Dieser Leitfaden von Augment Code, verfasst von Paula Hingel, schlägt ein Sechs-Stufen-Modell vor, um zu verstehen, wie KI-Agenten den Software-Entwicklungszyklus umgestalten. Seine zentrale These: KI verbessert den SDLC nicht gleichmäßig — sie erhöht in manchen Stufen den Durchsatz, während sie in anderen das Instabilitätsrisiko steigert. Dieses Ungleichgewicht ist keine technologische Zwangsläufigkeit, sondern das Symptom einer ungleichmäßigen Einführung, die ohne Neuziehung der Prüfgrenzen erfolgt. Der Artikel stützt sich auf den DORA-2025-Bericht, der eine positive Korrelation zwischen KI-Einführung und Delivery-Durchsatz/Produktleistung feststellt, jedoch eine negative mit der Delivery-Stabilität: Die Prozessreife zählt mehr als das Werkzeug.
Die sechs Stufen werden aus dieser Perspektive neu gelesen. (1) Anforderungen & Planung: Die Spezifikation wird zum Steuerungsmechanismus, der den Agenten lenkt; der Mensch konzentriert sich auf die Qualität der Anforderungen und die Auflösung von Mehrdeutigkeiten. (2) Design & Architektur: Mehr Entscheidungen erfordern eine explizite menschliche Prüfung, um „vibe architecting" zu vermeiden — Infrastruktur- oder Integrationsentscheidungen, die in Sekunden getroffen werden, schneller als die Governance mithalten kann. (3) Implementierung: Der Entwickler verlagert sich vom Schreiben von Code hin zu Orchestrierung, Validierung und Freigabe. (4) Testing & QA: Das Kernrisiko ist die zirkuläre Validierung, bei der KI-generierte Tests KI-generierten Code bestätigen, anstatt die eigentliche Anforderung zu überprüfen; eine präzise Spezifikation ist die Absicherung dagegen. (5) Deployment: Durchsatzgewinne schaffen Stabilitätsrisiken, daher die Notwendigkeit verstärkter Rollback-Kontrollen. (6) Wartung & Betrieb: Agenten übernehmen Erkennung und Behebung, während der Mensch sich um Ausnahmen und Härtung kümmert.
Drei strukturelle Risiken werden benannt: die Erosion der Junior-Pipeline (die Automatisierung grundlegender Aufgaben schneller als die Neugestaltung der Junior-Rollen verkleinert den künftigen Pool an Senior-Entwicklern), die zirkuläre Validierung sowie Governance-Lücken im großen Maßstab. Spiegelbildlich dazu entstehen drei Rollen: Intent Engineering (Übersetzung mehrdeutiger Ziele in testbare Spezifikationen), Agentic DevOps/Infra (Orchestrierung von Agenten) und AI Governance/Assurance.
Der Leitfaden stützt sich auf Daten: 70 % der Entwicklungszeit werden für das Verständnis bestehenden Codes aufgewendet, eine CMU-Studie (807 Repositories) zeigt +30 % mehr Static-Analysis-Probleme und +40 % höhere Komplexität, und Metas DRS-System hat mehr als 10.000 Änderungen während eines Code-Freeze produktiv gesetzt. Der Leitfaden schließt mit fünf operativen Empfehlungen: eine Stufe vor der Skalierung prüfen, die Governance einem Stresstest unterziehen, die Spezifikation ins Zentrum stellen, explizite Rollback-Richtlinien festlegen und die Junior-Rolle rund um Review neu gestalten.