Methodologie der KI-gestützten Softwareentwicklung

Inhalt

1. Der WendepunktLeser:innen erfahren, dass laut DORA-Report 2025 neun von zehn Entwicklern KI nutzen und dies die schnellste Adoption seit 2014 ist. Bei Google und Microsoft stammt über ein Viertel des neuen Codes von KI, bei Google über 30 Prozent.
2. Das Produktivitäts-ParadoxLeser:innen lernen, dass die METR-Studie (2025) mit 16 erfahrenen Entwicklern und 246 Issues zeigte: Mit KI waren sie 19% langsamer, schätzten sich aber 20% schneller ein – eine erhebliche Fehleinschätzung zwischen gefühlter und gemessener Produktivität.
3. Die Gabelung: zwei Wege des Agentic Engineering
4. Ein Selbstversuch: rund 45.000 Zeilen mit Claude CodeIm Februar 2026 testet der Autor, ob konzeptionelles Verständnis genügt, um mit Claude Code als KI-Werkzeug ohne aktuelle Programmierpraxis eine produktionsreife Anwendung zu bauen. Antwort: ja, doch die Lektionen wiegen schwer. Erste lauffähige Version entstand an einem Abend.
5. Vom Coder zum OrchestratorLeser:innen erfahren, dass sich die Entwicklerrolle durch KI fundamental wandelt: vom Coder zum Orchestrator. Triviale, repetitive Codierung wie CRUD, Boilerplate oder Logging wird automatisiert, während strategisches Denken und Orchestrieren komplexer Systeme an Bedeutung gewinnt.
6. Phasen des Software-Lebenszyklus – und wo der Aufwand entstehtLeser:innen erfahren, dass klassische Aufwandsschätzungen fürs Coding stark schwanken (zwanzig bis siebzig Prozent), dass Studien wie Boehm, ISBSG und Capers Jones konvergieren, die Wartung den Lebenszyklus dominiert und KI nur einen Bruchteil der Kosten adressiert.
7. Drei Vorgehensmodelle: Wasserfall, Iterativ, Agil/ScrumLeser:innen lernen, dass die drei Vorgehensmodelle Wasserfall, iterativ und agil dieselben zwölf Phasen nutzen und sich nur in Häufigkeit und Art des Durchlaufs unterscheiden. Sie sind gleichberechtigte Anordnungen, deren Eignung vom Kontext abhängt.
8. Vom Workflow zum DialogLeser:innen erfahren, dass KI-gestütztes Arbeiten dialogisch erfolgt und Aufgaben, die früher Wochen dauerten, in einer halben Stunde Konversation entstehen. Der klassische Workflow strukturiert Übergaben zwischen Menschen, regelt aber nicht die Erzeugung der Artefakte selbst.
9. Vibe Coding: Verlockung und GrenzenLeser:innen lernen, was Andrej Karpathy 2025 als Vibe Coding prägte: KI-gestützte Entwicklung aus dem Gefühl heraus, ohne Spezifikation, Tests oder Architektur. Sie erfahren, dass dies in Prototypen sinnvoll sein kann, in der Enterprise-Entwicklung jedoch dieselben Probleme wie Cowboy Coding erzeugt.
10. Agentic Engineering: Die professionelle MethodikLeser:innen lernen, dass Agentic Engineering laut Karpathy die professionelle Methodik für KI-gestützte Entwicklung ist, die sich von Vibe Coding nicht durch Technologie, sondern durch einen strukturierten Rahmen aus Spezifikation, Governance und Qualitätssicherung unterscheidet.
11. Wie wir mit der Datenlage umgehen
12. IdeationLeser:innen erfahren, wie die Ideationsphase – klassisch 2 bis 4 Prozent des Projektaufwands, eingebettet im Plan-Anteil von 6 bis 9 Prozent – KI-gestützt abläuft und warum sie als billigste Phase den größten Hebel bietet.
13. Wirtschaftlichkeitsrechnung & BudgetierungLeser:innen erfahren, dass der Engpass der Wirtschaftlichkeitsrechnung nicht die Rechnung selbst ist (zwei bis drei Tage), sondern Inputs-Beschaffung und Genehmigung, die die Durchlaufzeit auf bis zu neun Monate dehnen – KI kann sie auf Wochen verkürzen.
14. Organisatorisches Projektsetup – Auftrag, Staffing, Team, KickoffLeser:innen lernen, warum klassische IT-Projekte temporäre, neu zusammengestellte Teams nutzen, welche Kosten dieses Muster verursacht und wie KI-gestützte Entwicklung mit kleineren, seniorlastigen Teams den Wechsel zu stabilen, domänenfokussierten Entwicklungsteams ermöglicht.
15. Einarbeitung in Codebase und DomäneLeser:innen lernen, dass KI die Brownfield-Einarbeitung in Bestandscode von klassisch zwölf Monaten auf Wochen verkürzt, weil das Team statt tiefem Codeverständnis nur noch Architektur- und Domänensicht behält und KI-Outputs validiert. Belegt durch Enterprise-Felddaten und eine Salesforce-Fallstudie.
16. Fachliches GrobkonzeptLeser:innen erfahren, wie KI die fachliche Grobkonzeption verändert: Statt zwei bis fünf halbtägiger Workshops treten kurze dialogische Klärungs-Sessions, in denen die KI Antworten zu strukturierten BPMN-Modellen verdichtet und Lücken sichtbar macht.
