Dieser Blogbeitrag konzentriert sich darauf, wie KI den Produktentwicklungszyklus mithilfe von Agents, die auf AWS Quick aufbauen, verbessern und beschleunigen kann, wobei die menschliche Freigabe fest in den Prozess integriert ist.
KI-gesteuerte Softwareauslieferung hilft Teams, Produkte schneller als je zuvor auszuliefern. Während sich die Implementierung beschleunigt, wird der vorgelagerte Produktentwicklungsprozess noch wichtiger. Coding-Agents können klare Anforderungen schneller als zuvor in funktionierende Software umsetzen, aber sie können nicht ausgleichen, wenn das falsche Produkt gebaut wird. Da die Implementierung einfacher wird, verlagert sich Ihr Wettbewerbsvorteil nach vorn zu vier entscheidenden Aktivitäten: das richtige Kundenproblem zu entdecken, zu entscheiden, welche Opportunity verfolgt werden soll, das richtige Erlebnis zu gestalten und es durch einen Prototyp zu validieren.
Die Signale, die Sie für diese Entscheidungen benötigen, sind überall verstreut. Ihre Kunden hinterlassen Feedback in Slack, Ihr Vertriebsteam erfasst Erkenntnisse in Salesforce, Systeme erfassen Incidents in ServiceNow, Stakeholder dokumentieren Anforderungen in Microsoft SharePoint, Ingenieure verfolgen Work Items in Jira, und Teams treffen Entscheidungen in Outlook-Meetings und E-Mail-Threads. Wenn Ihre Teams zwischen diesen Tools wechseln, trennen sie den Kontext von den Entscheidungen, die er informieren sollte, und verlieren bei jeder Übergabe noch mehr.
AWS Quick bietet die verbindende Schicht für dieses fragmentierte Wissen. Indem benutzerdefinierte Chat-Agents in verbundene Unternehmensdaten eingebunden werden und ihre Artefakte in gemeinsamen Spacesgespeichert werden, hilft AWS Quick Ihrem Team, mit vorhandenem Organisationswissen zu bauen, statt jede Initiative bei einem leeren Blatt zu beginnen.
Der KI-gesteuerte Produktentwicklungszyklus (AI-PDLC) ist ein Framework, das diese Fähigkeiten durch eine Suite von sechs AWS Quick agents mit spezialisierten Skills anwendet und in jeder Phase eine nachvollziehbare Reihe von Artefakten erzeugt. Die Agents sammeln und strukturieren Kontext, machen Lücken sichtbar und entwerfen Artefakte. Sie und Ihr Team bringen Ihr Urteilsvermögen ein und genehmigen jede Entscheidung. Das Ziel ist nicht, Dokumente schneller zu erstellen. Es geht darum, Ihrem Team zu besserem Denken zu verhelfen, zu bewahren, warum jede Entscheidung getroffen wurde, und Engineering- und Coding-Agents eine Spezifikation zu geben, die auf Kundenbeweisen basiert. Wir zeigen Ihnen, wie Sie die Sechs-Agenten-Suite AI-PDLC in AWS Quick konfigurieren und damit von verteilten Kundensignalen zu einem validierten Prototyp gelangen. Dabei bleibt der Kontext von der ersten Erkenntnis bis zur Übergabe an das Engineering erhalten.
Architektur
Das Diagramm zeigt den End-to-End-Ablauf des AI-PDLC-Frameworks.
Abbildung 1: End-to-End-Ablauf von AI-PDLC, von verstreuten Unternehmenssignalen über AWS Quick agents bis zur Übergabe an den Coding-Agent
Es beginnt mit den Signalen, die die meisten Teams aus den Augen verlieren, also den Slack-Threads, Jira-Tickets, Dokumenten und Anruf-Transkripten, die das Warum hinter einer Entscheidung und das enthalten, was Kunden tatsächlich gesagt haben. Enterprise-Connectors ziehen diesen Kontext aus Slack, Outlook, Jira, Salesforce, SharePoint, ServiceNow und vielen weiteren Unternehmensquellen.
Abbildung 2: AWS Quick erstellt einen persönlichen Wissensgraphen, der Personen, Projekte und Entscheidungen über verbundene Apps und Ordner hinweg verknüpft
AWS Quick kann einen persönlichen Wissensgraphen aus Ihren verbundenen Apps und Ordnern erstellen, der Personen, Projekte und Entscheidungen über Ihre Tools hinweg verknüpft.
