AI-DLC steht für „KI-gestützten Entwicklungszyklus“, eine Erweiterung des Softwareentwicklungszyklus oder SDLC. Es bezeichnet eine Softwareentwicklungsmethode, die vollständig auf KI basiert und ein Large Language Models (LLM) oder eine Gruppe von Modellen als aktiven Partner in jedem Schritt der Softwareentwicklung behandelt.
Der Begriff wurde 2025 von Raja SP von AWS geprägt und in seinem Whitepaper „AI-Driven Development Lifecycle (AI-DLC) Method Definition“ beschrieben[x]. Die AI-DLC-Methodik wird als Kooperation zwischen Mensch und Maschine dargestellt, im Gegensatz zu früheren Methoden wie Agile und Scrum, die im Wesentlichen auf den Menschen ausgerichtet waren. Der Autor vergleicht diesen Wandel mit der Ablösung der Pferdekutsche durch das Automobil. Doch während die bloße Hinzunahme von KI zu Agile ein „schnelleres Pferd“ hervorbringt – um eine oftmals fälschlicherweise Henry Ford zugeschriebene Metapher zu verwenden, stellt AI-DLC eine grundlegendere Weiterentwicklung dar.
Während in den letzten Jahren KI-Tools in das SDLC integriert wurden, stellt AI-DLC einen Schritt der weiteren Integration der KI dar. Kurz gesagt, KI ist nicht auf ein bloßes Tool zur Codegenerierung beschränkt. Sie ist nicht nur ein kleiner sondern ein zentraler Bestandteil der Entwicklung. Die Zusammenarbeit zwischen KI und Menschen verläuft kontinuierlich und menschliche Techniker übernehmen eine eher überwachende Rolle.
Der Begriff unterscheidet sich außerdem von „KI-Lebenszyklus“, der beschreibt, wie KI-Modelle selbst erstellt werden, und nicht, wie sie zur Unterstützung der Softwareentwicklung verwendet werden.
Das Paper von Raja SP definiert zehn Prinzipien, die die Grundlage des AI-DLC bilden.
Die KI sollte nicht einfach in bestehende Methoden der Softwareentwicklung integriert werden. Sie ist mehr als ein weiteres Produktivitätstool, sondern ein zentraler Bestandteil des Systems. Er fragt, wie der SDLC aussehen würde, wenn es die KI schon immer gegeben hätte. Das Ergebnis ist ein KI-zentrierter und KI-nativer SDLC.
KI-gestützte Entwicklung sieht traditionell so aus, als würden Entwickler die generative KI kontinuierlich zur Ausführung einzelner Aufgaben auffordern. Anstatt dass ein Entwickler eine KI um Hilfe bittet und darauf wartet, dass die KI die Aufgabe ausführt, beschreibt er seine Absicht und die KI nutzt ihre agentischen Fähigkeiten, um einen Plan zu erstellen, Fragen zu stellen, auszuführen, zu validieren und zu warten und dabei proaktiv die Zustimmung des menschlichen Partners einholt.
Bisherige Methoden erlaubten es Entwicklungsteams, ihre eigenen Designtechniken zu wählen. AI-DLC zentralisiert das Design und integriert Technikerdisziplinen in die Methodik selbst. Praktiken wie Domain-Driven Design (DDD), Behavior-Driven Development (BDD) und Test-Driven Development (TDD) werden integraler Bestandteil des Workflows. Dadurch wird die technische Qualität standardisiert.
Die KI kann nicht zu 100 % autonom funktionieren. Das Paper befürwortet die Validierung und Überwachung von KI-Entscheidungen, sodass die KI von menschlichem Urteilsvermögen profitiert.
Bei Unternehmenssoftware geht es bei der Komplexität um mehr als das reine Schreiben von Code. Große Systeme bestehen aus mehreren Diensten, Architekturen, unterschiedlichen Arten von Benutzern und Stakeholdern und zwangsläufig Jahren komplizierter technischer Schulden. Einer der Vorteile des KI-DLC besteht darin, dass er diesen Kontext im gesamten Projekt beibehält, sodass Entwickler kontinuierlich von diesem einzigartigen ganzheitlichen Verständnis profitieren können.
AI-DLC revolutioniert die Softwareentwicklung, behält aber die Rolle der menschlichen Beteiligung dort bei, wo sie erforderlich ist. Während des gesamten Projektverlaufs wird eine Kultur des kontinuierlichen Feedbacks gepflegt, um sicherzustellen, dass die Entwicklung stets auf die Geschäftsziele abgestimmt bleibt. Diese Kontaktpunkte sind automatisiert und dokumentiert, damit die Menschen sich auf die besten Entscheidungen konzentrieren können.
