# hingel-augment-how-ai-changes-sdlc-six-stages-2026-06-08

## Veille

Leitfaden von Augment Code (Paula Hingel), der beschreibt, wie KI-Agenten den Software Development Lifecycle (SDLC) Stufe für Stufe umstrukturieren. These: KI erzeugt **in manchen Phasen höheren Durchsatz und in anderen ein höheres Instabilitätsrisiko** — ein Symptom ungleichmäßiger Adoption ohne Neuziehung der Review-Grenzen. Stützt sich auf **DORA 2025**: KI-Adoption korreliert positiv mit Delivery-Durchsatz und Produktperformance, aber **negativ mit Stabilität**. Sechs neu betrachtete Phasen (Requirements, Design/Architektur, Implementierung, Testing/QA, Deployment, Maintenance), drei zentrale Risiken (Erosion der Junior-Pipeline, **zirkuläre Validierung** von KI-generierten Tests, Governance-Lücken bei Skalierung) und drei entstehende Rollen (**Intent Engineering**, Agentic DevOps, AI Governance/Assurance). Umsetzbare Empfehlungen: eine Phase vor der Skalierung auditieren, Governance einem Stresstest unterziehen, die **Spezifikation** ins Zentrum stellen, explizite Rollback-Richtlinien definieren, die Junior-Rolle rund um Review neu gestalten.

## Titre Article

How AI Changes the SDLC: A Six-Stage Guide

## Date

2026-06-08

## URL

https://www.augmentcode.com/guides/how-ai-changes-the-sdlc

## Keywords

SDLC, Software Development Lifecycle, Coding Agents, Spezifikation, Specification-Driven Development, zirkuläre Validierung, vibe architecting, Governance, DORA 2025, Delivery-Durchsatz, Stabilität, Change Failure Rate, Rollback, Intent Engineering, Agentic DevOps, AI Governance, Junior-Pipeline, Review, Orchestrierung, Komplexitätsschulden, Blast Radius

## Authors

Paula Hingel (Augment Code)

## Ton

Profil: Langform-Corporate-Blog-Leitfaden (Augment Code), Expertenperspektive aus der dritten Person, analytisches und präskriptives Register, hohes technisches Niveau, gestützt auf Forschungsquellen (DORA 2025, CMU-Studie, SWE-bench Pro, Meta DRS), Zielgruppe: Engineering Leaders, Architekten, EMs, Platform-/DevEx-Verantwortliche und Governance-Entscheidungsträger. Der Ton ist der eines **strukturierenden Rahmenwerks**: kein Hype, sondern eine stufenweise Lesart des SDLC, die die zentrale Spannung (Durchsatz vs. Stabilität) systematisch benennt und über neu gezogene Review-Grenzen adressiert. Die Rhetorik wechselt zwischen **quantifizierter Diagnose** (DORA-Korrelationen, +30 % Static-Analysis-Probleme, +40 % Komplexität, 70 % der Entwicklerzeit für Codeverständnis) und **operativer Verschreibung** (eine Phase auditieren, Governance einem Stresstest unterziehen, Rollback-Richtlinien). Auffällige Signal-Neologismen: „vibe architecting“ (architektonische Entscheidungen, in Sekunden ohne Governance getroffen) und „zirkuläre Validierung“ (KI generiert sowohl den Code als auch die ihn bestätigenden Tests). Die Autorität stützt sich auf die Kombination eines bewährten Produkts (CLI Augment, Spitzenwert bei SWE-bench Pro von 51,80 %) und eines zitierten Forschungskorpus; der kommerzielle Charakter bleibt zurückhaltend, der Artikel präsentiert sich in erster Linie als Governance-Referenz für den agentischen SDLC.

