AI-Native: Lessons Learned aus Accso-internen KI-Hackathons

KI-Hackathons bei Accso 

AI-Native heißt für Accso: KI ist selbstverständlich Grundlage unserer Arbeit – in Kundenlösungen, in Projekten (KI-gestützt) und in internen Prozessen durch sinnvolle Automatisierung. 

Um dieses Zielbild zu erreichen, führen wir seit Juli 2025 in unseren verschiedenen Teams Hackathons durch. Hackathons sind ein ergänzendes Format zu Schulungen und zur Erprobung im Arbeitsalltag, das Mitarbeitende befähigt, selbst zu experimentieren, Erfahrungen zu sammeln und Inspirationen für den eigenen Arbeitskontext zu bekommen.  

Erwartung vs. Realität: „Schneller, aber mit mehr Aufwand“ ist kein Widerspruch 

Die Mehrzahl unserer Teams haben bereits ihren Hackathon veranstaltet, die Ergebnisse von vieren wurden genauer ausgewertet. Dafür wurden die Teilnehmenden vorab zu ihren Erwartungen sowie im Anschluss zu ihren Erfahrungen befragt.  

Schon in den ersten Umfragen zeigte sich ein Muster: Viele erwarteten, dass KI die Arbeit beschleunigt, aber gleichzeitig rechneten sie mit mehr Iterationen, mehr Diskussionen mit der KI, mehr Schleifen. Das klingt paradox, ist es aber nicht: „Schneller“ bedeutet hier oft „schneller zu einem ersten Stand“, nicht „schneller bis zur robusten Lösung“.  

Im Zeitverlauf ist noch etwas Spannendes passiert: Die Erwartungshaltung an Agentic Coding ist in einem späteren Hackathon deutlich gesunken – bei ähnlich bleibender Erwartung, dass der Aufwand hoch bleibt. Warum genau das so ist? Unsere Vermutung: Der Hype kühlt ab und Erfahrung macht realistischer.  

Output unserer KI-Hackathons: von Greenfield bis Testing 

Ziel der Hackathons ist es, KI im Arbeitskontext der Teilnehmenden anzuwenden. Dementsprechend sind verschiedene Ergebnis-Klassen entstanden, die die Artefakte entlang des Software-Engineering-Prozesses abbilden: 

1. Lauffähige Greenfield-Demos waren der häufigste Typ: neue Anwendungen „von Null“, schnell vorzeigbar – eine klare Stärke für Demos und Prototypen.  
2. Brownfield-Erweiterungen (bestehende Codebasis erweitern) gab es ebenfalls. Hierbei bringt der bestehende Kontext eine eigene Art von Komplexität mit sich: Projektspezifische Abhängigkeiten, interne Libraries oder implizite Architekturregeln sind für Agenten schwer zu „erraten" und müssen daher explizit vermittelt werden. Gleichzeitig bietet die vorhandene Codebasis auch Orientierung: bestehende Patterns und Konventionen können dem Agenten als Referenz dienen. Entscheidend ist, diesen Kontext gezielt bereitzustellen, da der Agent sonst Gefahr läuft, funktional korrekte, aber architektonisch unpassende Lösungen zu erzeugen. 
3. Qualitätsartefakte sind möglich und können ein hohes Niveau erreichen: In einem Hackathon wurden z. B. funktionierende Barrierefreiheitstests erzeugt, die automatisierbare Kriterien prüfen.  

4. Doku & Planung (Architekturdiagramme, BPMN, Reports, Präsentationen) tauchten ebenfalls als verwertbarer Output auf – also „mehr als nur Code“.  

    

Konkrete Empfehlungen für die Arbeit mit KI: Mit besseren Rahmenbedingungen zu besseren Ergebnissen 

Das Ergebnis unserer Befragungen ist deutlich: Die Technik ist mächtig, aber die Arbeitsweise entscheidet. Hier die wichtigsten Tipps aus unseren Teams: 

1. Gute Vorbereitung: Die Output-Qualität hängt an der Input-Qualität. Ein klarer Scope, konsistente Infos und Einstiegshilfen verbessern die Ergebnisse. 
2. Klare Qualitätskriterien definieren: Was heißt „fertig“? Was ist „präsentationsreif“? 
3. Tooling bewusst wählen: Für komplexe Aufgaben bieten strukturierte Frameworks eine solide Grundlage, für schnelle Prototypen genügt oft ein schlanker, prompt-basierter Ansatz. Entscheidend ist, beides situationsgerecht einzusetzen. 
4. Iterationen und Clarify-Phasen als Standard, damit die KI weniger raten muss.  
5. Beim Rollback nicht auf KI verlassen: Nutzt Git als verlässliche Sicherung. 
6. Zeit für Qualitätssicherung einplanen: Der Aufwand verschiebt sich weg vom Tippen, hin zu Review, Debugging und Steuerung. 

7. Reviews als Kernkompetenz stärken: KI ersetzt keine Expertise. KI verstärkt vorhandenes Wissen, ohne Verständnis steigen allerdings Risiko und Review-Aufwand.  

    

Unser Fazit 

Der größte Gewinn aus den Hackathons ist nicht eine einzelne Demo – sondern ein realistischeres Bild davon, wie KI-gestützte Entwicklung im Team funktioniert: als Kombination aus Spezifikation, Leitplanken, iterativem Dialog, Review-Kultur und Engineering-Grundlagen.  
 
KI kann viel Arbeit abnehmen – aber sie nimmt keine Verantwortung ab. Deshalb ist der nächste Schritt nicht alles agentisch zu gestalten. KI-Agenten entfaltet ihren Mehrwert dort, wo Scope und Kontrollierbarkeit stimmen – während Unterstützung durch KI schon heute der zuverlässige Daily Driver im Arbeitsalltag von Teams ist.