# keli-ia-generative-code-100-percent-approche-2025-11-05

## Veille

Funktionaler Ansatz für generative KI in der Softwareentwicklung, 100 % generierter Code, LLM-Onboarding, atomare Aufgaben, spec-driven, kontinuierliche Kapitalisierung - Soufiane Keli - OCTO Technology - LinkedIn

## Titre Article

Approche fonctionnelle pour l'IA générative en développement : 100% de code généré

## Date

2025-11-05

## URL

https://www.linkedin.com/feed/update/urn:li:activity:7391722941790527489/

## Keywords

generative KI, Codegenerierung, Softwareentwicklung, atomare Aufgaben, spec-driven Entwicklung, LLM-Onboarding, schnelle Iteration, kontinuierliche Kapitalisierung, Brownfield, Code-Standards, strukturierte Prompts, DoD, OCTO Technology, Geschwindigkeit, Codequalität, Junior-Entwickler, globaler Kontext, User Stories, LLM

## Authors

Soufiane Keli (OCTO Technology)

## Ton

**Profile:** Konversationell-professionell | Praktiker in der Ich-Form | Lehrhaft-werbend | Mittleres technisches Niveau

Keli, Berater bei OCTO, teilt eine konkrete Methodik im Ton eines erfahrenen Praktikers. Ein vierstufiger strukturierter Ansatz ("KI-Onboarding", "atomare Aufgaben", "spec-driven", "kontinuierliche Kapitalisierung") zeigt eine lehrende Haltung, die bewährte Praktiken mit Brownfield-Felderfahrung kombiniert. Die Sprache wechselt zwischen methodischen Vorgaben und pragmatischen Eingeständnissen ("Die KI nicht bitten, alles auf einmal zu erledigen"). Typisch für Technologieberater auf LinkedIn, die Felderfahrung mit sanfter Werbung für ihr Unternehmen teilen.

## Pense-betes

- **KI generiert nahezu 100 % des Codes** durch einen strukturierten Ansatz
- **Schritt 0: KI-Onboarding** - das LLM wie einen "täglichen Junior" behandeln, globalen Kontext neu formulieren
- **Schritt 1: Exploration & Planung** - User Stories in präzise atomare Aufgaben zerlegen
- **Das LLM für die Zerlegung nutzen** - den richtigen Detaillierungsgrad erreichen
- **Schritt 2: Iterative spec-driven Entwicklung** - strukturierte Prompts + Code-Beispiele + Standards + DoD-Checkliste
- **Dynamische Anpassung** - Prompt/Kontext bei Unzufriedenheit anpassen
- **Schritt 3: Kontinuierliche Kapitalisierung** - die Wissensbasis bewährter Praktiken nach jedem Zyklus anreichern
- **Kernprinzip**: atomare Aufgaben + klare Standards + schnelle Iteration = Geschwindigkeit UND Qualität
- **Die KI nicht bitten, alles auf einmal zu erledigen** - inkrementeller Ansatz
- **Brownfield-Demonstration** - Loïc Lefloch und Simon Belbeoch (OCTO)
- **Pragmatischer Ansatz**, der bestehende bewährte Praktiken kombiniert

## RésuméDe400mots

Soufiane Keli, Berater bei OCTO Technology, schlägt einen methodischen Ansatz vor, der es generativer KI ermöglicht, in einem realen Softwareprojekt nahezu 100 % des Codes zu erzeugen. Diese keineswegs magische Strategie kombiniert konsequent bewährte Praktiken in einem in vier Schritte gegliederten Prozess.

**Schritt 0: Tägliches LLM-Onboarding**

Anders als ein menschlicher Entwickler, der den Kontext über mehrere Sitzungen hinweg beibehält, muss das LLM jeden Tag neu "eingestellt" werden. Dieser entscheidende Schritt besteht darin, den globalen Kontext des Projekts sowie seine fachlichen und architektonischen Ziele systematisch neu zu formulieren. Die Behandlung des Modells als "Junior, der jeden Morgen neu anfängt" erzwingt eine nützliche Dokumentationsdisziplin: Der explizite Kontext wird zu einem vom gesamten Team geteilten Gut und nicht länger zu implizitem Wissen, das nur wenige besitzen.

