NCA Social Media
Erstellt:
Aktualisiert:
Autor:
Roland Golla
Grüner Kreislauf mit sechs Stationen, eine Frau steuert den AI Driven SDLC

Was ist ein AI Driven SDLC?

Ein AI Driven SDLC ist ein Software Development Lifecycle, in dem KI Agenten in jeder Phase mitarbeiten, von der Anforderung über Code und Tests bis zum Betrieb. Menschen geben Ziel, Spezifikation und Grenzen vor und geben Ergebnisse an festen Punkten frei.
Der Begriff ist ein Sammelbegriff ohne feste Norm. Üblich sind auch die Schreibweisen AI-Driven SDLC und AI driven SDLC. Er beschreibt mehr als einen klassischen Ablauf, in dem ein Coding Assistent beim Tippen hilft. Im AI Driven SDLC plant die KI mit, stellt Rückfragen, schreibt Code, lässt Tests laufen und bereitet Releases vor. Eine ausformulierte Variante ist die Methode AI-DLC von AWS.
Für Teams ändert sich damit, wo die Arbeit hängt. Code entsteht schneller, als Menschen ihn prüfen können. Der Engpass wandert zur Spezifikation davor und zur Validierung danach. Diese Seite zeigt die Phasen, die Stufen, die Zahlen dazu und was vor dem Start stehen muss.
Inhalt
NCA KI Workshop für Unternehmen

KI gemeinsam im Team verankern

Der NCA KI Workshop gibt eurem Team einen gemeinsamen Rahmen für KI. Workshoptag inhouse, optional mit Praxistag, als Variante für Developer oder alle Abteilungen.

  1. 1
    Kostenloses Vorgespräch
    Ziele und Teilnehmer klären
  2. 2
    Variante wählen
    Developer oder alle Abteilungen
  3. 3
    Workshoptag bei euch
    Ein Tag inhouse, danach bleibt ein Rahmen
Roland Golla
Roland Golla
Fullstack Developer
Workshop Varianten ansehen arrow_forward

AI Driven SDLC mit NCA richtig einordnen

Wir testen und refactoren seit über 20 Jahren und arbeiten täglich mit Symfony, Sulu und Astro. Bei uns laufen PHPStan, Psalm, Rector, PHPUnit und Cypress mit Cypress Cloud als feste Gates in GitHub Actions und GitLab CI. Coding Agents arbeiten bei uns mit OpenCode und Open Weight Modellen innerhalb dieser Leitplanken. Daraus kommt unsere Reihenfolge für jeden AI Driven SDLC: erst Quality Gates, dann KI.
Die NCA Vibe Coding Consulting klärt mit deinem Team, welche Phasen sich zuerst für Agenten eignen. Die NCA Agentic AI Coding Guardrails bringen Regeln, Rechte und Gates in bestehende Projekte. Mit Quality Gates für KI Code setzt du Regeln automatisch durch, und ein Codebase Audit für KI generierten Code zeigt, wo die Prüfung heute Lücken hat. Wie Anforderungen zu prüfbaren Vorgaben werden, steht bei Spec Driven Development. Entwicklerteams üben den Ablauf im NCA KI Workshop für Developer.

Warum der Engpass von der Umsetzung zur Prüfung wandert

Jahrzehntelang war die Umsetzung der langsame Teil. Anforderungen standen nach wenigen Tagen, der Code brauchte mehrere Sprints. Darum reichten grobe Vorgaben. Entwickler fragten nach und füllten Lücken mit ihrem Wissen über System und Fachlichkeit.
Agenten drehen dieses Verhältnis um. Sie liefern in Minuten, was früher Tage dauerte. Lücken in der Vorgabe füllen sie mit Annahmen, und diese Annahmen passen oft schlechter als die eines erfahrenen Entwicklers. Was vorne ungenau bleibt, landet hinten als Rückfrage im Review.
Die Daten dazu sind deutlich. Faros AI hat Telemetrie von über 10.000 Entwicklern in 1.255 Teams ausgewertet. Teams mit hoher KI Nutzung erledigen 21 Prozent mehr Aufgaben und mergen 98 Prozent mehr Pull Requests. Die Review Zeit steigt gleichzeitig um 91 Prozent. Vorne wächst der Durchsatz, hinten bremst die Freigabe durch Menschen.
Der DORA Report 2025 von Google Cloud kommt mit fast 5.000 Befragten zum gleichen Bild. KI Nutzung hängt mit höherem Durchsatz zusammen und zugleich mit geringerer Stabilität der Auslieferung. 30 Prozent der Befragten vertrauen KI Code wenig oder gar nicht. Den Aufwand für das Prüfen nennt DORA in einem Folgebericht Verification Tax. Was das für die Messung heißt, steht bei KI Coding ROI.