Diese Signale speisen das Gehirn: die Reihe von Agents auf AWS Quick, angeführt von einem Orchestrator, der Discovery, Prioritize, Working Backwards, Spec Generator und Designer ausführt. Alles, was sie erzeugen, landet in einer gemeinsamen Sprache: einem prototype_spec.md der die Akzeptanzkriterien, Personas, Bildschirme und das Datenmodell enthält. Jede Entscheidung lässt sich auf eine Quelle zurückverfolgen.
AWS Quick kann Entwicklungsaufgaben an AI-Coding-Agents delegieren, und zwar über das Agent Client Protocol (ACP). ACP ist ein offener JSON-RPC 2.0 Standard ohne Vendor-Lock-in. Kunden können ihren bevorzugten Coding-Agent wie Kiro oder Claude Code verwenden, um auf Basis der von AI-PDLC erzeugten Spezifikation zu bauen.
Darunter läuft an jeder Stufe eine menschliche Freigabeschwelle. Sie validieren die Pain Points, genehmigen Prioritäten, geben die Spezifikation frei, schalten den Build frei und nehmen die Review ab. Produktionsdaten fließen dann zurück in Discovery und schließen den Kreis. Die Agents erledigen die Arbeit, während Sie die Entscheidungen treffen, und niemand muss dafür sein Tool verlassen.
Lösungsübersicht
Der AI-PDLC-Lebenszyklus umfasst acht Phasen: Discover, Decide, Design, Prototype, Engineer, Ship, Operate und Learn. Dieser Beitrag konzentriert sich auf die ersten vier, in denen das Produktteam arbeitet. Die letzten vier werden von Coding-Agents wie Kiro übernommen, die auf den Spezifikationen aufbauen, die die vorgelagerten Phasen erzeugen. Die vorgelagerten Phasen sind als sechs Agents in AWS Quick implementiert.
Abbildung 3: Die vorgelagerten AI-PDLC-Phasen, implementiert als sechs Agents in AWS Quick
Benutzer interagieren nur mit einem Orchestrator, der zur Laufzeit das Fragenframework jedes Spezialisten liest, gezielte Fragen für die aktuelle Phase stellt und die Artefakt-Generierung an den richtigen Spezialisten weiterleitet. Ein einziges Gespräch steuert die gesamte Reise, und die Pipeline schreitet erst nach menschlicher Freigabe bei jedem Schritt im Workflow voran.
Abbildung 4: Ein einzelnes Orchestrator-Gespräch steuert die Pipeline, die erst nach menschlicher Freigabe an jeder Schwelle voranschreitet
Phase 1: Discover
The Discovery agent führt eine strukturierte Pain-Point-Analyse durch interaktive Q&A, URL-Ingestion und direkte Abrufe aus verbundenen Unternehmensquellen wie Slack, Jira, Support-Tickets, Salesforce und Forschungsrepositorien. Er bewertet jeden Pain Point hinsichtlich Schweregrad und Häufigkeit und erzeugt daraus ein Pain Point Board das dem Team einen evidenzbasierten Überblick darüber verschafft, womit Kunden zu kämpfen haben.
Abbildung 5: Der Discovery agent erzeugt ein Pain Point Board, bewertet nach Schweregrad und Häufigkeit
Phase 2: Decide
The Prioritize agent bewertet jeden Use Case anhand gewichteter Kriterien mit zwei transparenten 0–10-Frameworks: eines speziell für agentische Use Cases (Übereinstimmung der Large-Language-Model-(LLM)-Fähigkeiten, Tool-Verfügbarkeit, Nutzerakzeptanz) und eines für traditionelle Anwendungen (Machbarkeit, geschäftliche Auswirkungen, Aufwand). Das Team kann die Scoring Matrix öffnen und genau nachvollziehen, warum ein Use Case einen anderen übertrifft.
Abbildung 6: Die Prioritize-agent-Scoring Matrix zeigt, warum ein Use Case einen anderen übertrifft
Sobald der Top-Use-Case ausgewählt ist, erzeugt der Working Backwards agent ein vollständiges PR/FAQ nach der Amazon-Working-Backwards-Methode mit Kunden-FAQs und internen FAQs, die Unit Economics, Fehlermodi, regulatorische Risiken und die Wettbewerbslandschaft abdecken. Wenn ein Konzept diese Prüfung nicht übersteht, erfährt das Team das auf dem Papier, bevor Engineering-Ressourcen investiert werden.
