Auswirkungen von AI-DLC auf die Zusammensetzung technischer Teams

Autor: Chris Bingham, CTO, Fujitsu Switzerland

AI-DLC schlägt eine Weiterentwicklung der Scrum- und Agile-Methoden vor, bei der KI- Agenten als zentrale Akteure fungieren. Dabei wird das Tempo der KI berücksichtigt, indem der altbewährte «Sprint» durch noch schnellere «Blots» ersetzt und das Konzept der «Mob»-Prozesse eingeführt wird.

Was meiner Meinung nach jedoch bislang unklar geblieben ist, ist die Frage, wie man ein Team aufbaut, das in der Lage ist, die AI-DLC-Methodik umzusetzen. Gibt es im Vergleich zu bestehenden Ansätzen im IT-Projektmanagement Änderungen hinsichtlich der erforderlichen Kompetenzzusammensetzung? Welche Rollen benötigen Sie in Ihrem Team, um KI-gesteuerte Entwicklungstools und -Methoden erfolgreich einzuführen?

In meiner Funktion bei Fujitsu habe ich in letzter Zeit gemeinsam mit Kollegen weltweit daran gearbeitet, solche Fragen anzugehen, und hier möchte ich einige wichtige Erkenntnisse teilen, die wir dabei gewonnen haben.

Drei Schlüsselkompetenzen für den AI-DLC Erfolg

Die Einführung KI-gestützter Entwicklungsansätze treibt Anpassungen am Kompetenzmix in Ihren technischen Teams voran und macht ihn gleichzeitig notwendig. Nach den bisherigen Erfahrungen meiner Kollegen und mir übernehmen führende KI-Tools wie Kiro und Claude Code den Grossteil der mühsamen Arbeit beim Schreiben von Code, bei der Analyse von Problemen sowie bei der Durchführung von Unit- und Integrationstests. Dadurch verlagert sich der Fokus Ihrer Teams teilweise weg von den Programmieraufgaben.

Doch trotz des Marketing-Hype kann keine KI jeden Aspekt eines Projekts bewältigen. Ohne angemessene oder wirksame Überwachung können KI-Tools «Slop» produzieren – Ergebnisse, die oberflächlich betrachtet zwar ausgefeilt wirken, aber gleichzeitig die angestrebten Ziele verfehlen. Bei unseren Tests haben wir drei entscheidende Bereiche identifiziert, in denen Teams gestärkt werden müssen.

Geschäftsanalyse und Anforderungsengineering

Bei der Durchführung eines AI-DLC-Projekts ist das Anforderungsdokument die erste und wichtigste Vorgabe, die Sie der KI in jeder Bolts mitgeben. Darin müssen die geschäftlichen Anforderungen, die Sie erfüllen möchten, sowie detaillierte, überprüfbare Abnahmekriterien für jede einzelne davon definiert sein.

Das ist oft schwieriger, als es klingt!

Aus einem geschäftlichen Bedarf ausreichend detaillierte, spezifische und erreichbare Anforderungen herauszuarbeiten, ist eine spezielle Fähigkeit. In meiner Karriere bin ich regelmässig auf Fälle gestossen, in denen die Ergebnisse von denjenigen, die sie benötigen, nur in vagen, unbestimmten und manchmal unmöglich weit gefassten Begriffen beschrieben werden können (mein persönlicher Favorit: eine schriftliche Anforderung, die ich einmal von einer Führungskraft erhielt und in der es schlicht hiess: «Das System soll alle zukünftigen Anforderungen erfüllen»!).

Ich habe in meiner Arbeit beobachtet, dass das alte Sprichwort «Garbage in, garbage out» für KI-Modelle nach wie vor sehr zutreffend ist. Daher hat die Qualität der Anforderungen und Akzeptanzkriterien, die Sie zu Beginn vorgeben, einen starken Einfluss auf die Qualität der Ergebnisse, die Sie erhalten werden.

Dieselben KI-Modelle können bei der Formulierung und dem Verfassen des Anforderungstextes sehr hilfreich sein, jedoch erst, nachdem Sie das gewünschte Ergebnis und dessen detaillierte Merkmale ausreichend verstanden haben, um sie selbst zu definieren und zu verfeinern. Bei meiner Arbeit mit Kiro, einem Beispiel für ein AI-DLC-Tool, habe ich festgestellt, dass der grösste Teil meiner Zeit bei jedem Projekt für diesen Prozess der Definition und Verfeinerung des Anforderungsdokuments aufgewendet wird.

