Warum Spec-Driven Development im großen Maßstab scheitert – und wie man es behebt

Dieser Beitrag argumentiert, dass Spec-Driven Development (spezifikationsbasierte Entwicklung) für Coding-Arbeiten mit AI-Agenten vielversprechend ist, beim Skalieren im globalen Produktkontext jedoch an der Mehrdeutigkeit natürlichsprachlicher Spezifikationen scheitert. Der Autor schlägt als Lösung ein hierarchisches und evolutionäres System aus „lebenden Spezifikationen“ (living specifications) vor, das Code und interaktive AI integriert. Dadurch entsteht ein Feedback-Loop für Produktentscheidungen, der Inkonsistenzen reduziert und eine effektive, großskalige AI-gestützte Entwicklung ermöglicht.

Hauptgründe, warum Spec-Driven Development im großen Maßstab scheitert

Traditionelles Spec-Driven Development verursacht bei globalen Produktspezifikationen aus folgenden Gründen Probleme:

• Mehrdeutigkeit natürlichsprachlicher Spezifikationen: Groß angelegte Spezifikationen werden in natürlicher Sprache verfasst und sind dadurch unpräzise und mehrdeutig. AI kann zwar konsistent Code anhand der Spezifikation erzeugen, das Ergebnis kann aber dennoch von der eigentlichen Absicht der Entwickler abweichen. Schreibt man zum Beispiel eine Produktspezifikation für eine komplette Website und ein AI-Agent baut sie in zwei Tagen, passt das Resultat zur Spezifikation, aber nicht zur Intention. Versucht man dieses Problem durch immer detailliertere Unterabschnitte zur Klärung jeder Mehrdeutigkeit zu lösen, werden die Dokumente übermäßig langatmig, verlieren die Vorteile des Spezifikationsschreibens und enden letztlich in einer formalisierten Sprache, die sich kaum noch von Code unterscheidet.

• Mangel an geteiltem Kontext und Weltverständnis: AI verfügt zwar durch öffentliche Daten über breites Wissen, versteht aber keine unternehmensspezifischen Praktiken, Codebase-Konventionen oder internen „Arbeitsweisen“. Menschen hingegen bauen dieses Wissen durch Trial-and-Error, PR-Reviews, Meetings und informelle Gespräche auf. Ein einzelnes Kontextdokument kann das nicht erfassen.

• Ineffiziente Verarbeitung von Klärungen: Menschen lösen dank geteiltem Kontext nur relevante Mehrdeutigkeiten effizient auf und fragen bei offensichtlichen Punkten – etwa der Bibliothekswahl – nicht ständig nach. AI fehlt dagegen die nötige Kontextsensibilität, sodass sie unnötige Fragen stellt oder ihre Fähigkeit zur Klärung noch zu unausgereift ist. Dadurch wirkt sie wie ein „überambitionierter Praktikant“, der fortlaufend Anleitung benötigt.

Aufgrund dieser Probleme ist globales Spec-Driven Development ohne zusätzliche Mechanismen unrealistisch und erreicht nicht die Reibungslosigkeit menschlicher Zusammenarbeit.

Konkrete Beispiele

• Extremes Spec-Driven-Szenario: Ein Entwickler schreibt die Spezifikation für eine komplette Website, und AI erzeugt in zwei Tagen ein fertiges Produkt, das wegen Mehrdeutigkeiten jedoch nicht der eigentlichen Absicht entspricht.
• Menschlicher Lernprozess: Entwickler lernen Unternehmensnormen durch frühe Codeänderungen, PR-Reviews, Meetings und Gespräche auf dem Flur, während AI dieses implizite Wissen nicht aufbaut.
• Gealterte Codebase: In traditionellen Workflows lesen und ändern Entwickler Code ohne Spezifikationen, wodurch inkonsistente „Patchwork-Quilts“ entstehen und verlorene Produktentscheidungen „niedergewalzt“ werden.

Der Beitrag verweist auf einen früheren Post (zum Thema Roaming RAG) und erwähnt, dass AI gut darin ist, hierarchische Linkstrukturen zu durchlaufen. Formale Fallstudien gibt es nicht; die Darstellung basiert vor allem auf hypothetischen und erklärenden Beispielen.