## Pense-betes

- **Zentrale Spannung**: KI erzeugt „in manchen Phasen höheren Durchsatz und in anderen ein höheres Stabilitätsrisiko“ — die Folge **ungleichmäßiger Adoption ohne Neuziehung der Review-Grenzen**.
- **DORA-2025-Referenzpunkt**: KI-Adoption steht in **positivem Zusammenhang mit Delivery-Durchsatz und Produktperformance**, aber in **negativem Zusammenhang mit der Delivery-Stabilität**. → Das Fundament (Prozess, Review) zählt mehr als das Werkzeug.
- **Sechsstufiges Modell** (Agent + Mensch): 1. **Requirements & Planning**: Die **Spezifikation wird zum Steuerungsmechanismus**, der den Agenten lenkt; Menschen konzentrieren sich auf die Qualität der Anforderungen und die Auflösung von Mehrdeutigkeiten. 2. **Design & Architektur**: Mehr architektonische Entscheidungen erfordern **explizite menschliche Prüfung**, um **„vibe architecting“** zu vermeiden (Entscheidungen, die in Sekunden ohne Governance getroffen werden). 3. **Implementierung**: Der Entwickler verlagert sich hin zu **Orchestrierung, Validierung, Freigabe** statt Code zu schreiben. 4. **Testing & QA**: QA konzentriert sich auf Spezifikationsqualität und Abdeckungsbeurteilung; das Kernrisiko = **zirkuläre Validierung** (KI-Tests bestätigen KI-Code, statt die tatsächliche Anforderung zu prüfen). 5. **Deployment**: Durchsatzgewinne erzeugen **Stabilitätsrisiken** → Notwendigkeit **stärkerer Rollback-Kontrollen**. 6. **Maintenance & Operations**: Agenten übernehmen Erkennung und Behebung; Menschen managen **Ausnahmen und Härtung**.
- **Drei zentrale Risiken**: (1) **Erosion der Junior-Pipeline** (die Automatisierung grundlegender Aufgaben schneller als die Neugestaltung der Junior-Rollen verringert den künftigen Pool an Senioren); (2) **zirkuläre Validierung** beim Testing; (3) **Governance-Lücken bei Skalierung** (die Aufsichtskapazität wird zum limitierenden Faktor).
- **Drei entstehende Rollen**: **Intent Engineering** (Übersetzung mehrdeutiger Geschäftsziele in testbare Spezifikationen), **Agentic DevOps/Infra** (Bereitstellung/Training/Orchestrierung von Agenten — LangGraph, Crew AI, Autogen), **AI Governance/Assurance** (Überwachung von Multi-Agent-Ergebnissen, Definition von Verantwortungsgrenzen). Einstellungssignale: Accenture, Scale AI, OpenAI („mindestens 1 Jahr Erfahrung mit LLMs“, Erfahrung mit „agentic framework“).
- **Zitierte Forschungszahlen**: **SWE-bench Pro** — CLI Augment **51,80 %** (Februar 2026, damals bester veröffentlichter Wert); **Meta DRS** — >10.000 Änderungen während eines Code-Freeze eingespielt, minimale Auswirkung auf die Produktion (2024); **Codeverständnis = ~70 % der Entwicklerzeit** (Hauptengpass); **CMU-Studie zu 807 GitHub-Repositories** — Static-Analysis-Probleme **+~30 %**, Komplexität **+>40 %**; **DORA** — offenes Ansprechen von Ängsten vor Arbeitsplatzverdrängung = **+125 %** KI-Adoption im Team, dedizierte Lernzeit = **+131 %**.
- **5 Empfehlungen**: (1) **eine Phase** des SDLC vor der Skalierung von Agenten auditieren (Autonomie vs. menschliche Gates klären); (2) **bestehende Governance einem Stresstest unterziehen** (Architektur-Reviews, Release-Kontrollen, Ownership); (3) **Spezifikations-Governance** ins Zentrum stellen; (4) **explizite Rollback-Richtlinien**; (5) **die Junior-Rolle rund um Review/Validierung neu gestalten**, ohne Lernmöglichkeiten zu verlieren.
- **Verwandt**: konvergiert mit Atlassians AI-nativem SDLC (Wirkungsmessung), der ADLC-Serie von Williams (deterministische Gates, Tests-als-Spezifikation gegen Reward Hacking — ein direktes Echo der zirkulären Validierung), Rafal („je schneller die Ausführung, desto strenger muss der Rahmen sein“), Pragdave *Failing Faster* (Komplexitätsschulden), Dropbox/Okumura (Verlagerung des Engpasses).

## RésuméDe400mots

Dieser Leitfaden von Augment Code, verfasst von Paula Hingel, schlägt ein **sechsstufiges** Modell vor, um zu verstehen, wie KI-Agenten den Software Development Lifecycle umstrukturieren. Zentrale These: KI verbessert den SDLC nicht gleichmäßig — sie erhöht in manchen Phasen den Durchsatz, während sie in anderen das Instabilitätsrisiko steigert. Dieses Ungleichgewicht ist keine technologische Zwangsläufigkeit, sondern das Symptom einer ungleichmäßigen Adoption, die **ohne Neuziehung der Review-Grenzen** erfolgt. Der Artikel stützt sich auf den **DORA-2025-Bericht**, der eine positive Korrelation zwischen KI-Adoption und Durchsatz/Produktperformance feststellt, jedoch eine **negative Korrelation mit der Delivery-Stabilität**: Die Prozessreife zählt mehr als das Werkzeug.

