KI in der IDE zu nutzen ist nicht dasselbe wie mit KI zu bauen.
Warum reine KI-Tools nicht reichen
Schritt für Schritt
Anforderungen werden geschrieben, dann an Designer:innen, dann an Entwickler:innen, dann an Tester:innen, dann an Ops übergeben. Jede Übergabe kostet Kontext und Zeit.
Übergabe-Overhead macht schätzungsweise 20–40 % der Projektlaufzeit aus. Evidence ansehen →
Was sich ändert:
KI-Agenten tragen den Kontext durch jede Phase. Was die Anforderungs-Agentin liefert, fliesst direkt in Architektur und Code, ohne Übersetzung und ohne Informationsverlust.
Wissen, das mitgeht
Wenn jemand geht, geht das Systemverständnis mit. Neue Teammitglieder brauchen Monate, bis sie produktiv sind.
Institutionelles Wissen ist fragil und teuer wiederaufzubauen. Evidence ansehen →
Was sich ändert:
Wissen lebt im System: dokumentierte Architektur, konfigurierte Agenten, lebende Spezifikationen. Neue Teammitglieder erben den vollen Kontext in Tagen, nicht Monaten.
Alles getrennt
Projektmanagement, Codebasis, Dokumentation, Compliance-Nachweise: getrennte Systeme mit manuellen Brücken.
Grosser Teil der Zeit fliesst in Suchen und Zusammenfügen statt in echte Wertschöpfung. Evidence ansehen →
Was sich ändert:
Ein vernetztes System, in dem Information automatisch fliesst. Eine Anforderungsänderung aktualisiert Architektur, Tests und Doku, ohne dass jede Aktualisierung manuell nachgezogen wird.
Ein Gehirn. Jede Disziplin.
Was das Gehirn enthält
Spezifikationen
Jede Anforderung, User Story und Akzeptanzkriterium, die das System erzeugt. Lebende Dokumente, die Agenten lesen und aktualisieren, keine PDFs im Archiv.
Architektur
Dokumentierte Entscheide, Komponenten, API-Verträge, Datenmodelle. Bevor eine Agentin etwas vorschlägt, prüft sie gegen den Bestand.
Regeln
Coding-Standards, Namenskonventionen, Security-Richtlinien, Quality-Gates. Die nicht verhandelbaren Constraints, die jede Agentin respektiert.
Commands
Strukturierte Anweisungen für konkrete Aufgaben. Keine vagen Prompts, sondern präzise, getestete, versionierte SOPs.
Templates
Standardmuster für Anforderungen, Architektur-Entscheide, Testpläne, Doku, Deploy-Konfigs. Konsistenz als Default.
Code
Die echte Codebasis mit Historie, Mustern und Konventionen. Agenten generieren nicht im Vakuum, sondern passend zum Bestand.
Operations
Monitoring, Runbooks, Incident-Playbooks, Performance-Baselines. Was das System aus dem Betrieb gelernt hat.
Ein System. Jede Phase.
Interaktiv. Wählen Sie eine Stufe oder das Gehirn, um zu sehen, wie sich Agentenausführung und menschliches Urteil in der Praxis aufteilen, und vergleichen Sie mit der nächsten Stufe.
So stärkt es jede Rolle
Das Gehirn allein ist eine Wissensbasis. Es wird zur Methodik, wenn jede Engineering-Disziplin daraus speist, jede mit spezialisierter Agenten-Konfiguration für Routine, Kontexthaltung und Verbindung über das gemeinsame Core.
Vom Prompt zum Produkt
Vom Business-Bedarf zu getesteter, dokumentierter, überwachter Software, so sieht der Ablauf aus.
Prompt to Product ist unser Name für den Weg vom Bedarf bis zu produktionsreifer Software. AI Builder und AI Engineering vermitteln Ihrem Team, diesen Prozess selbstständig zu fahren.
KI-Trainings erkundenDas ist keine starre Linie. Engineering ist iterativ: im Design lernt man Dinge, die Anforderungen ändern, im Test Dinge, die das Design ändern. KI-nativ passieren diese Zyklen in Stunden statt Tagen, weil jede Agentin den vollen Kontext der vorherigen Schritte hat.
Startpunkt: Eine Product Ownerin meldet: «Kund:innen sollen Rechnungen ohne Support herunterladen können.»