Der Autor erkannte, dass Unternehmen nicht über Nacht eine neue Methodik einführen können. Der Prozess erfolgt schrittweise und integriert sich in bestehende Konzepte und Workflows, mit denen Unternehmen bereits vertraut sind, sodass die Einführung nur minimale Störungen verursacht.
Da die KI disziplinübergreifend arbeitet und den Kontext aufrechterhalten kann, können Aufgaben, für die früher separate Spezialistenteams erforderlich waren, nun von stärker integrierten Teams mit einem höheren Verständnisniveau erledigt werden. Das Ergebnis sind seltenere Übergaben.
Das traditionelle SDLC unterteilt die Arbeit in verschiedene Phasen wie Planung, Design, Implementierung, Tests und Bereitstellung. Am Ende jeder Phase werden Informationen von einer Phase zur nächsten weitergegeben. AI-DLC verwischt diese Grenzen, indem es die Phasen als einen kontinuierlichen Ablauf behandelt, in dem Aufgaben gleichzeitig und nicht-linear ablaufen. Das Ergebnis sind kürzere Feedbackschleifen und schnellere Fortschritte.
AI-DLC schreibt keinen starren Workflow für jedes Projekt vor, sondern ist adaptiv. Es zwingt Projekte nicht, einen vordefinierten Prozess zu durchlaufen. In jedem Szenario analysiert KI die Ziele und Einschränkungen und generiert einen maßgeschneiderten Workflow, der für das jeweilige Projekt am sinnvollsten ist.
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.
Das Framework stellt die Frage: Was wäre, wenn die Softwareentwicklung nicht auf menschlichen Einschränkungen basiert? Frühere Methoden wie Waterfall und Agile wurden entwickelt, um menschlichen Teams bei der Koordination ihrer Arbeit zu helfen. Die KI verändert diese zentrale Annahme grundlegend.
Mithilfe einer spezifikationsgetriebenen Entwicklungsmethode (SDD) legt AI-DLC den Schwerpunkt auf Absichten anstatt auf starre Prozesse und ermöglicht es der KI, herauszufinden, wie etwas entwickelt werden kann, das diese Spezifikationen am besten erfüllt. Von diesen Absichten werden Einheiten abgeleitet, also Aufgabengruppen, die den Weg der KI zum Erreichen der Absicht darstellen. Ein Bolt ist eine Iteration, in der Arbeitseinheiten ausgeführt werden.
Die Arbeiten durchlaufen mehrere Phasen. Die Konzeptionsphase erfasst Absichten und übersetzt sie in Einheiten mithilfe von Mob Elaboration, einem kollaborativen Software-Planungsritual, bei dem ein funktionsübergreifendes Team und ein KI-System zusammenarbeiten, um hochrangige Geschäftsideen in User Stories zu übersetzen.
Hier beginnt die Anforderungsanalyse. Nicht-funktionale Anforderungen (NFRs) definieren entscheidende Attribute, Leitplanken und Einschränkungen. Auch hier werden Bewertungen durchgeführt, aber sowohl Risiko als auch Anforderungen werden während des gesamten Lebenszyklus kontinuierlich überprüft und neu bewertet.
Steuerungsdateien sind Markdown-Dokumente, die in einem Repository gespeichert werden und die Regeln, Einschränkungen, Architekturstandards und Workflows definieren, denen die Agenten folgen müssen. Sie werden während der Konzeptionsphase erstellt, sind aber in allen drei Phasen des AI-DLC beteiligt. Sie fungieren als beständige Wahrheitsquelle für KI-Agenten im gesamten Projekt.
In der Entwicklungsphase findet die Ausführung statt. Während der Mob-Construction schreiben, testen und stellen das menschliche Team und die KI gemeinsam Code bereit.
In der letzten Betriebsphase nutzt die KI die geschäftlichen Anforderungen aus der Konzeptionsphase und die technischen Entscheidungen aus der Entwicklungsphase, um die Bereitstellung zu verwalten, die Infrastruktur zu automatisieren und das Live-System zu überwachen.
In jeder Phase des SDLC spielt die KI eine zentrale Rolle.
