Anmerkung: In diesem Artikel verwenden wir den Begriff „Entwicklungsartefakte“, um Anforderungen, Architekturentscheidungsprotokolle (ADRs), Dokumentation, Eingabeaufforderungen, Kontextdateien, technische Regeln, Testspezifikationen und damit verbundene, von KI generierte Informationen zusammenfassend zu bezeichnen.

In unserem vorherigen Blogbeitrag „Die Evolution von Software: Jenseits von ‚Vibe‘ und ‚Spec“ haben wir eine drängende Realität hervorgehoben: das Phänomen des „One-Year Legacy“. Während KI-Codierungstools die Entwicklung neuer Software unglaublich beschleunigen, führt die langfristige Wartung dieser Software zu erheblichen technischen Schulden und Architekturdrift. Wir haben dargelegt, dass die Gewährleistung langfristiger Nachhaltigkeit eine kontinuierliche, datengesteuerte Code- und Architekturanalyse erfordert – unter Einsatz von Tools wie DETANGLE, um strukturelle Engpässe und „Architektur-Hotspots“ in Codebasen zu identifizieren.

Da Softwareentwicklungsteams jedoch zunehmend auf Spec-Driven Development (Spec-DD) und autonome KI Code Agenten setzen, besteht die Herausforderung nicht mehr nur darin, die Codequalität zu verwalten. Die KI-generierten Entwicklungsartefakte rund um den Code sind selbst zu einem technischen Vermögenswert geworden. Wie der Quellcode müssen auch sie konsistent, nicht redundant, nachvollziehbar und wartbar bleiben. Ohne effektive Steuerung besteht die Gefahr, dass Entwicklungspipelines von einer ständig wachsenden Menge an KI-generierten Artefakten überfordert werden, was Wartung, Nachvollziehbarkeit und Zusammenarbeit zunehmend erschwert.

Die neue Realität: Generierter Code ist nur die halbe Wahrheit

Wenn ein KI-Agent mit der Implementierung einer Funktion beauftragt wird, gibt er nicht einfach nur Zeilen mit Python- oder TypeScript-Code aus. Um effektiv zu arbeiten, liest, modifiziert und generiert er im Rahmen seiner Ausführungsschleife eine Vielzahl von unterstützenden Artefakten:

• Requirements und Tasks: Detaillierte Issues, User Stories und Teilaufgaben, die häufig durch KI mittels Spec-DD ergänzt werden.
• Design und Architektur: Architecture Decision Records (ADRs), Systembeschreibungen und Inline-Dokumentation, die das „Warum“ hinter dem „Was“ erläutern.
• Kontext- und Harness-Dateien: Regeldateien, Linting-Richtlinien und technische Verfahren, die das Verhalten der KI vorgeben.

Die KI-Agenten behandeln diese Kontextinformationen nicht nur passiv. Während ihrer Arbeit erweitern, verfeinern und schreiben sie diese Artefakte kontinuierlich um, um neu generierten Code, sich weiterentwickelnde Anforderungen oder architektonische Entscheidungen widerzuspiegeln.

Das Ergebnis ist, dass jede Implementierung nicht nur Software hervorbringt, sondern auch einen wachsenden Bestand an KI-generiertem Entwicklungswissen, der Teil des langfristigen Wartungsaufwands des Projekts wird.

Die KI-Informationslawine als Herausforderung 

KI-Agenten generieren Informationen in einem Tempo, das die Fähigkeit eines Teams, diese zu prüfen, zu kuratieren und zu pflegen, bei weitem übersteigt. Dies führt zu mehreren kritischen Problemen:

👉 Informationsüberflutung: Das Volumen der generierten Artefakte wird schnell zu groß, als dass menschliche Teams es verarbeiten könnten.

👉 Blindfleck Qualität: Während Teams zwar automatisierte Linter oder Tests einsetzen können, um zu überprüfen, ob der generierte Code funktioniert, gibt es praktisch keine Qualitätskontrolle für die generierten Metainformationen.

👉 Redundanz und Rauschen: Mehrere Agenten oder aufeinanderfolgende Eingabeaufforderungen erzeugen oft stark überlappende, leicht abgewandelte oder geradezu redundante Beschreibungen derselben Funktionen.