Abbildung 7: Der Working Backwards agent erzeugt ein vollständiges PR/FAQ für den Top-Use-Case
Phase 3: Design
The Spec Generator agent verwandelt den validierten Use Case und das PR/FAQ in eine build-fähige Spezifikation, mit separaten Vorlagen für agentische gegenüber Anwendungs-Use-Cases sowie einem Design Handoff Brief für UX-Teams. Jede Spezifikation enthält Akzeptanzkriterien, User Flow, Einschränkungen und Metadaten, die jede Anforderung bis zurück zu ihrem ursprünglichen Pain Point, ihrer Priorisierungsbewertung und dem PR/FAQ, das sie validiert hat, zurückverfolgen. Diese Akzeptanzkriterien erfüllen einen doppelten Zweck: Sie sind der Build-Vertrag, dem der Coding-Agent folgt, und zugleich der Prüfmaßstab, anhand dessen der Review-Agent auditiert. Was früher mehrere Sprints an Entwurfs- und Review-Arbeit erforderte, wird zu einer fokussierten Sitzung – detailliert genug, damit das Engineering sofort auf Basis der Designspezifikation bauen kann, mit wenigen oder keinen klärenden Meetings.
Abbildung 8: Der Spec Generator agent verwandelt den validierten Use Case in eine build-fähige Spezifikation
Phase 4: Prototype
The Designer agent generiert journey maps, wireframes, und klickbare HTML-Prototypen direkt in AWS Quick. Es arbeitet mit dem Design Handoff Brief, Personas aus der Discovery, dem User Flow aus dem PR/FAQ, den zu gestaltenden Screens, dem Markenkontext und dem emotionalen Ziel, das aus dem Kundenzitat abgeleitet wird, sodass Teams Konzepte mit Stakeholdern validieren können, bevor sie sich auf Figma oder andere Design-Tools festlegen. Nach der Freigabe der Spezifikation wird sie zur Entwicklung an das Engineering-Team übergeben.
Abbildung 9: Der Designer-Agent erstellt Journey Maps, Wireframes und klickbare Prototypen innerhalb von AWS Quick
Die gesamte Schleife verläuft iterativ, wobei Menschen an jeder Schwelle prüfen und freigeben. Nichts wird ohne ausdrückliche Zustimmung ausgeliefert. Was traditionell mehrere Wochen Prototyping und Iteration erfordert, könnte je nach Komplexität der Probleme zu Tagen oder sogar nur Stunden geführter Agenten-Zusammenarbeit werden.
Jede Entscheidung wird auf zwei Ebenen protokolliert. Jeder Spezialist zeichnet seine eigenen Entscheidungen, Bewertungen und Begründungen innerhalb des Artefakts auf, das er erzeugt, und der Orchestrator prüft unabhängig, ob diese Einträge vorhanden sind, während er ein gemeinsames Protokoll über die gesamte Pipeline führt. Wenn eine Ebene versagt, enthält die andere weiterhin eine vollständige Aufzeichnung, sodass keine Gate-Freigabe unbeaufsichtigt bleibt.
AI-PDLC kann in zwei Tempi ausgeführt werden. Deep Discovery stellt 8–12 Fragen pro Phase und verfolgt Mehrdeutigkeiten und Randfälle nach. Es eignet sich für einen neuen Problembereich, in dem das Team eine gründliche Erkundung wünscht. Fast Track reduziert jede Phase auf 3–5 wesentliche Fragen und schlägt Standardwerte aus dem bereits vorhandenen Kontext vor, die Sie bestätigen oder überschreiben können. Es eignet sich für zeitlich begrenzte Sitzungen, in denen das Team den Bereich kennt und schnell vorankommen muss.
Details der Agent-Implementierung: Schritt für Schritt
Wir werden die Details des Prozesses zur Erstellung und Implementierung der Agenten durchgehen.
Voraussetzungen
- Ein AWS Quick-Arbeitsbereich mit installiertem Desktop-Client.
- Zugriff zum Erstellen benutzerdefinierter Agenten in AWS Quick mit konfigurierten Enterprise-Konnektoren für Slack, Jira, SharePoint oder andere Tools, die Ihr Team verwendet.
Abbildung 10: Ein AWS Quick-Arbeitsbereich mit konfigurierten Enterprise-Konnektoren
Schritt 1: Klonen Sie das AI-PDLC-Repository
Die vollständige Agentensuite, die Referenzarchitektur, die Prompt-Vorlagen und die Einrichtungsanweisungen sind verfügbar im AI-PDLC GitHub repository.
Das Repository enthält:
- Agentenanweisungsdateien für alle sechs Agenten.
- Beispiele für Frageframeworks für jeden Spezialisten-Agenten.
- Konfigurationsdateien und Einrichtungsanleitung.
