SFEIR-Analyse (Stimme eines Beratungsunternehmens, „die Lesart eines Ingenieurs“), die zwei zu oft vermischte Frameworks artikuliert: den **SDLC** (Software Development Life Cycle — *die Software korrekt und zuverlässig bauen*) und den **PDLC** (Product Development Life Cycle — *das richtige Produkt bauen und am Markt erfolgreich sein*). Zentrale These: Die beiden Zyklen sind keine Konkurrenten, sondern **verschachtelt** — der SDLC ist die Teilmenge des PDLC, **untergebracht in dessen Entwicklungsphase**; wenn ein Produktteam die „Build“-Phase erreicht, läuft darin ein vollständiger SDLC-Zyklus (Design → Build → Test → Review → Deployment) ab. Der SDLC ist standardisiert (**ISO/IEC/IEEE 12207**, Ausgaben 2017 und 2026), mit seiner Modell-Genealogie (Waterfall 1970, V-Modell, iterativ/spiralförmig, **Agile 2001**, **DevOps/DevSecOps ab 2009**) und seinen **DORA**-Metriken (Durchsatz, Stabilität, MTTR, Change-Failure-Rate). Der PDLC, als übergeordneter Zyklus, reicht von **Ideation/Discovery** bis zum **Marktrückzug** (nicht zu verwechseln mit dem marketingbezogenen **PLC** von Theodore Levitt, 1965, der eine *kommerzielle Kurve* beschreibt, keine *organisierte Arbeit*: „der PLC beobachtet eine Kurve; der PDLC organisiert Arbeit“). **Wendepunkt**: Der SDLC adressiert nativ **nur eines von vier Risiken** — über **Marty Cagans „Four Big Risks“**-Framework (Value → PM, Usability → Designer, Feasibility → Lead Engineer, Business Viability → PM) — eine Organisation, die im SDLC exzellent, aber gegenüber dem PDLC blind ist, produziert „Software, die niemand will“ — John Cutlers **„Feature Factory“** (Erfolg gemessen am Output, nicht am Outcome). **Warum KI alles verändert**: Generative KI **komprimiert den SDLC** (Google/JetBrains-Daten, Mai 2026: **~85 % der Entwickler** nutzen regelmäßig Coding-Agenten, **~41 % des neuen Codes** ist KI-generiert; die Implementierung schrumpft von Wochen auf Stunden), sodass sich der **Engpass stromaufwärts verlagert** — die Entscheidung, *was* gebaut werden soll (Marty Cagan, April 2026: „wenn die Kosten der Auslieferung einbrechen, verlagert sich der Engpass zur Discovery“). Konsequenzen: DORA 2025 (~5.000 Fachleute, 90 % KI-Adoption) zeigt eine **positive Korrelation mit dem Durchsatz, aber eine negative mit der Stabilität** (mehr unvalidierte Features bedeuten Instabilität und Nacharbeit); Andrew Ng (AI Startup School, Juli 2025) berichtet von Teams, die das **Verhältnis „1 PM auf 4 Ingenieure“ zu „2 PMs auf 1 Ingenieur“ umkehren**; und mit **Spec-driven Development** wird die Grenze zwischen PDLC/SDLC **durchlässig** (die Produktspezifikation wird direkt von Agenten ausführbar). **Was ein CIO mitnehmen sollte**: Ein augmentierter SDLC wird zum **Marktstandard, nicht zum Differenzierungsmerkmal** — die Schnittstelle zum Produkt muss instrumentiert, **ausführbare Spezifikationen** als Input verlangt, technische Metriken mit Outcome-Metriken abgeglichen und die Rolle des „Feature-Lieferanten“ **abgelehnt** werden. Für einen CPO: Die Verlagerung des Engpasses zur Discovery ist zugleich eine **Aufwertung** (Produkturteil wird wieder knapp) und eine **Handlungsaufforderung** (Discovery industrialisieren, um mit dem SDLC gleichzuziehen). SFEIRs eigenes Framework („Designing and building in the agentic era“ — **11-Phasen-Zyklus** + **Software Factory 10x**) wird als Antwort auf der Engineering-Seite positioniert, wobei die **Verknüpfung der beiden Zyklen** als nächster Hebel gilt. Fazit: „während Code zur Commodity wird, verschiebt sich die Marge hin zu Produkturteil und Governance.“