Bedarf verstehen
ProduktentdeckungAgent
Die Agentin wertet Feedback, Tickets und Nutzungsdaten zu Rechnungen aus. Liefert Brief mit Bedarf, Grenzfällen und Validierungskriterien.
Mensch
Brief prüfen. Business-Constraints ergänzen («Rechnungen müssen neues MwSt-Format enthalten»). Priorität bestätigen.
Definieren, was gebaut wird
AnforderungsengineeringAgent
Strukturierte Anforderungen: Stories, Akzeptanzkriterien, Datenmodell-Änderungen, API-Verträge. Abhängigkeiten zu Bestandssystemen markiert.
Mensch
Auf fachliche Korrektheit prüfen. Kontext aus Stakeholder-Gesprächen ergänzen. Spezifikation freigeben.
Lösung entwerfen
Architecture & DesignAgent
Komponenten-Design, API-Struktur, DB-Änderungen. Abgleich mit bestehender Architektur.
Mensch
Trade-offs bewerten. Ansatz freigeben. Bei neuen Anforderungen zurück zu Schritt 2.
↻ Anforderungen und Architektur verfeinern sich oft in 2–3 schnellen Zyklen vor der Implementierung.
Bauen
DevelopmentAgent
Funktionsfähiger Code nach Architektur, Standards und Projektmustern. Unit-Tests parallel.
Mensch
Review. Grenzfälle. Refactoring nach Bedarf.
Verifizieren
Tests & Qualität + Dokumentation & ComplianceAgent
Testing-Agentin erzeugt Fälle aus den Anforderungen und führt die Suite aus. Documentation & Compliance prüft Vorschriften und beginnt Audit-Doku. Parallel.
Mensch
Ergebnisse prüfen. Risikoentscheide bei Flags. Bei Mängeln zurück zu Schritt 4.
↻ Build-Test-Zyklen bis die Quality-Gates grün sind.
Dokumentieren und ausliefern
Dokumentation & ComplianceAgent
Technische Doku, Release Notes und Deploy-Guide aus Code und Spezifikation, nicht aus Erinnerung. Compliance-Doku finalisiert.
Mensch
Doku prüfen. Deploy freigeben.
Betreiben und lernen
Operations & MaintenanceAgent
Monitoring aktiv, Baselines gesetzt. Das Gehirn wird aktualisiert: Architektur, Muster, Tests und Deploy-Konfig der Rechnungsfunktion stehen künftigen Sprints zur Verfügung.
Mensch
Betriebskennzahlen prüfen. Feature nach echtem Nutzen nachschärfen. Learnings zurück in Produktentscheide.
↻ Produktionsfeedback speist die nächste Priorisierung.
Ein Feature in Produktion, getestet, dokumentiert, compliant, überwacht. Das Gehirn enthält alles aus diesem Sprint. Das nächste Feature rund um Rechnungen erbt den Kontext automatisch. Das System skaliert.
Was geliefert wird
KI-native Entwicklung liefert nicht nur schneller Code, sondern vollständige, regierte Artefakte. Was «vollständig» heisst, hängt von Produkt und Kontext ab.
Plan
Anforderungen, Stories, Akzeptanzkriterien, Abhängigkeiten, Priorisierungslogik
Design
Architekturentscheide, Komponenten, API-Verträge, Datenmodelle
Build
Produktionscode nach Mustern, Standards und Constraints
Test
Unit-, Integrations-, E2E-Tests, Coverage, Regressionen
Release
Deploy-Konfig, Release Notes, Migrationen, Rollback
Operate
Monitoring, Alerts, Runbooks, Incident-Prozesse
Secure
Security-Review, Schwachstellen, Zugriff, Compliance-Trail
Document
Technische Doku, API-Referenzen, Guides, ADRs
Nicht jede Kategorie wird jeden Sprint neu erzeugt. Plan, Design, Build, Test und Release sind typische Sprint-Outputs. Operate und Secure liefern Grundlagen beim Setup, danach Pflege. Document entsteht begleitend, nicht nachträglich aus Erinnerung.
Konfiguriert für Ihre Realität
Nicht jedes Projekt braucht alle acht Kategorien in voller Tiefe. Das Framework definiert, was möglich ist, die Konfiguration, was Pflicht ist.