Schritt 2: Erstellen Sie die Spezialisten-Agenten
Erstellen Sie in AWS Quick die Spezialisten-Agenten gemäß den Anweisungen aus dem Repository:
Schritt 2.1: Laden Sie die JSON-Datei herunter vom GitHub repository for agent building.
Schritt 2.2: Gehen Sie zu Quick Desktop → Customize → Agents → Create, und wählen Sie dann Create from File.
Abbildung 11: Erstellen der Spezialisten-Agents in Quick Desktop mit Create from File
Schritt 2.3: Das Chat-Fenster öffnet sich.
Abbildung 12: Das Chat-Fenster, das sich während der Agent-Erstellung öffnet
Schritt 2.4: Die folgenden sechs Agents mit Anweisungen werden erstellt:
Abbildung 13: Die sechs AI-PDLC-Agents mit ihren Anweisungen
Der Orchestrator ist die zentrale Architekturkomponente. Er liest zur Laufzeit dynamisch die Anweisungen jedes Spezialisten:
Abbildung 14: Der Orchestrator liest zur Laufzeit dynamisch die Anweisungen jedes Spezialisten
Schritt 3: Quick Spaces konfigurieren (Artifact-Repository)
Erstellen Sie einen gemeinsamen Quick Space zum Speichern von Pipeline-Artefakten:
- Öffnen Sie Quick Spaces und wählen Sie Create New Space.
- Name: AI-PDLC Artifacts.
- Gewähren Sie den relevanten Teammitgliedern Zugriff.
Abbildung 15: Erstellen des AI-PDLC Artifacts Space und Gewähren von Zugriff für Teammitglieder
Schritt 4: Pipeline ausführen
- Öffnen Sie AWS Quick Desktop.
- Wählen Sie AI-PDLC Orchestrator aus der Agent-Auswahl aus.
- Geben Sie ein: „Run the full pipeline“ (oder „Fast Track“ für eine verkürzte Sitzung).
- Beantworten Sie die strukturierten Fragen des Orchestrators, während er Sie durch jede Phase führt.
- Überprüfen Sie die Artefakte, während sie an jedem Gate erzeugt werden.
Abbildung 16: Ausführen der Pipeline und Überprüfen der Artefakte, während sie an jedem Gate erzeugt werden
Abbildung 17: Starten eines Pipeline-Laufs mit dem AI-PDLC Orchestrator
Sie können das Tempo wählen, Deep Discovery oder Fast Track, je nach Ihren Anforderungen.
Abbildung 18: Auswahl des Tempos, Deep Discovery oder Fast Track, je nach Ihren Anforderungen
In Aktion sehen
Für eine Live-Demonstration von AI-PDLC in Aktion – von der Kundenein insight durch alle vier Phasen bis zu einem funktionierenden Prototyp – sehen Sie sich unseren YouTube-Videodurchlauf an:
- YouTube Teil 1: End-to-End-Produktlebenszyklus mit AWS Quick und AI-Coding-Agents (51:49)
- YouTube Teil 2: Erstellen der AI-PDLC-Agents
Das Video behandelt:
- Das Einrichten der Agent-Suite.
- Das Ausführen der vollständigen Orchestrator-Pipeline anhand eines realen Anwendungsfalls.
- Die Echtzeit-Erstellung von Artefakten in Aktion.
- Die ACP-Übergabe an Coding-Agents.
- Tipps zur Entscheidung zwischen dem Deep-Discovery- und dem Fast-Track-Modus.
KI-PDLC-Szenarien
Wir gehen einige gängige Szenarien durch, in denen das AI-PDLC-Framework angewendet werden kann:
Szenario 1: Entwicklung eines neuen Produkts, beginnend bei null
Wenn ein Team eine neue Marktchance oder unerfüllte Kundenbedürfnisse erkennt, steht es vor dem klassischen Kaltstart-Problem: verstreute Signale, konkurrierende Ideen und kein strukturierter Weg von der Erkenntnis zur Umsetzung. AI-PDLC führt das Team durch die gesamte Upstream-Reise, bringt Schmerzpunkte aus echten Kundendaten ans Licht und bewertet konkurrierende Ideen anhand transparenter Kriterien. Zusätzlich validiert es das Konzept über einen strengen PR/FAQ-Prozess und erstellt eine build-fähige Spezifikation, sodass die erste Codezeile auf Grundlage eines validierten Plans geschrieben wird – nicht auf Basis einer Bauchentscheidung.
