Agentic Development bei DECODE: Wie wir KI nutzen, um Software zu entwickeln

Die Frage ist nicht mehr, ob man KI in der Softwareentwicklung einsetzen soll. Die Frage ist, wie man sie gut einsetzt.

Das Potenzial liegt auf der Hand.

Entwicklungsteams können manuelle Arbeit nahezu eliminieren und deutlich mehr leisten. Die Herausforderung besteht darin, dieses Potenzial in einen Workflow zu übersetzen, der in echten Projekten wirklich trägt.

Bei DECODE integrieren wir KI direkt in unsere Arbeitsweise.

Wir nutzen Agentic Development, um die Umsetzung zu beschleunigen und die tägliche Lieferung effizienter zu gestalten – ohne dabei Abstriche bei der Qualität zu machen.

In diesem Artikel erläutern wir, wie wir KI in der Praxis einsetzen, wo sie den größten Einfluss hat und was wir daraus gelernt haben, sie in unseren Softwareentwicklungsprozess zu integrieren.

Lassen Sie uns eintauchen!

Planung und Product discovery: Wie wir KI nutzen, um Recherche und Planung zu beschleunigen

Bevor wir etwas entwickeln, müssen wir verstehen, was entwickelt werden sollte, warum es wichtig ist und wo die Risiken liegen.

Daran hat sich nichts geändert.

Was sich verändert hat, ist die Geschwindigkeit, mit der wir die manuellen Teile der Discovery und Planung bewältigen können.

Über 100 abgeschlossene Projekte. Wir sind bereit für Ihres. Let’s talk →

Sie sprechen direkt mit unseren Technologieexperten.

Wir setzen KI frühzeitig ein, um schneller Kontext aufzubauen.

Das kann bedeuten:

• Sich schneller in eine neue Branche einarbeiten. KI hilft uns, uns in einer weniger vertrauten Branche deutlich schneller einzufinden und ausreichend Kontext aufzubauen, um bessere frühe Entscheidungen zu treffen.
• Einen klareren Überblick über den Markt gewinnen. KI hilft uns, ein umfassenderes Bild des Markts zu entwickeln – inklusive benachbarter Produkte, nützlicher Datenpunkte und Referenzfälle, die wir nicht sofort gefunden hätten.
• Muster und Wettbewerber erkennen, die wir möglicherweise übersehen hätten. Sie kann die Liste relevanter Wettbewerber erweitern und uns helfen, Lücken, Überschneidungen oder gängige Ansätze früher in der Discovery zu erkennen.
• Wiederkehrende Themen früher im Prozess identifizieren. Das hilft uns, dieselben Schmerzpunkte, Bedürfnisse oder Erwartungen aus mehreren Interviews viel früher zu erkennen.

Anstatt Tage damit zu verbringen, Rohmaterial zu sammeln und zu sortieren, können wir deutlich schneller zu einem hilfreichen Ausgangspunkt gelangen.

Wir haben mehr Zeit für das, was am wichtigsten ist: das Diskutieren von Abwägungen, das Scopen des MVP und die Entscheidung, was überhaupt gebaut werden soll.

Mit KI können wir ein deutlich ausgefeilteres MVP liefern. Das liegt daran, dass wir viel mehr Zeit auf die Entscheidungen und Verbesserungen verwenden können, die zu höherer Qualität führen – anstatt auf manuelle Arbeit.

Mario Zderic, Mitgründer und CTO bei DECODE

Mit anderen Worten: In der Discovery können wir uns fast ausschließlich auf die Strategie konzentrieren.

Und das ist entscheidend für die Entwicklung eines erfolgreichen, hochwertigen Softwareprodukts.

KI ist auch bei der Entwicklungsplanung ein enormer Gewinn.

Wir können ein detailliertes Anforderungsdokument deutlich schneller als bisher in eine umsetzbare Roadmap überführen.

In einem Projekt haben wir KI genutzt, um ein Anforderungsdokument in Jira-fertige Epics und 400 produktionsreife Aufgaben zu überführen. Wir haben das Ergebnis überprüft und freigegeben, bevor wir weitergegangen sind – und an einem Tag Arbeit abgeschlossen, die normalerweise fünf Tage gedauert hätte.

Boris Plavljanic, Technical Project Manager bei DECODE

Kurz gesagt: Mit KI können wir die Entwicklung deutlich effektiver planen.

Wir investieren weniger Energie in repetitive Recherche und administrative Aufgaben und mehr in bessere Entscheidungen, noch bevor die Entwicklung beginnt.

Design: Wie wir KI nutzen, um mit mehr Kontext zu gestalten

Mit KI können wir schneller gestalten, ohne den Kontext zu verlieren.

