Dave Farley, Gründer des Kanals Modern Software Engineering und eine historische Figur der Continuous Delivery, argumentiert hier, dass die öffentliche Debatte über KI und Softwareentwicklung eine entscheidende Variable übersieht: die Continuous Delivery. Ohne sie ist KI-gestützte Entwicklung nicht nur riskant, sie ist eine Falle — eine Komplexitätsbombe mit Verzögerungszünder.
Sein zentrales Argument entfaltet sich in vier Teilen. Erstens war Code nie der Engpass der Softwareentwicklung. Die Schwierigkeit lag stets anderswo: das Problem verstehen, es entwerfen, testen, integrieren, ausliefern. KI beschleunigt genau den Teil, der nicht das Problem war.
Zweitens greift das Jevons-Paradoxon: Wird die Erzeugung von Code billig, wird mehr davon erzeugt. Mehr Code bedeutet mehr Komplexität, mehr Integrationspunkte, mehr zu bewertendes Verhalten, mehr Wartungsaufwand. Und vermutlich weniger Zeit, das Problem zu verstehen. Das ist kein Produktivitätsgewinn, das ist eine Zeitbombe.
Drittens neigt KI zu großen Sprüngen, während gute Softwaretechnik kleine, reversible Schritte mit schnellem Feedback verlangt. Farley zitiert Bob Martin („der einzige Weg, schnell zu sein, ist, gut zu sein“) und erzählt von einem Projekt, bei dem die abrupte Ankunft von 200 Beratern an einem Montagmorgen achtzehn Monate Fortschritt zunichtemachte.
Viertens wird Continuous Delivery definiert als „so zu arbeiten, dass unsere Software stets in einem auslieferbaren Zustand ist“. Die Mechanik: kleine Inkremente, schnelle automatisierte Tests, eine Deployment-Pipeline, die über die Auslieferbarkeit entscheidet. Der Pipeline ist es gleichgültig, wer den Code geschrieben hat — Mensch oder KI, es gilt derselbe Maßstab.
Farley veranschaulicht dies mit eigener Erfahrung: Er bringt seinem KI-Assistenten mittlerweile Acceptance Test-Driven Development bei, spezifiziert auf Abnahmeebene und bewegt sich in Stunden durch das, wofür früher Wochen nötig waren — mit der Gewissheit, dass die Richtung stimmt. Er beschreibt zudem, wie seine Pipeline eine stille Schema-Diskrepanz aufdeckte: Die KI aktualisierte die Testdatenbank, nicht aber die Produktionsdatenbank. Alle Tests bestanden, die Anwendung stürzte in der Produktion ab. Die Pipeline schlug Alarm, nicht die KI.
Sein Schlusssatz fasst es zusammen: „KI ersetzt nicht die Notwendigkeit von Software Engineering. Sie entlarvt Teams, die nie wirklich Engineering betrieben haben.“ Die Frage ist nicht, ob KI Code schreiben kann, sondern ob die eigenen Engineering-Praktiken robust genug sind, um Code jeglicher Herkunft — Mensch oder Maschine — aufzunehmen und funktionierende Software auszuliefern.