Auch agile Dev-Teams können von KI profitieren. Pixel-Shot | shutterstock.com Generative AI (GenAI; generative KI) führt zu einem bedeutenden Paradigmenwechsel in der Art und Weise, wie Entwickler Code schreiben, Softwareanwendungen entwickeln, deren Qualität optimieren und technische Schulden reduzieren. Darüber hinaus kann die Technologie jedoch auch agile Entwicklungsteams unterstützen, um den gesamten Software Development Lifecycle zu optimieren. Insbesondere mit Blick auf Anforderungskataloge und agile User Stories bietet sich eine bedeutende Chance für Large Language Models (LLMs), KI-Agenten und andere GenAI-Ausformungen. Denn wenn Entwickler mit KI schneller und effizienter Code schreiben, testen und dokumentieren, braucht es auch tiefgehendere agile Backlogs, mehr User Stories, die schneller entstehen, sowie striktere Akzeptanzkriterien. “In einer Welt, in der die Copiloten coden, werden Planungsprozesse eine deutlich wichtigere Rolle einnehmen”, prophezeit David Brooks, SVP of Evangelism beim KI-Spezialisten Copado. Insbesondere Anforderungsdokumente müssten detaillierter ausgestaltet werden als zu Zeiten, in denen die Teams noch in einem Büro gesessen haben, und fügt er hinzu. In der Vision des KI-Experten nutzen Business-Analysten künftig generative KI, um Feature Requests und Meeting-Protokolle zusammenzufassen, sämtliche Inputs zu erfassen und bedarfsgerecht Prioritäten zu setzen. “GenAI kann dann einen ersten Entwurf erstellen oder einen manuell erarbeiteten auf Vollständigkeit prüfen”, meint Brooks. Um das in der Praxis umzusetzen, ist es allerdings erforderlich, sowohl Endbenutzer als auch Stakeholder einzubinden – wobei das Engagement über die üblichen Aufgaben agiler Product Owner hinausgehen muss. Agile Softwareentwicklung trifft generative KI Laut Chris Mahl, CEO beim GenAI-Unternehmen Pryon, ist es mit generativer KI möglich, die Dokumentationsaufgabe Anforderungen zu erfassen zu einem kollaborativen Entdeckungsprozess umzugestalten: “Produktverantwortliche nutzen KI inzwischen, um aus Interviews mit Stakeholdern erste Anforderungsentwürfe zu erstellen und diese dann im Rahmen von Feedback-Zyklen zu verfeinern.” Die Rolle des Business-Analysten entwickle sich in Richtung KI-Orchestrator, fügt Mahl hinzu: “Um diese Aufgabe erfolgreich zu bewältigen und optimale KI-Outputs zu erzeugen, sind sowohl Kompetenzen in Prompt Engineering erforderlich, als auch darin, Geschäftsprobleme zu formulieren.” Um den gesamten Anforderungsprozess zu überwachen, arbeiten die Business-Analysten eng mit dem Agile Product Owner sowie dem Teamleiter zusammen. Das ist besonders wertvoll für technisch versierte agile Teams, die mit Microservices-Architekturen, Integration oder Daten-Pipelines arbeiten. Denn die User Stories in diesen technischen Deliverables weisen erhebliche nicht-funktionale Akzeptanzkriterien auf. Entsprechend müssen oft synthetische Testdaten erstellt werden, um viele Anwendungsfälle zu validieren. Mahl erklärt: “Die Technologie eignet sich hervorragend, um Geschäftsanforderungen in technische Spezifikationen zu übersetzen und umgekehrt, wodurch Kommunikationslücken überbrückt werden. Dabei ist die Fähigkeit, kritisch zu denken essenziell, weil Analysten die von KI generierten Inhalte auf Genauigkeit und Business-Alignment prüfen müssen.” Eine weitere GenAI-Chance für agile Entwicklungsteams besteht darin, Zykluszeiten zu verkürzen, insbesondere, wenn es um Proofs of Concept geht oder darum, Endbenutzererfahrungen zu iterieren. Simon Margolis, Associate CTO beim Cloud-Serviceanbieter SADA, erklärt: “GenAI-Tools verändern die Rolle von Produktverantwortlichen und Business-Analysten grundlegend, weil sie ihnen ermöglichen, Prototypen zu erstellen und Anforderungen direkt in ihren IDEs schnell zu iterieren. Das ermöglicht es, dynamischer mit den Stakeholdern zusammenzuarbeiten, weil diese User Stories und Akzeptanzkriterien in Echtzeit visualisieren und feinjustieren können. Anstatt sich in der Dokumentation zu verlieren, können sie sich auf die strategische Ausrichtung und ein schnelleres Deployment konzentrieren – die KI übernimmt die technische Umsetzung.” GenAI für menschliche Innovation