Szenario 2: Ergänzung einer Funktion in einem bestehenden Produkt, roadmap- oder kundengesteuert
Produktteams erhalten kontinuierlich Signale, die darauf hinweisen, was als Nächstes entwickelt werden soll: Kundenfeedback in Support-Kanälen, Feature-Anfragen aus dem Vertrieb, Nutzungsdaten mit Abbruchpunkten oder strategische Prioritäten der Führungsebene. AI-PDLC beschleunigt dies, indem diese Signale aus verbundenen Tools (Slack, Jira, Salesforce, AWS Quick Sight) abgerufen werden. Das Framework strukturiert sie in einen priorisierten Backlog mit evidenzbasierter Bewertung und erstellt eine Spezifikation, die das „Warum“ hinter jeder Funktion bewahrt, sodass die Entwicklung kontextreiche Arbeitselemente erhält statt einzeiliger Jira-Tickets ohne Absicht.
Szenario 3: Fehlerbehebungen und vorfallgesteuerte Verbesserungen
Wenn ein Produktionsproblem durch Kundenbeschwerden, Monitoring-Warnungen oder Support-Eskalationen auftritt, wird oft auf eine strukturierte Analyse verzichtet und direkt mit der Code-Fixierung begonnen. AI-PDLC bringt Disziplin in diesen reaktiven Arbeitsablauf, indem die Grundursache als dokumentierter Schmerzpunkt erfasst und bewertet wird, ob die Behebung eine umfassendere Designänderung oder einen gezielten Patch erfordert. Es erstellt eine abgegrenzte Spezifikation mit testbaren Akzeptanzkriterien, sodass die Behebung das zugrunde liegende Problem adressiert statt nur das Symptom, und die Entscheidungsnachverfolgung bleibt für zukünftige Referenzen erhalten.
Jedes Szenario folgt derselben Pipeline (Discover → Decide → Design → Prototype), steigt jedoch in unterschiedlicher Tiefe ein. Neue Produkte durchlaufen die gesamte Reise, Funktionsergänzungen können die Deep Discovery überspringen, und Fehlerbehebungen können auf einen einzigen fokussierten Zyklus verdichtet werden. Die Methodik passt sich an, während Audit-Trail und Governance durchgehend konsistent bleiben.
Aufräumen
Die Ressourcen, die diese Anleitung erstellt, verursachen im Ruhezustand keine Kosten, sodass Sie die gesamte AI-PDLC-Suite sicher beibehalten können, wenn Sie planen, die Pipeline erneut auszuführen.
Um nicht mehr benötigte Elemente zu entfernen, löschen Sie die sechs Agents unter Customize → Agents in Quick Desktop, löschen Sie den AI-PDLC Artifacts Space (oder nur die Testartefakte darin), widerrufen Sie jeden gewährten Team-Zugriff und trennen Sie alle Enterprise-Connectors oder Coding-Agent-Verknüpfungen, die Sie ausschließlich für diese Übung hinzugefügt haben. Sie können auch das geklonte GitHub-Repository von Ihrem lokalen Rechner entfernen.
Fazit
Der Engpass in der Produktentwicklung hat sich verschoben. Coding-Agents haben die Implementierung schnell gemacht. Allerdings begrenzt die Upstream-Arbeit weiterhin die Teams: das Entdecken von Kundenproblemen, das Entscheiden, was entwickelt werden soll, das Validieren des Konzepts und das Erstellen klarer Spezifikationen. Teams, die diesen Upstream-Zyklus verkürzen, können einen kumulativen Vorteil gewinnen: Sie bauen das richtige Produkt schneller und mit weniger kostspieligen Kurskorrekturen.
AI-PDLC geht genau hier an. Es bietet ein strukturiertes, KI-natives Framework, implementiert als Suite von Agents in AWS Quick, das Produktteams durch Discover, Decide, Design und Prototype führt – mit integrierter Governance an jedem Gate. AI-PDLC ordnet jede Entscheidung einem Urheber zu. Jedes Artefakt lässt sich auf Kundenevidenz zurückverfolgen. Und wenn die Spezifikation die Entwicklung erreicht, trägt sie den vollständigen Kontext in sich: warum sie existiert, wer sie validiert hat und wie „fertig“ aussieht.
Die Rolle des Produktteams besteht nicht darin, Code zu schreiben. Es besteht darin, schnell und nachvollziehbar die richtigen Entscheidungen darüber zu treffen, was entwickelt werden soll und warum. AI-PDLC macht das möglich.
Legen Sie noch heute los
- Klonen Sie das Repository.
- Folgen Sie der Einrichtungsanleitung im Repository, um fünf Spezialisten-Agents und einen Orchestrator zu erstellen.
- Wählen Sie „AI-PDLC Orchestrator“ aus der Agent-Auswahl und sagen Sie: „Run the full pipeline“.