Zu einem großen Teil liegt das daran, dass langsamere, repetitive Arbeiten am Anfang des Prozesses automatisiert werden.

Das gibt uns mehr Zeit, Ideen zu testen, Flows zu verbessern und bessere Designentscheidungen zu treffen.

Hier sind einige Beispiele:

• Von Anfang an realistischen Content generieren. Wir können echten Copytext anstelle von Platzhaltern verwenden, was es einfacher macht, Layout, Hierarchie, leere Zustände und den gesamten Flow eines Screens zu beurteilen.
• Lücken früher erkennen. KI hilft uns, Dinge zu bemerken, die beim ersten Durchgang leicht übersehen werden – wie leere Zustände, Fehlerzustände, Fokuszustände, deaktivierte Buttons und Edge Cases in einem Flow.
• Design-Systeme und Muster konsistenter halten. Wir können bestehende Muster effektiver wiederverwenden und den manuellen Aufwand für die Pflege eines strukturierten Design-Systems reduzieren.

Der eigentliche Vorteil liegt jedoch darin, dass wir uns auf Entscheidungen konzentrieren können, die die UX wirklich verbessern.

Und eine der Möglichkeiten, wie wir das tun, ist Rapid Prototyping.

Anstatt wochenlang die erste Version vorzubereiten, können wir innerhalb von Tagen echtes Feedback von Nutzern und Kunden einholen.

Wireframes sind überholt. Es gibt keinen echten Bedarf mehr dafür, wenn es denselben Aufwand erfordert, zu einem High-Fidelity-Prototypen zu gelangen – und dieser Prototyp bereits gut genug ist, um ihn mit Nutzern zu testen, Feedback zu erhalten und ihn weiterzuentwickeln.

Matej Maric, Product Designer bei DECODE

KI hat auch die Zusammenarbeit zwischen unseren Designern und Entwicklern verändert.

Die Grenze zwischen Design und Entwicklung wird deutlich fließender.

Sie arbeiten in einem engeren Kreislauf mit deutlich weniger Hin und Her.

Mit dem Figma MCP können Entwickler einen Link aus unserer Figma-Datei in ihren Coding-Agenten ziehen, den Code aktualisieren und diese Änderungen zurück in Figma übertragen. Es fühlt sich an wie Gestalten durch Code.

Matej Maric, Product Designer bei DECODE

Das passt zu der Art, wie wir bei DECODE bereits gearbeitet haben.

Wir haben Design nie von der Entwicklung isoliert. Unsere Designer, PMs und technischen Leads haben immer eng zusammengearbeitet.

KI macht diese Zusammenarbeit schneller und einfacher.

Und das ist der eigentliche Gewinn.

Entwicklung: Wie wir KI-Agenten zum Entwickeln von Software einsetzen

Bei DECODE haben wir Agentic Development eingeführt.

Die Idee dahinter ist einfach.

KI-Agenten übernehmen nahezu die gesamte operative Arbeit, während unsere Engineers die volle Verantwortung für den Plan, die Logik und das Endergebnis behalten.

Wir stürzen uns nicht direkt in die Implementierung und hoffen auf das Beste. Agentic Development ist kein Vibe Coding.

Wir haben auch die Tools, die wir verwenden, standardisiert. Anstatt dass jeder verschiedene Tools nutzt, erhält jeder Engineer Zugang zu einem Platz bei Claude Code.

So können wir Skills und Plugins problemlos teilen und gleichzeitig unsere Arbeitsweise mit KI standardisieren.

Aber wie sieht unser tatsächlicher Entwicklungs-Workflow aus?

KI-Agenten erstellen einen ersten Plan für ein Feature, aber wir überprüfen, hinterfragen und verbessern das Ergebnis stets, bevor wir den Code generieren.

Darauf achten wir dabei:

• Schwaches oder fehlendes Error Handling
• Falsche Annahmen in der Logik
• Inkonsistenzen mit der bestehenden Architektur
• Oberflächliche Tests
• Code, der gut aussieht, aber im Produktivbetrieb nicht standhält

Die größte Veränderung besteht darin, dass unsere Engineers repetitive Arbeit schneller erledigen können, während sie die volle Kontrolle über das Ergebnis behalten.

Aber was meinen wir genau mit repetitiver Arbeit?