Was die Zahlen zum AI-Driven SDLC zeigen

Quelle Befund Folge für den SDLC
Faros AI, AI Productivity Paradox Report 2025 21 Prozent mehr erledigte Aufgaben, 98 Prozent mehr gemergte Pull Requests, 91 Prozent längere Review Zeit Die Freigabe durch Menschen wird zum Engpass
DORA Report 2025 90 Prozent nutzen KI bei der Arbeit, 30 Prozent vertrauen KI Code wenig oder gar nicht Prüfung braucht eigene Kapazität und klare Regeln
DORA Report 2025 KI Nutzung geht mit mehr Durchsatz und weniger Stabilität einher Tests und Feedback Schleifen müssen vor dem Tempo stehen
DORA ROI Report 2026 J Kurve mit Leistungsdelle am Anfang, Ursachen sind Lernkurve, Verification Tax und die Anpassung der Folgeprozesse Die Einführung braucht Geduld und Budget für die erste Zeit
Stanford Forschung, zitiert im DORA ROI Report 35 bis 40 Prozent Gewinn bei einfachen neuen Aufgaben, oft 10 Prozent oder weniger in komplexem Legacy Code Im Altbestand sind die Erwartungen niedriger anzusetzen

So verändert KI jede Phase im SDLC

Der klassische SDLC kennt je nach Modell fünf bis sieben Phasen. Sie bleiben im AI Driven SDLC erhalten. Was sich ändert, ist die Verteilung der Arbeit in jeder Phase und das Tempo dazwischen.
In allen Phasen bleiben drei Dinge beim Menschen:
  • Ziel und Absicht, also was gebaut wird und warum
  • Grenzen, also Architektur, Sicherheit und Datenschutz
  • Freigabe an den Punkten, an denen ein Fehler teuer wird
Die Tabelle zeigt die sechs üblichen Phasen im direkten Vergleich.

SDLC Phasen klassisch und AI driven im Vergleich

Phase Klassischer SDLC AI Driven SDLC
Planung Menschen übersetzen Geschäftsziele von Hand in Pläne und Tickets Agenten stellen Rückfragen, zeigen Lücken und zerlegen das Ziel in Arbeitspakete, das Team bestätigt
Anforderungen User Stories mit Spielraum, Entwickler klären den Rest im Gespräch Prüfbare Spezifikation mit Akzeptanzkriterien und Randfällen als Eingabe für Agenten
Design Architekten entwerfen, Entscheidungen stehen in Köpfen und Wikis Agenten schlagen Varianten mit Abwägungen vor, Entscheidungen liegen als Dateien im Repository
Umsetzung Entwickler schreiben Code über mehrere Sprints Agenten schreiben Code in Stunden, Entwickler steuern und prüfen
Test Eigene QA Phase nach der Umsetzung Tests entstehen und laufen fortlaufend, Gates in der Pipeline entscheiden über das Weiterkommen
Deployment und Betrieb Release nach Plan, Monitoring getrennt vom Entwicklerteam Agenten bereiten Releases vor und werten Signale aus dem Betrieb aus, Menschen geben frei

Die vier Stufen vom klassischen zum agentischen SDLC

Kein Team springt in einem Schritt in einen AI Driven SDLC. Eine feste Norm für den Weg gibt es bisher nicht. In der Praxis hilft eine Einteilung in vier Stufen. Sie zeigt, wer die Arbeit treibt und was beim Menschen bleibt.
AWS beschreibt zwei Ansätze, die bisher zu wenig bringen. Bei reiner Assistenz hilft KI nur bei Einzelaufgaben wie Dokumentation, Code Vervollständigung und Tests. Bei voller Autonomie soll sie ganze Anwendungen ohne Menschen bauen. Beide liefern laut AWS schwächere Ergebnisse bei Tempo und Qualität. Die Stufe AI Driven liegt dazwischen: KI treibt die Arbeit, Menschen entscheiden an den kritischen Stellen.

