Was ist SDLC mit KI: Der Softwarezyklus neu gedacht

Wenn jemand sagt, dass er „KI zum Programmieren nutzt“, stellt er sich normalerweise ein Chatfenster vor, das eine Funktion generiert. Diese Vision ist eng und, was noch schlimmer ist, behindert die Entscheidungsfindung derjenigen, die technische Teams leiten.

Bei der Softwareentwicklung ging es nie nur darum, Code zu schreiben. Es ist ein Zyklus, und das Akronym, das diesen Zyklus beschreibt, ist SDLC: Software Development Life Cycle. Die richtige Frage lautet nicht: „Schreibt KI Code?“ Es geht darum: „Was passiert mit jeder Phase des Zyklus, wenn KI daran teilnimmt?“

Davon handelt dieser Text. Keine Magie, mit Prozess.

Was ist der SDLC, ohne Romantik

Der SDLC ist die Abfolge von Schritten, die eine Software von der Idee bis zur Außerbetriebnahme durchläuft. Die klassischen Phasen sind: Anforderungen, Design, Implementierung, Test, Bereitstellung und Wartung.

Niemand durchlebt diese Phasen geradlinig. Agile Teams iterieren, gehen zurück, nehmen Abstriche. Die Struktur bleibt jedoch nützlich, da jede Phase eine andere Art von Arbeit mit unterschiedlichen Risiken beinhaltet.

Bei den Anforderungen entscheiden Sie, was Sie erstellen möchten. Beim Design entscheiden Sie, wie. In der Umsetzung schreiben Sie. Beim Testen wird überprüft. Deploy ist der Ort, an dem Sie liefern. Bei der Wartung lebt man mit dem, was man geliefert hat, manchmal über Jahre hinweg.

Die meisten Gespräche über KI konzentrieren sich nur auf die Umsetzung. Das ist der häufigste Fehler, den ich bei technischen Führungskräften sehe.

Auch beim SDLC handelt es sich um einen Qualitätsvertrag. Jede Phase dient dazu, ein bestimmtes Risiko zu reduzieren: Schlecht gestaltete Anforderungen führen zu kostspieliger Nacharbeit, schlechtes Design führt zu technischen Schulden, schwache Tests führen zu einem Vorfall in der Produktion. Wenn Sie ändern, wer in jeder Phase die Arbeit erledigt, ändern Sie auch, wo sich die Risiken konzentrieren. Daher kann die KI nicht als Werkzeugdetail in den Zyklus eingehen. Es kommt zu einer Umverteilung des Risikos, und das Risiko ist Sache desjenigen, der die Führung übernimmt.

Warum „Code generieren“ der am wenigsten interessante Teil ist

Die Codegenerierung ist die sichtbarste Phase, weil sie am besten nachweisbar ist. Sie geben einen Auftrag ein, ein funktionsfähiges Teil kommt heraus, alle sind beeindruckt.

Das Problem ist, dass das Schreiben von Code für die meisten Teams nie der eigentliche Engpass war. Der Engpass liegt normalerweise darin, das Problem zu verstehen, das Design auszurichten, die Basis gesund zu halten und die Produktion nicht zu unterbrechen. Allein die Beschleunigung des Tippens löst den einfachen Teil und lässt den schwierigen Teil intakt.

Schlimmer noch: Wenn KI schnelleren Code produziert, generieren Sie mehr Code zum Überprüfen, Testen und Warten. Der Engpass bewegt sich, er verschwindet nicht. Wer KI als Tippbeschleuniger betrachtet, muss am Ende die Arbeit am Fließband schneller einem menschlichen Korrekturleser überlassen, der derselbe bleibt.

Deshalb verteidige ich eine einfache These: KI im SDLC ist eine Prozessänderung, kein Produktivitäts-Plugin.

Was sich in jeder Phase ändert

Bei Anforderungen hilft KI dabei, lockere Gespräche in Akzeptanzkriterien umzuwandeln, Widersprüche in einem Dokument zu finden und Fragen zu generieren, die niemand gestellt hat. Es entscheidet nicht, was für das Unternehmen wichtig ist, aber es verringert die Reibung beim Übergang vom unbebauten Grundstück zum Beton.

Im Design dient es der Erforschung von Alternativen. Sie beschreiben eine Einschränkung und fragen nach drei Ansätzen mit Kompromissen. Der Wert liegt darin, die Auswahl an Optionen zu erweitern, bevor eine Entscheidung getroffen wird, und nicht darin, die Entscheidung auszulagern.

