AI-DLC: KI-gestützte Softwareentwicklung im Unternehmen

Der Code ist fertig. Die Freigabe fehlt. Die Architektur muss noch geprüft werden, und die zuständige Fachperson hat erst nächste Woche Zeit. So kann sich Softwareentwicklung auch dann anfühlen, wenn ein KI-Assistent bereits fleißig mitarbeitet.

Der AI-Driven Development Lifecycle, kurz AI-DLC, setzt an solchen Abläufen an. AWS hat die Methodik 2025 vorgestellt, Raja SP hat sie im AWS DevOps Blog beschrieben. AI-DLC organisiert Softwareentwicklung rund um die Zusammenarbeit zwischen Menschen und KI-Agenten und verbindet Produktverständnis, technische Umsetzung und Betrieb. Menschen behalten die Verantwortung für Validierung, Entscheidungen und produktive Ergebnisse.

Für Entwicklungsteams, Produktverantwortliche und Architekten bedeutet das: KI wird über den gesamten Entwicklungsprozess mit fachlichem und technischem Kontext eingebunden. Das betrifft Planung, Prüfung und Freigabe ebenso wie die Arbeit im Editor.

Was ist AI-DLC?

AI-DLC ist eine Methodik für die Entwicklung und Bereitstellung von Software mit agentischer KI. KI-Agenten helfen, Probleme zu strukturieren, Lösungsvorschläge zu erarbeiten und technische Aufgaben umzusetzen. Die Beteiligten prüfen diese Arbeit und treffen die erforderlichen Entscheidungen.

Das Modell umfasst drei Phasen:

• Inception: Das Problem, die Nutzerbedürfnisse und das geplante Produkt verstehen.
• Construction: Den fachlichen Kontext in Domänenmodelle, Architektur, Code und Tests übersetzen.
• Operations: Infrastruktur als Code und Bereitstellungen verwalten und die Lösung im produktiven Einsatz verantworten.

Der Zusammenhang zwischen diesen Phasen trägt die Methodik. Was das Team über das Produkt erarbeitet, bildet die Grundlage für die technische Umsetzung. Dieser Kontext soll auch dann verfügbar bleiben, wenn sich Aufgaben oder beteiligte Rollen ändern.

Auf der re:Invent 2025 berichteten AWS-Vertreter von mehr als 100 Experimenten, in denen sie mit Kunden an deren eigenen Problemen gearbeitet haben. Die Erkenntnisse daraus fassen sie unter dem Namen AI-DLC zusammen. Ein allgemeiner Produktivitätsfaktor lässt sich daraus nicht ableiten. Wie viel ein Team gewinnt, hängt auch davon ab, wo sein bisheriger Prozess stockt.

Welche Probleme soll AI-DLC lösen?

In vielen Unternehmen besteht Softwareentwicklung aus einer Kette von Übergaben. Produktverantwortliche formulieren Anforderungen. Entwicklungsteams setzen sie um. Architekturfragen gehen an Spezialisten. Freigaben warten auf weitere Beteiligte.

Jeder dieser Schritte kann für sich sinnvoll sein. Die Schritte erzeugen zusammen Wartezeiten, in denen alle auf jemanden warten. Der KI-Assistent wartet geduldig mit.

Typische Engpässe sind:

• ausstehende Genehmigungen und Freigaben,
• Prozessprüfungen zwischen einzelnen Arbeitsschritten,
• begrenzte Verfügbarkeit von Fachpersonen,
• Übergaben zwischen spezialisierten Teams,
• fehlender Unternehmenskontext bei der Arbeit mit KI.

Schnellere Codegenerierung verkürzt die Umsetzung. Die Wartezeit in der Freigabeschlange bleibt gleich. AI-DLC betrachtet deshalb den gesamten Ablauf: wie Aufgaben vorbereitet werden, welche Informationen vorliegen, wer prüfen muss und wo ein Agent bereits Vorarbeit leisten kann.

Wie unterscheidet sich AI-DLC von Scrum oder Wasserfall?

Wasserfall und Scrum entstanden für die Zusammenarbeit zwischen Menschen. Entsprechend prägen menschliche Zuständigkeiten, Spezialisierungen und Übergaben ihre Anwendung.