Konsequenzen für Mensch und Maschine

Folglich werden Code-Reviews für Senior Engineers zu einer quälenden, zeitraubenden Plackerei. Niemand hat die Zeit zu überprüfen, ob 50 neue, von der KI generierte Issues und drei neue ADRs tatsächlich der Realität entsprechen. Darüber hinaus gerät die Einarbeitung neuer Entwickler ins Stocken: Wenn alles ausführlich dokumentiert, aber nichts kuratiert wird, können neue Ingenieure nicht unterscheiden, was grundlegend ist und was bloßes KI-Rauschen ist.

Für die KI-Agenten selbst entsteht dadurch eine sich selbst verstärkende Rückkopplungsschleife. Jede KI-Generation nutzt die von früheren Generationen erzeugten Artefakte. Sind diese Artefakte redundant, veraltet oder widersprüchlich, startet jede nachfolgende Generation mit einer zunehmend schlechteren Wissensbasis als Kontextfenster für zukünftige Aufgaben. Infolgedessen könnte die Qualität zukünftiger Code-Generationen drastisch sinken.

Analysen jenseits des Codes

Um zu verhindern, dass unsere Softwareprojekte in KI-generiertem Rauschen untergehen, müssen wir bei KI-generierten Entwicklungsartefakten dieselbe Sorgfalt walten lassen wie beim Code. Wir benötigen einen automatisierten Ansatz zur Validierung des gesamten Lebenszyklus von Software-Artefakten:

• Prüfung auf Unterscheidbarkeit: Automatisches Scannen generierter Issues, ADRs und Design-Dokumente, um Duplikate zu erkennen und sicherzustellen, dass jedes Artefakt einzigartige, eindeutige Beschreibungen und einen Mehrwert bietet.
  
  
• Validierung der Rückverfolgbarkeit: Wir müssen klare, nachvollziehbare Verknüpfungen zwischen verschiedenen Informationsebenen herstellen und visualisieren. Lässt sich dieses KI-generierte Problem genau auf das Designdokument zurückverfolgen? Stimmt das Designdokument mit dem generierten Code überein? Wenn eine Verknüpfung unterbrochen ist, muss dies gekennzeichnet werden.
  
  
• Kontext und Harness-Dateien prüfen: Überwachen Sie kontinuierlich die Anweisungen und Einschränkungen, die der KI vorgegeben werden, um sicherzustellen, dass diese präzise bleiben und nicht in widersprüchliche Logik abdriften.

Ein neuer Auftrag für Software- projekte und Due-Diligence-Prüfungen

Dieser Wandel verändert grundlegend die Art und Weise, wie wir den Zustand von Software bewerten müssen – sowohl im täglichen Betrieb als auch bei strategischen Transaktionen.

=> Für Softwareprojekte: Messen Sie die KI-Produktivität nicht mehr ausschließlich anhand von Codezeilen oder abgeschlossenen Tickets. Implementieren Sie automatisierte Rückverfolgbarkeits- und Eindeutigkeitsprüfungen in Ihre CI/CD-Pipelines. Wenn ein KI-Agent ein ADR erstellt, das einem bestehenden widerspricht, sollte der Build fehlschlagen – genau wie bei einem fehlgeschlagenen Unit-Test.

=> Für Software-Due-Diligence: Traditionelle, code-zentrierte Audits reichen im Zeitalter des KI-Engineering nicht mehr aus. Bei der Bewertung der Software-Assets eines Zielunternehmens muss eine moderne technische Due Diligence die Qualität der KI-generierten Entwicklungsartefakte prüfen

Investoren und Technologieführer müssen sich fragen: Ermöglicht die KI-gestützte Dokumentation des Zielunternehmens eine klare Entwicklungsroadmap, oder handelt es sich um ein verworrenes Geflecht aus redundanten oder sogar widersprüchlichen Zusammenhängen, das die zukünftige Entwicklung eher früher als später lahmlegen wird?

Bei Cape of Good Code, entwickeln wir die Tools, um beide Seiten dieser Medaille zu analysieren – damit Ihr Code sauber bleibt, Ihre Architektur widerstandsfähig bleibt und Ihr KI-Kontext ein Gewinn statt einer Belastung bleibt.

Ist Ihr Team darauf vorbereitet, die Flut an KI-Dokumentation zu bewältigen? Lassen Sie uns gemeinsam besprechen, wie Sie Ihre Entwicklungspipelines zukunftssicher machen können.

Links

[0] Photo von Andreas Ebner: https://www.pexels.com/photo/a-snow-covered-mountain-14481964