AI-Coding Workflow: Teil 1: Weniger menschliche Zeit verlieren

Geschrieben von Fachexperten: Timon Fiddike, CST®, Machine Learning seit 2005

Die folgende Grafik zeigt von links nach rechts einige Arbeitsschritte innerhalb der Software Entwicklung. Manche Aspekte werden hier bewusst nicht betrachtet:

• Bevor man mit der Programmierung beginnen kann, greifen i.d.R. noch Prozesse zum Sammeln, Priorisieren und Klären von Anforderungen.
• Nachdem etwas programmiert und getestet ist, wollen wir es nicht immer sofort an alle Kunden bereitstellen. Je nach Firma und Produkt gibt es z.T. ausgefeilte Mechanismen zur Bereitstellung an eine erste, kleinere Gruppe von Nutzern.

Wir konzentrieren uns hier bewusst auf die unmittelbare Umsetzungsarbeit, d.h.

• Programmierung (Coding)
• 4-Augen Check (Code Review durch Kollegen)
• Testen aus technischer Sicht
• Testen aus Kundensicht
• Bereitstellung intern (Staging)

Kapazität: Status quo

Die Grafik kommt ohne Zahlen aus: Die Balken zeigen unsere Kapazität für jeden Prozessschritt. In der ersten Grafik, die den Status Quo symbolisiert, reichen die Balken jeweils bis zur Mitte. Wie auch immer wir die Kapazität quantifizieren: Dies ist die Kapazität, mit der wir starten, und mit der wir später vergleichen können. In der Grafik läuft die Zeit von links nach rechts:

Kapazität für Coding steigern

Stell dir vor, wir könnten die Kapazität für Programmierung (Coding) deutlich steigern. Die im nächsten Bild gezeigte Verdopplung ist willkürlich gewählt, wir können genauso gut von 50 % oder Faktor zehn ausgehen, interessanter ist letztlich die nächste Frage (bitte vergib mir die offensichtliche und provokative Frage):

Wäre eine deutliche Steigerung unserer Kapazität für Coding wertvoll, wenn die Kapazität für alle nachfolgenden Prozessschritte unverändert bleibt?

Die meisten Menschen antworten sinngemäß mit “Nein, die Beschleunigung von Coding allein ist NICHT wertvoll!”, denn es entsteht eine Engstelle, ein sogenannter Flaschenhals (Bottleneck) und wir könnten letztlich nicht mehr ausliefern als zuvor.

Zusätzlich zum fehlenden Nutzen besteht hier sogar das Risiko, dass durch den Stau an der Engstelle sogar noch Zeit verloren geht, und: Was wäre, wenn der schneller produzierte Code niedrigere Qualität hätte als zuvor?

• Bei der Überprüfung durch den Entwickler und Kollegen (Code Review) würden dann zusätzliche Fehler auffallen.
• Es würden zusätzliche Korrekturen angemahnt werden.
• Nach Umsetzung der Korrekturen würde ein erneutes Code Review wieder Zeit kosten und unsere begrenzte Kapazität belasten.

Wir können die Betrachtung verschiedener Szenarien abkürzen und direkt zur Schlussfolgerung kommen:

Kapazität für Gesamtprozess steigern

Unsere Kapazität für Coding zu steigern hat letztendlich nur dann einen Wert, wenn wir die Kapazität der nachfolgenden Prozessschritte ebenfalls steigern, wie in der nächsten Grafik gezeigt:

Ursachen für Menschen als Flaschenhals

Viele Menschen arbeiten mit AI-Coding Tools ungefähr so, wie in der nächsten Grafik gezeigt:

• Mensch gibt dem Agenten mit Hilfe eines Prompts eine Aufgabe
• Agent erstellt Code
• Mensch überprüft Code
• Mensch korrigiert Code mit der Hand oder durch weiteres Prompt an den Agenten
• Agent verändert Code
• Mensch überprüft Code
• usw.