Die sechs Phasen werden unter diesem Blickwinkel neu gelesen. (1) **Requirements & Planning**: Die Spezifikation wird zum Steuerungsmechanismus, der den Agenten lenkt; Menschen konzentrieren sich auf die Qualität der Anforderungen und die Auflösung von Mehrdeutigkeiten. (2) **Design & Architektur**: Mehr Entscheidungen erfordern explizite menschliche Prüfung, um „vibe architecting“ zu vermeiden — Infrastruktur- oder Integrationsentscheidungen, die in Sekunden getroffen werden, schneller als die Governance mithalten kann. (3) **Implementierung**: Der Entwickler verlagert sich vom Schreiben von Code hin zu Orchestrierung, Validierung und Freigabe. (4) **Testing & QA**: Das Kernrisiko ist die **zirkuläre Validierung**, bei der KI-generierte Tests KI-generierten Code bestätigen, anstatt die tatsächliche Anforderung zu prüfen; eine präzise Spezifikation ist die Absicherung. (5) **Deployment**: Durchsatzgewinne erzeugen Stabilitätsrisiken, daher die Notwendigkeit stärkerer Rollback-Kontrollen. (6) **Maintenance & Operations**: Agenten übernehmen Erkennung und Behebung, Menschen managen Ausnahmen und Härtung.

Drei strukturelle Risiken werden benannt: **Erosion der Junior-Pipeline** (die Automatisierung grundlegender Aufgaben schneller als die Neugestaltung der Junior-Rollen verringert den künftigen Pool an Senioren), zirkuläre Validierung und Governance-Lücken bei Skalierung. Parallel dazu entstehen drei Rollen: **Intent Engineering** (Übersetzung mehrdeutiger Ziele in testbare Spezifikationen), Agentic DevOps/Infra (Orchestrierung von Agenten) und AI Governance/Assurance.

Der Leitfaden stützt sich auf Daten: 70 % der Entwicklerzeit werden für das Verständnis bestehenden Codes aufgewendet, eine CMU-Studie (807 Repositories) zeigt +30 % Static-Analysis-Probleme und +40 % Komplexität, sowie Metas DRS-System (>10.000 Änderungen während eines Code-Freeze eingespielt). Er schließt mit fünf operativen Empfehlungen: eine Phase vor der Skalierung auditieren, Governance einem Stresstest unterziehen, die Spezifikation ins Zentrum stellen, explizite Rollback-Richtlinien definieren und die Junior-Rolle rund um Review neu gestalten.

## GrapheDeConnaissance

- Augment Code —publie→ How AI Changes the SDLC: A Six-Stage Guide (DOCUMENT, 0.96)
- Paula Hingel —a_créé→ How AI Changes the SDLC: A Six-Stage Guide (DOCUMENT, 0.93)
- agents IA —améliore→ débit des étapes (CONCEPT, 0.9)
- SDLC AI-native —est_variante_de→ SDLC (METHODOLOGIE, 0.9)
- agents IA —affirme_que→ l'adoption inégale accroît le risque d'instabilité sans frontières de revue redessinées (AFFIRMATION, 0.9)
- DORA 2025 —mesure→ adoption IA positivement liée au débit mais négativement à la stabilité de livraison (MESURE, 0.92)
- specification-driven development —réduit→ validation circulaire (CONCEPT, 0.89)
- revue humaine d'architecture —résout→ vibe architecting (CONCEPT, 0.87)
- validation circulaire —s_oppose_à→ vérification du besoin réel par les tests (CONCEPT, 0.86)
- CLI Augment —mesure→ 51,80 % sur SWE-bench Pro (fév. 2026) (MESURE, 0.88)
- étude CMU sur 807 dépôts —affirme_que→ les issues d'analyse statique montent ~30 % et la complexité >40 % (AFFIRMATION, 0.85)
- intent engineering —s_applique_à→ traduction d'objectifs métier ambigus en specs testables (CONCEPT, 0.86)
- Paula Hingel —recommande→ auditer une étape du SDLC avant de scaler les agents (AFFIRMATION, 0.88)
- Paula Hingel —recommande→ définir des politiques de rollback explicites au déploiement (AFFIRMATION, 0.86)
- Paula Hingel —recommande→ redessiner le rôle des juniors autour de la revue et de la validation (AFFIRMATION, 0.86)
- Meta DRS —permet→ landing de >10 000 changements pendant un code freeze (2024) (MESURE, 0.84)

---
Canonical: https://www.thekb.eu/de/fiches/hingel-augment-how-ai-changes-sdlc-six-stages-2026-06-08/