Startup
Task-App: funktionierende Software, solide Tests, genug Doku für das nächste Teammitglied. Agenten-Ökosystem schlank, weniger Gates, schnellere Zyklen. Ziel: validierte Software, schnell ausgeliefert.
SaaS
Enterprise-Kund:innen erwarten Security-Review, Deploy-Verfahren und saubere API-Doku. Verträge verlangen es.
Reguliert
Medizinprodukt-Software unter MDR und IEC 62304: vollständige Traceability von jeder Anforderung zu jedem Test, validierte Prozesse, auditierbare Doku in jeder Phase. Compliance-Agentin prüft gegen konkrete Standards. Jedes Artefakt der Rahmen ist Pflicht und tief.
Gleiche Methodik, andere Konfiguration. Vor dem Start bewerten wir Produkt, Branche, Regulatorik und Team-Reife und stellen das Agenten-Ökosystem passend ein.
Drei Wege, Software mit KI zu bauen
Nicht jede KI-unterstützte Entwicklung ist gleich. Welcher Ansatz zu Ihrer Situation passt, ist die erste Frage.
Wer nutzt es
- Vibe Coding
- Nicht-Engineers, Gründer:innen, Maker
- KI-unterstützt
- Engineers mit KI-Coding-Tools
- KI-nativ (agentischer SDLC)
- Engineers plus konfiguriertes Agenten-Ökosystem
Was es tut
- Vibe Coding
- Erzeugt lauffähige Software aus natürlicher Sprache
- KI-unterstützt
- Beschleunigt einzelne Coding-Aufgaben: Vorschläge, Refactoring
- KI-nativ (agentischer SDLC)
- Augmentiert jede Rolle von Anforderungen bis Operations
Engineering-Praktiken
- Vibe Coding
- Nicht eingebettet. KI erzeugt Code; Architektur, Security, Skalierung und Wartbarkeit bleiben ungeprüft, wenn Nutzer:innen es nicht selbst können
- KI-unterstützt
- Kommen vom Menschen. KI beschleunigt Ausführung, Engineer muss «gut» kennen und durchsetzen
- KI-nativ (agentischer SDLC)
- In Agenten eingebettet. Architektur, Tests, Compliance und Doku sind im System konfiguriert
Qualität
- Vibe Coding
- Hängt davon ab, ob Nutzer:innen Probleme erkennen, die sie nicht kennen
- KI-unterstützt
- Hängt von Disziplin und Erfahrung der Engineer:innen ab
- KI-nativ (agentischer SDLC)
- Konsistent. Quality-Gates sind Teil des Prozesses, nicht von individueller Disziplin abhängig
Am besten für
- Vibe Coding
- Validierung, PoC, interne Tools, Lernen
- KI-unterstützt
- Etablierte Teams, die bei bekannten Mustern schneller wollen
- KI-nativ (agentischer SDLC)
- Teams, die Production-Software zuverlässig, sicher und wartbar skalieren müssen
Was bei Skalierung bricht
- Vibe Coding
- Unsichtbare technische Schuld. Ohne Architektur kein Fundament
- KI-unterstützt
- Wissen bleibt in Individuen. Teamwachstum überträgt keine Kompetenz
- KI-nativ (agentischer SDLC)
- Braucht initiale Konfiguration. Lohnt sich bei dauerhafter Entwicklung, nicht bei Einmalprojekten
Wie wir liefern
Wir installieren nicht und gehen. Die Methodik funktioniert nur, wenn Ihr Team sie selbst führen kann. Deshalb folgt jedes Mandat Build-Operate-Transfer, ein Modell aus drei internationalen Programmen, bevor wir es auf KI-native Entwicklung angewendet haben.
Roberto Fognini leitete BOT-Programme in drei Ländern bei ERNI: Private Banking im Tessin, Fintech in Rumänien, MedTech-Standort Barcelona während der Pandemie. Immer dasselbe Muster: Fähigkeit aufbauen, bis zur Kapazität betreiben, Eigentum an die Kundin übergeben. Die KI-native Variante wendet dasselbe bewährte Muster auf Engineering-Methodik statt reiner Teamgründung an.
