AI Software Factory: KI-Unterstützung über den gesamten Entwicklungsprozess denken
Wer den Einsatz von KI in der eigenen Softwareentwicklung plant, sollte dabei auch den gesamten Software Development Lifecycle berücksichtigen. Von der Idee und den Anforderungen über Design, Entwicklung und Qualitätssicherung bis zum Release und zur anschließenden Verbesserung: An welchen Stellen wird bereits KI eingesetzt? Wo entstehen Wartezeiten? Und an welchen Engpässen geht ein möglicher Zeitgewinn verloren?
Diese Betrachtung hilft, den passenden Einstieg zu finden. Ein Coding-Agent kann eine Aufgabe schneller erledigen. Wenn danach ein Review aussteht, eine Sicherheitsprüfung fehlt oder die Freigabe erst im nächsten Release-Zyklus erfolgt, wirkt sich die Beschleunigung nur begrenzt auf den Gesamtprozess aus.
Das Konzept der AI Software Factory setzt genau dort an. Es betrachtet den Entwicklungsprozess als zusammenhängende Produktionsstrecke. Spezialisierte Agenten unterstützen einzelne Schritte. Architektur-, Qualitäts- und Governance-Vorgaben leiten ihre Ergebnisse. Workflows und Spezifikationen verbinden ihre Arbeit.
Von der Codehilfe zur Produktionsstrecke
Die KI-Unterstützung in der Softwareentwicklung hat sich schrittweise weiterentwickelt. Zunächst ging es vor allem um Hilfe auf Code-Ebene, etwa durch besseres Autocomplete und Copilots. Danach wurde die direkte Zusammenarbeit zwischen Mensch und Agent wichtiger. Inzwischen lassen sich Agenten in strukturierte Workflows einbinden und für klar abgegrenzte Aufgaben einsetzen. Als nächste Stufe kommen ausgewählte autonome Anpassungen hinzu.
Diese Entwicklung lässt sich in vier Stufen einteilen: Handwerk, Interaktion, Factory und Teil-Autonomie. Die Stufen beschreiben unterschiedliche Ausbaustände. Sie sind keine zwingende Abfolge, die jedes Unternehmen in gleicher Weise durchlaufen muss. Welche Stufe sinnvoll ist, hängt unter anderem vom System, den Risiken und den vorhandenen Abläufen ab. Entsprechend kommen mit jeder Stufe Praktiken hinzu, die weiterhin sinnvoll sein können.
Eine AI Software Factory bedeutet dabei nicht, dass der gesamte Entwicklungsprozess autonom abläuft. Sie beschreibt, wie Agenten, Menschen, Arbeitsabläufe und Qualitätsprüfungen in einer kontrollierbaren Produktionsstrecke zusammenspielen.
Warum der Einstieg jetzt möglich ist
Die Modelle sind leistungsfähiger geworden. Gleichzeitig stehen inzwischen Open-Source-Frameworks, -Bausteine und -Skills zur Verfügung, mit denen sich Rollen, Abläufe und wiederkehrende Aufgaben strukturieren lassen. Auch haben sich standardisierte Tool-Anbindungen und Automatisierungen entwickelt, die einbezogen werden können.
Unternehmen müssen deshalb nicht bei null anfangen. Ein erster Schritt kann ein klar abgegrenzter Teilprozess sein, etwa die Unterstützung bei Anforderungen, Code-Erzeugung oder automatisierte Reviews. Der Anspruch an die eigene Umgebung bleibt trotzdem bestehen: Modelle und Frameworks kennen nicht automatisch die Architektur, Sicherheitsvorgaben und Abhängigkeiten der jeweiligen Systeme. Diese müssen in den Prozess eingebracht und überprüfbar gemacht werden.
Wer noch keine unternehmensweite Lösung aufgebaut hat, ist damit nicht automatisch abgehängt. Ein sinnvoller Einstieg kann klein beginnen. Wichtig ist, den eigenen Kontext und Qualitätsanforderungen zu berücksichtigen, bewusst ungewollte Engpässe zu vermeiden und die Produktionsstrecke aus den Erfahrungen heraus kontinuierlich weiterzuentwickeln.
Spezifikationen und Workflows verbinden die Arbeitsschritte
Nehmen wir eine neue Funktion in einer bestehenden Anwendung. Im ersten Schritt wird geklärt, welches Problem sie lösen soll und woran sich eine erfolgreiche Umsetzung erkennen lässt. Aus diesen Informationen entstehen Anforderungen und technische Leitplanken. Bereits hier kann eine KI-Unterstützung helfen, Edge Cases und Inkonsistenzen früh zu erkennen oder mittels einer ersten Prüfung gegen die aktuelle Implementierung Achtungspunkte zu identifizieren. Zudem können die Anforderungsbeschreibungen mit weniger Aufwand auf einen höheren und einheitlichen Qualitätsstandard gebracht werden.
Auf dieser Grundlage können Agenten Folgeaufgaben übernehmen: zum Beispiel Testfälle ableiten, Code vorbereiten oder Dokumentation aktualisieren. Ein Testlauf liefert Ergebnisse für den nächsten Schritt. Ein Review prüft die Änderung anhand der vereinbarten Kriterien. Architektur-, Qualitäts- und Sicherheitsvorgaben werden direkt in die Arbeit einbezogen, statt erst am Ende aufzutauchen.