Vorgeschlagene Lösung

Der Beitrag schlägt eine verknüpfte Lösung vor, die sich auf den Umgang mit Mehrdeutigkeit, den Aufbau von Kontext und die Integration von Code konzentriert:

Aktivierung von Klärung durch interaktive Rückfragen

• Implementierung einer Back-and-Forth-Interaktion zwischen AI und Entwicklern – etwa in Form eines Chat-Erlebnisses –, um Mehrdeutigkeiten in Spezifikationen zu identifizieren und zu klären. Bei kleinen Aufgaben kann AI mehrere Implementierungsvarianten einer Spezifikation erzeugen, um Mehrdeutigkeiten sichtbar zu machen, die dann mit Entwicklern verglichen und diskutiert werden.

Aufbau eines Agenten-Weltbilds durch hierarchische Spezifikationen

• Nutzung globaler Spezifikationen mit hierarchischer Struktur, damit unternehmens- und codebase-spezifische Konventionen verstanden werden. Anstelle eines einzigen riesigen Dokuments verweist die Hauptspezifikation auf untergeordnete Spezifikationsdokumente:
  • eng an die Codestruktur gekoppelt, etwa als dateibezogene Spezifikationen (Directory-Rollup-Versionen).
  • im freien Wiki-Stil (allerdings mit Vorsicht vor übermäßiger Komplexität).
• Dabei wird die Fähigkeit von AI genutzt, Links zu traversieren (siehe früherer Beitrag).

Die Rolle von Code als ultimative Spezifikation

• Bestehender Code wird als eindeutige „Leaf-Level“-Spezifikation für Annahmen auf niedriger Ebene behandelt. Statt auf vollständige Regeneration aus einer Master-Spezifikation zu setzen, sollten Änderungen auf der bestehenden Codebase aufbauen. Damit wird anerkannt, dass natürliche Sprache nicht jedes Mal denselben Output garantieren kann, und es werden unrealistische Präzisionsanforderungen vermieden.

Lebende Spezifikationen: Nutzung und Weiterentwicklung

• Spezifikationen werden zu „lebenden Dokumenten“, die sich gemeinsam mit der Codebase weiterentwickeln:
  • AI durchläuft globale Spezifikationen, um Implementierungen abzugleichen, und bewahrt Produktentscheidungen besser als menschliche Workflows.
  • Entwickler extrahieren per Dialog mit AI relevante Spezifikationsinformationen, ohne alles lesen zu müssen; beim Scoping werden Inkonsistenzen markiert.
  • Codeänderungen lösen Spezifikations-Updates aus: Änderungen werden mit bestehenden Spezifikationen verglichen und editiert; Spezifikationsänderungen sind Teil des PR.
• Vorteile: Entwickler verstehen die Auswirkungen von Änderungen leichter, Produktmanager können sich stärker beteiligen, weil sie lesbare Spezifikationen bearbeiten, und Führungskräfte können die Produktentwicklung per Abfrage nachvollziehen. Das klassische Problem, dass Dokumentation nicht aktualisiert wird, könnte durch AI-Automatisierung gemildert werden.

Fazit und Empfehlung

Die Zukunft von Spec-Driven Development liegt nicht in der Perfektionierung natürlichsprachlicher Spezifikationen, sondern in Systemen, die Mehrdeutigkeiten über Dialog, hierarchischen Kontext und Codebezug verarbeiten. Der eigentliche Durchbruch sind von AI gepflegte lebende Spezifikationen, die einen Feedback-Loop schaffen, in dem Produktentscheidungen erhalten bleiben, Kontext bewahrt wird und die Lücke zwischen Spezifikation und Implementierung verschwindet. Die Empfehlung lautet daher, hierarchische und evolutionäre Spezifikationen einzuführen, die Code und interaktive AI integrieren, um skalierbare AI-Workflows zu ermöglichen, die traditionelle menschliche Entwicklung übertreffen.

[raykim]

Wirkt stark wie ein hingeworfener Post, der einfach durch GPT gejagt wurde.