Jahrzehntelang wurde die Softwareentwicklung durch die Grenzen menschlicher Fähigkeiten eingeschränkt. Computer können Anweisungen ausführen, aber Menschen müssen die Anweisungen geben.
Doch das ändert sich jetzt. Die KI generiert nicht nur Code, sondern KI-Agenten können Codebasen autonom überprüfen, Dateien ändern, Tests durchführen und Fehler beheben. Dies beschleunigt nicht nur die Entwicklung, sondern verändert auch die Art und Weise, wie Software auf einer grundlegenden Ebene erstellt wird.
Historisch gesehen haben verschiedene DevOps-Praktiken unterschiedliche Ansätze zur Verbesserung der Entwicklergeschwindigkeit angewandt und sich auf unterschiedliche Elemente konzentriert. Flexible und Scrum-Methoden unterstützten beispielsweise die Teamleistung durch schnelle Iterationen. Diese wurden jedoch auf menschliche Workflows zugeschnitten.
Die Geschwindigkeit der Entwickler kann zunehmend als Durchsatz eines KI-gesteuerten Entwicklungslebenszyklus (AI-DLC) verstanden werden, gemessen daran, wie effizient ein menschlicher Entwickler oder sein Team KI-Agenten orchestrieren kann, um für geschäftliche Wertschöpfung zu sorgen. Dieser Wechsel vom Schreiben zum Orchestrieren stellt eine Verlagerung dessen dar, was Entwickler hauptsächlich tun, und erfordert eine Neubewertung der Art und Weise, wie die Entwicklergeschwindigkeit definiert, verbessert und gemessen wird.
Heute bedeutet die Verbesserung der Entwicklergeschwindigkeit, den gesamten Softwareentwicklungszyklus (SDLC) zu betrachten, beginnend mit der Erfahrung der Entwickler selbst.
Bleiben Sie mit dem Think-Newsletter über die wichtigsten – und faszinierendsten – Branchentrends in den Bereichen KI, Automatisierung, Daten und mehr auf dem Laufenden. Weitere Informationen finden Sie in der IBM Datenschutzerklärung.
Entwicklererfahrung (DevEx) ist ein Sammelbegriff dafür, wie die Systeme, Workflows, Developer Tools, Kultur und Arbeitsumgebung die Produktivität von Unternehmen beeinflussen. Dabei werden Aufgaben minimiert, die keinen Wert bieten, Workflows automatisiert, Ressourcen zentralisiert, die Integration optimiert und enge Feedback-Schleifen implementiert, die Entwicklern die Möglichkeit bieten, Fehler frühzeitig und häufig zu erkennen.
Die Reduzierung der kognitiven Belastung und die Förderung von Zuständen ununterbrochener Konzentration sind Kerndimensionen der DevEx. Eine Möglichkeit, diese Ziele zu erreichen, ist beispielsweise die Implementierung von Self-Service Infrastructure-as-Code Workflows und internen Entwicklungsplattformen. Diese Entwicklungsumgebungen erleichtern es Entwicklern, Software zu erstellen, bereitzustellen und zu betreiben, ohne die gesamte zugrunde liegende Infrastruktur selbst verwalten zu müssen.
Einmal erstellt, kann ein agentischer Codierungsassistent innerhalb einer IDP arbeiten und dabei helfen, diese von einem statischen Portal in eine dynamischere, aufgabenorientierte Umgebung zu verwandeln. IBM Bob kann beispielsweise mit Plattformkomponenten integriert werden und bei beispielsweise folgenden Aufgaben unterstützen:
Lesen von Servicevorlagen und Standards
Interaktion mit CI/CD-Konfigurationen und Workflows
Generieren und Ändern von Code über verschiedene Repositories hinweg
Unterstützung beim Auslösen von Entwicklungen, Tests und Bereitstellungen (mit entsprechenden Genehmigungen)
Interpretation von Protokollen und Observability-Daten durch verbundene Tools
Verbesserungen kollaborativer Prozesse können ebenfalls einen großen Einfluss auf die Entwicklergeschwindigkeit haben. Entwickler verbringen selten ihre ganze Zeit mit dem Schreiben von Code. Sie warten auf Builds, suchen nach Dokumentation, konfigurieren Umgebungen, fordern Berechtigungen an, untersuchen unbekannten Code, warten auf Reviews, beheben Fehler, nehmen an Meetings teil und wechseln zwischen Tools. Diese Aktivitäten sind oft durch Ausfallzeiten gekennzeichnet und obwohl einzelne Verzögerungen belanglos erscheinen mögen, können sie bei hunderten oder tausenden von Entwicklern zu enormen Kosten für Unternehmen heranwachsen. Diese Reibung ist einer der größten Feinde der Entwicklergeschwindigkeit. Und selbst sogenannte „10x“-Ingenieure sind nur so effizient wie die Systeme, die um sie herum aufgebaut sind.
