Der SDLC ist tot: Wie AI Agents die Softwareentwicklung für immer verändern

Der Software Development Lifecycle ist tot – und was das für Marketing-Teams bedeutet

Boris Tane, Engineer bei Cloudflare, hat es auf den Punkt gebracht: „AI agents didn't make the SDLC faster. They killed it." (Quelle)

Die These ist radikal – und hat in der Tech-Branche heftige Diskussionen ausgelöst. Aber sie betrifft nicht nur Entwickler. Wenn sich die Art, wie Software gebaut wird, fundamental verändert, hat das massive Auswirkungen auf Marketing, Produktentwicklung und die gesamte digitale Wertschöpfungskette.

---

Was war der SDLC?

Der klassische Software Development Lifecycle folgte einem linearen Pfad:

Gesamtdauer eines typischen Feature-Zyklus: 6–10 Wochen.

Jede Phase hatte eigene Teams, eigene Tools, eigene Rituale. Sprint Planning, Story Points, Release Trains – eine Multi-Milliarden-Dollar-Industrie an Tooling ist um diesen Prozess herum entstanden.

---

Was passiert stattdessen?

„The stages collapsed. They didn't get faster. They merged. The agent doesn't know what step it's on because there are no steps. There's just intent, context, and iteration." — Boris Tane

Der neue Workflow sieht so aus:

Intent → Agent → Code + Tests + Deployment → Funktioniert es? → Ship

Keine Tickets. Keine Sprints. Keine Story Points. Keine Pull Requests in der Warteschlange. Keine separate QA-Phase. Keine Release Trains.

Jede Phase kollabiert

Requirements: Wenn ein Agent ein komplettes Feature in Minuten generieren kann, braucht man keine wochenlange Spezifikation mehr. Man beschreibt die Richtung, der Agent baut eine Version, man iteriert. Requirements werden zum Nebenprodukt der Iteration.

System Design: Design wird nicht mehr diktiert, sondern entdeckt. Der Agent hat mehr Systeme, Architekturen und Patterns gesehen als jeder einzelne Engineer. Man kollaboriert in Echtzeit am Design – und der Output ist funktionierender Code.

Implementation: Der Agent schreibt den Code. Ganze Features. Komplette Lösungen mit Error Handling, Types und Edge Cases.

Testing: Agents schreiben Tests parallel zum Code. TDD ist keine Methodik mehr – es ist einfach, wie Agents standardmäßig arbeiten.

Code Review: Boris Tane provoziert bewusst: „The pull request flow needs to go." Ein Agent generiert 500 PRs am Tag. Ein Team kann vielleicht 10 reviewen. Die Lösung: Adversarial Agents, die den Code des ersten Agents prüfen. Menschen nur noch für Ausnahmefälle.

Deployment: Agents schreiben Deployment-Pipelines, die ausgefeilter sind als das, was die meisten Teams je manuell gebaut hätten – Feature Flags, Canary Releases, automatische Rollbacks.

---

Monitoring: Die letzte Phase, die überlebt

Hier wird es für Marketing-Teams besonders relevant:

„Monitoring is the only stage of the SDLC that survives. And it doesn't just survive – it becomes the foundation everything else rests on."

Wenn Agents Code schneller shippen als Menschen ihn reviewen können, ist Observability der primäre Sicherheitsmechanismus. Jede andere Absicherung – Design Review, Code Review, QA-Phase, Release Sign-off – wurde absorbiert oder eliminiert.

Das Problem: Die meisten Observability-Plattformen wurden für Menschen gebaut. Dashboards, Alerts, Log-Suche – alles designed für eine Person, die hinschaut, interpretiert und handelt. Dieses Modell bricht zusammen, wenn das Volumen an Änderungen die menschliche Aufmerksamkeit übersteigt.

Die Lösung: Closed-Loop-Systeme, bei denen Telemetrie-Daten direkt zum Kontext für den Agent werden, der den Code deployed hat – damit er die Regression erkennen und selbst fixen kann.

---

Was bedeutet das für Marketing-Teams?

1. Feature-Velocity explodiert

Wenn ein Feature-Zyklus von 6–10 Wochen auf Stunden bis Tage schrumpft, verändert sich die Marketing-Planung fundamental:

2. Personalisierung wird radikal möglich

Wenn die Kosten für Feature-Entwicklung gegen Null tendieren, können Marketing-Teams 10 Varianten einer Landing Page gleichzeitig testen lassen – nicht als A/B-Test, sondern als vollständig personalisierte Erlebnisse für verschiedene Zielgruppen.