Hier sind nur einige der Anwendungsfälle, in denen KI glänzt:

• Boilerplate-Code generieren. Agenten übernehmen repetitive Arbeit, die früher Zeit gekostet hat, ohne per se viel Mehrwert zu liefern.
• Schichten in der Architektur verbinden. Sie können helfen, Teile des Systems zusammenzufügen und die routinemäßigere Implementierungsarbeit zu beschleunigen.
• Payloads in nutzbare Klassen und Modelle überführen. Anstatt dies Struktur für Struktur zu tun, delegieren wir einen Großteil davon und überprüfen das Ergebnis.
• Unit-Tests parallel zur Feature-Entwicklung erstellen. Das erleichtert es, Testing früher in unseren Prozess zu integrieren.
• Pull Requests und technische Änderungen zusammenfassen. Technische Änderungen sind für das Team einfacher zu reviewen und weiterzugeben.
• Kontext aus Tools wie Git, Jira und Figma abrufen. Wir kommen deutlich schneller als bisher an die benötigten Informationen.

KI hilft uns, eine enorme Menge repetitiver Arbeit zu automatisieren – das stimmt.

Aber sie hilft unseren Engineers auch dabei, Probleme zu lösen, mit denen sie noch nie zuvor konfrontiert waren.

In einem Projekt wollte der Kunde einen sehr spezifischen visuellen Effekt. Um dorthin zu gelangen, mussten Farben, Deckkraft und Animation auf eine Weise kombiniert werden, die mir neu war. Es war nicht schwer – ich hatte so etwas einfach noch nie gebaut. Claude Code wusste, wie man das angeht, und das hat mir enorm viel Zeit gespart.

Marko Viskanic, Software Engineering Team Lead bei DECODE

Im Agentic Development ist das Coden kein Engpass mehr.

Das bedeutet, dass wir produktorientierter sein können und unsere Software-Engineers zu Product Engineers werden.

Und genau dort spüren unsere Kunden den Mehrwert wirklich.

Testing: Wie wir KI nutzen, um die Qualitätssicherung zu beschleunigen

Qualitätssicherung war bei DECODE schon immer ein zentraler Bestandteil unserer Arbeitsweise.

Das ist nach wie vor so.

Was sich verändert hat, ist die Geschwindigkeit, mit der wir die repetitiven Teile der Qualitätssicherung abarbeiten können.

Playwright ist ein Beispiel, aber nicht das einzige. Die meisten Test-Frameworks kommen inzwischen mit einer Form von KI-Integration. Mit eingebauten Tools wie Codegen dauert das Schreiben von Automatisierungsskripten, das früher 2 Stunden in Anspruch nahm, jetzt weniger als eine halbe Stunde.

Marko Brajer, QA Team Lead bei DECODE

Das gibt unseren QA-Engineers mehr Spielraum, sich auf die Teile der Arbeit zu konzentrieren, die den größten Einfluss auf die Produktqualität haben.

Wir nutzen KI, um den manuellen Aufwand in Bereichen wie Automatisierung, Bug-Reporting, Testfall-Erstellung und Dokumentation zu reduzieren:

• Testfälle aus Akzeptanzkriterien generieren. Anstatt auf einem leeren Blatt zu beginnen, gelangen wir schneller zu einem soliden ersten Entwurf und verwenden mehr Zeit darauf zu prüfen, ob die Abdeckung wirklich aussagekräftig ist.
• Automatisierungsskripte schreiben und aktualisieren. Arbeit, die früher Stunden dauerte, erledigt sich in einem Bruchteil der Zeit – so können wir automatisierte Tests viel näher am Moment der Feature-Entwicklung schreiben und aktualisieren.
• Teststrategie-Dokumente erstellen. Wir erhalten schnell eine nutzbare erste Version, sodass wir uns auf die Verfeinerung der Strategie konzentrieren können, anstatt sie zu formatieren.
• Technische Befunde in klarere Sprache umformulieren. Das hilft uns, Probleme klarer im Team und gegenüber Kunden zu kommunizieren.

Wir haben auch eigene KI-Tools für die Qualitätssicherung entwickelt.

Ein Beispiel ist unsere Chrome-Extension für Bug-Reports.

Anstatt jeden Teil eines Bug-Reports manuell auszufüllen, schreiben wir eine kurze Beschreibung und KI erstellt den Report daraus.

Sie schreiben zwei oder drei Sätze, in denen Sie den Bug beschreiben, und es füllt den Rest der Vorlage für Sie aus – inklusive der Schritte, des erwarteten und des tatsächlichen Verhaltens. Das spart uns zwischen 5 und 20 Minuten pro Bug.

Marko Brajer, QA Team Lead bei DECODE

Ein weiterer Vorteil ist, dass mehr Testing parallel zur Entwicklung stattfindet, sodass Probleme früher auftauchen und wir schneller darauf reagieren können.

Wir entwickeln das Feature, fügen direkt danach automatisierte Abdeckung hinzu und identifizieren Probleme, solange die Arbeit noch frisch ist.

Das bedeutet, der Abstand zwischen Entwicklung und Testing ist deutlich kleiner geworden.