Effiziente Reviews, klare Kommunikationsprotokolle, gemeinsame Verantwortung an der Dokumentation, Aufteilung großer Epics in kleinere, überschaubare Pull Requests (PRs) sind Bemühungen, die sich auszahlen, indem sie die Geschwindigkeit der Entwickler langfristig verbessern.
Glücklicherweise können viele dieser Verbesserungen durch die Zusammenarbeit mit der KI ergänzt werden, die als gemeinsamer kognitiver Kollaborateur dient, Wissenslücken überbrückt und die Ausrichtung zwischen Teams und Funktionen fördert. So kann die KI beispielsweise Anforderungen synthetisieren, unstrukturiertes Feedback übersetzen, Workflows vereinheitlichen, um manuelle Übergaben zu reduzieren, automatisch Dokumentationen generieren und den Kontext direkt in Code-Repositories pflegen.
Die Minimierung des Zeitaufwands für sich wiederholende Aufgaben, insbesondere solche, die Entwickler als mühsam empfinden, kann durch verschiedene Maßnahmen erreicht werden. Intelligente CI/CD-Pipelines erstellen, testen und mergen Codeänderungen automatisch, um Fehler frühzeitig zu erkennen. Automatisierte Tests tragen zur Sicherstellung der Codequalität bei und eliminieren gleichzeitig den manuellen Aufwand, der zuvor zum Erreichen dieser Qualität erforderlich war.
KI-Assistenten für die Codierung wie IBM® Bob sind wahrscheinlich die größte Verbesserung der Entwicklergeschwindigkeit, die ein Unternehmen umsetzen kann. Diese Tools wickeln einen Großteil des SDLC ab, von der Erstellung von Boilerplate-Code bis zur Automatisierung von Tests. Zum Beispiel berichtete ein Unternehmen von etwa 90 % schnellerer Bereitstellung mit Bob, wodurch während eines Umstiegs auf Java 25 über 160 Ingenieurstunden für höherwertige Arbeiten erhalten blieben.
KI-Programmierassistenten für die Codierung leisten weit mehr, als nur Code zu generieren. Codierungstools mit agentischen Funktionen können viele Entwicklungsaufgaben eigenständig ausführen, wie zum Beispiel:
Erklärung von unbekanntem Code
Erstellung von Tests
Dokumentation von Software
Migration älterer Anwendungen
Reviews von Pull-Anfragen
Übersetzung von Anforderungen in Implementierungen
Orchestrierung von Entwicklungstools
Der AI-DLC ist eine Erweiterung des SDLC: eine Softwareentwicklungsmethodik, die vollständig um die KI herum aufgebaut ist und die Large Language Models (LLM) oder eine Gruppe von Modellen als aktiven Partner in jedem Schritt der Softwareentwicklung behandelt. Die KI ist nicht nur Teil des SDLC, sondern von zentraler Bedeutung, mit kontinuierlicher Zusammenarbeit zwischen KI und Mensch. Diese Methodik hat grenzenloses Potenzial zur Verbesserung der Entwicklergeschwindigkeit, da agentische Workloads in einem Maße skalieren können, das menschliche Produktivität nicht leistet.
Die Entwicklungsgeschwindigkeit war schon immer schwer zu messen, da Softwareentwicklung abstrakte Wissensarbeit ist. Man kann nicht einfach die Ausgabe zählen. Mehr Comits bedeuten nicht unbedingt eine bessere Software. Mehr Codezeilen bedeuten nicht zwangsläufig eine bessere Entwicklung. Schnellere Pull-Anfragen sind nicht besser, wenn sie die Anzahl der Fehler erhöhen.
Unternehmen wollen aus offensichtlichen Gründen die Geschwindigkeit der Entwickler maximieren, aber was nützt es, Software schnell auszuliefern, wenn man das Falsche ausliefert, Fehler einführt oder technische Schulden anhäuft, die später das Ganze verlangsamen? Teams, die 100 Mal am Tag bereitstellen, sind nicht unbedingt produktiver als Teams, die zehnmal täglich bereitstellen. Unternehmen müssen die Codequalität berücksichtigen.