Die vier Stufen im Überblick

Stufe Wer die Arbeit treibt Was beim Menschen bleibt
Klassisch Menschen in allen Phasen Alles, von der Anforderung bis zum Release
AI Assisted Menschen, KI hilft bei Einzelaufgaben wie Vervollständigung, Tests und Dokumentation Planung, Zusammenhang und jede Entscheidung
AI Driven KI plant, fragt nach und setzt um, in allen Phasen Absicht, Grenzen und Freigabe an festen Punkten
Agentic Mehrere Agenten arbeiten längere Strecken selbstständig Regeln, Gates und Stichproben nach Risiko
Aufsteigendes Säulendiagramm der vier AI Driven SDLC Phasen Klassisch, AI Assisted, AI Driven und Agentic. Inhalt steht textuell in der Tabelle darüber.

AI-DLC von AWS als konkrete Methode

AI-DLC steht für AI Driven Development Lifecycle. Üblich sind auch die Schreibweisen AI DLC und AIDLC. Raja SP, Principal Solutions Architect bei AWS, hat die Methode 2025 im AWS DevOps Blog vorgestellt. Sie ist eine der bekanntesten ausformulierten Varianten eines AI Driven SDLC.
Der Kern ist ein fester Takt. Die KI erstellt einen Plan, stellt Rückfragen und setzt erst um, wenn Menschen den Plan bestätigt haben. Dieser Takt wiederholt sich in drei Phasen:
  • Inception: Die KI macht aus der Geschäftsabsicht Anforderungen, Stories und Units of Work. Das ganze Team prüft Fragen und Vorschläge in der Mob Elaboration.
  • Construction: Die KI schlägt Architektur, Domänenmodell, Code und Tests vor. Das Team klärt technische Entscheidungen live in der Mob Construction.
  • Operations: Die KI nutzt den gesammelten Kontext für Infrastructure as Code und Deployments, unter Aufsicht des Teams.
Dazu kommt ein eigenes Vokabular. Sprints heißen Bolts und dauern Stunden oder Tage. Epics heißen Units of Work. Pläne, Anforderungen und Entwürfe liegen als Dateien im Repository, damit der Kontext über mehrere Sitzungen erhalten bleibt.
AWS hat die Workflows unter dem Namen aidlc-workflows als Open Source veröffentlicht. Sie laufen laut Projekt mit mehreren Coding Agents, darunter Kiro, Claude Code, Cursor, Codex und OpenCode. Wir setzen AI DLC selbst nicht produktiv ein und helfen Teams, die Methode gegen ihren eigenen Ablauf einzuordnen. Mehr zum AWS Werkzeug dahinter steht bei Kiro, der Spec Driven IDE von AWS.

AI Driven SDLC und AI DLC im Vergleich

Merkmal AI Driven SDLC AI DLC
Art Sammelbegriff für jeden Lebenszyklus mit KI in allen Phasen Ausformulierte Methode mit Phasen, Ritualen und Vokabular
Herkunft Kein einzelner Urheber Raja SP und Team bei AWS, 2025
Phasen Die bekannten SDLC Phasen bleiben Inception, Construction, Operations
Takt Frei wählbar, oft weiter Sprints Bolts in Stunden oder Tagen
Rolle des Teams Freigabe an festen Punkten Gemeinsame Sitzungen mit Mob Elaboration und Mob Construction
Werkzeuge Frei wählbar Offene Workflows für mehrere Coding Agents, Ursprung bei Kiro und Amazon Q Developer