17. Technisches Grobkonzept & ArchitekturLeser:innen erfahren, dass KI Architektur überwiegend vorbereitet, aber keine systemweite Kohärenz schafft; Architektur-Entscheidungen bleiben menschlich. Die Phase wird als Subprozess entlang arc42/UML 2.5 mit Artefakten und Automatisierungsgrad dargestellt.
18. Fachliche Feinkonzeption & Requirements EngineeringLeser:innen erfahren, dass Requirements Engineering durch KI nicht überflüssig, sondern unverzichtbar wird: Vage Anforderungen führen zu falschen Lösungen. Da Bauen billig und Wartung teuer ist, werden präzise Spezifikation und Urteilskraft zur knappsten Ressource.
19. ImplementierungLeser:innen erfahren, welche Aktivitäten die Implementierungs-Phase umfasst, welchen Aufwandsanteil sie ausmacht (40 bis 55 Prozent im Wasserfall) und welcher Speedup belegt ist – von minus 19 bis plus 55 Prozent.
20. Test (Modul, Integration, System, UAT)Leser:innen erfahren, wie KI das Testing verändert: Salesforce dokumentiert minus 85 Prozent Coverage-Aufwand, IBM minus 38 Prozent bei der Testfall-Erstellung. Zudem lernen sie die klassische Test-Pyramide kennen – von Unit- über Integrations- und System-Tests bis UAT.
21. CI/CDLeser:innen erfahren, wie KI die CI/CD-Pipeline bei Pipeline-Generierung, Quality-Gates und Build-Failure-Analyse unterstützt. Laut Faros-AI-Telemetrie (2025, über 10.000 Entwickler) bringt KI plus 21 Prozent Tasks und plus 98 Prozent Pull Requests, doch die Lead Time stagniert und der Engpass wird sichtbar.
22. DeploymentLeser:innen erfahren, dass Deployment der entscheidende Wahrheitsmoment des Lifecycle ist und im KI-Zeitalter zur schrittweisen, gemessenen Auslieferung wird. Sie lernen klassische Strategien wie Big Bang, Phasen-Rollout und Blue/Green sowie Progressive Delivery mit Canary und Feature Flags kennen.
23. BetriebLeser:innen erfahren, dass Betrieb und Wartung 60 bis 80 Prozent der Gesamtkosten ausmachen und KI über AIOps Incidents 30 bis 70 Prozent schneller löst, hier konservativ mit rund 40 Prozent gerechnet. Vorgestellt werden fünf Kern-Aktivitäten des Betriebs.
24. Wirtschaftlichkeitsboost in SummeLeser:innen lernen das Vier-Hebel-Modell der Wirtschaftlichkeit kennen: direkte Phasen-Einsparungen von 10 bis 85 Prozent, Time-to-Market, Reaktionsfähigkeit und Auflösung. Zentrale These: Der wahre Hebel liegt in der durchgängigen Methodik über den Lifecycle, nicht im Coding-Speedup.
25. Der operative Pfad zum nachhaltigen SpeedupLeser:innen erfahren, wie eine Organisation in acht aufeinander aufbauenden Schritten zur Level-2-Reife gelangt, jeweils mit Säulen-Bezug, Templates, Zeitraum und Stolpersteinen. Ein Diagnose-Fragebogen mit zehn Items (klar ja = 2, teilweise = 1, nein = 0) dient der quartalsweisen Selbsteinschätzung.
26. Qualität sichern: Code Review, Testing und Technical DebtLeser:innen erfahren, warum KI-generierter Code trotz fehlerfreier Oberfläche Qualitätsrisiken birgt und welche neuen Formen technischer Schulden – Wartbarkeit, Erklärbarkeit, Data Governance – entstehen. GitClear analysierte über zehn Millionen Commits und warnt vor künftigen technischen Schulden.
27. Die Tool-Landschaft: Schichten statt Silver BulletLeser:innen lernen, dass kein einzelnes KI-Werkzeug alles leistet und erfolgreiche Teams mehrere Tools zu komplementären Schichten stapeln. Sie verstehen die Unterscheidung zwischen assistiven Tools wie Copilot und Cursor und agentischen Tools wie Claude Code und OpenAI Codex.
28. Organisatorischer Wandel: Teams, Rollen und KulturLeser:innen erfahren, dass bei KI-gestützter Entwicklung nicht Technik, sondern Mensch und Organisation die größte Hürde sind: Coding-Kapazität verliert an Bedeutung, Teams brauchen mehr Architektur-, Requirements- und Orchestrierungskompetenz, und interne Developer-Plattformen bilden das Fundament erfolgreicher KI-Adoption.
29. Ein Fahrplan für den EinstiegLeser:innen erfahren, wie der Einstieg ins Agentic Engineering je nach Reifegrad gelingt: über drei Adoptionsstufen – Erkunden, Pilotieren, Skalieren – als Klammer um acht methodische Schritte. McKinsey 2026 zeigt, dass die meisten Unternehmen erst einzelne Aufgaben beschleunigen.
30. Fazit – Die Zukunft gehört den Orchestratoren
31. Werkzeugkasten: Methoden-BibliothekLeser:innen erhalten leichtgewichtige, sofort anwendbare Templates und Checklisten, gegliedert nach den fünf Säulen (S1, S4, S3, S5 und Querschnitt), inklusive Klärungsfragen-Katalog und Projekt-Starter-Kit als klonbares, agenten-fertiges Repo.

