach sagen: Bei MesserSoft tut sich etwas. Wir warten nicht ab, wohin sich das entwickelt – wir wollen es mitgestalten.
Ich bin vom 20. bis 23. Oktober auf der EuroBLECH 2026 in Hannover, bei three91 in Halle 27, Stand M155, wo wir unsere neue Produktlinie vorstellen. Wenn Sie über KI jenseits unserer Produkte sprechen möchten oder erfahren wollen, wie wir unsere Arbeitsweise als Organisation verändert haben, kommen Sie gern vorbei – ich teile gern, was wir gemacht haben.
Roger Kilian-Kehr, CEO von MesserSoft
ChatGPT ist eine Marke von OpenAI. Claude und Claude Code sind Marken von Anthropic, PBC. SAP ist eine Marke der SAP SE. Snapchat ist eine Marke von Snap Inc. Google Fotos, Google Assistant und Google Übersetzer sind Marken der Google LLC. Amazon und Alexa sind Marken von Amazon.com, Inc. Siri ist eine Marke von Apple Inc. DeepL ist eine Marke der DeepL SE. Alle Marken sind Eigentum ihrer jeweiligen Inhaber.