AI-DLC behandelt KI-Agenten als aktive Beteiligte. Sie können fachliche und technische Aufgaben miteinander verbinden, Vorschläge vorbereiten und Arbeitsschritte aufteilen. Damit ändert sich, wie ein Team seine Zusammenarbeit organisiert.

Die drei Phasen legen allerdings noch keine vollständige Umstellung eines bestehenden Scrum-Prozesses fest. Ein Team muss konkret klären, wie seine Aufgabenplanung, Prüfungen und Freigaben mit der neuen Arbeitsweise zusammenpassen.

Wer macht was? Die Zusammenarbeit zwischen Menschen und KI

Ein KI-System kann technisch leistungsfähig sein und trotzdem wenig über ein Unternehmen wissen. Welche Geschäftsregeln gelten, welches Problem Priorität hat und welche Einschränkungen verbindlich sind, erfährt es nur aus dem Kontext, den das Team bereitstellt. Die Zusammenarbeit beginnt ohne diesen Kontext mit einer langen Reihe von Korrekturen.

AI-DLC sieht deshalb eine partnerschaftliche Arbeitsweise vor. Menschen geben Kontext und Ziele vor. Die KI macht Vorschläge, hilft bei der Zerlegung von Aufgaben und unterstützt die Umsetzung. Menschen validieren die Ergebnisse und entscheiden über das weitere Vorgehen.

Die Verantwortung von Produktverantwortlichen

Produktverantwortliche klären, welches Problem gelöst werden soll und welchen Nutzen die Lösung für die Nutzer haben muss. Sie bewerten, ob die vorgeschlagene Produktgestaltung zu diesem Ziel passt.

Ein sauber ausgearbeiteter Vorschlag der KI erleichtert diese Bewertung. Die Entscheidung über das Produkt treffen weiterhin die Produktverantwortlichen.

Die Verantwortung von Entwicklung und Architektur

Entwickler und Architekten prüfen, wie sich der fachliche Kontext technisch umsetzen lässt. Sie beurteilen konzeptionelle Modelle, Architekturkomponenten, Entwurfsmuster und die erzeugten Ergebnisse.

Auch wenn ein Agent Aufgaben weitgehend selbstständig bearbeitet, bleibt das Team für das verantwortlich, was in Produktion gelangt. Teams, die Agenten selbstständig arbeiten lassen, brauchen deshalb nachvollziehbare Entscheidungs- und Prüfstellen.

Wie sich solche Stellen wirksam gestalten lassen, beschreibt der Beitrag zu Human-in-the-Loop als Architektur. Der Beitrag ist besonders relevant, wenn eine menschliche Bestätigung tatsächlich eine fachliche Prüfung enthalten soll.

Vom Produktproblem zur bereitstellbaren Software

Die praktische Stärke von AI-DLC liegt im Aufbau eines zusammenhängenden Arbeitskontexts. Bevor Code entsteht, klärt das Team, wofür er gebraucht wird. Danach folgt schrittweise die technische Ausarbeitung.

Inception: Erst das Problem verstehen

In der Inception-Phase geht es um das Produkt und seinen Zweck. Technologische Entscheidungen stehen zunächst zurück.

Das Team erarbeitet gemeinsam mit der KI Antworten auf grundlegende Fragen:

• Welches Problem soll gelöst werden?
• Für welche Nutzer wird die Lösung entwickelt?
• Welchen Nutzen soll das Produkt liefern?
• Wie muss das Produkt gestaltet sein, damit dieser Nutzen entsteht?

AWS nennt diese gemeinsamen Sitzungen „Mob Elaboration“. Die KI übersetzt dabei die fachliche Absicht in Anforderungen, User Stories und Arbeitseinheiten, die das Team prüft.

Das Ergebnis ist der fachliche Kontext für die weitere Entwicklung. Er gibt den folgenden Schritten eine Richtung. Ein Team, das hier zu früh eine technische Lösung festlegt, baut die Produktausarbeitung leicht um diese Entscheidung herum.

Construction: Den fachlichen Kontext technisch ausarbeiten

Die Construction-Phase übernimmt den Kontext aus der Inception. Nun arbeitet das Team mit KI-Agenten daran, wie sich das Produkt technisch realisieren lässt. Laut AWS schlägt die KI dabei eine logische Architektur, Domänenmodelle, eine Code-Lösung und Tests vor.

