
KI befeuert unsere Software-Entwicklung dank guter Vorbereitung
Das Galaxus-Team Daedalus löst mehr als ein Drittel aller Daten aus unserem Monolithen heraus. Mit KI geht das inzwischen so schnell, dass sich eine ganze geplante Etappe erübrigt hat. Möglich macht das die Vorbereitung: Das Team hat die Grundlagen mit Agent Skills und Vorlagen erarbeitet.
Warum Exodus?
Ein grosser Teil dessen, was bei Digitec Galaxus im Hintergrund passiert, liegt in einer einzigen Datenbank: Devinite. Kundenbestellungen, Rechnungen und unsere Einkaufsaufträge. Das hatte lange Vorteile. Ein Team konnte die Daten eines anderen direkt lesen und in derselben Transaktion mitschreiben. Das war schnell, einfach und immer konsistent.
Mit dem Wachstum kehrt sich das um. Eine grosse Datenänderung bei den Einkaufsaufträgen sperrt Tabellen, auf die auch andere Teams warten. Eine Schemaänderung muss mit den Database Magicians, unserem Datenbank-Team, geplant und manchmal in einem Wartungsfenster ausgeführt werden, in dem unser Onlineshop nicht erreichbar ist. Und umgekehrt spürt jedes Team die Probleme, die ein anderes mit seinen Tabellen hat. Niemand ist wirklich vom anderen isoliert.

Team Daedalus startete darum den sogenannten Exodus: Die Einkaufsaufträge, für die das Team verantwortlich ist, sollen raus aus Devinite und in eine eigene Datenbank. Dann kann das Team sein Datenmodell selbst weiterentwickeln, unabhängig skalieren und alte Daten archivieren, wann es ihm passt. Andere Teams greifen dann nicht mehr direkt auf die Tabellen zu, sondern über klare Schnittstellen, die sie mit Team Daedalus vereinbaren. Dadurch wird Devinite kleiner und leichter zu betreiben.
Im Oktober habe ich im Rahmen eines DevXchange bei Team Daedalus mitgearbeitet. Bei diesem internen Austausch arbeitet man für einige Sprints in einem anderen Team. In diesem Beitrag zeige ich, wie gross Exodus ist und wie das Vorhaben dank guter Vorarbeit und KI so schnell vorankommt, dass sich eine ganze geplante Etappe erübrigt hat.
Wie gross ist Exodus?
Devinite ist die Datenbank unseres Monolithen: 1'358 Tabellen, rund 21 Milliarden Datensätze und 34 Teams, die darin Daten besitzen. Unsere Architekturvision sieht vor, den Monolithen Schritt für Schritt in Module mit eigenen Datenbanken aufzuteilen. So ist jeder fachliche Bereich klar abgegrenzt und kontrolliert seine eigenen Daten.

Mit den Einkaufsaufträgen löst Team Daedalus ein besonders grosses Stück heraus. 165 Tabellen gehören dem Team, mehr als jedem anderen. Darin stecken 7.6 Milliarden Datensätze, also mehr als ein Drittel von allem, was in Devinite liegt, obwohl der dazugehörige Code nur knapp ein Zehntel des Monolithen ausmacht. Allein die Tabelle mit allen Produktpositionen, die wir bei Lieferanten bestellt haben, umfasst über 400 Millionen Zeilen.¹
Diese Daten stehen nie still. Während du diesen Absatz liest, sind bei uns etwa zehn neue Einkaufsaufträge entstanden. Dazu werden kontinuierlich Lieferungen eingebucht und Rechnungen abgeglichen. Der Umbau passiert also bei laufendem Betrieb. Bevor die Daten in die neue Datenbank umziehen können, muss jeder Zugriff von anderen Teams über Schnittstellen laufen. Anfangs griff Code anderer Teams an 47 Stellen direkt auf die Tabellen von Team Daedalus zu. Heute sind es null.

Fünf Monate Arbeit in zwei Wochen
Team Daedalus zählt acht Personen und arbeitet neben Exodus an mehreren anderen grossen Initiativen. Trotzdem hat es Exodus mit viel Herzblut vorangetrieben. Im Sommer hat es die erste Etappe gestemmt: Das Anlegen und Ändern von Einkaufsaufträgen wurde in getrennte Transaktionen aufgeteilt. Obwohl am Ende deutlich mehr Arbeit drinsteckte als budgetiert, blieb das Team im Zeit- und Kostenrahmen und erledigte die Arbeit in vier Sprints. Dabei hat es jeden Anwendungsfall eingeordnet und gezielt KI-Agenten eingesetzt, um die Skills und Tests zu bauen, die die Grundlage für den grossen Schub ab Oktober sind.