Dafür braucht es Spezifikationen und Artefakte, die für Menschen und Agenten verständlich und anschlussfähig sind. Hierzu können Anforderungen, Stories, Architekturentscheidungen, Tests und Dokumentation gehören. Sie halten fest, was umgesetzt werden soll, welche Regeln gelten und wie sich das Ergebnis prüfen lässt.
Das macht den Prozess nachvollziehbarer. Es erleichtert auch, Ergebnisse von einem Arbeitsschritt in den nächsten zu übergeben. Wo Informationen oder Entscheidungen fehlen, kann die Arbeit trotzdem ins Stocken geraten. Die Spezifikation ersetzt deshalb keine Klärung, sondern macht sichtbarer, was noch geklärt werden muss. Auch hier hilft eine agentische Unterstützung frühzeitig, solchen Klärungsbedarf zu identifizieren.
Unternehmenssysteme und Governance einbeziehen
In größeren Unternehmen liegen Anforderungen, Wissen, Code und Freigaben meist in unterschiedlichen Systemen. Tickets stehen zum Beispiel in Jira, Wissen in Confluence, Code in Repositories und Release-Entscheidungen in eigenen Abläufen. Eine AI Software Factory muss diese Arbeitsumgebung berücksichtigen, wenn Agenten mit relevantem Kontext arbeiten und Ergebnisse weitergeben sollen.
Dazu gehören passende Schnittstellen, Tool-Anbindungen und Automatisierungen. Auch der Betrieb spielt eine Rolle: KI-Unterstützung sollte Teil einer gemeinsam nutzbaren Entwicklungsumgebung sein und nicht auf einzelnen Laptops isoliert bleiben.
Architektur-, Security- und Compliance-Vorgaben müssen ebenfalls in die Abläufe einfließen. Agenten benötigen klare Anforderungen und Prüfkriterien. Für wichtige Schritte können zusätzliche Leitplanken sinnvoll sein, etwa vorstrukturierte Dateien, automatisierte Architekturtests oder klar definierte Bereiche, in denen Änderungen ausgeschlossen sind.
Eine Produktionsstrecke wird dabei nicht für jedes System gleich aussehen. Unterschiedliche Anwendungen haben eigene Abhängigkeiten und Risiken. Gemeinsame Vorgaben und wiederverwendbare Bausteine können trotzdem für Orientierung sorgen.
Qualität sichern und Verantwortung beim Menschen verankern
Automatisierte Prüfungen können einen Teil der Qualitätssicherung übernehmen. Dazu zählen Tests, statische Codeanalyse und festgelegte Qualitätsprüfungen. Bei Änderungen mit größeren Auswirkungen bleiben menschliche Kontrollen wichtig. Teams müssen entscheiden können, welche Prüfungen automatisiert ablaufen und wo ein Review oder eine Freigabe erforderlich ist.
Menschen übernehmen Verantwortung für die Systeme. Sie beurteilen, ob eine vorgeschlagene Änderung fachlich sinnvoll und technisch tragfähig ist. Dafür brauchen sie ein Verständnis der Architektur, der Abhängigkeiten und der Historie des Systems.
Diese Fähigkeit lässt sich als intellektuelle Souveränität beschreiben: Das Wissen über die eigenen Systeme bleibt im Team nutzbar. Menschen können Entscheidungen nachvollziehen und die Vorschläge von Agenten im konkreten Kontext bewerten. Das wird schwieriger, wenn Änderungen zwar erzeugt, aber nicht mehr verstanden oder geprüft werden können.
Mit Agenten verändern sich auch Teamkonstellationen und Arbeitsweisen. Entwickler:innen verbringen möglicherweise weniger Zeit mit bestimmten Umsetzungsaufgaben und mehr Zeit mit Spezifikation, Steuerung und Prüfung. Welche Rollen sich verändern, hängt vom Team und vom System ab. Die Einführung sollte deshalb auch Fragen der Adoption und des Kompetenzaufbaus berücksichtigen. Neue Werkzeuge allein schaffen noch keine gemeinsame Arbeitsweise.
Wo bleibt der Zeitgewinn?
Eine AI Software Factory verkürzt den gesamten Entwicklungsprozess nicht automatisch. Wenn die Umsetzung schneller fertig wird, aber danach auf Entscheidungen, Reviews, Tests oder Releases wartet, kann der mögliche Zeitgewinn dort wieder verpuffen.
Deshalb lohnt es sich, den gesamten Software Development Lifecycle zu prüfen. Wo wartet Arbeit auf Entscheidungen? Welche Übergaben könnten klarer gestaltet werden? Welche Prüfungen und Leitplanken lassen sich früher in den Ablauf integrieren? Wo ist menschliche Kontrolle besonders wichtig? Und welche Teile des Prozesses eignen sich für einen ersten Einsatz von Agenten?
Ein Einstieg kann mit einem klar abgegrenzten Bereich beginnen: etwa besseren Anforderungen, automatisierten Reviews oder einer ersten Teilstrecke. Neben der Bearbeitungszeit einer einzelnen Aufgabe sollte auch die Durchlaufzeit von der Idee bis zum Release und Betrieb betrachtet werden. Ebenso wichtig ist, ob das Team die Änderungen weiterhin versteht und Verantwortung für das System übernehmen kann.
An welchen Stellen des eigenen Softwareentwicklungsprozesses wird KI bereits genutzt und wo würde eine bessere Einbindung von Agenten den Gesamtablauf tatsächlich beschleunigen?