nutzen Product Owner und Business-Analysten haben wichtigere Aufgaben als Backlogs zu pflegen und Anforderungen zu dokumentieren. Ihre strategische Bedeutung liegt darin, Innovationen voranzutreiben, die für die Endbenutzer relevant sind, geschäftlichen Mehrwert und Wettbewerbsvorteile zu generieren. Außerdem müssen sie sich an DevOps-Standards halten, agile Entwicklungsteams steuern, die Plattformfunktionen entwickeln und Möglichkeiten eruieren, um technische Schulden abzubauen. “GenAI ist zwar hervorragend dazu geeignet, User Stories und Akzeptanzkriterien mit vordefinierten Spezifikationen und Designrichtlinien abzustimmen, aber Kreativleistung ist noch immer eine Sache für Menschen”, meint Ramprakash Ramamoorthy, Director of AI Research beim Sicherheitsanbieter ManageEngine. Seiner Meinung nach sollten Analysten und Product Owner die Technologie als Basiswerkzeug verstehen – statt sich vollständig darauf zu verlassen: “Der wahre Wert liegt darin, die Konsistenz der KI für eine Arbeitsgrundlage zu nutzen. Auf dieser Basis gilt es, Innovationen zu entwickeln und Feinheiten anzupassen, die Maschinen nicht erfassen können”, konstatiert der KI-Spezialist. (fm) Sie wollen weitere interessante Beiträge zu diversen Themen aus der IT-Welt lesen? Unsere kostenlosen Newsletter liefern Ihnen alles, was IT-Profis wissen sollten – direkt in Ihre Inbox!
Agil(er) entwickeln mit generativer KI
Auch agile Dev-Teams können von KI profitieren. Pixel-Shot | shutterstock.com Generative AI (GenAI; generative KI) führt zu einem bedeutenden Paradigmenwechsel in der Art und Weise, wie Entwickler Code schreiben, Softwareanwendungen entwickeln, deren Qualität optimieren und technische Schulden reduzieren. Darüber hinaus kann die Technologie jedoch auch agile Entwicklungsteams unterstützen, um den gesamten Software Development Lifecycle zu optimieren. Insbesondere mit Blick auf Anforderungskataloge und agile User Stories bietet sich eine bedeutende Chance für Large Language Models (LLMs), KI-Agenten und andere GenAI-Ausformungen. Denn wenn Entwickler mit KI schneller und effizienter Code schreiben, testen und dokumentieren, braucht es auch tiefgehendere agile Backlogs, mehr User Stories, die schneller entstehen, sowie striktere Akzeptanzkriterien. “In einer Welt, in der die Copiloten coden, werden Planungsprozesse eine deutlich wichtigere Rolle einnehmen”, prophezeit David Brooks, SVP of Evangelism beim KI-Spezialisten Copado. Insbesondere Anforderungsdokumente müssten detaillierter ausgestaltet werden als zu Zeiten, in denen die Teams noch in einem Büro gesessen haben, und fügt er hinzu. In der Vision des KI-Experten nutzen Business-Analysten künftig generative KI, um Feature Requests und Meeting-Protokolle zusammenzufassen, sämtliche Inputs zu erfassen und bedarfsgerecht Prioritäten zu setzen. “GenAI kann dann einen ersten Entwurf erstellen oder einen manuell erarbeiteten auf Vollständigkeit prüfen”, meint Brooks. Um das in der Praxis umzusetzen, ist es allerdings erforderlich, sowohl Endbenutzer als auch Stakeholder einzubinden – wobei das Engagement über die üblichen Aufgaben agiler Product Owner hinausgehen muss. Agile Softwareentwicklung trifft generative KI Laut Chris Mahl, CEO beim GenAI-Unternehmen Pryon, ist es mit generativer KI möglich, die Dokumentationsaufgabe Anforderungen zu erfassen zu einem kollaborativen Entdeckungsprozess umzugestalten: “Produktverantwortliche nutzen KI inzwischen, um aus Interviews mit Stakeholdern erste Anforderungsentwürfe zu erstellen und diese dann im Rahmen von Feedback-Zyklen zu verfeinern.” Die Rolle des Business-Analysten entwickle sich in Richtung KI-Orchestrator, fügt Mahl hinzu: “Um diese Aufgabe erfolgreich zu bewältigen und optimale KI-Outputs zu erzeugen, sind sowohl Kompetenzen in Prompt Engineering erforderlich, als auch darin, Geschäftsprobleme zu formulieren.” Um den gesamten Anforderungsprozess zu überwachen, arbeiten die Business-Analysten eng mit dem Agile Product Owner sowie dem Teamleiter zusammen. Das ist besonders wertvoll für technisch versierte agile Teams, die mit Microservices-Architekturen, Integration oder Daten-Pipelines arbeiten. Denn die User Stories in