Mit unserem eXXplore AI Special holen wir künstliche Intelligenz aus der Theorie in die tägliche Praxis. Ein Tag, an dem Teams von eXXcellent solutions ihre alltäglichen Aufgaben mit KI-Werkzeugen bearbeiten, Workflows neu denken und Prototypen bauen, mit dem Ziel, AI-driven Development im Unternehmen weiter zu professionalisieren und nah an aktuellen Entwicklungen zu bleiben.
Das eXXplore AI Special ist ein interner Weiterbildungstag bei eXXcellent solutions, speziell dafür gedacht, mit KI im Entwicklungsprozess zu forschen, zu entwickeln und auszuprobieren. Die Teams bringen Fragestellungen aus ihrem eigenen Projektalltag mit, für die im Tagesgeschäft nicht immer Zeit bleibt. Nach der ersten Ausgabe im vergangenen Jahr war klar: Der Ansatz funktioniert. In der zweiten Edition sind wir deshalb bewusst einen Schritt weiter gegangen – von „Ausprobieren" hin zu „operativ verankern".
Im Vergleich zur ersten Edition ging es dabei nicht mehr um die Frage „Was kann KI grundsätzlich?“, sondern „Wie verankern wir KI entlang unseres Software Development Lifecycles (SDLC) sinnvoll in bestehenden Workflows und Toolchains?“. Die Themen haben dabei alle Entwicklungsphasen abgedeckt, von der Planung über Development, Testing und Deployment bis hin zum Betrieb. Die folgenden Beispiele zeigen, wie KI im Sinne eines AI-driven Software Development Lifecycles die Entwicklung verändert.
Ein Softwareprojekt beginnt mit der Frage, was konkret gebaut werden soll. Die Spezifikation als Basis für die Entwicklung entscheidet deshalb auch darüber, wie gut die KI in den späteren Phasen des SDLC unterstützen kann. Ein Team hat sich deshalb bewusst an den Anfang des Lebenszyklus gestellt und untersucht, wie sich Anforderungen so formulieren lassen, dass eine KI daraus wirklich brauchbare Ergebnisse ableitet
Spec Driven Development SDLC-Phase: Requirements & Analysis
Fragestellung: Wie formulieren und strukturieren wir Anforderungen für KI, um die bestmöglichen Ergebnisse zu erzielen – untersucht mit den Tools OpenSpec und SpecKit?
Umsetzung: Mit OpenSpec funktionierten Installation und Integration einwandfrei;
/opsx:proposeeignet sich, sobald die Spezifikation konkret ist,/opsx:explorefür die Ausarbeitung der Requirements. SpecKit erstellte daraus vollständige User Stories inklusive Akzeptanzkriterien und einen technischen ImplementierungsplanErgebnis: Die Spezifikation selbst war überzeugend. Dieses Vorgehen übernehmen wir künftig: KI zunächst Spezifikation und Tickets erarbeiten lassen, die Implementierung dann iterativ über eigene Prompts umsetzen
Auf die Spezifikation folgt die Umsetzung. Ein Schwerpunkt lag hier auf klassischen Engineering-Themen, die mit KI neu gedacht wurden. Besonders anschaulich wird das dort, wo Modernisierungsaufgaben anstehen, die im Alltag gerne liegen bleiben, wie die Migration einer Testsuite. Die Rolle von KI vom reinen Code-Generator verschiebt sich dabei zum Co-Reviewer, dessen Skills sich mit den Iterationen zunehmend verbessern.
Tests migrieren und Datenbank ablösen mit KI-Skills SDLC-Phase: Autonomous Coding & QA Reviews
Fragestellung: Wie unterstützen eigens entwickelte Claude-Skills bei der Migration von Tests und dem Wechsel der Datenbank – unter den strengen Vorgaben eines Kundenprojekts?
Umsetzung: Auf einem Fork der Repositories wurde ein Setup mit GitHub MCP und Context7 MCP aufgesetzt. Für den Wechsel von CouchDB zu PostgresDB entstand ein fachlich überzeugender Skill; die Migration der Cypress-Tests nach Playwright erfolgte zunächst an einer Testdatei, bevor die restliche Suite folgte.
Ergebnis: Die Durchführung „am Stück“ produzierte viele Fehler – aufgeteilt in einzelne Phasen lief die Umsetzung deutlich zuverlässiger. Der Test-Skill wurde zudem anhand der Erfahrungen verbessert, wodurch die restlichen Migrationen merklich besser liefen.
Zu einer ähnlichen Erkenntnis kam ein weiteres Team bei der Migration von Legacy-RMI-Endpunkten in eine neue Spring-Anwendung: Typische, einfache Endpunkte ließen sich mit einem selbst entwickelten Skill zuverlässig automatisieren, bei Sonderfällen und Ausnahmen traf das Modell dagegen teilweise falsche Annahmen – ein Muster, das sich durch mehrere Teams zieht: KI liefert bei Standardaufgaben verlässliche Ergebnisse, Sonderfälle bleiben vorerst Sache der Entwickler:innen.
Am anderen Ende des Lebenszyklus, im laufenden Betrieb, zeigt sich, wie viel Routinearbeit KI abnehmen kann. Ein Team hat zunächst untersucht, wie sich KI in Wartungsprozessen einsetzen lässt, wo regelmäßig unübersichtliche Informationsmengen zu bewältigen sind. Die Erfahrung: KI eignet sich gut als erster Filter, um aus einer Flut an Changelog-Informationen die relevanten Risiken herauszuziehen und zu strukturieren und schafft so Raum für die anspruchsvollen Entscheidungen, die weiterhin bei den Entwickler:innen liegen.
Noch konkreter wurde der Sprung von Monitoring-Daten zu belastbaren Tests:
Realistische Lasttests aus echten Nutzungsdaten SDLC-Phase: Operations & Support
Fragestellung: Wie kommen wir von Monitoring-Daten zu realistischen Lasttests?
Umsetzung: Auf Basis von Azure-App-Insights-Daten generierte ein Agent passende Abfragen. Über einen iterativen Prozess mit Rückfragen an die Entwickler:innen als Subject Matter Experts entstand aus generiertem KQL eine Lasttestspezifikation, aus der der Agent anschließend eine konfigurierbare k6-Testsuite unter Wiederverwendung bestehender Bausteine modellierte.
Ergebnis: KI schlägt die Brücke zwischen Monitoring und Testautomatisierung und richtet Performance-Tests näher am realen Nutzerverhalten aus.
Am Ende des Tages zeichnet sich über alle Teams hinweg ein stimmiges Bild. KI wird bei uns nicht mehr punktuell ausprobiert, sondern entlang des gesamten Entwicklungszyklus mitgedacht. Dass die Teams ihre Themen aus dem echten Projektalltag wählen, sorgt dafür, dass die Ergebnisse nicht im Prototyp stecken bleiben, sondern weiterverwendet werden.
Gleichzeitig bestätigt sich eine Erkenntnis, die schon die erste Edition geprägt hat: KI entfaltet ihre Stärke dort, wo Domänenwissen und gutes Engineering zusammenkommen. Häufig waren es die Rückfragen der KI und das iterative Nachschärfen, die Spezifikationen, Tests und auch Code spürbar besser gemacht haben. KI ist damit kein Selbstläufer, sondern ein Werkzeug, das von der Erfahrung unserer Teams lebt. Dieses Zusammenspiel spiegelt auch unsere AI-driven SDLC Vision wider, in der der Mensch die Fäden in der Hand behält.