Spezifikation wird zur tragenden Arbeit

Eine Vorgabe für Agenten braucht mehr als eine User Story. Vier Dinge müssen drinstehen:
  • Umfang: was dazugehört und was ausdrücklich draußen bleibt
  • Randfälle: leere, fehlerhafte und unerwartete Eingaben
  • Rahmen: Performance, Sicherheit und die bestehende Architektur
  • Prüfbarkeit: ein Ergebnis, das ein Agent selbst testen kann
Das ist anspruchsvolle Arbeit. Sie verlangt Fachwissen und technisches Verständnis zugleich. Der Denkaufwand bleibt und rückt an den Anfang. Hier kommen die Fachabteilungen ins Spiel, denn sie kennen die Regeln, die in keinem Code stehen.
Wie das praktisch geht, zeigen Spec Driven Development für KI Coding und OpenSpec. Example Mapping macht aus Regeln konkrete Beispiele, und die Dokumentenkette aus ADR, PRD und BDD hält Entscheidungen fest. Feste Regeln für Agenten gehören in rules.md und AGENTS.md.

Validierung braucht Quality Gates vor dem Tempo

Wer Code selbst schreibt, denkt beim Schreiben mit. Wenn ein Agent tausend Zeilen in zwei Minuten liefert, fehlt dieser Schritt. Der Code läuft oft und trifft die Absicht trotzdem knapp daneben.
Review Zeile für Zeile trägt bei dieser Menge kaum noch. Die Prüfung muss in den Ablauf selbst wandern:
  • Statische Analyse fängt Typfehler und Regelverstöße bei jedem Commit
  • Unit Tests und funktionale Tests sichern das Verhalten einzelner Teile
  • End to End Tests prüfen aus Nutzersicht und gehören nie in die Hand des Agenten, der den Code schreibt
  • Die Pipeline entscheidet, ob Arbeit weitergeht
DORA nennt als Voraussetzung starke automatisierte Tests, reife Versionskontrolle und schnelle Feedback Schleifen. Fehlen sie, führt mehr Änderungsvolumen zu Instabilität.
Wir setzen dafür Cypress mit Cypress Cloud ein. Details stehen im NCA Cypress Glossar, bei agentischen Akzeptanztests und bei Tests als lebende Spezifikation. Wie die Gates in die Pipeline kommen, zeigen die Vibe Coding CI/CD Pipelines.

So startest du mit einem AI Driven SDLC

Der Einstieg gelingt am besten an einer einzelnen Strecke mit klarem Umfang. Die Reihenfolge ist dabei wichtiger als das Werkzeug.
  1. Bestand aufnehmen: Versionskontrolle, Tests und Pipeline prüfen. Ohne sie verstärkt KI vorhandene Probleme.
  2. Quality Gates einziehen: statische Analyse, Unit Tests, funktionale Tests und End to End Tests in die Pipeline bringen.
  3. Lokale Umgebung aufbauen: Mit anonymisierten Testdaten aus Faker kann jede Coding KI darin arbeiten, auch aus der Cloud.
  4. Regeln und Rechte festlegen: Was Agenten dürfen, steht als Datei im Repository.
  5. Vorlage für Spezifikationen einführen: mit Umfang, Akzeptanzkriterien, Randfällen und Definition of Done.
  6. Klein starten und messen: gut abgegrenzte Features wählen und festhalten, wo Agenten scheitern.
Rechne am Anfang mit einer Delle. DORA beschreibt eine J Kurve: Die Leistung sinkt zunächst, weil Teams lernen, mehr prüfen und Folgeprozesse anpassen müssen. Aus unserer Sicht dauert es realistisch 15 bis 30 Tage bis zum ersten soliden Ergebnis. Dann stehen die Regeln, die ersten Gates laufen in der Pipeline und ein Review Agent arbeitet täglich mit. Danach folgt laufende Begleitung über einige Tage im Monat. Beides sind Schätzungen, der Aufwand hängt vom Bestand ab.
Für Legacy gilt eine eigene Regel. Refactoring im Altbestand läuft bei uns manuell mit KI Unterstützung und nie als autonomer Agent. Oft ist ein paralleles neues Projekt der bessere Weg aus dem Altbestand heraus. Mehr dazu bei AI Code Refactoring für Legacy Code.

AI accelerates software development, but that acceleration can expose weaknesses downstream.

