Amazon Stores: 4,5x Produktivitätssteigerung durch strukturierte KI-Piloten mit regulären Teams

Amazon betreibt sein Retail-Geschäft über Tausende kleiner Entwicklungsteams – intern als „Two-Pizza-Teams" bezeichnet. Die zentralen Herausforderungen waren laut internen Angaben der Zeitaufwand für Nicht-Coding-Tätigkeiten wie Dokumentation, Koordination und Betrieb, die Ablösung technischer Schulden sowie Inkonsistenzen in der Code-Qualität über die vielen Teams hinweg. Amazon begann, KI-gestützte Entwicklungsansätze in Hunderten von Engineering-Teams zu erproben und identifizierte dabei drei strukturell unterschiedliche Pfade.

Amazon Stores führte sogenannte strukturierte Piloten durch – bezeichnet als „In-situ-Experimente". Teams arbeiteten unter regulären Bedingungen: reguläre Backlogs, keine Sonderbedingungen, keine handverlesenen Ingenieure. Eingesetzt wurden das KI-Entwicklungswerkzeug Kiro sowie zweckgebundene KI-Tools. Die Ergebnisse wurden mit historischen Baselines verglichen.

Parallel dazu untersuchte Amazon in einer übergreifenden Studie mehr als 50 Teams: Die 25 Teams, die sowohl neue Werkzeuge als auch neue Arbeitsweisen einführten, übertrafen jene, die KI lediglich bestehenden Workflows hinzufügten.

Konkrete Teambeispiele aus Amazon Stores:

- **Perfect Order Experience** liefert Features nun innerhalb eines Nachmittags statt in zwei Wochen. - **WW Grocery** reduzierte die Erstellung von Designdokumenten von fünf Tagen auf wenige Stunden.

Ergänzend dazu formalisierte Amazon Stores seine internen Erwartungen in einem Satz von „AI-native Engineering Tenets" – internen Leitlinien, die den pragmatischen Einsatz von KI beschreiben: Balancierung von Geschwindigkeit, Kosten und Kontrolle, mit klaren Anforderungen an Transparenz. Diese Tenets sind Teil einer übergeordneten „AI-native"-Strategie, die auf eine skalierte Nutzung über Tausende von Teams abzielt.

Amazon identifizierte drei Entwicklungspfade für KI-native Softwareentwicklung:

1. **Pathfinder-Initiative**: Kleine Expertengruppen arbeiten an klar definierten Herausforderungen unter neu gestalteten Workflows – illustriert durch ein Amazon-Bedrock-Team, das mit sechs Ingenieuren in 76 Tagen ein Projekt abschloss, das ursprünglich für 30 Entwickler über 12 bis 18 Monate geplant war.

2. **Structured Sprint**: Zeitlich begrenzte, fokussierte Sprints ohne Unterbrechungen – illustriert durch das Prime Video Financial Systems Team, das in 10 Tagen eine ursprünglich auf 90 Wochen geschätzte Aufgabe auf 24 Wochen verkürzte.

3. **In-situ-Experiment** (das für Amazon Stores maßgebliche Modell): Bestehende Teams arbeiten mit KI-Tools und angepassten Workflows unter normalen Betriebsbedingungen.

Das Prime-Video-Team, dessen Sprint-Ansatz den In-situ-Piloten konzeptuell beeinflusste, führte den Produktivitätsgewinn auf drei sich multiplizierende Faktoren zurück: Beschleunigung bei Aufgaben mit geringem Urteilsvermögen (1,5x), höhere Konzentration bei komplexen Aufgaben ohne Kontextwechsel (1,5x) sowie sofortiger Zugriff auf von Agenten erfasstes Domänenwissen (1,5x). Die Analyse ergab: Fällt einer dieser Faktoren weg, kollabieren die Gesamtgewinne.

Die „AI-native Engineering Tenets" von Amazon Stores beschreiben den internen Anspruch als „AI-native engineering" – KI nicht als Ergänzung, sondern als Fundament der Softwareentwicklung, mit menschlichen Experten als Direktoren zunehmend autonomer Agenten.

In den In-situ-Piloten von Amazon Stores lag die **mediane Produktivitätssteigerung bei 4,5x**, gemessen in normalisierter Deployment-Geschwindigkeit (Features je Sprint, normalisiert gegen historische Baselines). Einzelne Teams erreichten **mehr als 10x**.

Konkret belegte Verbesserungen:

- Perfect Order Experience: Featuredauer von zwei Wochen auf einen Nachmittag - WW Grocery: Designdokumentation von fünf Tagen auf wenige Stunden

Die Ergebnisse aus Amazon Stores sind Teil eines breiteren Musters, das Amazon in mehr als 50 Teams beobachtete: Teams, die lediglich neue Werkzeuge in bestehende Workflows integrierten, blieben hinter jenen zurück, die gleichzeitig auch ihre Arbeitsweisen veränderten. Amazon zieht daraus die explizite Schlussfolgerung: „The workflow matters, not just the tool." Die Stores-Piloten sind insofern bemerkenswert, als sie unter regulären Betriebsbedingungen stattfanden – kein Laborsetting, keine Auswahl besonders leistungsstarker Teams – und dennoch substanzielle, messbare Produktivitätsgewinne zeigten.