Dieser Leitfaden von Augment Code, verfasst von Paula Hingel, schlägt ein sechsstufiges Modell vor, um zu verstehen, wie KI-Agenten den Software Development Lifecycle umstrukturieren. Zentrale These: KI verbessert den SDLC nicht gleichmäßig — sie erhöht in manchen Phasen den Durchsatz, während sie in anderen das Instabilitätsrisiko steigert. Dieses Ungleichgewicht ist keine technologische Zwangsläufigkeit, sondern das Symptom einer ungleichmäßigen Adoption, die ohne Neuziehung der Review-Grenzen erfolgt. Der Artikel stützt sich auf den DORA-2025-Bericht, der eine positive Korrelation zwischen KI-Adoption und Durchsatz/Produktperformance feststellt, jedoch eine negative Korrelation mit der Delivery-Stabilität: Die Prozessreife zählt mehr als das Werkzeug.
Die sechs Phasen werden unter diesem Blickwinkel neu gelesen. (1) Requirements & Planning: Die Spezifikation wird zum Steuerungsmechanismus, der den Agenten lenkt; Menschen konzentrieren sich auf die Qualität der Anforderungen und die Auflösung von Mehrdeutigkeiten. (2) Design & Architektur: Mehr Entscheidungen erfordern 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 tatsächliche Anforderung zu prüfen; eine präzise Spezifikation ist die Absicherung. (5) Deployment: Durchsatzgewinne erzeugen Stabilitätsrisiken, daher die Notwendigkeit stärkerer Rollback-Kontrollen. (6) Maintenance & Operations: Agenten übernehmen Erkennung und Behebung, Menschen managen Ausnahmen und Härtung.
Drei strukturelle Risiken werden benannt: Erosion der Junior-Pipeline (die Automatisierung grundlegender Aufgaben schneller als die Neugestaltung der Junior-Rollen verringert den künftigen Pool an Senioren), zirkuläre Validierung und Governance-Lücken bei Skalierung. Parallel 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 Entwicklerzeit werden für das Verständnis bestehenden Codes aufgewendet, eine CMU-Studie (807 Repositories) zeigt +30 % Static-Analysis-Probleme und +40 % Komplexität, sowie Metas DRS-System (>10.000 Änderungen während eines Code-Freeze eingespielt). Er schließt mit fünf operativen Empfehlungen: eine Phase vor der Skalierung auditieren, Governance einem Stresstest unterziehen, die Spezifikation ins Zentrum stellen, explizite Rollback-Richtlinien definieren und die Junior-Rolle rund um Review neu gestalten.