3. Content-Produktion verschmilzt mit Produktentwicklung

Die Grenze zwischen „Marketing-Content" und „Produkt-Feature" verschwimmt. Ein interaktiver ROI-Rechner ist beides. Eine KI-gestützte Beratung auf der Website ist beides. Wenn beides gleich schnell gebaut werden kann, fällt die organisatorische Trennung weg.

4. Die neue Kernkompetenz: Context Engineering

Boris Tane bringt es auf den Punkt:

„The quality of what you build with agents is directly proportional to the quality of context you give them. Not the process. Not the ceremony. The context."

Für Marketing bedeutet das: Wer den besten Kontext liefern kann – Kundendaten, Marktinsights, Brand Guidelines, Wettbewerbsanalysen – gewinnt. Nicht wer den besten Prozess hat.

---

Die Gegenargumente – und warum sie teilweise berechtigt sind

Nicht jeder stimmt Boris Tane zu. Die Kommentare unter seinem Artikel zeigen die Bandbreite:

„Wir bauen Black Boxes, die niemand versteht" – Ein berechtigter Einwand. Wenn Teams nicht mehr erklären können, warum ein Codebase so aussieht wie er aussieht, verlieren wir Engineering-Kultur. Die Antwort: Observability und Dokumentation werden wichtiger, nicht weniger.

„Was passiert bei sicherheitskritischer Software?" – Für Medical Devices, Automotive oder Finanzdienstleistungen gelten regulatorische Anforderungen, die einen kollabierten SDLC nicht zulassen. Hier bleibt der traditionelle Lifecycle relevant – aber auch er wird durch Agents beschleunigt.

„Wer verifiziert den Verifizierer?" – Die philosophische Kernfrage. Wenn der Agent seinen eigenen Code prüft und deployed, brauchen wir verlässliche Audit Trails. AWS' Kiro-Tool brachte AWS im Dezember 2024 für 13 Stunden zum Absturz – obwohl Engineers die Änderungen „genehmigt" hatten.

---

Was du jetzt tun solltest

Als Marketing-Leader

1. Akzeptiere die neue Geschwindigkeit: Feature-Requests, die früher Monate dauerten, können jetzt in Tagen umgesetzt werden. Passe deine Erwartungen und Planungszyklen an.

2. Investiere in Context Engineering: Dein Wettbewerbsvorteil liegt nicht mehr im Prozess, sondern in der Qualität deines Kontexts – Kundendaten, Brand Assets, Market Intelligence.

3. Baue Observability-Kompetenz auf: Wenn AI-generierter Code und Content in Produktion gehen, brauchst du Tools, die Qualität, Compliance und Performance überwachen.

4. Verschmelze Marketing und Product: Die organisatorische Trennung zwischen „Marketing baut Kampagnen" und „Product baut Features" wird obsolet, wenn beides gleich schnell passiert.

Als Marketing-Technologe

1. Lerne Agentic Workflows: Nicht wie man Code schreibt, sondern wie man Agents steuert. Context Engineering, Prompt Design, Agent Orchestration.

2. Setze auf AI Observability: Tools wie Arize AI, Fiddler oder Langfuse werden Standard-Infrastruktur für jedes Team, das KI einsetzt.

3. Automatisiere den Feedback-Loop: Monitoring → Insights → Agent-Aktion → Deployment. Ohne menschliche Bottlenecks.

---

Fazit: Der SDLC ist tot. Lang lebe der Feedback-Loop.

Boris Tane formuliert es unnachahmlich:

„The SDLC is dead. The new skill is context engineering. The new safety net is observability. And most of the industry is still configuring Datadog dashboards no one looks at."

Für Marketing-Teams ist die Botschaft klar: Die Ära der langen Feature-Zyklen, der quartalsweisen Roadmaps und der starren Trennungen zwischen Marketing und Product ist vorbei. Wer jetzt in Context Engineering und AI Observability investiert, wird den Wettbewerb dominieren. Wer weiter auf den alten SDLC wartet, wird abgehängt.

Die Zukunft gehört nicht denen mit dem besten Prozess. Sie gehört denen mit dem besten Kontext.