Artikel zu diesem Buch

• Der Wendepunkt ist jetzt — und Tempo allein liefert keine guten Systeme
• Das Produktivitätsparadox: 19 Prozent langsamer, aber 20 Prozent schneller gefühlt
• Selbstversuch: eine produktionsreife App, obwohl ich seit 15 Jahren keinen Code mehr geschrieben hatte
• Vom Coder zum Orchestrator: Was aus Entwicklern wird, wenn die KI den Code schreibt
• Coding ist nur ein Drittel des Aufwands — wer KI darauf reduziert, optimiert ins Leere
• Wasserfall, iterativ, agil: Die Phasen bleiben dieselben — nur wie oft, ändert sich
• Der Workflow bleibt, der Dialog tritt hinzu
• Vibe Coding: schnell zum Prototyp, teuer zum Produktivsystem
• Agentic Engineering: Geschwindigkeit der KI, Disziplin des Engineering
• Ideation: die billigste Phase mit dem größten Hebel
• Wirtschaftlichkeit: Zwei Tage Rechnung, neun Monate Durchlaufzeit
• Projektsetup: Warum die KI-Welle stabile Teams statt Projekt-Teams ermöglicht
• Brownfield-Einarbeitung: Das Team muss den Code nicht mehr im Kopf haben
• Fachliches Grobkonzept: Wenn BPMN die Lücken sichtbar macht, die der Workshop verschweigt
• KI schreibt guten Code, aber baut schlechte Systeme
• Vage Anforderungen führen zu falschen Lösungen — nur schneller
• Wie viel schneller schreibt die KI Code? Von minus 19 bis plus 55 Prozent
• Wer debuggt 45.000 Zeilen um zwei Uhr morgens? 975 Tests
• Plus 98 Prozent Pull Requests, aber gleiche Lead Time: der Engpass wandert
• Deployment: Vom Nachtschicht-Risiko zur gemessenen Auslieferung
• Der Betrieb ist die teuerste Phase — und AIOps die reifste KI-Disziplin
• Der wahre KI-Boost: vier Hebel, die sich multiplizieren — und das Coding ist nicht dabei
• Der operative Pfad: in acht Schritten zum nachhaltigen Speedup
• Sauber heißt nicht korrekt: Qualität sichern, wenn die KI den Code schreibt
• Schichten statt Silver Bullet: die KI-Werkzeuglandschaft 2026
• Vom Tippen zum Dirigieren: wie KI Teams, Rollen und Kultur verändert
• Wo fängt man an? Der dreistufige Fahrplan in die KI-gestützte Entwicklung
• Die Zukunft gehört den Orchestratoren: drei Befunde zum Abschluss
• Der Werkzeugkasten: leichtgewichtige Templates für die KI-gestützte Praxis

Alle Artikel →