In der Implementierung wird generiert, vervollständigt und umgestaltet. Es ist die ausgereifteste Phase und auch die gefährlichste, da der Code fertig zu sein scheint, bevor er korrekt ist. Ich spreche in einem anderen Text mehr über das Vertrauen in KI-generierten Code.

In Tests deckt es Edge-Szenarien ab, die Sie bei Eile ignorieren würden, generiert Massen an Daten und schreibt Fälle basierend auf erwartetem Verhalten. Testen ist meiner Erfahrung nach eine der Phasen, in denen KI mit dem geringsten Risiko die meisten Ergebnisse liefert.

Bei der Bereitstellung hilft sie beim Schreiben von Skripten, überprüft die Pipeline-Konfiguration und erklärt, warum ein Build fehlgeschlagen ist. Da es sich weiterhin um einen Bereich handelt, in dem Fehler kostspielig sind, muss die Überwachung verstärkt werden.

In der Wartungsphase, der vielleicht am meisten unterschätzten Phase, hilft es, Code zu verstehen, den gestern niemand geschrieben hat, die Auswirkungen einer Änderung abzubilden und zu dokumentieren, was nicht dokumentiert war. Wer ein Altsystem verwaltet, weiß, dass diese Phase mehr Zeit in Anspruch nimmt als der gesamte Erstaufbau.

Beachten Sie eine wichtige Sache, wenn Sie Phase für Phase betrachten: Die Verstärkung ist nicht einheitlich. KI bringt viel bei Tests und Wartung, sorgt für Sorgfalt bei der Implementierung und Bereitstellung und wenig, wenn die Entscheidung von einem Geschäftskontext abhängt, den das Tool nicht hat. Jede Phase so zu behandeln, als hätte man das Gleiche erreicht, ist der schnellste Weg zur Frustration. Eine gute Führungskraft kalibriert Erwartungen nach Phase, nicht nach Hype.

Das Paradox, dem sich jeder Anführer stellen muss

Die Zahlen aus diesem Zyklus sind aufschlussreich. Laut der Stack Overflow-Umfrage 2025 mit mehr als 49.000 Befragten nutzen 84 % der Entwickler bereits KI im Entwicklungsprozess oder planen dies, verglichen mit 76 % im Vorjahr.

Die Akzeptanz ist gestiegen. Vertrauen, nein. In derselben Umfrage misstrauen 46 % der Entwickler der Genauigkeit von KI-Tools, verglichen mit 33 %, die ihnen vertrauen, und nur 3 % vertrauen ihnen stark.

Dieses Missverhältnis ist kein Widerspruch, es ist Reife. Die Leute nutzen das Tool und entdecken dabei, wo es versagt. Eine Führungskraft, die dieses Paradoxon ignoriert, wird Gewinne versprechen, die nicht nachhaltig sind, und das Team mit dem ersten schlechten Einsatz frustrieren.

Die richtige Lesart ist eine andere: KI tritt als kompetenter und manchmal übermütiger Mitarbeiter in den Kreislauf ein, und der Prozess muss dies mit Überprüfung und Steuerung und nicht mit Vertrauen auffangen.

Was verlangt das von denen, die führen?

Den SDLC mit KI zu überdenken bedeutet, die Qualitätskontrolle neu zu gestalten. Wenn die Generierung schneller geworden ist, muss die Überprüfung strenger und nicht lockerer werden.

Es bedeutet, Phase für Phase zu entscheiden, was Sie delegieren und was unter nicht verhandelbarer menschlicher Verantwortung bleibt. Einen Test zu erstellen ist eine Sache. Eine andere Möglichkeit besteht darin, eine Datenbankmigration in der Produktion zu genehmigen.

Und es bedeutet, den gesamten Zyklus zu messen, nicht nur die Tippgeschwindigkeit. Wenn sich die Durchlaufzeit nicht verbessert, wenn die Fehlerrate zunimmt, wenn die Wartung der Basis schwieriger wird, hilft KI dem SDLC nicht. Es beschleunigt lediglich eine Phase und wälzt die Kosten auf die anderen ab.

Das Überdenken des Zyklus ist genau die Art von Arbeit, die ein Team, das KI mit einer Methode nutzt, von einem Team, das nur Chat-Antworten einfügt, unterscheidet.

Wenn Sie für ein Team verantwortlich sind, beginnen Sie damit, dessen sechs Phasen abzubilden und in jeder Phase zu fragen, wo KI das Risiko reduziert und wo sie neue Risiken mit sich bringt. Es ist eine Nachmittagsübung, die mehr wert ist als jede Demo. Um zu den Details jeder Phase zu gelangen, siehe die KI in jeder Phase von SDLC.