Im Oktober habe ich zusammen mit Guillermo aus Team Daedalus weitere Stories für Exodus umgesetzt, den Grossteil davon im Rahmen meines DevXchange. So kommt Exodus voran, während sich das Team auf seine fachlichen Initiativen konzentrieren kann. In gut zwei Wochen haben wir 35 Stories livegeschaltet, im Schnitt gut drei pro Arbeitstag. Ohne KI hätte ich für eine vergleichbare Story eher drei Tage gerechnet, für alle zusammen also rund fünf Monate. Für ganz Exodus sind damit 148 von 211 Stories erledigt, also rund 70 Prozent. Inzwischen sind die Skills und Automatisierungen so weit, dass die KI die Stories für Exodus selbst ergänzt und verfeinert.
Ein eingespieltes Team
Dass Exodus so schnell vorankommt, liegt nicht nur an der KI. Team Daedalus kennt die Geschäftsprozesse rund um den Einkauf sehr genau. Dem Team ist wichtig, dass Wissen nicht an einer einzelnen Person hängt. Deshalb nimmt es sich viel Zeit für Refinements, in denen es neue Stories gemeinsam bespricht. Zudem hält es sich an relativ strenge Architekturmuster: Der Code bildet die Fachsprache des Einkaufs ab, und Lesen und Schreiben von Daten sind konsequent getrennt, vom Eingang über die Fachlogik bis zur Datenbank. Was für Menschen Ordnung schafft, hilft auch der KI. Sie findet sich schnell zurecht, weil jede Stelle im Code nach demselben Muster gebaut ist.

Das ist Team Daedalus:
- Noël, Teamleader Engineering
- Emanuel, Senior Product Owner
- Guillermo, Software Architect
- Thomas, Senior Software Engineer
- Samuel, Software Engineer
- Gioele, Software Engineer
- Nicolas, Software Engineer
- Alain, Software Engineer
Was die KI dabei macht
Dieses Tempo hat viel mit Vorarbeit zu tun, die das Team lange vor meinem DevXchange geleistet hat.
Die Grundlagen
Team Daedalus arbeitet vor allem mit Claude Code, einem KI-Werkzeug von Anthropic, das direkt im Code liest, schreibt und Befehle ausführt. Seit dem Modell Opus 5.5 ist es gut genug, dass es dem Team wirklich Arbeit abnimmt. Seit Mai nutzt das Team CLAUDE.md-Dateien. Sie erklären Claude, wie die Architektur aufgebaut ist und welche Regeln gelten, zum Beispiel wenige Kommentare im Code, einheitliche Namen, die Architekturmuster des Teams und im Zweifel nachschauen, wie das Team ähnliche Fälle zuletzt umgesetzt hat. Mit der Zeit hat das Team weitere feste Abläufe für Claude entwickelt: Research, Plan, Implement, Review. Jeder Schritt ist ein eigener Skill, also eine auf das Team zugeschnittene Anleitung, die Claude genau für diesen Arbeitsschritt lädt.
Das half vor allem bei Exodus. Das Team hat jeden betroffenen Anwendungsfall einer von drei Arten zugeordnet: Ein Switch stellt die Datenbankverbindung um, ein Split teilt einen Schreibvorgang in zwei unabhängige Transaktionen auf, und ein Async macht einen Ablauf asynchron. Für jede dieser Arten hat Nicolas, mein Namensvetter im Team, einen eigenen Skill geschrieben. Damit setzt Claude die Stories schnell und mit weniger Fehlern um. Dazu kommen automatische Tests, die für jeden Anwendungsfall prüfen, ob die Umstellung korrekt ist. So merkt die KI selbst, wenn sie einen Fehler gemacht hat, und kann ihn beheben.
Wie KI Stories umsetzt
Ich lasse Claude die Story und ihren Implementierungsplan lesen. Claude sucht die betroffenen Stellen im Code und schlägt einen Plan vor, der den Konventionen des Teams entspricht. Ich prüfe und korrigiere den Plan und lasse ihn von Claude umsetzen. Danach schaue ich mir das Ergebnis an, passe falls nötig noch etwas an und eröffne den Pull Request. Reviewen muss ihn dann jemand anderes aus dem Team. Eingreifen musste ich vor allem, wenn ein Pull Request zu gross wurde. Dann haben wir ihn in kleinere aufgeteilt, damit er sich noch sinnvoll reviewen liess.
Am eindrücklichsten war das beim Entfernen der Zugriffe aus Code anderer Teams. Claude hat die betroffenen Ansichten im ERP, unserem selbst entwickelten Verwaltungssystem, selbst getestet: Es hat sich in der Datenbank passende Einkaufsaufträge zum Testen gesucht, das ERP lokal gestartet, das Ergebnis im Browser mit unserer Testumgebung verglichen und Fehler Schritt für Schritt behoben. Es war ziemlich unterhaltsam, Claude dabei zuzuschauen.