Netflix — Aktionärsbrief Q2 FY2026: GenAI skaliert in der Produktion (≈300 Titel in 2026), LLMs für Discovery und Natural-Language-Suche, KI-Tools über den gesamten Werbezyklus hinweg (Netflix)
Tech-Watch-Digest aus Primärquellen zur Position von **Gregor Hohpe** (Autor von *Enterprise Integration Patterns*, *The Software Architect Elevator*, *Cloud/Platform Strategy*; ehemaliger AWS- und Google-Cloud-Enterprise-Strategist, ehemaliger Chief Architect bei Allianz) zur Rolle des Architekten im Zeitalter generativer KI. These: KI **entwertet** den Architekten **nicht**, sie **verschiebt seinen Wert** vom Code hin zu dem, was KI nicht leistet — **Entscheidungen treffen und verantworten, Kompromisse abwägen, „Optionen verkaufen“, mit Menschen kommunizieren, tragfähige Abstraktionen erzeugen**. Kernformel (Craft Conference 2026): „*Developers mainly interact with machines… GenAI. In contrast, architects communicate with humans*“. Seine Kernthese — der Architekt müsse nicht die klügste Person im Raum sein, sondern solle **alle anderen klüger machen** — gewinnt an Gewicht, je reichlicher Code verfügbar wird: Der Vorteil entsteht durch **Entscheidungsdisziplin** und das **Aufdecken verborgener Kompromisse**, nicht durch Menge. Der Digest schlüsselt seine Positionen zudem nach Rolle auf (Enterprise-Architekt: vom **Kartografen zum Scout**; Software-Architekt: Entscheidungen **debuggen** statt Code schreiben; Plattform-Architekt: **Abstraktionen statt Illusionen**), seine Metapher der **realen Optionen** (Wert steigt mit technologischer Volatilität, Black-Scholes-Analogie) sowie seine Warnungen („*An AI-driven SDLC punishes bad habits much faster*“; die Gewinner der KI-Ära werden daran gemessen, wie schnell sie von der Experimentierphase zu einer **kontrollierten Produktion** übergehen). ⚠️ Die weitverbreitete Formel „Architekten, die KI nutzen, werden diejenigen ersetzen, die es nicht tun“ **stammt nicht von Hohpe**. Themenbereich: Softwarearchitektur, die Rolle des Architekten, Entscheidungsfindung, reale Optionen, Plattformen, GenAI im SDLC.
#Gregor Hohpe#Architect Elevator#Rolle des Architekten
Gregor Hohpe (sources primaires) — digest de veille
SFEIR-Analysenotiz, die den Beruf des Softwarearchitekten im Zeitalter generativer KI anhand des Rahmenwerks von **Gregor Hohpe** (*The Software Architect Elevator*) neu untersucht. Zentrale These: Der „**Orakel**"-Architekt — der Inhaber überlegenen Wissens, der Regeln vom Elfenbeinturm aus diktiert — ist obsolet, da KI Code und Vorschläge auf Abruf generiert; der moderne Architekt wird zum **Intelligenzverstärker (IQ Amplifier)**, der Teams mentale Modelle, Geschäftskontext und Entscheidungswerkzeuge bereitstellt, um KI zu nutzen und dabei die Kohärenz des Systems zu gewährleisten. Das Dokument gliedert die Auswirkungen **Stockwerk für Stockwerk des „Architect Elevator"** (Enterprise-/Solution-/Platform-/Software-Architekt) und plädiert für **Domain-Driven Design (DDD)** als wesentliche Absicherung: Die **Ubiquitous Language** dient als Grundlage für *System Prompts* (ein über `.clinerules`/Vorlagen injiziertes Domänenwörterbuch, das Halluzinationen und fachliche Fehlinterpretationen reduziert), und **Bounded Contexts** begrenzen den der KI anvertrauten Geltungsbereich, um die Zuverlässigkeit der Generierung zu maximieren. Fazit: KI ist keine Bedrohung, sondern ein Katalysator, der den Architekten von technischer Routinearbeit entlastet, um Synthese, strategische Vision, Modellierung und die menschliche Verbindung zwischen Technik und Business in den Vordergrund zu stellen. Themenbereich: Softwarearchitektur, Rolle des Architekten, DDD, strukturiertes Prompting, KI-Governance im Unternehmen.
