X-Post von **Andrew Ng** vom **14. August 2026** (16:29 UTC), Wiederaufnahme des "Dear friends"-Briefs aus ***The Batch* #366** (DeepLearning.AI, gleiches Datum), ca. 900 Wörter. Ng stellt **The AI Engineering Skills Map** vor und veröffentlicht **vier Skills**, die als die wichtigsten gelten. **(1) Aufbau und Bereitstellung von KI-Anwendungen** — die Besonderheit wird benannt: *« The key difference between AI and non-AI applications is that the former has unpredictable outputs »*, daher die Betonung von *evals* und Fehleranalyse-Loops. **(2) Grundlagen der Softwareentwicklung**, denn *« Understanding software fundamentals allows you to recognize what tradeoffs even exist »* — der unerfahrene Entwickler scheitert *« because they don't know what context to give their coding agent »*, daher das Ziel, *« steering coding agents using the precise language of software engineering »*. **(3) Einsatz von Coding-Agenten**, in operativer Formulierung: *« help the agent autonomously close loops by providing verifiers or evals »*, sowie *« knowing how much to intervene and how much to leave them alone »*. **(4) *Den Build gestalten***: *« Given a clear spec, coding agents are rapidly improving at delivering to it. Thus, our work as engineers is shifting toward deciding what should be in the spec »*, ergänzt durch *« Engineers should no longer expect to be given a pixel-perfect design and asked only to implement it. »* Ein **Hinweis zur Terminologie** trägt den größten Teil der Rahmung: Ng spricht von **Skills** im AI Engineering und **nicht von der Rolle** "AI Engineer", mit einer expliziten Analogie — *« All developers today should know how to work with the cloud, and only a smaller number have a "Cloud engineer" title. »* Das Ganze stützt sich auf *« an analysis of more than 10,000 job postings, dozens of structured interviews with experts, hiring managers, and recruiters, surveys, and other online data »*, wovon **keine numerischen Ergebnisse veröffentlicht werden**: Ng beschreibt sein Vorgehen als *« informally… akin to running clustering »* und kündigt eine detaillierte Map in künftigen Beiträgen an. Sein Eigeninteresse benennt er im vorletzten Satz: *« DeepLearning.AI's principal focus is to help developers gain these AI engineering skills. »*
#AI Engineering Skills Map#Skills-Map#Andrew Ng
**Andrew Ng** — fondateur de **DeepLearning.AI** · general partner d'**AI Fund** · cofondateur de **Coursera** et de **Google Brain** · ancien chief scientist de Baidu. Texte signé · à la première personne · écrit *« with my team »* sans qu'aucun collaborateur soit nommé. Publié le **14 août 2026** sur X et dans ***The Batch* n°366** — même texte aux deux endroits ; préférer *The Batch* pour toute citation durable. Quatrième fiche Ng du corpus · après les lettres n°350 (24 avril) · n°352 (8 mai) et n°359 (26 juin).
Referenzseite, veröffentlicht auf **eventuallycoding.com** am **28. Juli 2026** von **Hugo Lassiège** (Lyon, vom Entwickler zum Unternehmer, Autor von Bloggrify, Hakanai und Writizzy). Der Autor kündigt sie selbst so an: *„Das wird eher eine Referenzseite als ein Artikel sein“*, gedacht für seine eigene Ressourcenseite. **Thema**: eine erschöpfende, werkzeuggestützte Beschreibung einer **Solo-Softwarefabrik**, in der *„der produzierte Code inzwischen fast zu 100 % generiert ist“*, über mehrere polyglotte Monorepos hinweg (Nuxt, Kotlin, JS — Hakanai, Writizzy, Bloggrify) in **kontinuierlicher Auslieferung in Produktion**. **Vorab getroffene Unterscheidung**: Dies ist kein **vibe coding** im Sinne von Karpathy (Experimentieren, sich treiben lassen), sondern **context engineering** — *„den gesamten notwendigen Kontext zum richtigen Zeitpunkt geben, damit die Software einer Absicht entspricht und systematisch kontrolliert wird“*, mit dem Satz, der die Verantwortung begründet: *„Auch wenn ich den Code nicht schreibe, bin ich dafür verantwortlich und muss die Kontrolle darüber behalten.