Spezifikationsgetriebenes KI-Software-Engineering: Von mehrdeutigen Anforderungen zu verifizierter Lieferung

KI-Coding-Assistenten können Dienste, Migrationen und UI-Abläufe in Minuten entwerfen. Diese Geschwindigkeit ist wertvoll, verstärkt aber auch Mehrdeutigkeit. Wenn Anforderungen vage sind, füllen Modelle Lücken mit plausiblen Annahmen. In Unternehmenssoftware betreffen diese Annahmen häufig Mandantenfähigkeit, Prüfbarkeit, Identität, Datenaufbewahrung und irreversible Nebenwirkungen.

Spezifikationsgetriebenes Engineering stellt eine Kontrollschleife wieder her: Menschen definieren Absicht und Einschränkungen präzise genug, damit KI (und Menschen) gegen einen gemeinsamen Vertrag implementieren können. Das Ziel ist nicht mehr Dokumentation um ihrer selbst willen. Es ist eine maschinell prüfbare und für Reviewer nachvollziehbare Definition von „fertig“.

Eine nützliche Spezifikation ist kurz genug, um gepflegt zu werden, und präzise genug, um falsche Implementierungen abzulehnen. Für ein Feature oder einen Dienst umfasst sie typischerweise die Problemstellung, Nicht-Ziele, Akteure und Berechtigungen, Datenentitäten, API- oder Event-Verträge, Fehlermodi und Abnahmekriterien.

Für KI-unterstützte Arbeit sollten zwei zusätzliche Elemente ergänzt werden, die klassische PRDs oft auslassen: explizite Grenzen für Tools und Umgebung (was der Agent ändern darf) und Verifikationsschritte, die automatisch ablaufen können – Tests, Schema-Prüfungen, Policy-Linting und Sicherheitsscans.

Leistungsstarke Teams betreiben KI innerhalb eines gestuften Workflows. Erstens: die Spezifikation verfeinern, bis Mehrdeutigkeiten aufgelöst sind. Zweitens: das Modell nach einem Implementierungsplan und Architekturnotizen fragen – und diesen Plan überprüfen, bevor Code entsteht. Drittens: die Änderung generieren oder schreiben. Viertens: Verifikation durchführen und für designkritische oder risikoreiche Bereiche eine menschliche Überprüfung verlangen.

Diese Schleife verhindert den häufigsten Fehlermodus der KI-gestützten Lieferung: den direkten Sprung von einem Chat-Prompt zu einem großen Pull-Request, den niemand vollständig durchdenken kann. Pläne und Spezifikationen erzeugen Artefakte, die Reviewer hinterfragen können. Tests und Scanner erzeugen Nachweise, die CI erzwingen kann.

In regulierten oder mandantenfähigen Systemen kann Verantwortlichkeit nicht an ein Modell delegiert werden. Die Verantwortung bleibt beim Engineering: wer die Spezifikation genehmigt hat, wer die Änderung gemergt hat und welche Nachweise die Freigabe gestützt haben. KI kann Code und Tests entwerfen; Menschen bleiben verantwortlich für Threat Modeling, Datenklassifizierung und Produktionsreife.

Praktische Kontrollen umfassen die Pflicht zu Spezifikationen für nicht-triviale Features, das Blockieren von Merges ohne CI-Verifikation, die Trennung von Geheimnissen von agentenzugänglichen Kontexten und die Pflicht zur menschlichen Genehmigung bei Migrationen, Auth-Änderungen, Abrechnungslogik und allem, was Daten exfiltrieren oder zerstören kann.

Wir setzen spezifikationsgetriebene, KI-unterstützte Lieferung ein, wenn wir individuelle Software, SaaS-Plattformen und KI-fähige Workflows für Kunden entwickeln, die Geschwindigkeit brauchen, ohne Engineering-Disziplin zu verlieren. Der Ansatz ist besonders wirksam für API-intensive Backends, mandantenfähige SaaS-Module und Integrationsarbeiten, bei denen Verträge und Fehlermodi wichtiger sind als Demo-Screenshots.

Wenn Ihr Team KI-Coding-Tools einführt, aber inkonsistente Qualität feststellt, beginnen Sie damit, Spezifikationen und Verifikation zu verbessern – nicht damit, weitere Modellaufrufe hinzuzufügen. Klare Verträge machen KI nützlich. Schwache Verträge machen KI teuer.