Soufiane Keli, Berater bei OCTO Technology, schlägt einen methodischen Ansatz vor, der es generativer KI ermöglicht, in einem realen Softwareprojekt nahezu 100 % des Codes zu erzeugen. Diese keineswegs magische Strategie kombiniert konsequent bewährte Praktiken in einem in vier Schritte gegliederten Prozess.

Schritt 0: Tägliches LLM-Onboarding

Anders als ein menschlicher Entwickler, der den Kontext über mehrere Sitzungen hinweg beibehält, muss das LLM jeden Tag neu "eingestellt" werden. Dieser entscheidende Schritt besteht darin, den globalen Kontext des Projekts sowie seine fachlichen und architektonischen Ziele systematisch neu zu formulieren. Die Behandlung des Modells als "Junior, der jeden Morgen neu anfängt" erzwingt eine nützliche Dokumentationsdisziplin: Der explizite Kontext wird zu einem vom gesamten Team geteilten Gut und nicht länger zu implizitem Wissen, das nur wenige besitzen.

Schritt 1: Exploration und atomare Planung

Vor jeder Generierung wird jede User Story sorgfältig in atomare Aufgaben mit präzisen Beschreibungen zerlegt. Paradoxerweise wird für diese Planung selbst ein LLM eingesetzt, um den optimalen Grad an Granularität zu bestimmen. Dieser Schritt verwandelt vage fachliche Ziele in umsetzbare technische Spezifikationen und reduziert drastisch die Mehrdeutigkeit, mit der Modelle schlecht zurechtkommen.

Schritt 2: Iterative spec-driven Entwicklung

Die eigentliche Entwicklung stützt sich auf stark strukturierte Prompts, die vier Elemente umfassen: eine detaillierte technische Spezifikation, illustrative Code-Beispiele, Projektstandards und -konventionen sowie eine explizite Definition-of-Done-Checkliste (DoD). Ist das Ergebnis unbefriedigend, sieht der Ansatz eine methodische Anpassung entweder des Prompts oder des Kontexts vor und vermeidet so willkürliche Iterationen. Diese Disziplin macht aus der Interaktion mit dem LLM einen reproduzierbaren technischen Prozess statt eines improvisierten Gesprächs.

Schritt 3: Kontinuierliche Kapitalisierung

Nach jedem Zyklus reichern die gewonnenen Erkenntnisse nach und nach eine organisationsweite Wissensbasis an: erfolgreiche Muster, wirksame Prompt-Formulierungen, identifizierte Fallstricke, dokumentierte Beispiele. Diese kontinuierliche Verbesserungsschleife verwandelt individuelle Erfahrung in kollektives intellektuelles Kapital und beschleunigt künftige Projekte.

Grundprinzip und Praxisvalidierung

Das Leitprinzip lehnt monolithische Generierung ausdrücklich ab: "Man sollte die KI nicht bitten, alles auf einmal zu erledigen". Stattdessen erzeugen atomare Aufgaben + klare Standards + schnelle Iteration gleichzeitig Geschwindigkeit UND Qualität – Ziele, die traditionell als gegensätzlich gelten.

Entscheidend ist, dass dieser Ansatz von Loïc Lefloch und Simon Belbeoch bei OCTO Technology in einer Brownfield-Umgebung demonstriert wurde, was seine Anwendbarkeit über idealisierte Greenfield-Projekte hinaus belegt. Der Brownfield-Kontext – mit Legacy-Code, bestehenden architektonischen Zwängen, technischen Schulden – stellt den realen Arbeitsboden für die Mehrheit der Entwickler dar.

Pragmatische Positionierung

Keli positioniert diese Methode ausdrücklich als pragmatische Kombination öffentlich verfügbarer bewährter Praktiken und nicht als radikale Innovation. Diese strategische Bescheidenheit stärkt ihre Glaubwürdigkeit: Der Ansatz erfordert keine kulturelle Revolution, sondern lediglich eine disziplinierte Orchestrierung bekannter, an den Kontext generativer KI angepasster Techniken.