# ia-sdlc-cutting-hype-aijournal-2025-09-15

## Veille

KI im Software-Entwicklungszyklus - Qualität vs. Geschwindigkeit - Systematische Qualitätssicherung - AI Journal

## Titre Article

AI in the SDLC: Cutting Through the Hype

## Date

2025-09-15

## URL

https://aijourn.com/ai-in-the-sdlc-cutting-through-the-hype/

## Keywords

KI im SDLC, Software Development Lifecycle, Qualitätssicherung, Codegenerierung, Sicherheitslücken, Technische Schulden, Testing, Code-Review

## Authors

Edgar Kussberg, AIJ Guest Post

## Ton

**Profil:** Professionell-kritisch | Analytischer Gastbeitrag | Analytisch-präskriptiv | Fortgeschritten-Experte

Kussberg nimmt den Ton eines Verfechters der Qualitätssicherung an und dämpft die Begeisterung für KI mit rigoroser Vorsicht. Der Titel „Cutting Through the Hype“ signalisiert eine skeptische Haltung. Die ausgewogene Struktur — Versprechen → Herausforderungen → Strategien — offenbart eine abgewogene Einschätzung. Forschungszitate (die Studie der Stanford University zu Entwicklern, die Schwachstellen einführen) untermauern die Warnungen empirisch. Die technische Sprache (SDLC-Phasen, technische Schulden, Sicherheitslücken) richtet sich an Engineering-Führungskräfte. Systematische Empfehlungen (verpflichtende Unit-Tests, getrennte QA-Werkzeuge) liefern umsetzbare Maßnahmen zur Risikominderung. Der ernste, professionelle Ton vermeidet sowohl abwertenden Zynismus als auch naive Begeisterung. Typisch für Gastkolumnen technischer Fachpublikationen, die eine qualitätszentrierte, konträre Perspektive gegenüber dem vorherrschenden KI-Optimismus einführen.

## Pense-betes

- KI verändert den SDLC, aber kurzfristige Geschwindigkeit kann langfristigen Wert opfern
- Entwicklung: gemeinsames Schreiben von Code → Generierung vollständiger Funktionen durch Agenten
- Korrelation zwischen KI-Adoption und sinkender Auslieferungsstabilität
- Entwickler akzeptieren KI-Vorschläge ohne gründliche Überprüfung → Zusammenbruch der Code-Eigentümerschaft
- Grenzen: Codekomplexität, kognitive Komplexität, Code-Duplizierung
- Umfassende Dokumentation wesentlich für Architekturabstimmung und KI-Kontext
- Priorisierung von Geschwindigkeit schadet der Gesamtqualität: subtile Fehler, Ineffizienzen, Wartbarkeitsprobleme
- Entfernen von ungenutztem Code ist entscheidend (Sicherheitslücken)
- Auf bestehendem Code trainierte KI-Modelle: schreiben Verzerrungen/Schwachstellen fort/verstärken sie
- Stanford-Studie: Entwickler mit KI-Assistenten führen eher Schwachstellen ein und stufen sie als sicher ein
- Übermäßige Abhängigkeit von KI → Verschlechterung menschlicher Fähigkeiten
- Strategien: verpflichtende Unit-Tests, rigorose Code-Reviews, spezialisierte Werkzeuge, Prüfung von Drittanbieter-Bibliotheken
- Trennung von Codegenerierung und Qualitätssicherung durch Verwendung unterschiedlicher KI-Werkzeuge

## RésuméDe400mots

Edgar Kussberg untersucht, wie Künstliche Intelligenz den Software Development Lifecycle (SDLC) radikal verändert und Effizienz- sowie Produktivitätsgewinne verspricht, die mit denen der industriellen Revolution vergleichbar sind. Es ist jedoch entscheidend, Hype von Realität zu unterscheiden, da die meisten Entwickler an komplexen, bestehenden Codebasen arbeiten, wo Fehler erhebliche Konsequenzen haben können. Die Frage ist nicht, ob KI-Werkzeuge funktionieren, sondern ob kurzfristige Geschwindigkeit auf Kosten des langfristigen Werts geht.

KI dringt in die verschiedenen Phasen des SDLC vor und entwickelt sich vom gemeinsamen Schreiben von Code hin zur Generierung ganzer Funktionen durch Coding-Agenten. Diese Entwicklung macht es unerlässlich sicherzustellen, dass von KI generierter Code von den frühesten Phasen des Entwicklungsprozesses an hohen Qualitäts- und Sicherheitsstandards entspricht. Die zunehmende Verbreitung von KI, einschließlich Coding-Assistenten und autonomer Agenten, hat eine Korrelation mit einem Rückgang der Auslieferungsstabilität gezeigt, was die Notwendigkeit von Leitplanken unterstreicht, um zu vermeiden, dass Codestabilität, Sicherheit oder Performance beeinträchtigt werden.