Folglich hängt Ihr Erfolg bei der Einführung von AI-DLC davon ab, dass Ihre Teams über solide Kenntnisse in den Bereichen Geschäftsanalyse und Anforderungsmanagement verfügen. Sie müssen in der Lage sein, geschäftliche Anforderungen effektiv zu ermitteln und zu beschreiben und diese Anforderungen in umsetzbare User Stories mit konkreten, überprüfbaren Abnahmekriterien umzuwandeln.

Solution und Enterprise Architektur

Die Erstellung eines perfekten Anforderungsdokuments allein garantiert jedoch noch kein qualitativ hochwertiges oder auch nur zufriedenstellendes Ergebnis. Meine Kollegen bei Fujitsu und ich haben festgestellt, dass selbst bei den leistungsfähigsten Programmiermodellen und den grössten Kontextfenstern die gleichzeitige Eingabe der gesamten Spezifikation für ein grosses, komplexes System in eine KI unweigerlich zu unvollständigen und qualitativ minderwertigen Ergebnissen führt.

Dies liegt an der «Aufmerksamkeitsspanne» von KI-Modellen. Werden sie aufgefordert, zu viele Probleme auf einmal anzugehen, verlieren sie zunächst den Überblick über Details und dann über die gesamten Anforderungen. Um dies zu vermeiden, ist eine Lösungsarchitektur erforderlich: die Aufteilung grosser, koplexer Systeme in unabhängig voneinander bearbeitbare Komponenten. In einem AI-DLC-Team umfasst diese Rolle zudem die Aufteilung der Architektur in Blöcke, die in die «Aufmerksamkeitsspanne» der KI passen, sowie die Organisation dieser Blöcke über Blots hinweg, um schrittweise auf das gewünschte Ergebnis hinzuarbeiten.

Auch die Unternehmensarchitektur spielt eine Schlüsselrolle bei der Gestaltung der Aktionen der KI-Modelle, um die Qualität zu maximieren.

Ein Kernmerkmal aller Gen-AI-Modelle, einschliesslich derer, die für Programmier- und Entwicklungsarbeiten verwendet werden, ist, dass sie nicht deterministisch sind. Kurz gesagt bedeutet dies, dass das Modell bei zehnmaliger Eingabe derselben Eingabe jedes Mal ein anderes Ergebnis liefern kann und mit ziemlicher Sicherheit mehrere unterschiedliche Ausgaben erzeugen wird.

In zahlreichen Projekten habe ich die Auswirkungen dieses Nicht-Determinismus sowohl in der Entwurfsphase als auch bei der Implementierung neuer Funktionen erlebt. Ich habe Fälle erlebt, in denen dieselbe technische Herausforderung an mehreren Stellen der Architektur gelöst werden musste. In solchen Fällen würde ein erfahrener Architekt eine konsistente Architektur schaffen, indem er durchgehend dasselbe Muster anwendet. Doch selbst Claude Opus 4.6 – das damals leistungsfähigste Codierungsmodell – erzeugte für jeden Fall völlig unterschiedliche und inkonsistente Ansätze.

Um dem entgegenzuwirken, muss ein AIDLC-Team bei der Überprüfung der vorgeschlagenen Entwürfe und Implementierungspläne der KI-Modelle eine unternehmensarchitektonische Denkweise einbringen. Ihr Team spielt eine entscheidende Rolle dabei, ganzheitlich zu denken und sowohl bei jedem einzelnen Projekt als auch projektübergreifend für architektonische Konsistenz und die Einhaltung von Richtlinien zu sorgen.

Lösungsorientierte Prüfungen

In diesem Artikel haben wir wiederholt von «Ergebnissen» gesprochen, was uns zur letzten Schlüsselkompetenz für erfolgreiche AI-DLC-Projekte führt: dem Testen.

Bei effektiver Nutzung übernehmen KI-gesteuerte Entwicklungstools einen Grossteil der herkömmlichen Tests autonom. Bei der spezifikationsgesteuerten Entwicklung – einem zentralen Faktor für AI-DLC – wenden KI-Agenten testgetriebene Entwicklungsmethoden an und führen traditionelle Unit- und Integrationstests als integralen Bestandteil ihrer Arbeit durch.

