AI-Driven Development Lifecycle (AI-DLC)
Einer der spannenden Nebeneffekte des Einzugs von Künstilcher Intelligenz (AI/KI) in die Softwareentwicklung ist, dass auch das methodische Vorgehen sich weiterentwickelt. Ob dabei ein weiteres Vorgehensmodell entstehen wird, das ähnliche Popularität erlangt wie Scrum und SAFe muss sich noch zeigen - es gibt aber einen ersten Kandidaten: Artificial Intelligence-Driven Software Development Lifecycle, oder abgekürzt AI-DLC.
Entwickelt wurde AI-DLC im Herbst 2025 im Developer Transformation Program von Amazon Webservices (AWS). Es wurde aber von Anfang an auch extern veröffentlicht, sowohl im AWS DevOps & Developer Productivity Blog (einschliesslich einer offiziellen Method Definition) als auch ausführlicher im privaten Blog des Programmleiters Dereck Chen (Teil I, Teil II, Teil III, Teil IV). Ein Menge Stoff also, aber wie genau sieht dieses Framework jetzt aus?
Auf den ersten Blick gibt es viele Elemente, die einen bekannten Eindruck machen. Im Mittelpunkt stehen autonome, crossfunktionale Teams aus 3 bis 6 Personen - so genannte Taxi Teams, da sie in ein einziges Taxi passen sollen (eine kleinere Variante von Amazons klassischen Two Pizza-Teams). Fest vorgegebene Rollen in diesem Teams gibt es nicht, empfohlen werden aber Product Manager, Full Stack Developers, QA Engineers und DevOps Engineers, sowie weitere bei Bedarf.
Auch der namensgebende Lifecycle ist in ähnlicher Form bereits bekannt. Es gibt die drei Phasen Inception (Anforderungen erfassen), Construction (die eigentliche Entwicklung) und Operation (Betrieb und Monitoring), die aber nicht nur einmal durchlaufen werden, sondern in sich ständig wiederholenden Iterationen. Diese werden Bolt (sinngemäss "Blitzstrahl") genannt, wodurch klar gemacht wird, dass sie kürzer sind als die klassischen Sprints (nur wenige Stunden oder Tage).
Dass derartig kleine Teams in derartig kurzen Zeiträumen funktionierende Incremente erzeugen, integrieren und betreiben können, liegt schliesslich am Einsatz einer Entwicklungs-KI. In allen drei Phasen erledigt sie den Grossteil der Arbeit, die menschlichen Teammitglieder sind als Human in the Loop nur noch für den initialen Input, die Qualitätssicherung und für Edge Cases zuständig, in denen die KI an Grenzen gerät und Hilfe braucht.
In der konkreten Umsetzung sieht das so aus, dass die KI in der Inception-Phase den Ist-Stand der Systeme, den Entstehungskontext (Architektur, Coding Standards, etc) und die grossen anstehenden Anforderungspakete, die Epics, bereits kennt. Aus einem dieser Epics wird eine mittelgrosse High-Level-Anforderung (eine so genannte Unit) definiert, aus der die KI User Stories und Akzeptanzkriterien erstellt. Die werden vom ganzen Team in einer so genannten Mob Elaboration geprüft und freigegeben.
Die freigegeben (und ggf. vorher nochmal in einer weiteren Verbesserungsschleife angepassten) User Stories werden als nächstes in der Construction-Phase durch die KI umgesetzt, was je nach Umfang unterschiedlich lange dauern kann. Sobald das abgeschlossen ist, erfolgt erneut eine Prüfung und Freigabe durch das gesamte Team, dieses mal unter dem Namen Mob Construction. Das kann nochmal in Unterphasen für Entwicklung und Test unterteilt werden (muss es aber nicht).
Die freigegebenen (und auch hier ggf. in einer weiteren Verbesserungsschleife angepassten) Incremente werden schliesslich durch die KI selbstständig auf Produktion deployt, einschliesslich der dabei durchzuführenden Tests und des anschliessenden Monitorings. Auch Bugs und Incidents werden (soweit möglich) von der KI selbstständig behoben. Der menschliche Anteil besteht hier aus der regelmässigen Kontrolle der dabei entstehenden Metriken und regelmässigen Sicherheits-Audits, Penetrationstests, o.Ä.
Soviel zur Beschreibung, jetzt zur Einordnung. Was auf den ersten Blick auffällt, sind die starken Parallelen zu Extreme Programming, sowohl in Bezug auf übernommene Elemente (iterativ-incrementelle Entwicklung, Epics, User Stories, Akzeptanzkriterien, Mob Programming) als auch in Bezug darauf, was nicht definiert wird (feste Rollen und Meetings, Backlogs, etc.). Selbst wenn es sich selbst nicht so nennt hat AI-DLC damit die Charakteristigen eines agilen Frameworks.
Auf den zweiten Blick fällt auf, dass der angestrebte intensive KI-Einsaz auf mehreren Vorbedingungen beruht. Sowohl das automatisierte Herunterbrechen der Anforderungen als auch das automatisierte Programmieren und Betreiben erfordern aktuelle Daten und Dokumentationen, klare und durchgehend eingehaltene Architektur- und Coding-Standards sowie ein nicht unwesentliches Token-Budget. AWS kann man zutrauen, das zu haben, andere Unternehmen müssten erst umfangreiche Vorarbeiten leisten.
Wenn das gegeben ist, kann man aber von einer deutlichen Beschleunigung der Entwicklungs-Geschwindigkeit ausgehen. AWS selbst nennt als Showcase sein Bedrock-Projekt, das von den ursprünglich geplanten 12 Monaten auf 11 Wochen beschleunigt wurde - mit Sechs Entwicklern, statt der ursprünglich eingeplanten 40. Derartige Dimensionen sind atemberaubend, und selbst wenn in anderen Vorhaben nur ein Teil davon erreicht würde, wäre es viel.