Der Ablauf führt durch mehrere zusammenhängende Schritte:

1. Ein konzeptionelles Modell entwickeln: Die zuvor beschriebene Produktdomäne bildet die Grundlage für das fachliche Modell.
2. Technische Bausteine auswählen: Geeignete Cloud-Dienste, Entwurfsmuster und Architekturkomponenten werden erarbeitet und bewertet.
3. Ein belastbares Grundgerüst schaffen: Die Modell- und Architekturentscheidungen geben der Codegenerierung einen Rahmen.
4. Code und Tests erzeugen und validieren: Die KI unterstützt die Umsetzung innerhalb dieses Rahmens. Das Team prüft die Ergebnisse.
5. Die benötigte Infrastruktur festlegen: Das Team klärt, welche Cloud-Ressourcen die Lösung braucht. Den Infrastruktur-Code und die Bereitstellung ordnet AWS der Operations-Phase zu.

Dadurch bekommt die Codegenerierung eine fachliche und technische Grundlage. Die KI muss weniger aus einer knappen Aufgabenbeschreibung erraten. Zugleich können Menschen ihre Vorschläge anhand der zuvor getroffenen Entscheidungen bewerten.

Operations: Die Verantwortung reicht bis in den Betrieb

Operations bildet die dritte Phase des Modells. Der Lebenszyklus reicht damit über die Erstellung der Software hinaus bis zur Bereitstellung und zum produktiven Einsatz. Laut AWS nutzt die KI hier den angesammelten Kontext aus den vorherigen Phasen, um Infrastruktur als Code und Bereitstellungen zu verwalten.

Für die Einführung im Unternehmen sollten deshalb auch die Übergänge in den Betrieb geklärt werden: welche Ergebnisse vorliegen müssen, wer sie prüft und wer die Verantwortung für die Freigabe trägt.

Die Phasenbezeichnung allein liefert noch kein detailliertes Betriebskonzept. Das Team muss bestehende Anforderungen an Qualität und produktive Verantwortung im konkreten Prozess berücksichtigen.

Welche Rolle spielen agentische Entwicklungsumgebungen wie Kiro?

Kiro ist eine agentische Entwicklungsumgebung von AWS. Solche Werkzeuge können helfen, die Zusammenarbeit mit KI in den Arbeitsalltag verschiedener Entwicklungsrollen einzubetten.

AWS hat seine AI-DLC-Workflows als Open Source veröffentlicht. Die Umsetzung aidlc-workflows läuft in Kiro, Claude Code, Codex CLI, Cursor, opencode und GitHub Copilot und gliedert den Ablauf feiner, derzeit in fünf Phasen mit 33 Stufen. Teams können die Methodik damit auch in ihrer vorhandenen Entwicklungsumgebung erproben.

Der Weg dorthin lässt sich an der Entwicklung der KI-Werkzeuge grob nachzeichnen:

• 2024: Die Arbeit war häufig vom Kopieren von Prompts und Code zwischen webbasierten Chat-Oberflächen und Entwicklungsumgebungen geprägt.
• 2025: Zusätzlicher Kontext, Vektordatenbanken, Werkzeuge und spezifische Anweisungen erweiterten die Möglichkeiten von Agenten.
• 2026: Der Fokus richtet sich stärker auf autonome Aufgabenbearbeitung und die Zusammenarbeit mit menschlichen Teams.

Je selbstständiger Agenten arbeiten, desto wichtiger wird ein strukturiertes Arbeitsumfeld. Ein Agent braucht zugänglichen Kontext und klare Aufgaben. Das Team braucht Möglichkeiten, Ergebnisse zu prüfen und Entscheidungen zu treffen.

Eine agentische Entwicklungsumgebung kann diese Zusammenarbeit unterstützen. Prozesse und Zuständigkeiten muss das Team trotzdem selbst klären. Weitergehende Leitplanken beschreibt der Beitrag zum Absichern von KI-Agenten im Entwicklungsprozess.