Nathen Harvey und Derek DeBellis, DORA Lead und Researcher bei Google Cloud – Announcing the 2025 DORA Report, Google Cloud Blog

Was DORA mit Schwächen weiter hinten meint

Der Satz stammt aus der Ankündigung des DORA Reports 2025. Sinngemäß heißt er: KI beschleunigt die Softwareentwicklung, und dieses Tempo kann Schwächen weiter hinten im Ablauf offenlegen. Gemeint sind Review, Test, Freigabe und Betrieb.
DORA beschreibt KI deshalb als Verstärker. Starke Teams werden besser, bei Teams mit Problemen treten diese deutlicher hervor. Den größten Ertrag bringen laut Report die Qualität der internen Plattform, klare Abläufe und abgestimmte Teams. Für den AI Driven SDLC heißt das: Der Lebenszyklus als Ganzes entscheidet über den Erfolg, das einzelne Werkzeug zählt weniger.
Wie Führung und Teams dafür bereit werden, steht bei AI Readiness und Human Readiness.

Aus der NCA Praxis mit KI im ganzen Lebenszyklus

Wir beraten Teams, die KI über das Coding hinaus in ihren Ablauf bringen wollen. Meist liegt die Hürde vor und hinter dem Code: bei unklaren Anforderungen und bei fehlenden Tests. Dort setzen wir an.
Unser eigener Alltag folgt demselben Muster. Coding Agents arbeiten mit OpenCode und Open Weight Modellen. Große Coding Modelle kommen aus der Cloud, zum Beispiel über TensorX oder als Enterprise Option über Conversis. Kleine Modelle laufen lokal über Ollama. Echte Daten bleiben im eigenen Netzwerk, entwickelt wird gegen anonymisierte Daten. Renovate hält Abhängigkeiten aktuell, Sentry und Grafana liefern die Signale aus dem Betrieb.
Wie Entwickler Agenten im Alltag steuern, steht bei Agentic Coding und beim Middle Loop. Die Begriffe dahinter sortiert die Seite zu Agentic Engineering und AI Engineering. Wer Freigaben sauber regeln will, findet beim Governed Agent Loop ein Muster dafür. Im NCA KI Workshop für Unternehmen arbeiten Führung, Fachabteilungen und Entwicklung zusammen, weil gute Spezifikationen Wissen aus allen drei Gruppen brauchen.
CYPRESS.IO Ambassador und IT Consultant für QA Engenieering und Qualität in PHP Projekten.
NCA Vibe Coding Consulting

Roland Golla ist Entwickler aus Leidenschaft – seit über 20 Jahren. Er hat hunderte Projekte begleitet, von Legacy-Refactoring bis KI-Integration. Bei Vibe Coding verbindet er das Beste aus beiden Welten: Die Geschwindigkeit von KI-generiertem Code mit der Qualität professioneller Softwareentwicklung. Kein Bullshit, keine Agentur-Floskeln – direkte Hilfe von jemandem, der selbst täglich im Code steckt.

E-Mail Kontakt

Häufige Fragen zum AI-Driven SDLC

Die wichtigsten Antworten zu Begriff, Phasen, Zahlen und Einstieg in den AI Driven SDLC.
Was ist ein AI Driven SDLC 2026?

Ein AI Driven SDLC ist ein Software Development Lifecycle, in dem KI Agenten in jeder Phase mitarbeiten, von der Planung bis zum Betrieb. Menschen geben Absicht, Grenzen und Freigaben vor. Der Unterschied zum Coding Assistenten liegt im Umfang: Die KI plant, fragt nach, schreibt Code, testet und bereitet Releases vor.

Wie unterscheidet sich ein AI-Driven SDLC 2026 vom klassischen SDLC?

Die Phasen bleiben gleich, die Verteilung der Arbeit ändert sich. Im klassischen SDLC schreiben Menschen Pläne, Code und Tests selbst. Im AI Driven SDLC erzeugen Agenten diese Ergebnisse, und Menschen steuern über Spezifikation und Freigabe. Die Umsetzung wird schnell, der Engpass liegt danach bei Vorgabe und Prüfung.

Was ist der Unterschied zwischen AI Driven SDLC und AI-DLC 2026?

AI Driven SDLC ist ein Sammelbegriff, AI-DLC eine konkrete Methode von AWS. Raja SP hat AI-DLC 2025 vorgestellt. Die Methode beschreibt drei Phasen mit eigenen Ritualen und Begriffen wie Bolts und Units of Work. Jedes Team mit AI-DLC arbeitet in einem AI Driven SDLC, umgekehrt gilt das nur manchmal.