diesen technischen Deliverables weisen erhebliche nicht-funktionale Akzeptanzkriterien auf. Entsprechend müssen oft synthetische Testdaten erstellt werden, um viele Anwendungsfälle zu validieren. Mahl erklärt: “Die Technologie eignet sich hervorragend, um Geschäftsanforderungen in technische Spezifikationen zu übersetzen und umgekehrt, wodurch Kommunikationslücken überbrückt werden. Dabei ist die Fähigkeit, kritisch zu denken essenziell, weil Analysten die von KI generierten Inhalte auf Genauigkeit und Business-Alignment prüfen müssen.” Eine weitere GenAI-Chance für agile Entwicklungsteams besteht darin, Zykluszeiten zu verkürzen, insbesondere, wenn es um Proofs of Concept geht oder darum, Endbenutzererfahrungen zu iterieren. Simon Margolis, Associate CTO beim Cloud-Serviceanbieter SADA, erklärt: “GenAI-Tools verändern die Rolle von Produktverantwortlichen und Business-Analysten grundlegend, weil sie ihnen ermöglichen, Prototypen zu erstellen und Anforderungen direkt in ihren IDEs schnell zu iterieren. Das ermöglicht es, dynamischer mit den Stakeholdern zusammenzuarbeiten, weil diese User Stories und Akzeptanzkriterien in Echtzeit visualisieren und feinjustieren können. Anstatt sich in der Dokumentation zu verlieren, können sie sich auf die strategische Ausrichtung und ein schnelleres Deployment konzentrieren – die KI übernimmt die technische Umsetzung.” GenAI für menschliche Innovation nutzen Product Owner und Business-Analysten haben wichtigere Aufgaben als Backlogs zu pflegen und Anforderungen zu dokumentieren. Ihre strategische Bedeutung liegt darin, Innovationen voranzutreiben, die für die Endbenutzer relevant sind, geschäftlichen Mehrwert und Wettbewerbsvorteile zu generieren. Außerdem müssen sie sich an DevOps-Standards halten, agile Entwicklungsteams steuern, die Plattformfunktionen entwickeln und Möglichkeiten eruieren, um technische Schulden abzubauen. “GenAI ist zwar hervorragend dazu geeignet, User Stories und Akzeptanzkriterien mit vordefinierten Spezifikationen und Designrichtlinien abzustimmen, aber Kreativleistung ist noch immer eine Sache für Menschen”, meint Ramprakash Ramamoorthy, Director of AI Research beim Sicherheitsanbieter ManageEngine. Seiner Meinung nach sollten Analysten und Product Owner die Technologie als Basiswerkzeug verstehen – statt sich vollständig darauf zu verlassen: “Der wahre Wert liegt darin, die Konsistenz der KI für eine Arbeitsgrundlage zu nutzen. Auf dieser Basis gilt es, Innovationen zu entwickeln und Feinheiten anzupassen, die Maschinen nicht erfassen können”, konstatiert der KI-Spezialist. (fm) Sie wollen weitere interessante Beiträge zu diversen Themen aus der IT-Welt lesen? Unsere kostenlosen Newsletter liefern Ihnen alles, was IT-Profis wissen sollten – direkt in Ihre Inbox!
Agil(er) entwickeln mit generativer KI Auch agile Dev-Teams können von KI profitieren. Pixel-Shot | shutterstock.com Generative AI (GenAI; generative KI) führt zu einem bedeutenden Paradigmenwechsel in der Art und Weise, wie Entwickler Code schreiben, Softwareanwendungen entwickeln, deren Qualität optimieren und technische Schulden reduzieren. Darüber hinaus kann die Technologie jedoch auch agile Entwicklungsteams unterstützen, um den gesamten Software Development Lifecycle zu optimieren. Insbesondere mit Blick auf Anforderungskataloge und agile User Stories bietet sich eine bedeutende Chance für Large Language Models (LLMs), KI-Agenten und andere GenAI-Ausformungen. Denn wenn Entwickler mit KI schneller und effizienter Code schreiben, testen und dokumentieren, braucht es auch tiefgehendere agile Backlogs, mehr User Stories, die schneller entstehen, sowie striktere Akzeptanzkriterien. “In einer Welt, in der die Copiloten coden, werden Planungsprozesse eine deutlich wichtigere Rolle einnehmen”, prophezeit David Brooks, SVP of Evangelism beim KI-Spezialisten Copado. Insbesondere Anforderungsdokumente müssten detaillierter ausgestaltet werden als zu Zeiten, in denen die Teams noch in einem Büro gesessen haben, und fügt er hinzu. In der Vision des KI-Experten nutzen Business-Analysten künftig generative KI, um Feature Requests und Meeting-Protokolle zusammenzufassen, sämtliche Inputs zu