Wenn ich mit dem AI Unified Process arbeite, liegt der Fokus immer auf System-Use-Cases. Sie sind das Kernartefakt, das Anforderungen, bestehende Systeme und generierte Implementierung verbindet. Dies ist kein Big-Upfront-Design, sondern iterativ und inkrementell – ein Use Case nach dem anderen.

System-Use-Cases sind die einzige Quelle der Wahrheit

System-Use-Cases beschreiben wie das System von aussen reagiert auf eine präzise und testbare Weise. Sie bilden die Grundlage für alles, was folgt.

System-Use-Cases entstehen typischerweise auf zwei Arten:

    1. Bei Neuentwicklungen werden sie aus den Anforderungen abgeleitet. Anforderungen geben die Absicht vor; System-Use-Cases übersetzen diese Absicht in konkretes, beobachtbares Verhalten.
    2. Bei Modernisierungsprojekten werden System-Use-Cases oft reverse engineered aus dem laufenden System. Das bestehende Verhalten wird so zur Spezifikation.
  1.  

In beiden Fällen ist das Ziel dasselbe: Verhalten explizit, präzise und messbar machen.

Business-Use-Cases vs. System-Use-Cases

Viele Teams vermischen die Bedeutung von Use Case. Im AIUP mache ich eine klare Unterscheidung:

Business-Use-Cases beschreiben was das Business erreichen will. Sie betreffen Ziele und Wertschöpfung.

System-Use-Cases beschreiben wie und warum das System reagiert. Sie sind detailliert, eindeutig und so geschrieben, dass sowohl KI als auch Menschen sie verstehen können.

Business-Use-Cases geben Richtung vor. System-Use-Cases geben Präzision.

Nur System-Use-Cases treiben Code- und Testgenerierung voran.

Wenn Sie verstehen wollen, warum User Stories und andere Artefakte auf Business-Ebene oft schlecht für Spec-Driven Development geeignet sind, siehe: Warum User Stories für spezifikationsgetriebene Entwicklung ungeeignet sind

Kein Big-Upfront-Design – nur iterative, inkrementelle Arbeit

AIUP geht nicht um Big-Upfront-Design. Es geht um iterativen, inkrementellen Fortschritt. Ein System-Use-Case nach dem anderen. Ein kleiner Use Case wird spezifiziert, implementiert und überprüft. Dann folgt der nächste. Dies hält das Feedback eng und reduziert Risiken.

Dieser Ansatz funktioniert sowohl für Neuentwicklungen als auch für komplexe Modernisierungsprojekte.

Einsatz von KI-Agenten zur Generierung von Code und Tests

Sobald System-Use-Cases definiert sind, nutze ich KI-Agenten wie Claude Code, um sowohl Produktionscode als auch Tests zu generieren. Dies ist echter Code und echte Tests, keine Stubs oder Platzhalter. Tests werden zusammen mit dem Code generiert. Das bedeutet, dass das Verhalten von zwei Seiten spezifiziert und überprüft wird.

Der generierte Output wird immer von einem Entwickler überprüft.

Wie Probleme behandelt werden

Wenn der generierte Code nicht den Erwartungen entspricht, hängt die Lösung von der Ursache ab:

  • Kommt das Problem von einer unklaren Spezifikation, ist die Antwort, den System-Use-Case zu verbessern, nicht den Code anzupassen.
  • Kommt das Problem von einer falschen Nutzung von Bibliotheken oder Frameworks, müssen die Richtlinien verbessert werden, damit der Agent den Stack korrekt verwendet.
  • Bei kleinen Problemen ist ein manueller Fix im Code akzeptabel. Nicht alles muss neu generiert werden. AIUP ist praktisch, nicht dogmatisch.

Warum das funktioniert

System-Use-Cases schaffen einen starken Vertrag zwischen Absicht und Implementierung. Sie funktionieren für Greenfield- und Brownfield-Projekte. Sie ermöglichen KI, bedeutenden, ausführbaren Code zu generieren. Sie machen Reviews fokussiert und effizient. Probleme werden zu Verbesserungen von Spezifikationen und Richtlinien.

KI wird so zu einem verlässlichen Engineering-Tool, nicht zu einem zufälligen Generator.