“* **Das gesamte Werkzeug-Set beantwortet drei Fragen**, und das ist das am besten wiederverwendbare Lese-Raster des Textes: *„Was weiß der Agent?“* (Kontext, Gedächtnis, Code-Graph) — *„Was kann er deterministisch, ohne zu improvisieren?“* (Skills, Prozeduren) — *„Was stoppt ihn, wenn er einen Fehler macht?“* (Hooks, Architekturtests, Qualitäts-Gates). **Sechs im Detail beschriebene Schichten**: (1) **Kontext** — Wurzel-`CLAUDE.md` + themenbezogene `.claude/rules/*.md`, bedingt geladen über `paths:` + `.agents/*.md` für nicht-technische Belange (Personas, Positionierung, Tonalität); (2) **Skills** — rund dreißig, Existenzkriterium *„wenn ich dasselbe ein drittes Mal erkläre“*; (3) **Tools** — JetBrains-IDE-MCP, **GitNexus** (Code-Graph: `impact(symbol)`, `detect_changes()`), Claude-mem, RTK-Filter-Wrapper, Sentry, schreibgeschützte Datenbank; (4) **ausführbare Leitplanken** — Harness-Hooks, **Architekturtests**, Pattern-Linting (**ast-grep** für Architekturentscheidungen, nicht nur ESLint); (5) **Fabrik** — blockierendes Qualitäts-Gate mit `needs:` auf dem Qualitäts-Job, fünf Teststufen; (6) **Produktprozess** — nummerierte Specs mit einem Skill zum Verfassen **und einem Skill zum Abschließen**, Design in Claude Design, gestufte Auslieferung hinter Feature-Flags, Unterscheidung zwischen **Feature Flipping** (Unleash) und **Gating** (Kundenvertrag). **Die Regel, die alles zusammenfasst**: *„Was zählt, muss ausführbar sein. Eine Anweisung wird ‚meistens‘ befolgt … Ein Hook oder ein Test wird immer befolgt.“* **Eine Seltenheit für dieses Genre**: ein Abschnitt „Zu verbessern“, der vier gelebte Einschränkungen offenlegt — die **Unmöglichkeit, die Veralterung einer Regel zu messen** (*„Ich habe keine Möglichkeit zu wissen, ob eine alte Regel obsolet geworden ist“*), das **Kaninchenloch**, das durch eine Boyscout-Regel entsteht, das **Fehlen einer Paketierung** von Skills über Projekte hinweg, und vor allem das Eingeständnis der Spannung: *„Ich werde in den Implementierungsphasen immer weniger nützlich“*, *„hin- und hergerissen zwischen der Zufriedenheit, eine immer effizientere Fabrik zu haben, und dem Risiko, Wissen zu verlieren.“*
#Softwarefabrik#context engineering#vibe coding
**Hugo Lassiège** — développeur devenu entrepreneur · basé à **Lyon** · écrit du code depuis 2001 et tient **eventuallycoding.com** (le blog a porté le nom `hakanai.free.fr` avant de devenir *Eventuallycoding* en 2013). *Eventuallycoding* est le nom-parapluie qui regroupe ses projets · sa chaîne YouTube et ses blogs.
SFEIR-Analyse (Stimme eines Beratungsunternehmens, „die Lesart eines Ingenieurs“), die zwei zu oft vermischte Frameworks artikuliert: den **SDLC** (Software Development Life Cycle — *die Software korrekt und zuverlässig bauen*) und den **PDLC** (Product Development Life Cycle — *das richtige Produkt bauen und am Markt erfolgreich sein*). Zentrale These: Die beiden Zyklen sind keine Konkurrenten, sondern **verschachtelt** — der SDLC ist die Teilmenge des PDLC, **untergebracht in dessen Entwicklungsphase**; wenn ein Produktteam die „Build“-Phase erreicht, läuft darin ein vollständiger SDLC-Zyklus (Design → Build → Test → Review → Deployment) ab. Der SDLC ist standardisiert (**ISO/IEC/IEEE 12207**, Ausgaben 2017 und 2026), mit seiner Modell-Genealogie (Waterfall 1970, V-Modell, iterativ/spiralförmig, **Agile 2001**, **DevOps/DevSecOps ab 2009**) und seinen **DORA**-Metriken (Durchsatz, Stabilität, MTTR, Change-Failure-Rate). Der PDLC, als übergeordneter Zyklus, reicht von **Ideation/Discovery** bis zum **Marktrückzug** (nicht zu verwechseln mit dem marketingbezogenen **PLC** von Theodore Levitt, 1965, der eine *kommerzielle Kurve* beschreibt, keine *organisierte Arbeit*: „der PLC beobachtet eine Kurve; der PDLC organisiert Arbeit“). **Wendepunkt**: Der SDLC adressiert nativ **nur eines von vier Risiken** — über **Marty Cagans „Four Big Risks“**-Framework (Value → PM, Usability → Designer, Feasibility → Lead Engineer, Business Viability → PM) — eine