Solche technisch ausgerichteten Tests bleiben zwar notwendig, doch für den Erfolg eines AI-DLC-Teams ist mehr erforderlich. Ein zentraler Aspekt von AI-DLC ist die ergebnisorientierte Steuerung der KI-Entwicklungsagenten; Ihre Teams müssen systematisch testen, ob die resultierenden Lösungen die beabsichtigten Ergebnisse liefern. Zwar kann KI bei solchen Tests manchmal helfen, insbesondere im Hinblick auf die Skalierbarkeit, doch ist sie stets blind für die Diskrepanz zwischen Plan und Realität.

Folglich ist dies ein Bereich, in dem menschliches Urteilsvermögen und Engagement entscheidend sind. Ihre Teams müssen systematische und gründliche Tests durchführen, um festzustellen, ob das technische Produkt des AI-DLC-Prozesses tatsächlich die gewünschten realen Geschäftsergebnisse liefert.

Dies ist meiner Meinung nach ebenso sehr eine «Soft Skill» wie eine technische Kompetenz. Es erfordert die Beobachtung und Bewertung der Interaktionen zwischen Menschen, Prozessen und Technologie, um die Ergebnisse zu katalogisieren und zu dokumentieren. Solche Fachkenntnisse sind meiner Erfahrung nach in den heutigen IT-Abteilungen von Unternehmen selten gut ausgebildet oder vorhanden.

Dies ist also ein Bereich, auf den Sie Ihre Investitionen in die Weiterbildung konzentrieren sollten: Sie müssen Ihre Teams in die Lage versetzen, Ergebnisse in den Dimensionen «Menschen», «Prozesse» und «Systeme» zu bewerten. Die Beschreibung der Lücke zwischen dem aktuellen Zustand und dem angestrebten Ergebnis am Ende jedes «Bolts» ist die entscheidende Triebkraft hinter dem Prozess für AI-DLC-Teams und -Projekte.

Dies führt uns zurück zu der Kompetenz «Geschäftsanalyse & Anforderungsengineering», mit der wir begonnen haben, und überschneidet sich mit ihr. Nach den ersten Bolts, in denen die grundlegenden Anforderungen für eine Lösung von Ihrem Team definiert und von KI-Agenten umgesetzt werden, wird der weitere Fortschritt in Richtung Ihrer angestrebten Ergebnisse durch diese Delta-Beschreibungen vorangetrieben. Sie sind es, die es Ihrem Team ermöglichen, sich schrittweise dem Erfolg zu nähern.

Auf dem Weg in die Zukunft

In diesem Artikel haben wir die Schlüsselkompetenzen für den Erfolg in einer Welt erörtert, in der KI einen Grossteil der undifferenzierten Routinearbeit in IT-Projekten von Unternehmen übernimmt. Wie lässt sich das nun mit der in der Branche verbreiteten These vereinbaren, dass KI Menschen pauschal ersetzen wird?

Bei all der Arbeit, die ich und meine Kollegen bei Fujitsu bisher im Bereich der KI- gesteuerten Entwicklung geleistet haben, ist uns ein Phänomen immer wieder begegnet: der «Sycophancy Bias» – die gut dokumentierte und inhärente Tendenz von LLMs, nach Antworten zu suchen, die dem Nutzer schmeicheln. Dies führte dazu, dass KI-gesteuerte Entwicklungstools mit Begeisterung erhebliche Ressourcen darauf verwendeten, völlig unangemessene oder sogar technisch unmögliche Ideen des Nutzers zu entwerfen und umzusetzen, während sie dieser Person gleichzeitig sagten, was für eine grossartige Idee sie gehabt habe!

Dies zeigte sich sogar im Stil der Antworten, die die KI auf Eingaben gab: Die Modelle neigten zu tokenlastigen Stilen, gespickt mit Witzen und Emojis, wenn die Person Anzeichen dafür gab, dass sie einen solchen Ansatz lustig finden würde.

Vor diesem Hintergrund lässt sich sagen, dass die Realisierung der potenziellen Produktivitätsvorteile dieser KI-Tools von den Fähigkeiten der Menschen abhängt, die das Tool einsetzen.

Wie wir hier dargelegt haben, gibt es Verschiebungen hinsichtlich der benötigten Kompetenzen und des Schwerpunkts der Arbeit Ihrer Teams. Neben dem neuen Fachwissen, das für die Steuerung und Anweisung von KI erforderlich ist, bleiben Fähigkeiten in den Bereichen Architektur, Geschäftsanalyse und Programmierung für die Verwaltung von KI-Agenten in IT-Projekten unverzichtbar.