Wie transformieren etablierte Softwareunternehmen ihre Produktentwicklungs- und Forschungsabläufe nach AI Coding?

Von AI-Coding über Qualitätsengineering, Produktkooperation bis hin zur Kundenauslieferung treibt eine Reihe etablierter Softwareunternehmen die Umstellung von KI als persönlichem Werkzeug auf die vollständigen Produktions- und Forschungsabläufe voran.

Was bedeutet es, wenn einige Mitglieder eines Entwicklerteams AI-Coding sehr gut beherrschen?

Es kann belegen, dass die persönliche Effizienz gestiegen ist, aber es lässt sich kaum direkt nachweisen, dass die Anforderungsauslieferung schneller erfolgt, die Softwarequalität stabiler ist und Kundenprobleme besser gelöst werden.

Die Codegenerierung ist nur ein Glied in der Softwareproduktion. Ob die Anforderungen klar formuliert sind, ob die KI die Geschäftsregeln des Altsystems versteht, wer den generierten Inhalt prüft, wie die Tests validiert werden und wie Probleme am Kundenstandort zurück zu Produkt- und Entwicklungsabteilungen gelangen – all diese Fragen bestimmen gemeinsam, ob die KI in den offiziellen Produktionsablauf integriert werden kann.

Die Erkundungen etablierter Softwareunternehmen haben bereits begonnen, von der Nutzung von Werkzeugen auf das gesamte Produktions- und Forschungssystem einzugehen.

Wenn AI-Coding in ein Team eingeführt wird, muss zuerst der Produktionsablauf ergänzt werden

Die private Nutzung von AI-Coding beginnt normalerweise mit Code-Vervollständigung, Funktionsentwicklung, Unit-Tests und Dokumentationserstellung. Auf Teamebene ist die Situation weitaus komplexer.

Ein seit Jahren betriebenes ToB-Softwareprodukt weist oft gleichzeitig Legacy-Code, kundenspezifische Anpassungen, Wartung mehrerer Versionen, private Bereitstellungen und implizite Geschäftsregeln auf. Viele Informationen sind nicht in Dokumenten festgehalten, sondern existieren nur in der Erfahrung von Produktmanagern, Architekten und langjährigen Mitarbeitern. Die KI kann Code lesen, aber es fällt ihr schwer, selbst zu beurteilen, warum diese Regeln existieren, und sie kann noch weniger genau erkennen, welche Stellen geändert werden dürfen.

Daher zeigen die Fälle, dass einige Teams gerade drei Arten von Informationen ergänzen:

Die Anforderungen werden von mündlichen Beschreibungen in ausführbare Spezifikationen umgewandelt, wobei Ziele, Umfang und Abnahmekriterien klar definiert werden;

Architekturbeschränkungen, Schnittstellenstandards und historische Entscheidungen werden festgehalten, um die Vermutungen der KI über den Kontext zu reduzieren;

Code-Prüfungen, Tests und Veröffentlichungsprüfungen werden in einen einheitlichen Ablauf integriert, damit die von der KI generierten Inhalte stabile Qualitätstüren durchlaufen.

Diese Veränderung bringt auch neue Messmethoden mit sich.

Der Anteil der Codegenerierung ist intuitiv verständlich, repräsentiert aber nicht die gesamte Effizienz. Beachtenswerter sind die Anforderungsreaktionszeit, der Entwicklungszyklus, die Nacharbeitsrate, die Fehlerrate, die Regressionstestzeit und der Kundenabnahmezyklus. Wenn sich das Glied der Codegenerierung beschleunigt, aber die nachfolgenden Nacharbeiten zunehmen, verbessert sich die gesamte Lieferungseffizienz trotzdem nicht.

Laut den vor Ort geteilten Inhalten und Untersuchungen auf der ToB AI Produktions- und Forschungskonferenz in Peking, die von CVCow am 31. Juli veranstaltet wurde, stellen wir fest: AI-Coding erhält die höchste Aufmerksamkeit, gefolgt von Tests, Qualität, Sicherheit und Inbetriebnahmeabnahme. Unternehmen beginnen sich bereits für die Produktionsprobleme nach der Codegenerierung zu interessieren.

Nach der Beschleunigung der Entwicklung muss das Qualitätsengineering nach vorne verlagert werden

Die KI erhöht die Codeausbeute und erweitert gleichzeitig den Geltungsbereich des Qualitätsmanagements.