In einem traditionellen SDLC übersetzen Menschen Geschäftsziele manuell in Projektpläne. Unternehmen experimentieren mit Workflows, bei denen KI-Assistenten dabei helfen, übergeordnete Ziele in Pläne umzusetzen. Beim AI-DLC stellen KI-Agenten klärende Fragen, identifizieren Unklarheiten, machen Vorschläge und weisen auf mögliche verpasste Chancen hin. Diese werden in Geschichten und Projekt-Roadmaps umgewandelt. Agentische KI hält diesen Kontext während des gesamten Projekts aufrecht.
Beim AI-DLC beschränkt sich die KI nicht nur auf die Zusammenfassung von Besprechungen. Sie analysiert E-Mails, Support-Tickets, Protokolle und Dokumentationen, um Konflikte und Lücken zu identifizieren, noch bevor die Entwicklung beginnt. Wenn in einer Besprechung ein wichtiges Ereignis zur Sprache kommt, das im Widerspruch zum in einer anderen Besprechung festgelegten Projektzeitplan steht, kann der zuständige Mitarbeiter auf diese potenzielle Diskrepanz hinweisen und eine Lösung anbieten. Dies bietet ein umfassendes Verständnis eines Projekts von Anfang bis Ende, das für einzelne Personen oder Teams schwer aufrechtzuerhalten ist.
Künstliche Intelligenz verwandelt Softwaredesign in eine iterative Zusammenarbeit. Die KI kann Anwendungsarchitekturen, Datenbankschemata, APIs, Infrastrukturkonfigurationen und Benutzeroberflächendesigns vorschlagen und die Kompromisse zwischen verschiedenen Ansätzen erklären. Sie kann schnell interaktive Prototypen generieren, alternative Entwürfe vergleichen und die Architekturdokumentation im Zuge der Projektentwicklung überarbeiten.
Die Kernaufgabe der Softwareentwicklung – das Schreiben von Code – ist der unkomplizierteste Bereich, in dem KI im Softwareentwicklungszyklus (SDLC) nützlich ist und in dem KI ihre autonomste Rolle einnimmt. KI-Codierungsagenten verstehen den Projektkontext, die Codierungsstandards und die Geschäftslogik und können unter Berücksichtigung dieser Aspekte autonom programmieren. Entwickler validieren Entscheidungen und optimieren den KI-generierten Code.
Die Testphase wird durch eine umfassendere Verifizierungsphase ersetzt, da die KI während der gesamten Entwicklung kontinuierlich Tests generiert und ausführt, anstatt auf deren Abschluss zu warten. Sie analysiert den Code auf Fehler, erkennt Regressionen und validiert die Einhaltung von Architekturbeschränkungen. Dies geschieht bei jedem Schritt im Hintergrund.
Innerhalb des AI-DLC ist die Bereitstellung ein weiterer kontinuierlich optimierter Prozess. Agenten erstellen Release-Pläne, validieren Infrastrukturkonfigurationen, erstellen Dokumentationen, überwachen Produktionsausläufe und optimieren CI/CD-Pipelines. Die KI trägt aktiv dazu bei, dass Releases stabil und sicher sind und mit den betrieblichen Zielen übereinstimmen.
Der KI-gestützte DLC geht über die traditionelle Softwarewartung hinaus, indem er Produktionssysteme als kontinuierliche Feedbackquelle betrachtet. Durch die Bewahrung von Wissen über den gesamten Lebenszyklus hinweg ermöglicht die KI, dass jede Version von den Erkenntnissen aus früheren Entwicklungszyklen profitiert.
Der Bericht ermutigt Unternehmen, die verschiedenen Routinen zu praktizieren und den AI-DLC in ihre eigenen Orchestrierungstools mit dem Ziel einzubetten, den Bedarf an wesentlichen Überholungen zu minimieren.
Das Framework basiert auf AWS-Tools wie Kiro und Amazon Q Developer. Aber es kann auch mit agentischen Plattformen wie IBM® Bob und Claude Code verwendet werden.
IBM Bob zum Beispiel ist ein umfassender agentischer Entwicklungspartner, der strukturell für den AI-DLC optimiert ist. IBM Bob ist eine Funktion mit Ask- und Plan-Modi, die übergeordnete Absichten übernehmen und die anfängliche Struktur des Anwendungsdesigns entwickeln. Es gibt den Agentenmodus für das Schreiben, Ändern und Refaktorisieren von Code oder zum Beheben von Bugs oder Erstellen neuer Dateien. Benutzer können Bobs Verhalten auch anpassen, indem sie benutzerdefinierte Modi mit spezialisierten Rollen, Tool-Beschränkungen und Team-Workflows erstellen.