Jede Phase läuft in kurzen Iterationen, in denen alle Disziplinen zusammenarbeiten, nicht nacheinander. Phasen überlappen sich während des gesamten Projektlebenszyklus.
Ein Diagramm, das zeigt, wie die vier Phasen ineinandergreifen, von den ersten Anforderungen bis zur Produktion. Die Farben markieren die Phasen: Blau für Anfang, Grün für Ausarbeitung, Rot für Konstruktion, Orange für Übergang.
Dieselbe Methodik passt sich zwei Realitäten an, einer grünen Wiese oder einem bestehenden System, das nicht brechen darf.
Die KI entwirft Use Cases und ein Entitätsmodell aus den Anforderungen; der Requirements Engineer überarbeitet und verantwortet sie. Der KI-Agent generiert anschließend Code und Tests direkt aus diesen Artefakten. Der Software Engineer prüft das Ergebnis; jedes Artefakt lässt sich auf eine Anforderung zurückführen.
Beginn beim laufenden System. Der Software Engineer leitet Entitätsmodell, Use-Case-Modell und Spezifikationen aus dem bestehenden Code ab. Software Engineer und Requirements Engineer prüfen diese Artefakte anschließend gemeinsam, und schaffen so die Spezifikationsbasis für alle weiteren Iterationen.
Arbeit kommt selten als brandneuer Use Case herein. Sie kommt als Feature-Wunsch, als Änderung oder als Fehlermeldung, und alle drei sind Änderungen an einem Use Case.
Fügt einen Use Case hinzu oder erweitert bestehende um neue Akteure und neue Abläufe. Die Änderung wirkt sich bis in den Anforderungskatalog aus, und eine wirklich neue Fähigkeit kann auch die Vision verschieben.
Work-Item-Typ: Enhancement.
Verändert einen bereits bestehenden Use Case: eine geänderte Geschäftsregel, ein zusätzliches Feld, ein anderer alternativer Ablauf. Zuerst ändert sich die Spezifikation, alles Nachgelagerte folgt daraus.
Work-Item-Typ: Enhancement.
Spezifikation und Code widersprechen sich. Meistens ist der Code falsch. Manchmal war die Spezifikation falsch oder der Test hat die falsche Erwartung festgehalten; dann gehört die Korrektur in die Spezifikation.
Work-Item-Typ: Bug.
Prinzipien, die den Erfolg in agiler, iterativer Entwicklung sicherstellen.
Use Cases gehören dem Requirements Engineering und werden über die Lebensdauer des Systems gepflegt, keine Prompts, die ein Entwickler schreibt und verwirft.
KI übernimmt repetitive Arbeit; Menschen konzentrieren sich auf Geschäftslogik.
Spezifikationen, Code und Tests entwickeln sich gemeinsam in kurzen Zyklen.
Umfassende Tests gewährleisten konsistentes Verhalten während der KI-Regenerierung.
Kontinuierliche Validierung mit Geschäftsbenutzern in jeder Iteration.
Jede Codezeile lässt sich auf eine Geschäftsanforderung zurückführen.
Spec-Driven Development ist nicht eine einzige Sache. Alle verwenden den Begriff, und alle meinen etwas leicht anderes. Die Werkzeuge, die das Etikett tragen, sitzen auf drei sehr unterschiedlichen Ebenen. Der AI Unified Process ist bewusst für die zweite gebaut.
Die Spezifikation wird vor dem Code geschrieben und dem KI-Agenten als Input übergeben. Sobald das Feature ausgeliefert ist, hat sie ihren Zweck erfüllt und wird verworfen. Ein halbes Jahr später weiss niemand mehr, warum der Code so aussieht, wie er aussieht.
Lebensdauer: ein Change Request. Hier sitzen heute die meisten Spec-Driven-Werkzeuge.
Die Spezifikation bleibt im Repository und wird bei jeder Änderung nachgeführt. So entsteht Dokumentation, die tatsächlich stimmt, weil der Agent sie liest, bevor er den Code anfasst. Genau das macht die Arbeit an bestehenden Systemen überhaupt erst möglich.
Lebensdauer: die Lebensdauer des Systems. Hier sitzt der AI Unified Process.
Die Spezifikation ist das Einzige, was ein Mensch bearbeitet, der Code wird jedes Mal daraus generiert. Die experimentellste der drei Ebenen und eine bekannte Idee: Model-Driven Development hat vor zwanzig Jahren genau das versucht.
Lebensdauer: die Spezifikation ist dauerhaft, der Code ist Wegwerfware.
Es geht nicht um perfekte Spezifikationen, es geht um iterative Verbesserung.
Kritiker argumentieren, dass KI-Code-Generierung nur mit erschöpfenden Spezifikationen funktioniert, die deterministische Ausgaben erzwingen. Das setzt voraus, dass wir perfekte Anforderungen im Voraus benötigen.
Realität: Perfekte Spezifikationen sind unmöglich und unnötig. Der wahre Wert kommt von iterativer Verbesserung.
Durch kurze Zyklen werden Spezifikationen klarer, die KI-Generierung verbessert sich und Tests werden stärker. Jede Iteration baut auf der vorherigen auf.
Wichtige Erkenntnis: Tests gewährleisten konsistentes Verhalten unabhängig davon, wie die KI Code generiert. Dies ermöglicht sichere Evolution und Modernisierung.
Workshops, Beratung und massgeschneiderte Einführungen des AI Unified Process. Vereinbaren Sie einen Termin, um zu besprechen, wie der AI Unified Process zu Ihrem Stack und Team passt.