Über Roberto →
BUILD
Typisch: 2–8 Wochen
Wir bewerten Ihre Engineering-Praktiken, dokumentieren Architektur, etablieren das Gehirn und konfigurieren Agentenrollen für Stack und Regulatorik. Erste Features laufen durch den neuen Prozess, um den Nachweis zu erbringen.
Rolle Ihres Teams
Beobachtende werden Teilnehmende. Sie sehen Agenten arbeiten, reviewen Outputs, lernen Muster.
Meilenstein
Erstes Feature über den KI-nativen Prozess ausgeliefert.
OPERATE
Typisch: 1–12 Monate
Wir fahren die Methodik mit Ihrem Team. Bei einem Startup oft von Monat eins gemeinsam. In grösseren Organisationen dauert die Phase länger: Change, Training, Prozessintegration. Wir messen, optimieren und verfeinern Agenten-Konfigurationen kontinuierlich.
Rolle Ihres Teams
Praktiker:innen. Sie fahren Sprints, arbeiten mit Agenten, entscheiden. Wir coachen und fangen Ausnahmen ab.
Meilenstein
Ihr Team fährt einen vollen Sprint eigenständig.
Bei grösseren Teams läuft TEACH oft parallel zu Operate: Grundlagen des KI-nativen Engineerings während echter Arbeit.
TRANSFER
Typisch: Wochen bis Monate
Schrittweise Übergabe. Wir validieren eigenständigen Betrieb, technisch und in der Frage, wann Agenten überschrieben, Konfigurationen angepasst und Hilfe geholt wird. Volle Doku, trainierte Konfigurationen und etablierte Prozesse gehen in Ihr Eigentum.
Rolle Ihres Teams
Eigentümer:innen. Sie betreiben alles. Wir sind für Fragen da, nicht für den Tagesbetrieb.
Meilenstein
Sie brauchen uns nicht mehr. Das ist das Ziel.
Die Phasen sind keine starren Kästen. In der Praxis überlappen sie: Das Team partizipiert schon im Build, Transfer beginnt, sobald jemand einen Sprint Ende-zu-Ende fahren kann. Die Zeiten sind typische Spannen. Ein kleines, motiviertes Startup kann den Zyklus in wenigen Monaten durchlaufen; eine grosse Organisation mit Transformationsagenda braucht länger.
Ehrliche Grenzen
Jede Methodik hat Grenzen. Hier sind unsere.
Sie braucht initiale Investition.
Gehirn-Konfiguration für Stack, Standards und Regulatorik braucht Zeit. Einfaches Projekt: Tage. Komplex reguliert: Wochen. Das ist kein Tool für «morgen loslegen».
Sie verstärkt gutes Engineering, ersetzt es nicht.
Agenten meistern Routine hervorragend. Strategische Produktentscheide, Organisationpolitik oder ungesprochene Kundenbedürfnisse nicht. Menschliche Expertise zählt weiter. Agenten multiplizieren sie.
Sie braucht ein Fundament.
Wenn Prozesse in Tabellen und E-Mail leben, haben Agenten nichts zum Anbinden. Dokumentierte Architektur, Versionskontrolle und strukturierte Abläufe sind nötig. Das prüfen wir im Build und schliessen Lücken beim Setup.
Sie lohnt sich nicht für Wegwerf-Arbeit.
Schneller Prototyp zum Testen einer Idee: Vibe-Tools sind schneller und günstiger. Diese Methodik ist für Software, die zuverlässig, sicher und wartbar bleiben soll. Wenn Sie nicht pflegen wollen, nicht über-engineeren.
Transfer klappt nur bei aktivem Team.
BOT braucht echte Partizipation in Operate. Wenn das Team outsourct statt Kompetenz aufzubauen, scheitert Transfer. Wir können bauen und betreiben, aber nicht an ein Team übergeben, das nicht bereit ist.
Wo Sie stehen
Der richtige Einstieg hängt von Ihrer Engineering-Reife und Ihrem Ziel ab.
Engineering-Praktiken einschätzen
Die SDLC-Maturity-Einschätzung kartiert Ihre Praktiken über sechs Dimensionen und zeigt, wo KI-native Methoden den grössten Impact haben. Kostenlos. Start ohne E-Mail-Pflicht.
So bauen lernen
Unser aktuelles KI-Training richtet sich an Entwickler:innen und nicht-technische Builder:innen mit Fokus auf KI-natives Product Engineering in echter Lieferarbeit.