Bei dieser Arbeitsweise geht sehr viel menschliche Zeit verloren, indem Menschen versuchen, den Code des Agenten zu verstehen, und indem Menschen Code selbst korrigieren oder per Prompt eine Korrektur veranlassen. In der Grafik läuft die Zeit von links nach rechts.

Menschen entlasten durch Workflow

Wenn wir die Kapazität für den Gesamtprozess steigern möchten (wie oben gezeigt) und bemerken, dass der Mensch der Flaschenhals ist, dann brauchen wir eine Möglichkeit, den Menschen zu entlasten.

Der in der nächsten Grafik skizzierte Workflow entlastet den Menschen, indem das Interaktionsmuster verändert wird wie in der Grafik gezeigt:

Zunächst einmal geben wir dem Agenten nicht gleich ein Prompt zur Erzeugung von Code:

Für mich hat sich bewährt, mehrstufig zu planen, d.h.

• Prompt, der beschreibt, was ich erreichen möchte, was für den Nutzer möglich sein soll, welche NutzerInteraktion ich mir wünsche (komplett von außen betrachtet). Dabei weise ich den Agenten an, mir Fragen zu stellen, bis er die Anforderung verstanden hat. Insbesondere weise ich ihn an, mir eine Frage nach der anderen zu stellen und jede Antwort zunächst in seinem Kontext einzubeziehen, bevor er die nächste Frage stellt (manchmal habe ich schon 5-10 Fragen auf einmal erhalten, von denen die hinteren Fragen obsolet waren, nachdem ich die ersten beantwortet hatte).
• Prompt, der den Agenten anweist, einen technischen Umsetzungsplan zu entwickeln. Diesen Umsetzungsplan kann ich leichter überprüfen, als Code-Änderungen an 20 Dateien o.ä. und ich kann den Plan sehr leicht anpassen, oder anpassen lassen. Erst wenn ich mit dem Umsetzungsplan einverstanden bin, startet die Umsetzung.

Die mehrstufige Planung entlastet den Menschen, denn anstelle eines Code Review an 20 Dateien überprüfe ich sehr schnell und systematisch, ob die durchgeführten Änderungen dem zuvor von mir bereits geprüften Plan entsprechen.

Einen noch größeren Beitrag zur Entlastung des Menschen leistet der hintere Teil des Workflow, wie in der nächsten Grafik hervorgehoben:

Statt nur Interaktion zwischen Mensch und Agent zu nutzen, geben wir dem Agenten eine ganze Reihe von deterministischen Tools, z.B.

• Formatter
• Linter
• Statische Codeanalyse
• Coding Standard Fixer
• Unit Tests
• Integrationstests
• e2e Tests
• Browser Integration per MCP

Mein Prompt zur Umsetzung des o.g. Plans beinhaltet i.d.R. die Anweisung, nach jeder Codeänderung, die gesamte Suite an deterministischen Tools anzuwenden. Bei einer Web-Anwendung gehört auch dazu, das der Agent, Mithilfe der MCP Browser Integration, das neue Feature selbst vollständig durchklickt und erprobt.

Der Agent soll dann jedes Problem, dass bei den verschiedenen Überprüfungsschritten auftaucht, direkt selbst lösen und Menschen nur dann involvieren, wenn es ihm in fünf Versuchen nicht gelingen sollte, eine funktionierende Lösung in hoher Qualität zu liefern.

Workflow systematisch verbessern

Mit meiner aktuellen Kombination von Agenten, Modellen und deterministischen Tools ist es schon länger nicht vorgekommen, dass der Agent nach fünf Anläufen erfolglos aufgeben musste. Mit einem guten Basismodell schafft er es entweder sofort, oder er korrigiert sich selbst in 2-3 Anläufen.