Organisation, die im SDLC exzellent, aber gegenüber dem PDLC blind ist, produziert „Software, die niemand will“ — John Cutlers **„Feature Factory“** (Erfolg gemessen am Output, nicht am Outcome). **Warum KI alles verändert**: Generative KI **komprimiert den SDLC** (Google/JetBrains-Daten, Mai 2026: **~85 % der Entwickler** nutzen regelmäßig Coding-Agenten, **~41 % des neuen Codes** ist KI-generiert; die Implementierung schrumpft von Wochen auf Stunden), sodass sich der **Engpass stromaufwärts verlagert** — die Entscheidung, *was* gebaut werden soll (Marty Cagan, April 2026: „wenn die Kosten der Auslieferung einbrechen, verlagert sich der Engpass zur Discovery“). Konsequenzen: DORA 2025 (~5.000 Fachleute, 90 % KI-Adoption) zeigt eine **positive Korrelation mit dem Durchsatz, aber eine negative mit der Stabilität** (mehr unvalidierte Features bedeuten Instabilität und Nacharbeit); Andrew Ng (AI Startup School, Juli 2025) berichtet von Teams, die das **Verhältnis „1 PM auf 4 Ingenieure“ zu „2 PMs auf 1 Ingenieur“ umkehren**; und mit **Spec-driven Development** wird die Grenze zwischen PDLC/SDLC **durchlässig** (die Produktspezifikation wird direkt von Agenten ausführbar). **Was ein CIO mitnehmen sollte**: Ein augmentierter SDLC wird zum **Marktstandard, nicht zum Differenzierungsmerkmal** — die Schnittstelle zum Produkt muss instrumentiert, **ausführbare Spezifikationen** als Input verlangt, technische Metriken mit Outcome-Metriken abgeglichen und die Rolle des „Feature-Lieferanten“ **abgelehnt** werden. Für einen CPO: Die Verlagerung des Engpasses zur Discovery ist zugleich eine **Aufwertung** (Produkturteil wird wieder knapp) und eine **Handlungsaufforderung** (Discovery industrialisieren, um mit dem SDLC gleichzuziehen). SFEIRs eigenes Framework („Designing and building in the agentic era“ — **11-Phasen-Zyklus** + **Software Factory 10x**) wird als Antwort auf der Engineering-Seite positioniert, wobei die **Verknüpfung der beiden Zyklen** als nächster Hebel gilt. Fazit: „während Code zur Commodity wird, verschiebt sich die Marge hin zu Produkturteil und Governance.“
Tech-Watch-Digest aus Primärquellen zur Position von **Gregor Hohpe** (Autor von *Enterprise Integration Patterns*, *The Software Architect Elevator*, *Cloud/Platform Strategy*; ehemaliger AWS- und Google-Cloud-Enterprise-Strategist, ehemaliger Chief Architect bei Allianz) zur Rolle des Architekten im Zeitalter generativer KI. These: KI **entwertet** den Architekten **nicht**, sie **verschiebt seinen Wert** vom Code hin zu dem, was KI nicht leistet — **Entscheidungen treffen und verantworten, Kompromisse abwägen, „Optionen verkaufen“, mit Menschen kommunizieren, tragfähige Abstraktionen erzeugen**. Kernformel (Craft Conference 2026): „*Developers mainly interact with machines… GenAI. In contrast, architects communicate with humans*“. Seine Kernthese — der Architekt müsse nicht die klügste Person im Raum sein, sondern solle **alle anderen klüger machen** — gewinnt an Gewicht, je reichlicher Code verfügbar wird: Der Vorteil entsteht durch **Entscheidungsdisziplin** und das **Aufdecken verborgener Kompromisse**, nicht durch Menge. Der Digest schlüsselt seine Positionen zudem nach Rolle auf (Enterprise-Architekt: vom **Kartografen zum Scout**; Software-Architekt: Entscheidungen **debuggen** statt Code schreiben; Plattform-Architekt: **Abstraktionen statt Illusionen**), seine Metapher der **realen Optionen** (Wert steigt mit technologischer Volatilität, Black-Scholes-Analogie) sowie seine Warnungen („*An AI-driven SDLC punishes bad habits much faster*“; die Gewinner der KI-Ära werden daran gemessen, wie schnell sie von der Experimentierphase zu einer **kontrollierten Produktion** übergehen). ⚠️ Die weitverbreitete Formel „Architekten, die KI nutzen, werden diejenigen ersetzen, die es nicht tun“ **stammt nicht von Hohpe**. Themenbereich: Softwarearchitektur, die Rolle des Architekten, Entscheidungsfindung, reale Optionen, Plattformen, GenAI im SDLC.