Früher konzentrierten sich die Tests in der Regel auf die Zeit nach Abschluss der Entwicklung. Nachdem die KI die Entwicklungsgeschwindigkeit beschleunigt hat, wird das Testteam leicht zu einem neuen Engpass, wenn es weiterhin die Ergebnisse in der Endphase entgegennimmt. Abweichungen beim Verständnis der Anforderungen, Architekturkonflikte und Auslassungen von Geschäftsregeln treten dann gebündelt in den Phasen Test, Inbetriebnahme und Kundenabnahme auf.

Die Qualitätsarbeit muss nach vorne verlagert werden.

In der Anforderungsphase muss zuerst definiert werden, welches Ergebnis als korrekt gilt; in der Produktdesignphase müssen Geschäftsgrenzen, Ausnahmepfade und Abnahmebedingungen klar festgelegt werden; nach Eintritt in die Entwicklungsphase muss der von der KI generierte Code unabhängig geprüft werden, und die Testfälle müssen auch die Pfade echter Nutzer abdecken, statt nur zu prüfen, ob die Funktionen laufen.

Die vor Ort geführte Diskussion berührte auch ein zentrales Problem: Wer beurteilt, ob die von der KI generierten Testfälle vollständig sind?

Dies muss weiterhin von Menschen erledigt werden. Die KI kann bei der Erstellung von Testfällen, der Analyse von Fehlern, der Durchführung von Regressionen und der Prüfung von Code helfen, aber die Geschäftsrichtigkeit muss gemeinsam von Produkt-, Entwicklungs- und Testabteilung definiert werden.

Besonders in ToB-Szenarien mit hohen Anforderungen an Sicherheit, Compliance und Kundenabnahme dürfen Berechtigungen, Sicherheit, Audits und Kundenabnahmen nicht dem Modell zur eigenständigen Entscheidung überlassen werden.

Die Rolle des Testteams ändert sich entsprechend. Es beteiligt sich früher an der Prüfung von Anforderungen und Lösungsvorschlägen und hilft dem Team, überprüfbare Ziele, Qualitätsstandards und Veröffentlichungsschwellen festzulegen. Je schneller die Entwicklungsgeschwindigkeit ist, desto wichtiger ist dieser Mechanismus.

Die echte Veränderung findet in der Zusammenarbeit statt

Wenn die KI gleichzeitig in Anforderungs-, Produkt-, Entwicklungs- und Testphasen eingesetzt wird, ändert sich auch die bisherige Art der Übergabe zwischen den Positionen.

Produktmanager können mit KI Kundeninterviews, Tickets und Sitzungsprotokolle ordnen und auch bei der Erstellung von PRDs und Prototypen unterstützen. Die Voraussetzung für die Effizienzsteigerung ist, dass die Produktmanager zuerst Ziele, Grenzen und Abnahmekriterien klar formulieren. Wenn die Anforderungsdefinition unscharf ist, beschleunigt die KI nur die Generierung fehlerhafter Lösungen.

Der Arbeitsschwerpunkt der Entwickler ändert sich ebenfalls. Wenn der Anteil der Codeerstellung sinkt, gewinnen Architekturdesign, Kontexterstellung, Code-Prüfung und Qualitätskontrolle an Bedeutung. Die Entwickler müssen der KI helfen, das System zu verstehen, den Generierungsbereich einzuschränken und für die endgültigen Ergebnisse verantwortlich zu sein.

Die Tests werden weiter nach vorne verlagert, und auch das Lieferteam muss in diesen Ablauf integriert werden. Kundenprobleme bei ToB-Software treten oft direkt vor Ort auf. Wenn Kundenrückmeldungen über Vertrieb, Lieferung und Produktabteilung zur Entwicklungsabteilung gelangen, geht leicht Informationsgehalt verloren.

Die KI kann helfen, Vor-Ort-Informationen zu ordnen, gemeinsame Probleme zu erkennen und Anforderungshinweise zu bilden, aber Unternehmen müssen klarstellen: Welche Probleme in die Produktplanung aufgenommen werden, welche zur individuellen Lieferung gehören und welche zu Standardfähigkeiten weiterentwickelt werden.

Daraus ergibt sich eine vollständigere Produktions- und Forschungskette:

Kundenprobleme fließen in die Anforderungserstellung ein, Anforderungen werden in ausführbare Spezifikationen umgewandelt, Entwickler generieren Code unter Einhaltung von Beschränkungen, Tests validieren gemäß den Abnahmekriterien, und die Lieferergebnisse fließen zurück zum Produkt.

Ob diese Kette funktionieren kann, entscheidet darüber, ob die KI letztendlich auf der Ebene eines persönlichen Werkzeugs verbleibt oder zu einer stabil wiederverwendbaren Produktionsfähigkeit für das Team wird.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Neuters“ (ID: Neuters), Autor: CVCow, veröffentlicht mit Genehmigung von 36Kr.