Trotz des Potenzials für gesteigerte Produktivität bringt KI Managementherausforderungen mit sich. Entwickler fühlen sich produktiver, akzeptieren jedoch häufig KI-Vorschläge ohne gründliche Überprüfung, was zu einem Zusammenbruch der Code-Eigentümerschaft und der zukünftigen Wartbarkeit führen kann. Um dem entgegenzuwirken, müssen Teams klare Grenzen für die Codekomplexität setzen, die kognitive Komplexität minimieren und strenge Standards hinsichtlich Code-Duplizierung einhalten. Umfassende Dokumentation ist ebenfalls unerlässlich, damit von KI generierter Code mit der Gesamtarchitektur übereinstimmt und um KI-Systemen relevanten Kontext bereitzustellen.

Die Priorisierung von Geschwindigkeit kann der Gesamtqualität des Codes schaden. KI kann Code produzieren, der kurzfristig funktioniert, dabei aber subtile Fehler, Ineffizienzen oder Wartbarkeitsprobleme einführt, die sich im Laufe der Zeit anhäufen. Das Entfernen von ungenutztem Code ist eine entscheidende Gewohnheit, da KI-Werkzeuge überflüssige Referenzen und Abhängigkeiten erzeugen können, die Sicherheitslücken schaffen.

Darüber hinaus können KI-Modelle, die häufig auf bestehenden Open-Source-Codebasen trainiert wurden, Verzerrungen und Schwachstellen fortschreiben oder verstärken. Eine Studie der Stanford University zeigte, dass Entwickler, die KI-Assistenten verwendeten, mit größerer Wahrscheinlichkeit Sicherheitslücken einführten und diese als sicher einstuften. Eine übermäßige Abhängigkeit von KI kann zudem zu einer Verschlechterung menschlicher Fähigkeiten führen.

Um Qualität sicherzustellen, sind robuste Teststrategien erforderlich, einschließlich verpflichtender Unit-Tests, die unabhängig vom Codegenerierungsprozess sind. Rigorose Code-Reviews sind nicht verhandelbar, und es werden spezialisierte Werkzeuge benötigt, um komplexe Fehler, Sicherheitslücken und Lizenzierungsprobleme von Drittanbieter-Bibliotheken zu identifizieren und zu priorisieren.

Abschließend ist KI ein leistungsstarkes Werkzeug, das menschliche Fähigkeiten verstärkt, jedoch menschliches Urteilsvermögen und Verantwortlichkeit nicht ersetzt. Es ist wesentlich, die Codegenerierung von ihrer Qualitätssicherung zu trennen, indem unterschiedliche KI-Werkzeuge verwendet werden, um Verzerrungen zu vermeiden.

## GrapheDeConnaissance

- Edgar Kussberg —publie→ AI in the SDLC: Cutting Through the Hype (DOCUMENT, 0.98)
- Edgar Kussberg —travaille_chez→ Sonar (ORGANISATION, 0.97)
- IA —s_applique_à→ SDLC (METHODOLOGIE, 0.97)
- adoption —réduit→ stabilité livraison (CONCEPT, 0.95)
- rapport DORA 2024 —affirme_que→ une augmentation de 25% de l'adoption IA corrèle avec une baisse de 7,2% de la stabilité de livraison (AFFIRMATION, 0.95)
- assistants de code —réduit→ sécurité du code produit (CONCEPT, 0.93)
- Stanford University —publie→ étude sur assistants IA et vulnérabilités sécurité (DOCUMENT, 0.95)
- dépendance excessive —réduit→ compétences développeurs (CONCEPT, 0.9)
- code inutilisé —permet→ vulnérabilités sécurité (CONCEPT, 0.88)
- revue de code rigoureuse —réduit→ dette technique (CONCEPT, 0.85)
- Edgar Kussberg —recommande→ séparer la génération de code IA de l'assurance qualité IA via des outils différents (AFFIRMATION, 0.92)
- modèles génératifs —est_basé_sur→ bases de code open-source (CONCEPT, 0.9)
- biais et vulnérabilités —observé_dans→ modèles génératifs (TECHNOLOGIE, 0.87)
- tests unitaires obligatoires —améliore→ qualité du code généré (CONCEPT, 0.85)

---
Canonical: https://www.thekb.eu/de/fiches/ia-sdlc-cutting-hype-aijournal-2025-09-15/