Wo die KI danebenliegt
Fehlerfrei ist das nicht. Wo die KI danebenliegt, zeigen oft die Review-Kommentare aus dem Team. Einmal hatte Claude Logik bei den Einkaufsaufträgen untergebracht, die eigentlich in die Schnittstelle eines anderen Teams gehört. Ein anderes Mal wollten Claude und ich Code zwischen zwei Produktbereichen teilen. Guillermo, der Architekt des Teams, legte sein Veto ein. Und ein weiterer Kollege hat einen echten Fehler gefunden, der Claude entgangen war. Dieses Wissen darüber, wie das Team baut und warum, kann die KI nicht ersetzen. Manchmal fehlt ihr der Überblick über den ganzen Code und das tiefe Wissen über jeden Produktbereich. Dafür reicht ihr Kontext, also die Menge an Information, die sie auf einmal verarbeiten kann, (noch) nicht.
Wenn Arbeitspakete schrumpfen
Exodus ist sauber geplant. Das Team hat das Vorhaben in Etappen aufgeteilt, jede als eigene Initiative, also als grösseres Vorhaben, das ein Gremium mit der Geschäftsleitung vorab freigibt. Für jede Etappe rechnete das Konzept mit vier bis sechs Sprints.
Mit KI sind diese Schätzungen regelrecht geschrumpft. Die erste Etappe hatte jeden Anwendungsfall eingeordnet, und die Skills und Tests standen bereit. Deshalb liessen sich die Stories der nächsten Etappen gleich mit umsetzen. Eine Etappe hat sich dadurch ganz erübrigt: Die Etappe für Lieferantenrechnungen und Stornierungen, geschätzt auf vier Sprints, war erledigt, bevor sie überhaupt startete. Im November hat das Team die Initiative geschlossen. Eine weitere ist zu einem grossen Teil umgesetzt, während das Team sie noch ausarbeitet.
Möglich war das nur, weil die Vorbereitung stimmte. Das Konzept, die Einordnung jedes Anwendungsfalls und die Refinements im Team hat die KI nicht ersetzt. Erst sie haben die KI so wirksam gemacht. Vorbereitung und Refinement werden im KI-Zeitalter darum nicht unwichtiger, sondern wichtiger. Sie zahlen sich in der Umsetzung mehrfach aus.
Der neue Engpass
Der Engpass hat sich verschoben, und zwar zu den Reviews. Wenn zwei Personen zusammen gut drei Stories pro Tag liefern, braucht es jemanden, der ebenso viele Pull Requests sorgfältig liest. Deshalb entwickeln wir mit Tweety einen KI-Reviewer für Pull Requests und experimentieren mit risikobasierten Freigaben nach dem Vorbild von Anthropic. Die Idee: Nicht jede Änderung braucht dieselbe Aufmerksamkeit. Wie genau ein Mensch hinschaut, soll vom Risiko der Änderung abhängen.
Animiert von Claude Opus 5.5, dem KI-Modell, das uns bei Exodus unterstützt. Musik: Suno.
Ich sehe darin vor allem eine Chance. Entwicklerinnen und Entwickler können ihre Zeit dort einsetzen, wo sie am meisten bringt. Ein Risiko gibt es trotzdem: Wenn die KI den Grossteil des Codes schreibt, nimmt unsere Fähigkeit ab, Code im Detail zu verstehen. Dafür können wir mehr Zeit ins Requirements Engineering investieren, also in die Frage, was eigentlich gebaut werden soll.
Wie wir mit diesen Chancen und Risiken umgehen, klärt nicht jedes Team für sich. In unserer AI Coding Guild tauschen sich Entwicklerinnen, Entwickler und Product Owner seit 2023 teamübergreifend über ihre Erfahrungen mit KI aus.
Wie es weitergeht
Rund 70 Prozent der Stories sind livegeschaltet. Der grösste Brocken steht aber noch bevor: die Daten selbst. 7.6 Milliarden Datensätze müssen von Devinite in die neue Datenbank umziehen, bei laufendem Betrieb.
Wann Exodus abgeschlossen ist, kann ich darum noch nicht sagen. Sicher bin ich mir bei etwas anderem: Wenn das Schreiben von Code nicht mehr der Engpass ist, zählt umso mehr, was davor und danach passiert. Gut vorbereiten, was wir bauen wollen, und sorgfältig prüfen, was gebaut wurde.
¹ Mit rund 128 GB ist diese Tabelle die viertgrösste der 1'358 Tabellen in Devinite.
Als erster Vollzeit-Entwickler schon etwas länger bei Digitec Galaxus war ich unter anderem Teamleiter von Goldfinger und Bender! und Leiter der Architekturgilde (das A-Team).
Mittlerweile bin ich zusammen mit unseren Domain Architects nur noch Hüter des Elfenbeinturms. Als Enabling Team treiben wir die Soll-Architektur voran, arbeiten während der Umsetzung eng mit den Entwicklerteams zusammen und bilden das Architektur-Review-Board.
Wegen meiner unvorstellbaren Buildbreaks und piratischen Haifisch-Deploys am Freitagnachmittag nennen sie mich auch 🅷🅰🅲🅺🅴🆁🅼🅰🅽.
Neuigkeiten zu Features im Shop, Infos aus dem Marketing oder der Logistik und vieles mehr.
Alle anzeigen