#Gregor Hohpe#Architect Elevator#Rolle des Architekten
Gregor Hohpe (sources primaires) — digest de veille
SFEIR-Artikel (auf Französisch), das einen **KI-gesteuerten SDLC in 11 Phasen (0 bis 10)** formalisiert und argumentiert, dass sich die Branche darauf zubewegt. Ausgangsbeobachtung: 2025 fügten Organisationen KI-Tools hinzu, ohne ihr Betriebsmodell zu transformieren — was ein Paradox erzeugt: « alles ändert sich… und nichts ändert sich » (die Ausführungsgeschwindigkeit vervielfacht sich ohne proportionalen Gewinn). Die eigentliche Antwort liegt nicht in der Wahl der Tools, sondern in der **Neugestaltung des Zyklus** für die maschinelle Ausführung. Der SFEIR-Zyklus stützt sich auf **drei unveränderliche menschliche Gates** (Define, Plan, Ship), automatische Phasen dazwischen sowie **zwei Kapitalisierungsmomente** (Compound-1 vor der Bereitstellung, Compound-2 in Produktion), die Lehren in wiederverwendbare Regeln umwandeln. Drei Prinzipien: **KI führt aus** (vollständige Artefakte + Ausführungsnachweis, ohne den eigenen Angaben des Agenten je zu vertrauen), der **Mensch behält die Kontrolle über die Absicht**, das **System lernt kumulativ**. Gemessene Ergebnisse (Neugestaltung 6 Monate→1 Tag, **−30 % der Iterationen** nach zehn Zyklen) sowie eine behauptete Konvergenz mit ADLC, Google und DORA 2025.
Guide des Medienunternehmens **Every** (every.to/guides), veröffentlicht am **2. Juni 2026** und mitunterzeichnet von **Mike Taylor, Laura Entis und Claude**, der eine **8-Stufen-Reifegradskala für die KI-Einführung** vorschlägt. **Kernthese**: Die Einführung von KI **ist kein Wettlauf um maximale Ausgereiftheit** — ***„eine höhere Stufe ist nicht zwangsläufig besser“*** ; man muss die Stufe identifizieren, die **zum eigenen Workflow und Vertrauensniveau passt**, und dann regelmäßig neu bewerten, ob ein Aufstieg um eine Stufe **echten Mehrwert** bringt. ***„Der beste Weg, in KI einen Nutzen zu finden, besteht darin, sie so einzusetzen, dass sie zur eigenen Arbeit passt.“*** **Strukturierende Achse**: Auf jeder Stufe *„delegiert man mehr von seiner Arbeit an die KI – und bringt ihr mehr Vertrauen entgegen“* (zunehmende Delegation + Vertrauen). **Die 8 Stufen**: **(1) Chatbot** — Konversationsschnittstelle ohne eingebetteten Kontext (ChatGPT, Claude, Gemini); **(2) Copilot** — in den Arbeitsbereich eingebettete KI mit Zugriff auf die aktuelle Datei (Cursor, Claude in Excel, Gemini in Docs); **(3) Agent** — reaktives System, das Schritt für Schritt ausführt und dabei um Freigabe bittet (Cowork, Codex); **(4) Autopilot** — man beschreibt das **Ergebnis**, und der Agent führt es eigenständig aus; überprüft wird nur das **Endergebnis** (Lovable, Codex, Claude Code; verbunden mit *vibe coding*); **(5) Workflows** — Engineers bauen **Harnesses** rund um Agenten (Planung, Review, Vertrauensprüfungen, Guardrails; Compound engineering, Claude Workflows, Copilot AI Studio; Übergang von einmaligem vibe coding → **agentic engineering**); **(6) Assistent** — **proaktive, dauerhaft aktive** Agenten, die einen Bereich überwachen und Informationen liefern, ohne dazu aufgefordert zu werden (OpenClaw, Hermes Agent, Claude Managed Agents; z. B. `heartbeat.md` alle 30 Minuten); **(7) Multi-Agent** — gleichzeitige Verwaltung **mehrerer langlaufender Agenten** mit unterschiedlichen Rollen (Claude Managed Agents, OpenClaw, Codex Goals; *„eindeutig im Bereich des Senior Engineering“*); **(8) Orchestrator** — ein **Agent-Manager** leitet ein Team von Sub-Agenten (Planung, Delegation, Überwachung, Konsolidierung; Gas Town, Paperclip, Symphony/OpenAI; *„hochgradig experimentell“* — selbst