Lernpfad
Lernwege für AI-Driven Development
Ein kompakter Pfad, um den Production Gap zu sortieren: Was muss ich verstehen, was muss ich prüfen, und wo muss ich später vertiefen?
So lernst du das Thema
Vom Grundverständnis zur eigenen Anwendung
Für dich persönlich
Nimm pro Modul eine Frage mit und prüfe, welche Beobachtung in deinem Umfeld dazu passt.
Für ein Team
Verwandle jedes Modul in ein Gespräch: Was sehen wir schon, was fehlt, was ist unser nächster Test?
Für eine Umsetzung
Starte nicht mit Vollautonomie. Starte mit einem kleinen Slice, klaren Evals und sichtbaren Policies.
Lernmodule
Sechs Module, die den Production Gap sortieren
AI-Produkte sind anders
Der Einstieg ist die Grundannahme: AI-Produkte sind nicht-deterministisch. Deshalb reichen klassische Software-Erwartungen nicht aus.
Reflexionsfragen
- •Was in meinem Kopf ist noch klassisches Software-Denken?
- •Welche Unsicherheit kommt aus dem Modell, welche aus dem Nutzerverhalten?
- •Wo brauche ich andere Erfolgskriterien als „läuft“ oder „läuft nicht“?
Verlässlichkeit entsteht im Betrieb
Ein System ist erst dann tragfähig, wenn Monitoring, Baselines und Drift-Erkennung vorhanden sind. Produktion ist ein eigener Lernraum.
Reflexionsfragen
- •Woran würde ich merken, dass das System „up“ ist, aber schlechter wird?
- •Welche Baselines fehlen mir heute?
- •Was wird nach dem Deploy noch nicht gemessen?
Security und Rechte begrenzen den Radius
Sobald Agents Daten, Tools oder Produktionssysteme berühren, wird Zugriff zur Sicherheitsfrage. Read/Write-Split und Runtime-Policies werden zentral.
Reflexionsfragen
- •Welche Aktionen darf ein System allein ausführen?
- •Wo brauche ich klare Approval-Grenzen statt impliziter Freigabe?
- •Wie würde ich denselben Zugriff einem neuen Mitarbeiter geben?
Evals und Traces machen Verhalten sichtbar
Ohne Traces und Evaluationsdaten bleibt Verbesserung Bauchgefühl. Reale Fehler müssen erst gesehen, dann kategorisiert werden.
Reflexionsfragen
- •Welche 10–20 echten Fälle würde ich zuerst ansehen?
- •Welche Fehlermuster wiederholen sich?
- •Welche Evals wären klein genug, um sofort zu starten?
Approval ist nicht das Ziel
Zu viele Freigabeschleifen bremsen generierte Arbeit wieder aus. Besser sind Eskalationsmodelle: AI macht den Standard, Menschen prüfen Ausnahmen.
Reflexionsfragen
- •Wo blockiert mich Freigabe heute wirklich?
- •Welche Entscheidungen sind riskant genug für menschliche Prüfung?
- •Wo könnte Eskalation statt Dauer-Approval reichen?
Weiterentwicklung braucht ein Lernsystem
Wenn Produktionsfälle nicht zurück in Specs, Evals und Architektur fließen, bleibt jedes Release isoliert. Der Loop muss geschlossen werden.
Reflexionsfragen
- •Wie werden Produktionsfälle dokumentiert?
- •Wer entscheidet, was daraus gelernt wird?
- •Wie werden Deep Dives in Standards übersetzt?
Merksatz
AI-Driven Development wird erst dann interessant, wenn der Weg von der Erzeugung zur verlässlichen Produktion nicht mehr improvisiert werden muss. Genau dort liegen die Lernwege: Evals, Monitoring, Security, Betrieb und klare Entscheidungslogik.