Spec Driven Development (SDD) im Zeitalter von KI

Was ist Spec Driven Development (SDD)?

Bei Spec Driven Development steht am Anfang immer eine klare, schriftliche Spezifikation. Sie ist die „single source of truth“ und die Grundlage für alle weiteren Dokumente und Coding-Ergebnisse. Die Spezifikation wird zusammen mit dem Code versioniert und fortlaufend gepflegt. Darin enthaltene Anforderungen und Akzeptanzkriterien werden strukturiert bis hin zu kleinsten Arbeitspaketen heruntergebrochen, die dann implementiert werden können.

Die technische Umsetzung ist eng an die fachlichen Anforderungen gekoppelt. Daraus resultieren Eindeutigkeit, Nachvollziehbarkeit und Reproduzierbarkeit, die besonders vorteilhaft für KI-basierte Codegenerierung sind. SDD ist kein komplett neuer Gedanke. Neu ist jedoch, wie effektiv die zuvor spezifizierten Anforderungen von KI in Code überführt werden können.

Wie SDD mit KI die Entwicklungsarbeit beeinflusst

Die Synergie von Spec Driven Development und KI-generiertem Code steht im Einklang mit der fortschreitenden Übernahme des reinen Code-Schreibens durch KI. Bei Google wurden laut CEO schon im April 2025 ca. 30 Prozent des Codes durch KI geschrieben. Zählt man die Autovervollständigungen dazu, sind es etwa 50 Prozent.

Diese Entwicklung hat einen starken Einfluss auf die tägliche Arbeit von Softwareentwicklern. Die Kernarbeit verschiebt sich von „Code schreiben“ hin zu „Systeme beschreiben“. Softwareentwickler können sich stärker darauf fokussieren, was ein System können soll, statt darauf, wie man es implementiert.

Ein Beispiel für die praktische Umsetzung ist das Open-Source-Werkzeug GitHub Spec Kit. Dieses aktiv gepflegte Tool beinhaltet KI-Agenten mit vordefiniertem Workflow und klar strukturierten Dokument-Templates, die als Ergebnis des Workflows vom Agenten ausgefüllt werden.

Ein typischer Arbeitsablauf mit GitHub Spec Kit besteht aus vier Schritten:

• /specify: In diesem Schritt teilt man einem dedizierten KI-Agenten die Idee des Systems mit. Es geht um das Was und Warum.
• /plan: Hier wird die technische Umsetzung beschrieben. Frameworks, Werkzeuge und Programmiersprachen können festgelegt oder mit dem Agenten abgewogen werden.
• /tasks: Auf Basis der vorherigen Ergebnisse bricht dieser Agent alle notwendigen Aufgaben in strukturierte, kleine Arbeitspakete herunter.
• /implement: Der Agent setzt alle zuvor beschriebenen Arbeitspakete eines Features um.
  Dieser standardisierte Ablauf mit festgelegten Ergebnisdokumenten führt zu zuverlässigen, reproduzierbaren und nachvollziehbaren Ergebnissen der KI.

SDD mit KI – Tipps und „Lessons Learned“

Auch mit Tools wie GitHub Spec Kit sind wir weit davon entfernt, einer KI eine grobe Spezifikation vorzulegen und ein qualitativ hochwertiges Softwareprodukt zu erwarten. Es gibt zahlreiche Tipps und Grenzen dieses Ansatzes. Viele habe ich aus eigener Arbeit gesammelt, einige stammen aus externen Quellen:

• Specs und Arbeitspakete klein und konkret halten. Die KI liefert bessere Ergebnisse, desto genauer und übersichtlicher die Anforderungen sind. Besser mehrere fokussierte Spezifikationen als ein „Monster-Dokument“.
• Nach jeder KI-Generierung ein Review durchführen. Kontinuierliches Reviewen vermeidet Folgefehler und deckt falsche Annahmen früh auf. Ergänzen Sie es durch automatisierte Tests, Code-Linter und statische Analysen.
• Tests generieren lassen. Fortlaufende Testabdeckung erkennt falschen Code oder unvollständige Anforderungen früh. Jeder „implement“-Befehl sollte mit einem Testdurchlauf gekoppelt sein.
• Spezifikationen detailliert und präzise halten. Im Gegensatz zu menschlichen Entwicklern füllt KI keine offensichtlichen Lücken selbst aus.
• KI-Aussagen kritisch hinterfragen. Wenn ein Modell nach der dritten Bugfix-Iteration den Fehler behoben glaubt, ist das Gegenteil oft der Fall. Manuelles Nachprüfen bleibt essenziell.
• „Lessons Learned“-Dokument führen. Typische oder sich wiederholende Fehler können gesammelt und in den Workflow eines „Implementation“-Agenten integriert werden.

Grenzen und typische Probleme:

• Vollständige Feature-Umsetzungen durch KI sind noch nicht realistisch. Die Umsetzungsrate aller Anforderungen inklusive Tests liegt aus eigener Erfahrung bei ca. 50 bis 90 Prozent. Feedback-Runden bringen Mehrwert, doch nach Iterationen stagniert die Verbesserung.
• Folgefehler und wiederholende Fehler. Anders als Menschen passt KI bei Bugfixes selten andere Stellen an.
• Die Arbeit mit KI kostet Zeit. Mehrere Spezifikationen, Reviews, Bugfix-Iterationen und Nacharbeiten sind Gründe dafür. Mitunter ist es mühsam.
• Kontextgrenzen: Große Legacy-Codebasen oder Querschnitts-Refactorings überschreiten oft KI-Kontextfenster und führen zu schlechteren Ergebnissen.

Spec Driven Development passt perfekt in den Trend, in dem Code immer schneller und günstiger erzeugt werden kann. Tools wie GitHub Spec Kit machen SDD vom „Nice-to-have“ zu einem echten Wettbewerbsvorteil in der KI-gestützten Softwareentwicklung.