Perfect Order Experience: Feature-Lieferung in einem Nachmittag statt zwei Wochen

Bei Amazon liefen über 50 Entwicklungsteams an strukturierten Pilotprogrammen mit KI-gestützten Workflows. Ausgangspunkt war die Beobachtung, dass KI-Coding-Agenten zwar die Rate steigern, mit der Code geschrieben wird, nicht aber die Rate, mit der Features tatsächlich bei Kunden ankommen. Der Engpass lag laut internen Erkenntnissen nicht in der Fähigkeit der Agenten, Output zu erzeugen, sondern in deren Zugang zu dem Wissen, das für gute Entscheidungen erforderlich ist – und in der Bereitschaft der Teams, ihre Arbeit entsprechend umzustrukturieren.

Amazon klassifiziert Teams, die diesen Schritt vollzogen haben, als „frontier teams". Diese zeichnen sich dadurch aus, dass sie KI-Adoption als Engineering-Investition behandeln, nicht als Werkzeug-Rollout.

Das Team Perfect Order Experience ist Teil der sogenannten „In-situ"-Experimente bei Amazon Stores. Dabei arbeiteten typische Entwicklungsteams gegen ihre regulären Backlogs, nutzten das Tool Kiro sowie eigens entwickelte KI-Werkzeuge – ohne besondere Rahmenbedingungen und ohne handverlesene Ingenieure. Perfect Order Experience liefert Features seither in einem Nachmittag statt in zwei Wochen.

Zum Vergleich: Ein weiteres Amazon-Team in diesem Experiment, WW Grocery, reduzierte die Erstellung von Design-Dokumenten von fünf Tagen auf wenige Stunden.

Die 25 Teams innerhalb der über 50 untersuchten Teams, die sowohl neue Werkzeuge als auch neue Praktiken einführten, übertrafen jene, die KI lediglich zu bestehenden Workflows hinzufügten. Der Unterschied lag also nicht im Werkzeug allein, sondern in der Kombination aus Werkzeug und verändertem Arbeitsablauf.

Amazon beschreibt fünf gemeinsame Praktiken der leistungsstärksten Teams. Ihr gemeinsamer Nenner: die Barrieren für den Agenten-Kontext senken und die Fläche der Arbeit vergrößern, die Agenten selbstständig erledigen können. Konkret gehören dazu Agent-Steering-Dateien und strukturierte Wissensaufbereitung, damit Agenten projektrelevante Informationen konsumieren können.

Ein detaillierteres Bild liefert das verwandte Experiment des Prime-Video-Financial-Systems-Teams: Sechs Ingenieure arbeiteten zehn Tage lang in einem Raum, ohne Kontextwechsel, ohne Bereitschaftsdienst, ohne parallele Projekte. Ein leitender Ingenieur hatte drei Wochen vorab Komplexität in klar abgegrenzte Aufgaben mit detaillierten Anforderungen zerlegt. Das Team nutzte Spec-Driven Development für komplexe Feature-Arbeit und direkten agenten-assistierten Ansatz für Aufgaben mit bereits klaren Anforderungen. Die identifizierten Multiplikatoren waren: Beschleunigung von Aufgaben mit geringem Urteilsbedarf (1,5x), höhere Fokussierung auf Aufgaben mit hohem Urteilsbedarf durch fehlenden Kontextwechsel (1,5x) sowie sofortiger Zugang zu agentenerfasstem Domain-Wissen (1,5x). Laut Team kollabieren die Gewinne, wenn auch nur einer dieser Faktoren entfällt.

Für Perfect Order Experience ist das belegte Ergebnis: Feature-Lieferung in einem Nachmittag statt in zwei Wochen.

Im breiteren Kontext der über 50 untersuchten Amazon-Stores-Teams lag der mediane Produktivitätszuwachs bei 4,5x in der normalisierten Deployment-Velocity (Features pro Sprint, normalisiert gegen historische Baselines), einzelne Teams erreichten mehr als 10x.

Das Ergebnis von Perfect Order Experience steht nicht isoliert. Amazon wertet es als Teil eines Musters, das sich über verschiedene Teamstrukturen und Experimentdesigns hinweg zeigt: Der Workflow entscheidet, nicht das Werkzeug allein. Teams, die lediglich KI-Werkzeuge in bestehende Abläufe integrierten, erzielten geringere Gewinne als jene, die Abläufe grundlegend neu gestalteten. Amazon bezeichnet dies als zentrales Ergebnis seiner Experimente: „The workflow matters, not just the tool."