AI-DLC einführen: Eine praktische Checkliste

Für einen ersten Einsatz empfiehlt sich ein klar abgegrenztes Entwicklungsvorhaben. Daran lässt sich prüfen, ob der fachliche Kontext über die einzelnen Arbeitsschritte hinweg erhalten bleibt und ob die Zusammenarbeit tatsächlich leichter wird.

Die folgende Checkliste übersetzt die Grundgedanken von AI-DLC in praktische Vorbereitungsfragen. Sie dient als Orientierung für die Einführung.

1. Den Engpass benennen: Wartet das Team auf Code, Fachwissen, Architekturentscheidungen oder Freigaben?
2. Das Produktziel festhalten: Problem, Nutzer und erwarteten Nutzen vor der technischen Ausarbeitung beschreiben.
3. Den Kontext bereitstellen: Fachliche Erkenntnisse so aufbereiten, dass sie bei späteren Aufgaben weiterverwendet werden können.
4. Aufgaben gemeinsam zerlegen: Die KI Vorschläge für bearbeitbare Schritte erarbeiten lassen und diese im Team prüfen.
5. Verantwortliche zuordnen: Für Produktfragen, Architekturentscheidungen und produktive Ergebnisse festlegen, wer validiert und entscheidet.
6. Die technische Umsetzung verbinden: Modell, Architektur, Code und Infrastruktur als zusammenhängende Arbeit behandeln.
7. Die Bereitstellung einbeziehen: Früh klären, wie die Ergebnisse in die vorhandene Pipeline und den Betrieb gelangen.
8. Den Ablauf auswerten: Beobachten, welche Wartezeiten verschwinden und wo neue Prüf- oder Abstimmungsarbeit entsteht.

Dabei sollten Prozess, Werkzeugunterstützung und menschliche Zusammenarbeit gemeinsam betrachtet werden. Ein leistungsfähiger Agent hilft wenig, wenn ihm der Kontext fehlt oder seine Ergebnisse tagelang auf Prüfung warten.

Häufige Fehler bei KI-gestützter Softwareentwicklung

Zu früh mit Code beginnen

Eine grobe Idee, ein kurzer Prompt, schon steht das Grundgerüst. Das fühlt sich produktiv an. Dieses Tempo kann jedoch in die falsche Richtung führen, solange Problem und Produktnutzen ungeklärt sind.

Das Team klärt diese Fragen in der Inception-Phase, bevor Code entsteht.

Den Unternehmenskontext voraussetzen

Ein Sprachmodell bringt allgemeines technisches Wissen mit. Das Team muss Geschäftsregeln, Produktziele und bereits getroffene Entscheidungen selbst in die Zusammenarbeit einbringen.

Bestehende Übergaben unverändert lassen

Wenn nur die Umsetzung schneller wird, können nachfolgende Prüfungen zum nächsten Engpass werden. Deshalb lohnt es sich, auch Zuständigkeiten, Informationsfluss und Wartezeiten zu untersuchen. Der Beitrag zum AI Coding Operating Model zeigt, wie sich der Engpass von der Implementierung zu Review und Integration verschiebt.

Autonomie mit pauschaler Freigabe verbinden

Ein Agent kann Vorschläge und Umsetzungsschritte übernehmen. Die Verantwortung für produktive Ergebnisse bleibt bei Menschen. Jede Prüfung braucht deshalb einen klaren Gegenstand und eine verantwortliche Person.

Große Produktivitätsversprechen ungeprüft übernehmen

AI-DLC zielt auf höhere Geschwindigkeit und Qualität. Ein allgemein gültiger Beschleunigungsfaktor ist damit nicht belegt. Jedes Team sollte an seinem eigenen Ablauf messen, welche Verbesserungen tatsächlich sichtbar werden.

Fazit: AI-DLC braucht einen durchgängigen Arbeitskontext

AI-DLC verbindet Produktverständnis, technische Umsetzung und Betrieb mit einer strukturierten Zusammenarbeit zwischen Menschen und KI-Agenten. Die KI unterstützt beim Ausarbeiten und Umsetzen. Menschen validieren und entscheiden.

Ein sinnvoller Einstieg ist ein begrenztes Vorhaben mit klarem Produktziel, verfügbarem Kontext und benannten Verantwortlichen. Das Team sieht dann, an welchen Stellen die Zusammenarbeit schneller wird und wo der Prozess weiterhin klemmt.