99% KI-geschriebener Code: Wie Every 4 Produkte mit 15 Leuten betreibt

Wie Every eine KI-native Organisation von Grund auf gebaut hat

Dan Shipper leitet Every, ein Medien- und Software-Unternehmen mit sechs Geschäftseinheiten, vier Produktions-Softwareprodukten, über 7.000 zahlenden Abonnenten und zweistelligem MRR-Wachstum seit sechs aufeinanderfolgenden Monaten - alles mit nur 15 Leuten. Der bemerkenswerte Teil: 99% ihres Codes wird von KI-Agenten geschrieben. Dieser Vortrag von AI Engineer NYC bietet ein konkretes Playbook dafür, wie KI-native Organisationen tatsächlich aussehen.

Über den 10x-Unterschied: “There’s a 10x difference between an org where 90% of the engineers are using AI versus an org where 100% of the engineers are using AI. It’s totally different.” (Es gibt einen 10x-Unterschied zwischen einer Org, wo 90% der Ingenieure KI nutzen, versus einer Org, wo 100% der Ingenieure KI nutzen. Es ist völlig anders.) Der Schwelleneffekt ist wichtig, weil selbst 10%, die traditionelle Methoden nutzen, die gesamte Organisation zwingt, diesen Workflow zu berücksichtigen - was den Paradigmenwechsel daran hindert, abgeschlossen zu werden.

Über Einzel-Ingenieur-Produkte: “Each one of our apps is built by a single developer… and these are not little apps. Thousands of users. It’s not simple. It’s complicated.” (Jede unserer Apps wird von einem einzelnen Entwickler gebaut… und das sind keine kleinen Apps. Tausende von Nutzern. Es ist nicht einfach. Es ist kompliziert.) Kora (Email-KI), Monologue (Speech-to-Text) und Spiral sind alles Produktions-Apps, die von einer Person gewartet werden. Es geht nicht um Prototyp-Qualität - das sind Apps mit zahlenden Kunden.

Über den Kern-Loop: “In traditional engineering, each feature makes the next feature harder to build. In compounding engineering, your goal is to make sure each feature makes the next feature easier to build.” (Im traditionellen Engineering macht jedes Feature das nächste Feature schwieriger zu bauen. Im Compounding Engineering ist dein Ziel sicherzustellen, dass jedes Feature das nächste Feature leichter zu bauen macht.) Ihr vierstufiger Prozess: Planen → Delegieren → Bewerten → Kodifizieren. Der “Kodifizieren”-Schritt - implizites Wissen in Prompts zu verwandeln - ist, wo das Compounding passiert.

Über paralleles Arbeiten: “I know engineers… who are productively using four panes of agents at the same time.” (Ich kenne Ingenieure… die produktiv vier Agent-Fenster gleichzeitig nutzen.) Das ist nicht das Twitter-Meme von Vibe-Codern, die so tun, als würden sie arbeiten - es ist echte parallele Feature- und Bug-Arbeit, die Einzel-Ingenieur-Produkte ermöglicht.

Darüber, dass Manager Code committen: “Managers can commit code. If you’re technical, even the CEO can… AI allows engineers to work with fractured attention.” (Manager können Code committen. Wenn du technisch bist, sogar der CEO… KI erlaubt Ingenieuren, mit fragmentierter Aufmerksamkeit zu arbeiten.) Shipper selbst committet Produktionscode, obwohl er ein 15-Personen-Unternehmen mit vier Produkten leitet. Die Startkosten des Codens sind genug gesunken, dass Context-switching-Executives beitragen können.

6 Erkenntnisse von Dan Shipper zu Compounding Engineering

• 100% KI-Adoption ist qualitativ anders - Bei 90% Adoption berücksichtigt die Org noch traditionelle Workflows; bei 100% werden völlig neue Betriebsmodelle möglich
• Einzelne Ingenieure betreiben Produktionsprodukte - Everys Apps mit Tausenden zahlenden Nutzern werden jeweils von einem Entwickler plus gelegentlichen Contractors gewartet
• Compounding Engineering invertiert die übliche Dynamik - Statt dass Features Komplexität hinzufügen, macht jedes Feature das nächste leichter durch kodifizierte Prompts und gelernte Muster
• Impliziter Code-Austausch wird kostenlos - Richte Claude auf ein Kollegen-Repo, lerne ihren Implementierungsansatz und reimplementiere in deinem eigenen Stack - keine Bibliotheksabstraktion nötig
• Neue Mitarbeiter produktiv am ersten Tag - Alle Umgebungseinrichtung und PR-Standards leben in CLAUDE.md-Dateien; der Agent übernimmt das Onboarding
• Tech-Stack-Standardisierung optional - KI übernimmt die Übersetzung zwischen Sprachen und Frameworks, sodass Teams nutzen können, was sie bevorzugen

Was das für KI-native Teams bedeutet

Everys Modell - 15 Leute, vier Produkte, 99% KI-Code - zeigt die Organisationsstruktur von KI-nativen Unternehmen voraus. Die Schlüsselerkenntnis ist nicht, dass KI Code schneller schreibt; es ist, dass 100% Adoption qualitativ andere Operationen ermöglicht: Einzel-Ingenieur-Produkte, Manager-Contributors, reibungslosen Code-Austausch über Repos. Für Unternehmen, die über KI-Adoptionslevel debattieren, ist die Botschaft binär: Partielle Adoption erfordert immer noch die Berücksichtigung des alten Paradigmas, während volle Adoption ein neues erschließt.