Die Entwicklungsgeschwindigkeit lässt sich weder allein durch die Kundenzufriedenheit mit dem Endprodukt noch durch die Anzahl der täglich abgeschlossenen Jira-Tickets vollständig ausdrücken. Um Verbesserungen der Unternehmensleistung messen zu können, müssen all diese Aspekte und noch weitere berücksichtigt werden.
Agentische KI macht die Messung noch schwieriger. Das Codevolumen ist eine zunehmend nutzlose Messung, da generative KI-Tools sofort riesige Mengen an Code-Boilerplates produzieren können. Die KI verschiebt die Messung der Entwicklergeschwindigkeit weg von einfachen Aktivitätszählungen hin zu ganzheitlicher Systemeffizienz, Qualität und Geschäftsergebnissen.
Seit 2015 versucht das Programm DevOps Research and Assessment[x], die Funktionen zu verstehen, die die Softwarebereitstellung und Betriebsleistung steuern. DORA konzentriert sich bewusst auf Ergebnisse und nicht auf die individuelle Produktivität. Das Unternehmen hat fünf DORA-Metriken definiert, die die Leistung bei der Softwarebereitstellung messen:
Bereitstellung: Wie oft der Code die Produktionsumgebung erreicht
Vorlaufzeit für Änderungen: Zeit vom Code-Commit bis zur Produktion
Änderungsfehlerrate: Prozentsatz der Bereitstellungen, die Vorfälle verursachen oder Fixes erfordern
Mittlere Wiederherstellungszeit (MTTR): auch bekannt als „Wiederherstellungszeit nach einer fehlgeschlagenen Bereitstellung“ – wie schnell das Team den Dienst nach einem Problem wiederherstellt
Nachbearbeitungsrate bei Bereitstellungen: der Prozentsatz der Bereitstellungen, die ungeplant sind und aus Produktionsvorfällen resultieren
Weitere gängige Metriken sind:
Zykluszeit für Pull-Anfragen: die Zeit vom Öffnen einer Pull-Anfrage bis zu deren Zusammenführung in die Codebasis
Entwicklungs- und Testdauer: Wie lange es dauert, bis Code kompiliert und entwickelt ist und automatisierte Tests abgeschlossen sind
Code-Review-Bearbeitungszeit: Die Zeit, in der ein Entwickler auf den Abschluss seiner Code-Review wartet
Zeit, die auf Warten vs. Codierung aufgewendet wird: der Anteil der Arbeitszeit eines Entwicklers, die er mit produktiver Entwicklung verbringt, im Vergleich zum Warten auf andere abhängige Softwareentwicklungsprozesse
Entwicklerzufriedenheit: Wie zufrieden Entwickler mit ihrer gesamten Entwicklungserfahrung sind, in der Regel gemessen durch Umfragen
Ein Developer Velocity Index (DVI) ist ein zusammengesetzter Wert, der den Grad der Entwicklergeschwindigkeit in Unternehmen verdeutlichen soll. Im Gegensatz zu DORA ist dies keine universell standardisierte Metrik. Der Begriff ist mit Research and Benchmarking-Frameworks[x] von McKinsey & Company verbunden. Er betrachtet Tools, Kultur, Talent Management und weitere bereits diskutierte Faktoren, um zu bestimmen, wie effektiv Unternehmen es Entwicklern ermöglichen, wertvolle Software zu entwickeln.
Diese ausgeklügelten Frameworks können Führungskräften helfen, ein besseres Gefühl für die Geschwindigkeit der Entwickler zu bekommen. Unternehmen, die das Beste aus der KI herausholen wollen, bitten ihre Entwickler nicht einfach, die neuesten Tools zu verwenden. Sie gestalten Workflows rund um die KI neu und messen den Erfolg mit Frameworks, die so ausgefeilt sind, dass sie die ganze Bandbreite dessen erfassen, was die Geschwindigkeit der Entwickler in einer agentischen Welt tatsächlich bedeutet.
Beschleunigen Sie die Softwarebereitstellung mit Bob, Ihrem KI-Partner für sichere, absichtsorientierte Entwicklung.
Optimieren Sie die Softwareentwicklung mit vertrauenswürdigen KI-gestützten Tools, die den Zeitaufwand für das Schreiben von Code, Debuggen, Code-Refactoring oder Codevervollständigung minimieren und mehr Raum für Innovation schaffen.
Erfinden Sie kritische Workflows und Abläufe neu, indem Sie KI einsetzen, um Erfahrungen, Entscheidungsfindung in Echtzeit und den geschäftlichen Nutzen zu maximieren.