Der Schlüssel liegt nun darin, sich nicht zu früh mit guten Ergebnissen zufrieden zu geben:

Wenn der Agent mehr als einen Anlauf gebraucht hat, um ein gutes Ergebnis zu erzeugen, stelle ich immer die Frage, warum mehrere Anläufe erforderlich waren, und lese sehr aufmerksam die Analyse.

Praxisbeispiel In einer Codebase, an der ich häufiger arbeite, wird React im Kontext einer Symfony Applikation verwendet, und der Agent brauchte einmal mehrere Anläufe, um zu realisieren, wie er eine neue React-Komponente korrekt im übergeordneten Framework registrieren kann. Basierend auf diesem Analyseergebnis habe ich den Agenten dann angewiesen, eine Regeldatei zu erstellen, die für die Zukunft verhindert, dass die vergangenen Fehler wiederholt werden. Aus Neugier habe ich dann meine Änderungen am Code als Branch in Git behalten, den aktuellen Stand jedoch wieder zurückgesetzt und nur die neue Regeldatei behalten. Anschließend durfte der Agent mit frischem Kontext noch einmal von vorn beginnen. Dank der neuen Regeldatei kam er dann schon im ersten Anlauf zu einem guten Ergebnis.

Wer sich nicht mit guten Ergebnissen allein zufrieden gibt, sondern auf die oben gezeigte Art konsistent Regeldateien, Werkzeuge und andere Prozessbestandteile verbessert, kommt damit Schritt für Schritt zu einem besseren Workflow für die jeweilige konkrete Applikation.

In vorherigen Artikeln beschreibe ich menschliche Aspekte und technische Aspekte von AI-Coding.

In meinen AI-Coding Workshops geht es typischerweise darum, dass Entwickler selbst gute Workflows für die Arbeit an ihrem konkreten eigenen Code aufbauen. Dabei tauchen wir, soweit nötig, auch in technische und menschliche Aspekte des AI-Coding ein.

Lass uns ein kostenloses Erstgespräch führen (gerne auch mit Coding Demo), um herauszufinden, ob diese Dinge für Euch wertvoll sein könnten.

AI-Coding Hands-on Workshop

Du bist von Anfang an selbst an der Tastatur. Am Ende unseres AI-Coding Workshops hast Du einen prall gefüllten Werkzeugkoffer. Du arbeitest souverän mit aktuellen Werkzeugen und lieferst in kurzer Zeit Ergebnisse in hoher Qualität.

Zum Deep Dive / Workshop

Reflexion, Einladung und Angebot

• Hast Du als Entwickler konkrete Ideen für Deinen eigenen Weg bekommen?
• Hast Du als Führungskraft einen Eindruck gewonnen, welche Schritte Deine Mitarbeiter gehen könnten? Denkst Du darüber nach, ihnen andere Impulse und Unterstützung anzubieten als bisher?
• Hast Du einen ersten Eindruck von mir?

Nimm Kontakt mit mir auf, wenn Du Dich für einen Impulsvortrag (mit Coding Demo) oder Workshop interessierst! Lass uns gemeinsam überlegen, welche Art von Unterstützung für Euch hilfreich sein kann:

Unten auf der Seite Kontakt kannst Du Dir direkt per Calendly einen Termin für ein Erstgespräch aussuchen (unverbindlich und kostenlos).

Über den Autor

Dr. Timon Fiddike

• Seit 2010 auf dem Pfad der Agilität
• Seit 2005 KI, AI, Machine Learning, siehe Werdegang
• Erfahrung als Entwickler im Team, Product Owner, Scrum Master, Geschäftsführer und Coach
• Höchste Zertifizierung: Certified Scrum Trainer® (weltweit ca. 220 Personen) für die Scrum Alliance®
• Erfahrung in Startup, Mittelstand & Konzern
• Integraler Coach – Ausbildung nach ICF ACTH-Standard
• Unterstützt mit Begeisterung das menschliche Wachstum, das agile Arbeit ermöglicht
• Geschäftsführer Agile.Coach GmbH & Co. KG

Zu Timons Profil