#Softwarearchitekt#Rolle des Architekten#generative KI
LinkedIn-Post von Fred Plais (CEO von Archie, ex-Platform.sh): KI hat Engineers so schnell gemacht, dass sich der **Engpass stromaufwärts verschoben** hat, an eine Stelle, die niemand im Blick hat. Da die Ausführung nicht mehr der langsame Teil ist, ist die Denkzeit verschwunden, die früher "während der Code gebaut wurde" existierte — die richtige Vision muss jetzt in einem Bruchteil der Zeit geformt und die richtigen Entscheidungen getroffen werden. Zwei seltene Profile entstehen: dasjenige, das eine **Vision präzise genug artikulieren kann**, damit ein Agent sie ausführt, ohne zu entgleisen, und dasjenige, das weiß, wie man **Agenten orchestriert** (ihre Fehler antizipiert, sie verkettet, einen Fehler abfängt, bevor er sich fortpflanzt). Für "Code-Output" einzustellen wird obsolet: das ist genau das, was aufgehört hat, selten zu sein. Kernthese: "klar zu denken war schon immer der Job — Geschwindigkeit hat es nur unmöglich gemacht, das vorzutäuschen".
Episode #351 des französischsprachigen Podcasts **If This Then Dev** (Bruno) mit **Julien Lépine**, Chief Technology Officer von **AWS France** (13 Jahre bei Amazon), aufgezeichnet am Rande des **AWS Summit Paris** (1. April 2026, ca. 10.000 Teilnehmer). Kernthese: Im agentischen Zeitalter wird das Schreiben von Code zweitrangig, und der Wert verlagert sich auf **das Verständnis von Kontext, architektonischen Kompromissen und menschlicher Verantwortlichkeit**. Zentraler Beleg: die **Neuentwicklung von Amazon Bedrock** — einer kritischen Plattform, die Tausende Milliarden Anfragen verarbeitet — durch ein Team von **6 Personen in 72 Tagen** (gegenüber geschätzten 30 Personen / 18 Monaten), **Code vollständig von KI generiert**, ohne Vibe Coding. AWS **standardisiert intern auf Kiro** (IDE + CLI, läuft auf Claude Sonnet/Opus) für ca. 30.000 Entwickler (angekündigt von Matt Garman auf der re:Invent). Roter Faden: **die Kontrolle behalten**, ohne alles zu überprüfen — durch **formale Modellierung (TLA+)** und **Raisonnement automatisé**, um Invarianten zu beweisen und Agenten zu begrenzen, **blameless Post-Mortem**, sowie das Prinzip, dass „die Verantwortung für die Handlung eines Agenten bei der Person liegt, die ihn betreibt.“ Aufkommen des **AI DLC** (Sprints → mehrere tägliche **Bolts**) und das Risiko von **kognitiver Überlastung / Burn-out**.
#AWS Summit Paris#Amazon Web Services#Code-Agenten
**Julien Lépine** — Directeur de la technologie (CTO) d'Amazon Web Services France · 13+ ans chez Amazon ; ses équipes accompagnent les clients AWS sur le cloud · la data et l'IA. **Hôte** : Bruno (créateur et animateur du podcast *If This Then Dev*).
