SFEIR-Artikel (auf Französisch), das einen **KI-gesteuerten SDLC in 11 Phasen (0 bis 10)** formalisiert und argumentiert, dass sich die Branche darauf zubewegt. Ausgangsbeobachtung: 2025 fügten Organisationen KI-Tools hinzu, ohne ihr Betriebsmodell zu transformieren — was ein Paradox erzeugt: « alles ändert sich… und nichts ändert sich » (die Ausführungsgeschwindigkeit vervielfacht sich ohne proportionalen Gewinn). Die eigentliche Antwort liegt nicht in der Wahl der Tools, sondern in der **Neugestaltung des Zyklus** für die maschinelle Ausführung. Der SFEIR-Zyklus stützt sich auf **drei unveränderliche menschliche Gates** (Define, Plan, Ship), automatische Phasen dazwischen sowie **zwei Kapitalisierungsmomente** (Compound-1 vor der Bereitstellung, Compound-2 in Produktion), die Lehren in wiederverwendbare Regeln umwandeln. Drei Prinzipien: **KI führt aus** (vollständige Artefakte + Ausführungsnachweis, ohne den eigenen Angaben des Agenten je zu vertrauen), der **Mensch behält die Kontrolle über die Absicht**, das **System lernt kumulativ**. Gemessene Ergebnisse (Neugestaltung 6 Monate→1 Tag, **−30 % der Iterationen** nach zehn Zyklen) sowie eine behauptete Konvergenz mit ADLC, Google und DORA 2025.
Chris Williams (@voodootikigod) eröffnet seine ADLC-Serie mit der These, dass die Anwendung des menschlichen SDLC auf Modelle ein Kategorienfehler ist: Der klassische Zyklus wurde entwickelt, um menschlichen Fehlermodi (Ego, Ermüdung, Vergessen) entgegenzuwirken, die bei LLMs nicht vorhanden sind. Er katalogisiert acht tragende Fehlermodi (F1-F8) und fünf ausnutzbare Eigenschaften (E1-E5) und legt das Gründungsprinzip dar: Jede Phase eines agentischen Zyklus muss auf einen Fehlermodus, gegen den sie sich richtet, oder eine Eigenschaft, die sie ausnutzt, zurückführbar sein.
Zweiter Teil von Chris Williams' ADLC-Serie: Er entfaltet den Zyklus, der sich aus dem „ersten Gesetz" ergibt — acht Phasen (P0 Triage → P7 Distill), ein deterministisches Gate zwischen jedem Phasenpaar und genau zwei verpflichtende menschliche Momente (Spezifikationsfreigabe bei P1, Verhaltensabnahme bei P6). Kernprinzip: eine LLM→LLM-Übergabe ohne deterministischen Kontrollpunkt vervielfacht die Fehlerquote; hinzu kommt eine „Barbell"-Kostenverteilung (schwer an beiden Enden, leicht in der Mitte), die die Ökonomie von Agile umkehrt.
Dritte Folge der ADLC-Serie: Williams macht das Testen zur Spezifikation in der einzigen Sprache, die der Builder nicht bestreiten kann. Während TDD bei von Menschen geschriebenem Code eine optionale Qualitätspraxis ist, wird es zum tragenden Vertrauensmechanismus des gesamten Lebenszyklus, sobald Agenten den Code schreiben. Drei „Rail-Discipline“-Regeln: getrennte Autoring-Kontexte (nur Spezifikationen vor der Implementierung), mechanisches Einfrieren auf Tool-Ebene (nicht im Prompt) und adversariale Audits („schlägt ein Test fehl, wenn das Feature entfernt wird?“). Mutationstests werden dem Coverage-Prozentsatz vorgezogen, der sich bei maschineller Geschwindigkeit leicht dem Goodhart-Effekt unterwerfen lässt.
Vierter Teil der ADLC-Reihe: Williams definiert Code-Review nicht als kollaborative Bewertung, sondern als adversarielle „Anklage“ neu. Er beauftragt Agenten mit Widerlegung („finde, was falsch ist“), setzt Single-Lens-Reviewer mit frischen Kontexten ein (Korrektheit, Sicherheit, Vertragskonformität, Spezifikationstreue, Testqualität), handelt nur bei verifizierten Befunden (durch einen fehlschlagenden Test reproduziert) und wiederholt den Zyklus, bis zwei aufeinanderfolgende Durchläufe null Befunde ergeben. Die Kalibrierung wird gemessen, indem bekannte Bugs im Stil von Mutationstests platziert werden. Exit-Kriterium: null offene Befunde, zwei trockene Durchläufe, grüne Tests, leerer Test-Diff.
Fünfte Folge der ADLC-Serie: Orchestrierung paralleler Agenten ohne „Merge Hell“. Williams stellt drei gekoppelte Stellschrauben vor — Kosten (Modellwahl), Durchlaufzeit (Parallelisierungsbreite) und Genauigkeit (Vertragsqualität) — sowie ein architektonisches Prinzip: „Kontrollfluss ist Code, Urteilsvermögen sind Modelle“ (deterministische Skripte orchestrieren, Modelle liefern nur das Urteilsvermögen). Vier Spuren (Frontier-Contract-Desk, Single-Writer-Builder-Pool, gemeinsam genutzter Prosecution Pool, sequenzieller Integrator), eine Merge-Konflikt-Prognose aus vier Signalen (zertifizierte Breite typischerweise 3-5 Agenten) sowie konsensbasierte Disambiguierung über N günstige Agenten anstelle von Klärungsfragen.
Sechste Folge zum ADLC: Williams beschreibt die P7-Phase „Distill“ als die Komponente, die bei jedem Durchlauf die Kosten senkt. Zwei Hälften: Vereinfachung nach dem Merge (Ableitung, nachdem der Code existiert, nicht vorher — „vor dem Entstehen des Codes zu deduplizieren ist spekulativ“) und Lessons Mining (eine „Lesson Foundry“ verwandelt wiederkehrende Befunde in Lint-Regeln, Skills und neue Interrogation-Fragen). Jede Lektion wird einmal bezahlt und danach von teurer probabilistischer Erkennung zu kostenloser deterministischer Prävention degradiert. Die richtige Recheneinheit ist „Kosten pro gemergter, verifizierter Änderung“, und „flache Kosten sind ein Scheitern“.
Siebte und letzte Folge der ADLC-Serie: Williams stellt ein Open-Source-Toolkit aus achtzehn Tools vor, das *mit* dem Zyklus selbst gebaut wurde (Build-Prosecute-Fix-Loop, parallele Agenten, ein eingefrorener `@adlc/core`-Kern, gefolgt von Fan-out — „pinned means merged"). Der doktrinäre Kern ist „frontier-free": Präzisionsziele werden mit Modellen der mittleren Klasse (Opus/Sonnet/Haiku-Klasse) statt mit Frontier-Modellen erreicht, über fünf Substitutionen (Suche ersetzt Einsicht, Zerlegung ersetzt Horizont, Banking ersetzt Präsenz, Messung ersetzt Metakognition, die Generator-Verifier-Lücke hält die Maschine am Laufen), wobei der Mensch an den beiden Spezifikations-Gates die „Frontier"-Ebene bleibt. Roter Faden der Serie: „Vertrauen durch Struktur ersetzen, und Struktur durch Messung."