führende Engineers übernehmen diese Rolle). **Sweet Spots nach Rolle**: **Wissensarbeiter** bewegen sich typischerweise zwischen den Stufen **1-4**, **Engineers** zwischen **5-8**. **Kanonische Parallele zur Einarbeitung eines Praktikanten**: *„Rechnen Sie damit, einen ähnlichen Aufwand in Ihre Agenten zu investieren, bevor Sie ihnen vertrauen können … auf der nächsten Autonomiestufe“* ; sowie der Kennsatz ***„Sie würden nicht damit prahlen, acht Praktikanten über Nacht an einem Schlüsselprojekt arbeiten lassen zu haben, ohne deren Ergebnisse geprüft zu haben.“*** Die richtige Stufe hängt von **4 Kriterien** ab: Qualität der Ergebnisse, Kosten, Zuverlässigkeit (Vertrauenswürdigkeit), Tragweite eines Scheiterns; und die **Modellfähigkeit** verschiebt schrittweise die als „sicher“ geltende Autonomiestufe. Ein Framework, das sich direkt nutzen lässt, um auf der Beratungsseite eine **Einführungsdoktrin** zu strukturieren. Konvergenz mit *Systemen rund um das Modell* (Dropbox/Okumura), *harness engineering* (Böckeler, Lattice, Wescale), Karpathy (vibe coding → agentic engineering), Cherny (/loop + Routines) und der Doktrin des *Agent-Managers* (BFM/Girard).
#KI-Einführung#Reifegradskala#acht Stufen
**Mike Taylor** · **Laura Entis** et **Claude** (co-auteurs déclarés) · pour **Every** (every.to) · rubrique *Guides*. Mike Taylor est un auteur connu sur les sujets prompt/AI (co-auteur de *Prompt Engineering for Generative AI*) ; Laura Entis est journaliste/éditrice. La co-signature explicite de **Claude** comme auteur fait partie du positionnement éditorial d'Every (entreprise AI-native). Publié le **2 juin 2026**.
Continuous Delivery als nicht verhandelbare Grundlage KI-gestützter Softwareentwicklung — Dave Farley argumentiert auf seinem Kanal *Modern Software Engineering*, dass KI ohne CD kein Beschleuniger, sondern eine Falle ist (Theory of Constraints und Jevons-Paradoxon angewandt auf generierten Code, ATDD/BDD als Absicherung, Deployment-Pipeline als Qualitätsschiedsrichter).
#Continuous Delivery#Generative KI im SDLC#ATDD (Acceptance Test-Driven Development)
Dave Farley (Modern Software Engineering — YouTube channel)
Podcast von Greg Isenberg × Meng To (Designer, Gründer von Design+Code, Schöpfer der Produkte Aura / New Form / Dream Cut) über **`design.md`** — Googles Open-Source-Konvention, das Äquivalent zu `agents.md` / `skills.md` / `soul.md`, jedoch **für das Designsystem** (Typografie, Farben, Abstände, WebGL/Three.js-Animationen, Reveal-Regeln). Zentrale Idee: die „**Seele des Designs**" in einer Markdown-Datei zu tragen, die einem Agenten (Claude Code, Codex, OpenClaude, Gemini, Stitch, Aura, V0, Lovable, Cursor) übergeben wird, um **medienübergreifende Konsistenz** zu wahren (Web, Mobile, Replit slides, Hyperframes/Remotion-Motion-Design). Gelehrte Triade: **HTML = fertiges Gericht, design.md = Rezept, Skills = Zutaten** (Typografie-, Laser-, Skeuomorphic-, 3D-Skills — 63 bei New Form). Hauptdiagnose: **Design Drift** bei One-Shot-Workflows (`v0`, Lovable, Framer), die stark beginnen und dann zu generischem Output abdriften. Kernbotschaft: *Geschmack* (taste) ist der einzig verbleibende **Burggraben** — *„wenn etwas wie etwas anderes aussieht, sinkt sein Wert um das 10- bis 100-Fache"*. Workflow: **Reference → Design.md → Generate → Inspect → Systemize → Iterate (bis zu 1000+ Prompts) → Remix → Expand → Export**. Kritik an **lila Farbverläufen** („you just run") als generische Post-vibe-coding-Baseline. Meng To gibt an, ~500.000 $ für Tokens ausgegeben, 1.000–10.000 Iterationen pro Produkt durchgeführt und 4 Produkte parallel im Alleingang betrieben zu haben.