Menlo Ventures Jahresbericht 2025 zu generativer KI im Unternehmenseinsatz - 37-Mrd.-USD-Markt, Adoption, Startups vs. etablierte Anbieter, PLG - menlovc.com
#generative KI#Unternehmens-KI#KI-Adoption
Tim Tully · Joff Redfern · Deedy Das · Derek Xiao (Menlo Ventures)
Entwicklung der Entwicklerrolle im Zeitalter generativer KI, Transformation der IT-Rollen, Systems Engineering, orchestration agentique - Yves Caseau - Michelin - LinkedIn
#Entwickler#generative KI#Codegenerierung
Yves Caseau (Group Chief Digital & Information Officer chez Michelin)
Funktionaler Ansatz für generative KI in der Softwareentwicklung, 100 % generierter Code, LLM-Onboarding, atomare Aufgaben, spec-driven, kontinuierliche Kapitalisierung - Soufiane Keli - OCTO Technology - LinkedIn
Zusammenbruch von Softwarekosten und -komplexität, KI demokratisiert die Entwicklung, Software wird „permissionless“, gesellschaftliche technische Schuld, Entwicklerproduktivität +55% - Cobus Greyling - Medium
#Softwarekosten#Zusammenbruch der Komplexität#IA générative
Debattenbeitrag von **Olivier Rafal** (Consulting Director Strategy bei **WeNvision**), veröffentlicht am **23. Februar 2024** auf **CIO-Online** (Rubrik *Tribune*), der eine damals noch kontraintuitive These vertritt: **generative KI ist eher eine Frage des Technologieprodukts als ein KI-/Data-Science-Projekt**. **Argument 1 — Data Science ist nicht der Kern des Problems**: Der Aufbau eines *Foundation Model* von Grund auf erfordert *„mehrere Monate, Millionen von Euro und Zugang zu enormen Datenmengen“* — vorbehalten Akteuren mit spezifischen, monetarisierbaren Datensätzen (z. B. **Bloomberg** mit **BloombergGPT** für den Finanzbereich). Für nahezu alle Unternehmen ist es daher nicht der richtige Reflex, Data Scientists einzustellen. **Argument 2 — Kompetenz-Mismatch**: Hauptsächlich benötigt werden **Entwicklungs- und Integrationsingenieure** (Backend/Frontend), **solide Cloud-Kenntnisse** und **DevOps**. Kundenzitat: *„Man muss nicht unbedingt Data Scientist sein, aber man muss die Grundkonzepte verstehen, Backend-Entwicklungskenntnisse und solide Cloud-Kenntnisse mitbringen.“* **Argument 3 — Plattformarchitektur (Orchestratoren + APIs)**: Der Aufbau einer unternehmensinternen **plateforme d'IA générative** über Orchestratoren und APIs macht es *„möglich, mit den besten am Markt verfügbaren LLMs zu arbeiten und zwischen ihnen zu wechseln, sobald sich ihre jeweiligen Fähigkeiten weiterentwickeln, ohne die Anwendungen überarbeiten zu müssen“* (Anti-Vendor-Lock-in). **Argument 4 — vom Projekt zum Produkt**: *„Die Plattform […] muss als eigenständiges Produkt betrachtet werden“*; statt einer einmaligen Investition ist ein **monatlicher Finanzierungsstrom** einzuplanen (kontinuierliche Iteration, fortlaufende Innovation). **Argument 5 — Governance & Shadow AI**: Die beispiellose Demokratisierung generativer KI erzeugt *„ebenso viel Shadow AI wie starke Erwartungen an die CIO-Organisation“* → Governance, um Business-Bedarfe zu erfassen, **Produkte nach Wert zu priorisieren** und den ordnungsgemäßen Betrieb zu überwachen. Angekündigter **Paradigmenwechsel**: *„der Wandel führt von der klassischen algorithmischen Programmierung zu agents Langchain, die einen Teil der Entscheidungen übernehmen“*. **Relevanz für die Veille**: ein **Gründungstext (2 Jahre vorausschauend)** der WeNvision-Doktrin (Produkt > Projekt, Plattform/API, flussbasierte Finanzierung, Governance, Shadow AI), später erweitert durch [[wenvision-ai-agents-enterprise-deployment-2025-10-01]], [[habert-ia-agentique-production-2025-10-29]], und rafal-wenvision-tokenomics-foundation-finops-ia-2026-06-04 (FinOps/Token, flussbasierte Finanzierung → finanzielle Governance). Er nimmt zudem den *Harness/die Plattform rund um das Modell* vorweg (Dropbox/Okumura: *systems around the model*) sowie die durch eine Orchestrierungsschicht erreichte **Modellunabhängigkeit**.
#generative KI#Technologieprodukt#Produkt vs. Projekt
**Olivier Rafal** · *Consulting Director Strategy* chez **WeNvision** (cabinet de conseil FR). Tribune publiée dans la rubrique *Tribune* de **CIO-Online**. Auteur déjà présent dans la veille (cf. fiches WeNvision/Atlas/Tokenomics). Publié le **23 février 2024**.