erfassen und bedarfsgerecht Prioritäten zu setzen. “GenAI kann dann einen ersten Entwurf erstellen oder einen manuell erarbeiteten auf Vollständigkeit prüfen”, meint Brooks. Um das in der Praxis umzusetzen, ist es allerdings erforderlich, sowohl Endbenutzer als auch Stakeholder einzubinden – wobei das Engagement über die üblichen Aufgaben agiler Product Owner hinausgehen muss. Agile Softwareentwicklung trifft generative KI Laut Chris Mahl, CEO beim GenAI-Unternehmen Pryon, ist es mit generativer KI möglich, die Dokumentationsaufgabe Anforderungen zu erfassen zu einem kollaborativen Entdeckungsprozess umzugestalten: “Produktverantwortliche nutzen KI inzwischen, um aus Interviews mit Stakeholdern erste Anforderungsentwürfe zu erstellen und diese dann im Rahmen von Feedback-Zyklen zu verfeinern.” Die Rolle des Business-Analysten entwickle sich in Richtung KI-Orchestrator, fügt Mahl hinzu: “Um diese Aufgabe erfolgreich zu bewältigen und optimale KI-Outputs zu erzeugen, sind sowohl Kompetenzen in Prompt Engineering erforderlich, als auch darin, Geschäftsprobleme zu formulieren.” Um den gesamten Anforderungsprozess zu überwachen, arbeiten die Business-Analysten eng mit dem Agile Product Owner sowie dem Teamleiter zusammen. Das ist besonders wertvoll für technisch versierte agile Teams, die mit Microservices-Architekturen, Integration oder Daten-Pipelines arbeiten. Denn die User Stories in diesen technischen Deliverables weisen erhebliche nicht-funktionale Akzeptanzkriterien auf. Entsprechend müssen oft synthetische Testdaten erstellt werden, um viele Anwendungsfälle zu validieren. Mahl erklärt: “Die Technologie eignet sich hervorragend, um Geschäftsanforderungen in technische Spezifikationen zu übersetzen und umgekehrt, wodurch Kommunikationslücken überbrückt werden. Dabei ist die Fähigkeit, kritisch zu denken essenziell, weil Analysten die von KI generierten Inhalte auf Genauigkeit und Business-Alignment prüfen müssen.” Eine weitere GenAI-Chance für agile Entwicklungsteams besteht darin, Zykluszeiten zu verkürzen, insbesondere, wenn es um Proofs of Concept geht oder darum, Endbenutzererfahrungen zu iterieren. Simon Margolis, Associate CTO beim Cloud-Serviceanbieter SADA, erklärt: “GenAI-Tools verändern die Rolle von Produktverantwortlichen und Business-Analysten grundlegend, weil sie ihnen ermöglichen, Prototypen zu erstellen und Anforderungen direkt in ihren IDEs schnell zu iterieren. Das ermöglicht es, dynamischer mit den Stakeholdern zusammenzuarbeiten, weil diese User Stories und Akzeptanzkriterien in Echtzeit visualisieren und feinjustieren können. Anstatt sich in der Dokumentation zu verlieren, können sie sich auf die strategische Ausrichtung und ein schnelleres Deployment konzentrieren – die KI übernimmt die technische Umsetzung.” GenAI für menschliche Innovation nutzen Product Owner und Business-Analysten haben wichtigere Aufgaben als Backlogs zu pflegen und Anforderungen zu dokumentieren. Ihre strategische Bedeutung liegt darin, Innovationen voranzutreiben, die für die Endbenutzer relevant sind, geschäftlichen Mehrwert und Wettbewerbsvorteile zu generieren. Außerdem müssen sie sich an DevOps-Standards halten, agile Entwicklungsteams steuern, die Plattformfunktionen entwickeln und Möglichkeiten eruieren, um technische Schulden abzubauen. “GenAI ist zwar hervorragend dazu geeignet, User Stories und Akzeptanzkriterien mit vordefinierten Spezifikationen und Designrichtlinien abzustimmen, aber Kreativleistung ist noch immer eine Sache für Menschen”, meint Ramprakash Ramamoorthy, Director of AI Research beim Sicherheitsanbieter ManageEngine. Seiner Meinung nach sollten Analysten und Product Owner die Technologie als Basiswerkzeug verstehen – statt sich vollständig darauf zu verlassen: “Der wahre Wert liegt darin, die Konsistenz der KI für eine Arbeitsgrundlage zu nutzen. Auf dieser Basis gilt es, Innovationen zu entwickeln und Feinheiten anzupassen, die Maschinen nicht erfassen können”, konstatiert der KI-Spezialist. (fm) Sie wollen weitere interessante Beiträge zu diversen Themen aus der IT-Welt lesen? Unsere kostenlosen Newsletter liefern Ihnen alles, was IT-Profis wissen sollten – direkt in Ihre Inbox!