KI verspricht, die Softwareentwicklung zu transformieren

Was wir herausfinden wollen: Was ändert sich dann im System?

Delta Deploy ist eine Initiative von Diconium. Wir erforschen, was passiert, wenn KI ein fester Bestandteil unserer Arbeitsweise wird. Dabei geht es uns nicht nur um den Code, sondern um Rollen, Entscheidungen und die gesamte Teamdynamik.

An Annahmen zu KI in der Softwareentwicklung mangelt es nicht. Aber was bedeutet es eigentlich bald, Software zu erschaffen? Wir wollen es genau wissen, experimentieren täglich mit unseren Workflows und entwickeln eigene Lösungen. Dabei haben wir gemerkt: Es geht um weit mehr als nur neue Tools. Die KI verändert grundlegend, wie wir allein oder als Team zusammen arbeiten.

Diese Erkenntnisse wollen wir nicht für uns behalten. Auf Delta Deploy teilen wir unsere Erfahrungen, unsere Prototypen und alles, was wir daraus lernen.

Nichts von dem, was Sie hier sehen, ist in Stein gemeißelt. Diese Seite ist ein Blick in den Maschinenraum, der sich mit jedem neuen Datensatz verändert.

Fragen, die uns antreiben

Engineering im Alltag

Wie müssen Requirements und User Stories heute aussehen, damit KI-gestützte Entwicklung erfolgreich ist?
Wie gehen wir mit Code-Reviews und deren Qualität um, wenn der Großteil des Codes von einer KI vorgeschlagen wird?
Wie sieht ein hochfunktionales Team aus, in dem Menschen und Agenten zusammenarbeiten?

Rollen, Skills, Teams

Wie verändern sich die Rollenbeschreibungen von Developern, aber auch PMs, POs und Designern?
Welche Erfahrungswerte brauchen wir in KI-gestützten Teams?
Wie erlernen Juniors heute noch ein stabiles Urteilsvermögen, wenn die dafür nötigen Schritte die KI übernimmt?

Frameworks und Prozesse

Was muss sich in Scrum, SAFe und agilen Frameworks ändern, wenn KI das Tempo massiv anzieht?
Welche Planungszyklen machen noch Sinn, wenn die einzelnen Arbeitsschritte radikal kleiner und schneller werden?
Was bedeutet iterieren, wenn ein Agent über Nacht einen kompletten Prototyp bauen kann?

Wertschöpfung und Erfolg

Welche Kennzahlen zählen wirklich noch beim Messen von Produktivität, Qualität und Time-to-Market, wenn KI einen Teil der Arbeit übernimmt?
Was ersetzt Story Points oder Codezeilen als Maßstab für leistungsstarkes Engineering?
Wie behalten wir die Zukunftsfähigkeit des Codes, das Wohlbefinden im Team und den echten Kundennutzen im Auge, ohne uns in bedeutungslosen Dashboards zu verlieren?

Der Mensch und der Wandel von Arbeit

Wie gehen wir ehrlich mit Ängsten um – etwa vor Jobverlust oder dem Gefühl, das eigene Handwerk zu verlernen – ohne diese Sorgen einfach abzutun?
Inwieweit beeinflussen Datenschutz und Urheberrechtsfragen, welche KI-Tools Teams in der Praxis wirklich nutzen können?
Wie sieht die Zukunft der Rolle „Software Engineering“ aus und deckt sie sich mit unseren Wünschen?
Wie verändern sich Zusammenarbeit, Mentoring und Teamkultur, wenn ein Teil des Teams nicht menschlich ist?

Einblicke in unseren hauseigenen Agenten-Zoo

Wir setzen Agenten im gesamten Entwicklungsprozess ein. Dort, wo es normalerweise hakt oder die Arbeit repetitiv wird. Hier eine Auswahl von Agenten, mit denen wir spezifische Ziele verfolgen und uns konkrete Aufgaben abnehmen lassen:

Build & Review Agent

Wie verhindern wir, dass Umsetzung, Review und Testing auseinanderdriften und später zu Fehlern führen?

Verfeinert Tickets und setzt sie um
Übernimmt Code-Reviews und Tests
Kümmert sich um Build und Deployment

DevOps-Agent

Wie sorgen wir dafür, dass wir Probleme bemerken, bevor die User es tun?

Analysiert Code, identifiziert Ursachen und schlägt Lösungen vor – bei kontinuierlichem Monitoring
Reduziert unnötiges Hin und Her zwischen 1st-/2nd-Level-Support und Entwicklern im Ticketprozess

CloudOps Infra Agent

Wie beenden wir das lange Warten auf Infrastruktur-Tickets und machen den Weg für Developer frei?

Erstellt und verwaltet Cloud-Ressourcen
Kümmert sich ums Setup und erledigt Deployments
Übersetzt natürliche Sprache in Terraform-, Kubernetes- oder Cloud-Befehle

Monitor-Agent

Wie finden und lösen wir Systemfehler, bevor sie zum Problem werden?

Überwacht permanent den Zustand aller Systeme
Identifiziert Anomalien und findet die eigentliche Ursache
Leitet die automatische Wiederherstellung ein und prüft, ob das System wieder stabil läuft
Eskaliert ungelöste Vorfälle mit komplettem Diagnose-Kontext

GitHub Auto-Heal Agent

Wie reduzieren wir Stillstand durch kaputte Pipelines im CI/CD-Verlauf?

Erkennt fehlgeschlagene Workflows und reagiert sofort von selbst
Identifiziert die Fehlerquelle – egal ob in Tests, Dependencies oder der Infrastruktur
Repariert Pipelines eigenständig und gezielt und startet bei Bedarf neue Versuche

Um das vage Gefühl der Zeit- und Nervenersparnis in Zahlen festhalten zu können, erstellten wir ein Experiment: Wir haben uns echte User Stories vorgenommen und sie sowohl klassisch, als auch mit unserem Build & Review Agenten im Team bearbeitet.

Wir haben zwei typische Stories verglichen. Auf der einen Seite: ein Standard-Team aus vier Developern und einem Tester. Auf der anderen Seite: unser KI-Setup (GitHub + Jira + Copilot), bei dem der Agent die Umsetzung übernahm und Pull Requests schrieb, während wir uns voll auf die Reviews konzentriert haben.

Was veränderte sich?