**Schritt 1: Exploration und atomare Planung**

Vor jeder Generierung wird jede User Story sorgfältig in atomare Aufgaben mit präzisen Beschreibungen zerlegt. Paradoxerweise wird für diese Planung selbst ein LLM eingesetzt, um den optimalen Grad an Granularität zu bestimmen. Dieser Schritt verwandelt vage fachliche Ziele in umsetzbare technische Spezifikationen und reduziert drastisch die Mehrdeutigkeit, mit der Modelle schlecht zurechtkommen.

**Schritt 2: Iterative spec-driven Entwicklung**

Die eigentliche Entwicklung stützt sich auf stark strukturierte Prompts, die vier Elemente umfassen: eine detaillierte technische Spezifikation, illustrative Code-Beispiele, Projektstandards und -konventionen sowie eine explizite Definition-of-Done-Checkliste (DoD). Ist das Ergebnis unbefriedigend, sieht der Ansatz eine methodische Anpassung entweder des Prompts oder des Kontexts vor und vermeidet so willkürliche Iterationen. Diese Disziplin macht aus der Interaktion mit dem LLM einen reproduzierbaren technischen Prozess statt eines improvisierten Gesprächs.

**Schritt 3: Kontinuierliche Kapitalisierung**

Nach jedem Zyklus reichern die gewonnenen Erkenntnisse nach und nach eine organisationsweite Wissensbasis an: erfolgreiche Muster, wirksame Prompt-Formulierungen, identifizierte Fallstricke, dokumentierte Beispiele. Diese kontinuierliche Verbesserungsschleife verwandelt individuelle Erfahrung in kollektives intellektuelles Kapital und beschleunigt künftige Projekte.

**Grundprinzip und Praxisvalidierung**

Das Leitprinzip lehnt monolithische Generierung ausdrücklich ab: "Man sollte die KI nicht bitten, alles auf einmal zu erledigen". Stattdessen erzeugen atomare Aufgaben + klare Standards + schnelle Iteration gleichzeitig Geschwindigkeit UND Qualität – Ziele, die traditionell als gegensätzlich gelten.

Entscheidend ist, dass dieser Ansatz von Loïc Lefloch und Simon Belbeoch bei OCTO Technology in einer Brownfield-Umgebung demonstriert wurde, was seine Anwendbarkeit über idealisierte Greenfield-Projekte hinaus belegt. Der Brownfield-Kontext – mit Legacy-Code, bestehenden architektonischen Zwängen, technischen Schulden – stellt den realen Arbeitsboden für die Mehrheit der Entwickler dar.

**Pragmatische Positionierung**

Keli positioniert diese Methode ausdrücklich als pragmatische Kombination öffentlich verfügbarer bewährter Praktiken und nicht als radikale Innovation. Diese strategische Bescheidenheit stärkt ihre Glaubwürdigkeit: Der Ansatz erfordert keine kulturelle Revolution, sondern lediglich eine disziplinierte Orchestrierung bekannter, an den Kontext generativer KI angepasster Techniken.

## GrapheDeConnaissance

- Soufiane Keli —travaille_chez→ OCTO Technology (ORGANISATION, 0.98)
- Soufiane Keli —publie→ approche spec-driven IA (METHODOLOGIE, 0.98)
- approche spec-driven IA —permet→ 100% code généré par IA (CONCEPT, 0.92)
- approche spec-driven IA —utilise→ onboarding quotidien LLM (CONCEPT, 0.95)
- approche spec-driven IA —utilise→ tâches atomiques (CONCEPT, 0.97)
- approche spec-driven IA —utilise→ capitalisation continue (CONCEPT, 0.93)
- Loïc Lefloch —soutient→ approche spec-driven IA (METHODOLOGIE, 0.95)
- Simon Belbeoch —soutient→ approche spec-driven IA (METHODOLOGIE, 0.95)
- approche spec-driven IA —s_applique_à→ environnement brownfield (CONCEPT, 0.93)
- tâches atomiques —améliore→ vélocité et qualité (CONCEPT, 0.9)
- Definition of Done —fait_partie_de→ prompt structuré (CONCEPT, 0.92)
- Yves Caseau —soutient→ approche spec-driven IA (METHODOLOGIE, 0.85)
- Yves Caseau —travaille_chez→ Michelin (ORGANISATION, 0.97)

---
Canonical: https://www.thekb.eu/de/fiches/keli-ia-generative-code-100-percent-approche-2025-11-05/