Lenny Daume
Gespräch starten

Agentisches Betriebsmodell

Der SDLC ist zu klein.

Wenn KI im SDLC vor allem von Spezifikation bis Auslieferung gedacht wird, bleibt die Systemgrenze zu eng. Agentische Produktentwicklung verbindet Signal, Entscheidung, Umsetzung, Betrieb und Wirkung als einen lernenden Wertstrom.

Die kurze These

Mehr Code ist nicht automatisch höherer Durchsatz. Wer KI auf Codegenerierung reduziert, optimiert erneut eine lokale Aktivität statt das System.

Lokale Optimierung

Das Muster ist nicht neu.

Seit Jahrzehnten führen Organisationen neue Methoden und Technologien ein, ohne das zugrunde liegende Arbeitssystem zu verändern. Agilität wird zu Ritualen und Boards. DevOps wird zu Toolchains oder einem weiteren Team. Transformation wird zum Rollout-Programm neben dem Tagesgeschäft.

Wenn Implementierung tatsächlich der Engpass ist und der übrige Wertstrom den höheren Ausstoß aufnehmen kann, kann KI den Gesamtdurchsatz erhöhen. Wird dagegen Problemklärung, Entscheidung, Prüfung, Freigabe oder Betrieb zum aktiven Engpass, wächst der Produktwert nicht im selben Maß. Das System häuft stattdessen schneller angefangene Arbeit an.

KI verursacht diesen Engpass nicht. Sie macht sichtbar, dass die Organisation bereits vorher durch Spezialisierung, lokale Auslastung und Übergaben gesteuert wurde.

Der vollständige Wertstrom

Der Produktwertstrom ist größer als der Softwarelebenszyklus.

Ein vollständiger Softwarelebenszyklus umfasst Planung, Entwicklung, Betrieb, Wartung und Rückbau. Selbst diese Systemgrenze bleibt für Produktentwicklung zu eng: Sie steuert Unsicherheit, Investitionen und Wirkung vor, während und nach einer Softwareänderung.

  1. 01

    Signal und Einordnung

    Kunden-, Support-, Markt-, Risiko- und Betriebssignale werden quellengebunden sichtbar, ohne jedes Signal zum Ticket zu machen.

  2. 02

    Problem und Erkenntnis

    Wert-, Nutzbarkeits-, Machbarkeits-, Tragfähigkeits- und Betriebsrisiken werden mit dem kleinsten entscheidenden Experiment reduziert.

  3. 03

    Investition und Entscheidung

    Wirkung, Evidenz, Risiken, Investitionsgrenze sowie Stopp- und Kurswechselkriterien machen die nächste Entscheidung möglich.

  4. 04

    Bauen, Prüfen und Ausliefern

    Kleine vertikale Schnitte verbinden Verhalten, Tests, Sicherheit, Regelkonformität, Telemetrie, Migration und Rücknahme.

  5. 05

    Betrieb und Nutzung

    Produktionsverhalten, Nutzung, Support, Kosten und Kontrollwirkung zeigen, ob die Änderung sicher angenommen wird.

  6. 06

    Wirkung und Lernen

    Beobachtete Wirkung entscheidet über Skalieren, Ändern, Stoppen oder die nächste Investition.

Klarheit ohne Scheinsicherheit

Spec-driven ist eine starke Technik und ein schwaches Grundmodell.

Spezifikationen tragen dort, wo Bedeutung und Grenzen bekannt sind: Invarianten, API-Verträge, Berechtigungen, regulatorische Kontrollen, Fehlerzustände und kritische Geschäftsregeln. Dort liefern sie Agenten einen prüfbaren Maßstab.

Produktarbeit beginnt jedoch oft mit einer unvollständigen Deutung des Problems. Eine detaillierte Spezifikation macht diese Deutung nicht wahr. Ist die Annahme falsch, erzeugt KI nur schneller und reproduzierbarer das falsche System.

Bereit bedeutet: Die nächste Investitions- oder Lernentscheidung ist möglich. Es bedeutet nicht, dass jede Implementierungsentscheidung vor dem Bauen feststeht.

Deshalb bleiben Spezifikation, Domainmodell und Lösungskonzept Hypothesen. Beispiele, Experimente, Implementierung und Produktionsevidenz dürfen sie verändern. Der Vertrag liegt in prüfbarem Verhalten und bekannten Grenzen, nicht in der behaupteten Vollständigkeit eines Dokuments.

Aufsicht, die mit dem System skaliert

Menschen können agentische Artefaktmengen nicht einzeln freigeben.

Wenn Agenten Kontext, Code, Tests, Dokumentation und Betriebsnachweise parallel erzeugen, darf menschliche Aufsicht nicht linear mit jedem Artefakt wachsen. Sonst wird aus dem Prüfungsengpass nur ein Freigabeengpass.

Bekannte Grenzen werden automatisiert geprüft.

Deterministische Tests, Richtlinien und Sicherheitskontrollen prüfen harte Grenzen. Evaluationen und unabhängige Agenten liefern zusätzliche Evidenz.

Menschen steuern das Entscheidungssystem.

Ziele, Budgets, neue Semantik, materielle Risiken, Ausnahmen und Veto bleiben menschliche Verantwortung.

Autonomie wächst aus Evidenz.

Ein stabiler Pfad wird erst nach wiederholten Prüfungen, beobachtbarer Wirkung, gesicherter Wiederherstellung und klarer Eskalation weiter delegiert.

Das Arbeitssystem ändern

Ein neues Werkzeug verändert noch kein Betriebsmodell.

Ein agentischer Wertstrom braucht gemeinsame Verantwortung von Produkt, Fachlichkeit, Entwicklung, Sicherheit, Compliance und Betrieb. Diese Verantwortungen verschwinden nicht. Sie werden entlang konkreter Entscheidungen und Risiken verbunden.

Plattformteams schaffen sichere und auditierbare Wege in Produktion. Sicherheit und Compliance gestalten die Lösung mit und verantworten prüfbare Nachweise. Wertstromorientierte Teams verantworten Produktwirkung und Betriebsverhalten, ohne jede Plattformfähigkeit selbst bauen zu müssen.

Der Fortschritt zeigt sich deshalb nicht primär an KI-Nutzung oder Pull-Request-Durchsatz. Relevant sind Lernzeit, Durchlaufzeit, blockierte Zeit, Nutzung, Produktwirkung, Änderungsfehler, Wiederherstellungszeit und die Zahl der Ausnahmen, die noch menschliches Eingreifen brauchen.

Ein öffentliches Arbeitsmodell

Mein Agentic Engineering Harness macht zentrale Teile dieses Modells überprüfbar.

Das Repository macht die Kontext-, Governance-, Prüf- und Lernschicht für evidenzbasierte Autonomie installierbar und öffentlich nachvollziehbar. Das durchgängige Modell über den gesamten Produktwertstrom entwickle ich in der Praxis weiter.

Harness auf GitHub ansehenDas vollständige Modell lesen

Wo endet in deinem System der menschliche Engpass, wenn Agenten nicht nur Code, sondern den ganzen Arbeitsfluss beschleunigen?

Betriebsmodell besprechen