#design.md#Google#Designsystem
Greg Isenberg (host — podcast Late Checkout / The Greg Isenberg Show, 12 mai 2026 livestream workshop ideabrowser.com) ; **Meng To** (guest — designer, fondateur Design+Code 2014, créateur Aura / New Form / Dream Cut, autodidacte parti à 18 ans, dropout, francophone d'origine canadienne)
Google-Whitepaper (die Folge „Day 1“ einer Reihe von Addy Osmani, Shubham Saboo und Sokratis Kartakis), das den Wandel des Software-Entwicklungszyklus (SDLC) im Zeitalter von Coding-Agenten nachzeichnet. These: Der grundlegende Wandel ist keine neue Sprache, sondern der Übergang vom Schreiben von Code zum **Ausdrücken von Absicht**. Das Dokument entwirft ein Spektrum, das von *vibe coding* (Prompten und Akzeptieren) bis zu *agentischem Engineering* reicht (die KI setzt unter von Menschen entworfenen Einschränkungen, Tests und Feedback-Schleifen um), mit **context engineering** als zentraler Fähigkeit, dem Modell der **Software-Fabrik** (das eigentliche Liefergut der Entwickler ist das System, das den Code produziert), **Harness Engineering** (Agent = Modell + Harness) sowie einer CapEx/OpEx-Wirtschaftlichkeitsanalyse der Gesamtbetriebskosten.
Interview mit Andrej Karpathy (Mitgründer von OpenAI, ehemals Tesla Autopilot) über den Übergang von *vibe coding* zu *agentic engineering*: December 2025 transition als Wendepunkt – „noch nie so sehr als Programmierer hinterhergehinkt“ –, die Taxonomie Software 1.0/2.0/3.0, das Beispiel openclaw (Bash-Skript → Text zum Kopieren in den Agenten) und MenuGen, das durch Geminis Nanobanana obsolet wird, die *Verifiability*-Theorie, die erklärt, warum LLMs *jagged* sind (Spitzenwerte bei Mathematik/Code, aber Scheitern bei „50 m zu Fuß zur Autowaschanlage“), die Unterscheidung zwischen *vibe coding* (die Einstiegshürde senken) und *agentic engineering* (den Qualitätsanspruch wahren), die Metapher „animals vs ghosts“, die Neuausrichtung der Personalauswahl über Agent-gegen-Agent-Projekte sowie die Kernformel: ***„You can outsource your thinking but you can't outsource your understanding.“***
#Andrej Karpathy#vibe coding#agentic engineering
Andrej Karpathy (co-fondateur OpenAI, ex-Tesla Autopilot, créateur du terme "vibe coding")
Überarbeitung des technischen Einstellungsprozesses bei Sierra im Zeitalter der Coding-Agenten: KI-natives Onsite-Interview (Plan/Build/Review), Abschaffung des algorithmischen Coding-Tests, Ersatz des Telefon-Screenings durch ein System-Design-Interview, Pilotprojekt eines Debugging-Interviews an einer bestehenden Codebasis.
Entwicklung der Entwicklerrolle im Zeitalter generativer KI, Transformation der IT-Rollen, Systems Engineering, orchestration agentique - Yves Caseau - Michelin - LinkedIn
#Entwickler#generative KI#Codegenerierung
Yves Caseau (Group Chief Digital & Information Officer chez Michelin)
Deep Research – AI4*-Revolution – 6 Säulen der Softwareproduktion – Übergang von Copilots zu Agenten – Vibe-vs-Check-Paradoxon – FinOps-for-AI-Krise – Governance als kritischer Pfad – GenAI Landing Zone
VibeSDK - Open-Source-Plattform für vibe coding - Cloudflare Sandboxes - Workers for Platforms - AI Gateway - Bereitstellung mit einem Klick - Cloudflare
#VibeSDK#vibe coding#Cloudflare
Ashish Kumar Singh · Abhishek Kankani · Dina Kozlov