Trotzdem automatisieren wir nicht absolut alles oder übernehmen KI-generierte Testfälle ohne kritische Prüfung.

KI kann sehr schnell eine große Anzahl von Tests generieren. Der entscheidende Teil ist sicherzustellen, dass diese Tests tatsächlich etwas Relevantes validieren.

Zudem braucht exploratives Testing nach wie vor menschliches Urteilsvermögen. Dort klicken wir durch ungewöhnliche Flows, hinterfragen Annahmen und entdecken Probleme, die in einem ordentlichen Skript nicht auftauchen würden.

Und genau dort ist der Beitrag unserer QA-Engineers am wertvollsten.

Deployment und Post-Launch-Support: Wie wir KI nutzen, um Releases reibungsloser und laufende Arbeit einfacher zu gestalten

Rund um ein neues Release gibt es immer viel zu tun.

Notes vorbereiten. Änderungen zusammenfassen. Versionen prüfen. Sicherstellen, dass das Team und der Kunde verstehen, was rausgeht und was noch Aufmerksamkeit braucht.

Anstatt Informationen aus verschiedenen Quellen zu sammeln und alles von Grund auf zu schreiben, nutzen wir KI jetzt für:

• Release Notes. KI hilft uns, Frontend- und Backend-Änderungen deutlich früher in einen soliden ersten Entwurf zu überführen.
• Zusammenfassungen von Änderungen. Sie hilft dabei, technische Updates in etwas zu komprimieren, das leichter zu reviewen und weiterzugeben ist.
• Interne Übergabedokumentation. Wenn der Kontext rund um ein Release bereits strukturiert und leicht zu erfassen ist, hat das Team sofort alles, was es braucht.
• Kundengerichtete Updates. KI hilft uns, technische Änderungen so zu erklären, dass sie für nicht-technische Kunden und Stakeholder verständlich sind.
• Wartungs- und Support-Aufgaben nach dem Launch. Sie beschleunigt die repetitive Arbeit rund um Issue-Triage, Zusammenfassungen und Follow-ups.

Releases werden reibungsloser, weil wir weniger Zeit mit dem Sammeln und Formatieren von Informationen verbringen und mehr Zeit damit, zu überprüfen, ob alles korrekt, vollständig und bereit ist.

Das Gleiche gilt nach dem Launch.

Post-Launch-Support bringt eine Menge Routinearbeit mit sich: Logs durchgehen, Absturzdaten überprüfen, Probleme zusammenfassen und herausfinden, was zuerst Aufmerksamkeit braucht.

KI hilft uns, diese Arbeit deutlich schneller zu erledigen. Sie kann große Informationsmengen durchsuchen, ähnliche Probleme gruppieren und uns sofort einen nützlichen ersten Überblick verschaffen.

Bei weniger risikobehafteten Projekten nimmt KI so viel repetitive Arbeit ab, dass Support und Wartung deutlich einfacher zu handhaben sind.

Eine Person kann die gesamte Wartung und den Support für ein weniger kritisches Projekt praktisch alleine managen, weil KI so viel der operativen Arbeit übernimmt.

Boris Plavljanic, Technical Project Manager bei DECODE

Das gibt uns mehr Spielraum, uns auf die Arbeit zu konzentrieren, die das Produkt wirklich voranbringt: wichtige Probleme beheben, Bestehendes verbessern und neue Features ausliefern.

Für unsere Kunden ist der Mehrwert einfach zu benennen.

Wir verbringen weniger Zeit mit Release-Administration und repetitiver Support-Arbeit und mehr Zeit mit der Arbeit, die nach dem Launch wirklich den Unterschied macht.

Suchen Sie einen KI-nativen Entwicklungspartner?

Echten Mehrwert aus Agentic Development zu ziehen, erfordert mehr als das Ausprobieren neuer Tools.

Es braucht ein Team, das weiß, wo KI die Dinge beschleunigen kann, wo menschliches Urteilsvermögen nach wie vor entscheidend ist und wie die Qualität hoch gehalten wird, während sich der Prozess weiterentwickelt.

Und genau so arbeiten wir bei DECODE.

Unser Team aus Senior-Engineers, Designern, QA-Spezialisten und technischen PMs nutzt KI, um repetitive Arbeit zu reduzieren und eine bessere Lieferung zu unterstützen – ohne dabei die Qualitätsstandards zu senken.

Wenn Sie ein Produkt entwickeln und einen Partner suchen, der starkes Engineering mit einem pragmatischen Ansatz zu KI verbindet, lassen Sie uns sprechen.

Wir würden gerne erfahren, woran Sie arbeiten, und Ihnen zeigen, wie wir helfen können.