Wie verändert der AI Development Agent die Softwareentwicklung?

Die Rolle künstlicher Intelligenz in der Softwareentwicklung geht zunehmend über Codevorschläge hinaus und verbindet fachliche Anforderungen mit Entwicklungsabläufen. Der AI-Development-Agent-Ansatz betrachtet verschiedene Schritte im Zusammenhang: von der Anforderungsanalyse über die Codeerstellung und das Testen bis zur Bereitstellung in einer Testumgebung. Bei X Mind Solutions verstehen wir diesen Ansatz nicht als ein Modell, das Entwicklern ihre Verantwortung abnimmt, sondern als eine Arbeitsweise, die repetitive Aufgaben automatisiert und zugleich technische Entscheidungen und menschliche Kontrolle wichtiger macht.

Nehmen wir beispielsweise an, dass ein PBI, also ein Product Backlog Item, angelegt wird, um der Registrierungsmaske für neue Mitglieder ein Gutscheincode-Feld hinzuzufügen. Werden das erwartete Verhalten, die Akzeptanzkriterien und die Analysedokumente dieser Anforderung beigefügt, erhält der Agent einen ersten Kontext. Im vorgesehenen Ablauf prüft der Agent die Anforderung und ermittelt die notwendigen Datenbankänderungen und Verbindungen zu Microservices. Dabei handelt es sich jedoch nicht um das Ergebnis einer abgeschlossenen Kundenimplementierung, sondern um ein Entwicklungsszenario, das ausreichend Kontext, Zugriffsrechte und Kontrollmechanismen voraussetzt.

In einem solchen Szenario ergänzen sich die Codeerstellung auf einem separaten Branch, das Erstellen von Unit-Tests und die Bereitstellung in einer Testumgebung über einen CI/CD-Workflow. Der Agent kann diese Aufgaben ausführen oder bestehende Automatisierungen auslösen. Eine erfolgreiche Bereitstellung allein belegt jedoch nicht, dass der Code die fachliche Anforderung korrekt erfüllt. Die Überprüfung der Akzeptanzkriterien, die Untersuchung des Integrationsverhaltens und die Einbindung notwendiger menschlicher Freigaben in den Ablauf sind entscheidend für die Zuverlässigkeit der Automatisierung. Auch die Benachrichtigung an das Team sollte als Beginn dieses Validierungsprozesses verstanden werden.

Dieser Wandel bedeutet nicht, dass Entwickler künftig ausschließlich Code prüfen. Zwar wird das Code-Review als Verantwortung sichtbarer, doch Architekturentwurf, Anforderungsklärung, Sicherheitsbewertung und die Lösung unerwarteter Probleme bleiben wichtig. Weniger repetitive Arbeit kann dem Team ermöglichen, mehr Zeit für diese Bereiche aufzuwenden. Statt jedoch vorab Verbesserungen bei Geschwindigkeit, Kosten oder Qualität zu garantieren, sollten in Pilotprojekten Entwicklungszeit, Nachbearbeitungsbedarf und festgestellte Fehler gemeinsam bewertet werden.

In Bereichen wie Finanzwesen, Banken und Telekommunikation, in denen Datensicherheit besonders wichtig ist, können unternehmensintern betriebene LLMs in Betracht gezogen werden. Der Betrieb von Optionen wie codeorientierten Qwen-Modellen auf lokaler Infrastruktur kann dazu beitragen, die Übermittlung sensibler Daten an externe Dienste zu begrenzen. Eine unternehmensinterne Installation oder Netzwerkisolation allein garantiert jedoch weder Sicherheit noch die Einhaltung regulatorischer Vorgaben. Die Ressourcen, auf die das Modell zugreift, die Protokollierungsrichtlinien, die Benutzerberechtigungen und die externen Verbindungen der Agent-Tools müssen im selben Rahmen ebenfalls überprüft werden.

Für den Einstieg bietet ein Pilotprojekt mit begrenztem Umfang, klaren Akzeptanzkriterien und überprüfbaren Ergebnissen einen besser kontrollierbaren Weg. Zunächst sollten der bestehende CI/CD-Workflow, die Tests und die Codequalitätsprüfungen überprüft werden. Anschließend ist festzulegen, in welchen Schritten der Agent handeln darf und an welchen Stellen er auf eine Freigabe warten muss. Auch die Fähigkeiten des Teams, Aufgaben klar zu definieren und Modellausgaben zu bewerten, sollten weiterentwickelt werden. Ziel ist damit nicht nur eine schnellere Codeerstellung, sondern ein nachvollziehbarer und überprüfbarer Softwareentwicklungsprozess.