SDLC AI-native

Louis Claxton vom Applied-AI-Team von Anthropic veröffentlichte am 21. August 2026 ein sechsstufiges Playbook (Plan, Design, Build, Test, Deploy, Maintain), in dem die Stufen selbst gegenüber dem klassischen SDLC unverändert bleiben. Was sich ändert, ist die Art der Ausführung: Jede Stufe committet das Artefakt, das die nächste liest. Die Absicht wird von ihrem ursprünglichen Autor als «intent.md» festgehalten, Anforderungen und Design verschmelzen zu einer `spec.md`, und der Build friert `plan.md` ein, bevor auch nur eine Zeile Code geschrieben wird. Die Commit-Kette wird zur Prüfspur.

Jason Clinton, Deputy CISO bei Anthropic, fasste denselben Wandel im Juli 2026 als Amdahl-Problem: Da «Claude» rund 80% des gemergten Codes schreibt und Ingenieure pro Quartal die 8-fache Codemenge ausliefern, werden Review und Monitoring zum Engpass, wenn sie nicht mit der Produktion mitwachsen. Seine stufenweisen Kontrollen setzen an benannten Grenzen an, was «SFEIR»s Lesart entspricht, warum der Zyklus mehr zählt als die Kontrollen: Ein Gate ist per Definition etwas, das zwischen zwei Stufen platziert wird.

Die belegten Zahlen stammen von Anbietern. Die Atlassian-Datenwissenschaftler Robbie Geoghegan und Fan Jiang berichten von 19% mehr gemergten Pull Requests bei Repositories, die «Rovo Dev» einführen, mit einem Anstieg auf 59-87%, wenn drei bis fünf Teammitglieder es nutzen. Paula Hingel merkt unter Berufung auf den DORA-2025-Bericht an, dass die KI-Einführung positiv mit dem Durchsatz und negativ mit der Stabilität der Auslieferung korreliert.

Gregor Hohpe liefert den Vorbehalt, der all dies durchzieht: Ein KI-getriebener SDLC bestraft schlechte Gewohnheiten weit schneller, weil er alles verstärkt, Dysfunktionen eingeschlossen.