Welche Phasen hat ein AI driven SDLC 2026?

Üblich sind sechs Phasen: Planung, Anforderungen, Design, Umsetzung, Test sowie Deployment und Betrieb. KI arbeitet in allen mit. Der Test wird dabei zu einer fortlaufenden Prüfung, die parallel zur Umsetzung läuft. AI DLC von AWS fasst den Ablauf in drei Phasen zusammen: Inception, Construction und Operations.

Macht ein AI Driven SDLC 2026 Teams wirklich schneller?

Einzelne Entwickler ja, ganze Organisationen nur mit passender Prüfung. Faros AI misst 98 Prozent mehr gemergte Pull Requests bei 91 Prozent längerer Review Zeit. DORA findet mehr Durchsatz und zugleich weniger Stabilität. Das Tempo kommt erst beim Kunden an, wenn Tests, Pipeline und Freigabe mit dem Volumen mithalten.

Wo liegt der Engpass in einem AI Driven SDLC?

Bei Spezifikation und Validierung. Agenten füllen Lücken in der Vorgabe mit Annahmen, also muss die Vorgabe genauer werden. Gleichzeitig entsteht mehr Code, als Menschen Zeile für Zeile prüfen können. DORA nennt diesen Prüfaufwand Verification Tax. Automatische Gates und Tests auf Nutzerebene fangen einen großen Teil davon ab.

Was braucht ein Team vor dem Start mit einem AI-Driven SDLC?

Versionskontrolle, automatisierte Tests und eine Pipeline, die über das Weiterkommen entscheidet. Dazu kommen Regeln und Rechte für Agenten sowie eine lokale Umgebung mit anonymisierten Daten. Fehlt diese Basis, verstärkt KI die vorhandenen Probleme. DORA beschreibt KI deshalb als Verstärker dessen, was im Team schon da ist.

Welche Rolle haben Entwickler im AI driven SDLC?

Entwickler steuern und prüfen mehr und tippen weniger. Wichtiger werden saubere Anforderungen, Systemdenken, Teststrategie und der Umgang mit Kontext für Agenten. Boilerplate und erste Entwürfe übernehmen Agenten. Die Verantwortung für Architektur, Sicherheit und Freigabe bleibt bei Menschen, und sie wiegt bei höherem Tempo schwerer als vorher.

Was sind Bolts und Units of Work im AIDLC?

Beide Begriffe stammen aus AI-DLC von AWS, auch AIDLC geschrieben. Bolts ersetzen Sprints und sind kurze, intensive Arbeitszyklen von Stunden oder Tagen. Units of Work ersetzen Epics und beschreiben abgegrenzte Arbeitspakete, die aus einer Geschäftsabsicht entstehen. Das eigene Vokabular soll das höhere Tempo und die fortlaufende Auslieferung abbilden.

Was bedeutet die J Kurve bei der Einführung?

Die Leistung sinkt nach der Einführung zunächst und steigt erst danach über das alte Niveau. DORA nennt im ROI Report 2026 drei Ursachen: die Lernkurve, den Prüfaufwand für KI Code und die Anpassung der Folgeprozesse wie Test und Freigabe. Wer die Delle einplant, wertet sie seltener als Scheitern.

Eignet sich ein AI Driven SDLC für Legacy Code?

Nur eingeschränkt. Im DORA ROI Report zitierte Stanford Forschung sieht bei komplexem Legacy Code oft 10 Prozent Gewinn oder weniger, bei einfachen neuen Aufgaben 35 bis 40 Prozent. NCA empfiehlt für Altbestand zuerst Quality Gates und danach manuelles Refactoring mit KI Unterstützung, oft als paralleles neues Projekt.

Welche Werkzeuge braucht ein AI Driven SDLC?

Für den Anfang reichen ein Coding Agent, eine Pipeline mit Gates und ein Platz für Spezifikationen im Repository. NCA arbeitet mit OpenCode und Open Weight Modellen, statischer Analyse, PHPUnit und Cypress in GitHub Actions und GitLab CI. Das Werkzeug ist austauschbar, die Reihenfolge bleibt: erst Quality Gates, dann KI.