Der Engpass liegt in der „Organisation“

• Mit der Einführung von AI-Coding-Tools ist die Geschwindigkeit beim Schreiben von Code zwar gestiegen, aber es ist nicht klar, ob Organisationen dadurch tatsächlich schneller Wert liefern
• Die Grundlagen für erfolgreiche Microservices – Engineering Enablement, Guardrails, automatisierte Tests, aktive Ownership und leichte Governance – sind dieselben wie die Grundlage für den Erfolg von AI-Coding-Agents
• Im DORA-Report heißt es, „AI übernimmt in der Softwareentwicklung die Rolle eines Verstärkers (amplify) und vergrößert sowohl die Stärken leistungsstarker Organisationen als auch die Dysfunktionen schwacher Organisationen“
• Organisationen ohne automatisierte Tests, Dokumentation und eine CI/CD-Pipeline, die schrittweise Deployments unterstützt, können weder Microservices noch AI-Coding-Agents erfolgreich machen
• Über Erfolg oder Misserfolg bei der Einführung von AI-Tools entscheidet nicht das Tool selbst, sondern die Reife des Software-Engineering-Teams und die Investitionen in die Grundlagen

---

Zentrale Fragestellung

• Alle führen AI-Coding-Tools ein, und Engineers schreiben Code schneller als je zuvor
• Aber es ist nicht eindeutig, ob Organisationen dadurch tatsächlich schneller Wert liefern
• Die Praktiken, die Microservices langfristig funktionsfähig machen, stimmen genau mit den Grundlagen überein, die auch AI-Coding-Agents erfolgreich machen

Organisatorische Reife macht den Unterschied

• Die Erfahrungen von Organisationen bei der Einführung von AI-Coding-Tools unterscheiden sich stark; der entscheidende Faktor ist die Reife der Software-Engineering-Organisation
• Im neuesten DORA-Report heißt es:

  „Die Hauptrolle von AI ist Verstärkung: Sie vergrößert sowohl die Stärken leistungsstarker Organisationen als auch die Dysfunktionen schwacher Organisationen.“

• Als die Financial Times vor zehn Jahren mit Microservices begann, hing der Erfolg ebenfalls nicht von der Technologiewahl ab, sondern vom kulturellen und organisatorischen Setup
  • Wenn eine Organisation nur einmal pro Woche releasen kann, bringt die Einführung von Microservices keinen Vorteil
  • Man trägt dann nur die Kosten einer komplexeren Betriebsarchitektur, ohne den Vorteil zu bekommen, Änderungen häufig und sicher auszurollen

Gemeinsame Muster von AI-Coding-Agents und Microservices

• Ohne automatisierte Tests, Dokumentation und eine CI/CD-Pipeline, die schrittweise Deployments unterstützt, sind weder Microservices noch AI-Coding-Agents erfolgreich
• Die Organisationen mit den besten Ergebnissen sind jene, die bereits in die Grundlagen investiert haben

Guardrails sind entscheidend (Guardrails matter)

• Es reicht nicht, Teams nur zu sagen, sie sollen „das Richtige tun“; man muss paved roads und Guardrails aufbauen, die ihnen helfen, automatisch das Richtige zu tun
• Nur so wird Autonomie nicht zu Chaos
• Ein Agent mit Zugriff auf die Codebasis, aber ohne Einschränkungen, ist wie ein autonomes Team ohne Guardrails: Es bewegt sich schnell, aber nicht unbedingt in die richtige Richtung
• Organisationen, die bereits Guardrails für ihre Teams aufgebaut haben, haben einen großen Vorteil
  • In CI erzwungene Coding-Standards, Architecture Decision Records (ADR) und Templates für neue Services werden direkt zu den Constraints, die Agents auf Kurs halten

Die Deployment-Pipeline ist das beste Sicherheitsnetz

• Automatisierte Tests, schrittweise Rollouts und Zero-Downtime-Deployments fangen Fehler ab, bevor sie die Produktion erreichen – unabhängig davon, ob der Code von Menschen oder von AI geschrieben wurde
• Auch Observability ist wichtig
  • So wie man Microservices nicht ohne Logs, Metriken und Traces betreibt, sollte man auch keinen Code, den man nicht selbst geschrieben hat, mergen, ohne nachvollziehen zu können, was sich warum geändert hat
• Unabhängige Deployability bedeutet unabhängige Rollback-Fähigkeit
  • Wenn ein AI-Agent in einem Service eine fehlerhafte Änderung vornimmt, kann man zurückrollen, ohne sechs andere Dinge mit aufzudröseln
• Wenn dank AI-Agents dreimal schneller deployt wird, werden diese Praktiken noch wichtiger

Engineering Enablement ist der Hebel für Skalierung

• Templates, Libraries und Golden Paths von Plattform-Teams helfen nicht nur Entwicklern, sondern liefern auch die Constraints und den Kontext, die AI-Agents in der gesamten Organisation effektiv machen
• Organisationen, die bereits in Enablement investiert haben, fällt die Einführung von AI-Coding-Tools am leichtesten
• In Organisationen ohne diese Investitionen verstärkt AI nur das Chaos