Journal
Essays und praxisnahe Notizen zu Provenance, SDLC-Memory und Delivery-Governance im KI-Zeitalter.
expand_more
TL;DR
Nach der Veröffentlichung der ersten Version des Provenance Manifesto begann ich zu untersuchen, ob bestehende Lösungen auf dem Markt mit den darin beschriebenen Prinzipien übereinstimmen.
✓ Der Tag, an dem das Provenance Manifesto geboren wurde. March 8, 2026
expand_more
March 8, 2026
TL;DR
!Der Tag, an dem das Provenance Manifesto geboren wurde
expand_more
TL;DR
Während ich SDLC Memory aufgebaut habe, bin ich auf ein unerwartetes architektonisches Dilemma gestoßen. Soll das System wie ein autonomer Agent denken, sich wie ein deterministischer Datentransformer verhalten oder irgendwo dazwischen liegen? Ich entscheide noch, welche Richtung für das MVP die richtige ist.
✓ expand_more
TL;DR
In „Part 1 – From RAG to Provenance: How We Realized Vector Alone Is Not Memory“ sind wir von RAG zu Provenance übergegangen, von Ähnlichkeit zu Herkunft. Aber wenn KI-Agenten künftig 50–80 % der Arbeit erzeugen werden, lautet die eigentliche Frage: Wie wird das Gedächtnis sicher aktualisiert? Wie werden neue Entscheidungen validiert, verknüpft und gesteuert, anstatt einfach nur eingebettet zu werden? Dieser Artikel zeigt den inkrementellen Graph-Update-Prozess hinter dem Entscheidungs-Gedächtnis Schritt für Schritt anhand eines realen Beispiels. Denn im KI-Zeitalter muss sich Gedächtnis weiterentwickeln – nicht nur abrufen.
✓ expand_more
TL;DR
Was wäre, wenn Ihr SDLC sich eigentlich an nichts erinnert und nur Fragmente abruft? Wir haben leistungsstarke RAG-Systeme gebaut, die „relevanten“ Text in Millisekunden hervorholen können. Aber Relevanz ist keine Kausalität. Und wenn in der Produktion etwas kaputtgeht, wird Ihnen Ähnlichkeit nicht sagen, warum es passiert ist oder welche Entscheidung, welches Risiko oder welche Abhängigkeit dazu geführt hat. In diesem Artikel erkläre ich, warum Vektorsuche allein kein Gedächtnis ist, wie eine Graphstruktur alles verändert und wie die Kombination aus Vektor und einem strengen Provenance-Modell verstreute Dokumentation in etwas verwandelt, das eher organisatorischer Kognition ähnelt. Wenn Sie sich für Erklärbarkeit, Entscheidungs-Herkunft und echte Delivery-Intelligenz interessieren – dieser Artikel ist für Sie.
✓ expand_more
TL;DR
Nächstes Kapitel: SDLC Memory & Provenance. In den vorherigen Kapiteln haben wir untersucht, warum SDLC kein echtes Gedächtnis hat und warum Provenance strukturell werden muss – nicht optional. Im nächsten Schritt gehen wir einer noch unbequemeren Frage nach. Was wäre, wenn der eigentliche Engpass in der Delivery nicht Geschwindigkeit, Tooling oder sogar KI-Fähigkeiten ist … sondern die biologischen Grenzen menschlichen Kontexts? Menschen können aktiv etwa vier bedeutungsvolle Einschränkungen gleichzeitig im Kopf behalten. Moderne Agenten können Hunderttausende von Tokens verarbeiten. Und dennoch kann keiner von beiden ein lebendes Produkt über die Zeit hinweg ohne Struktur erinnern. Dieses Kapitel verbindet Kognitionswissenschaft, KI-Kontextfenster und eine praktische Hot/Warm/Cold-Memory-Architektur, um zu zeigen, warum dauerhaftes SDLC-Gedächtnis kein Dokumentations-Overhead ist, sondern ein Wettbewerbsvorteil. Wenn Ausführung billiger wird, wird Gedächtnis zum Differenzierungsmerkmal. Lassen Sie uns darüber sprechen, wie man es aufbaut.
✓ expand_more
TL;DR
In den vorherigen Kapiteln haben wir über SDLC Memory und Provenance als Möglichkeit gesprochen, Chaos zu reduzieren, die Integrität der Delivery zu schützen und Entscheidungen innerhalb von Engineering-Organisationen nachvollziehbar zu machen. Jetzt möchte ich den Blick weiter fassen. Denn wenn KI verändert, wie Software gebaut wird, verändert sie auch etwas viel Größeres – nämlich wie intellektuelles Kapital selbst bewertet wird. Dieser Artikel ist keine Abweichung von der Provenance-Diskussion. Er ist der nächste logische Schritt. Wenn Ausführung im Überfluss vorhanden wird, werden Gedächtnis, Governance und Entscheidungsarchitektur zu den eigentlichen Vermögenswerten. Lassen Sie uns darüber sprechen, was mit intellektuellem Kapital passiert, wenn KI menschliche Positionen in erheblichem Umfang ersetzt – und was das für Unternehmen bedeutet, die überleben wollen:
expand_more
TL;DR
!AI will take the “What”, but Humans must own the “Why”
expand_more
TL;DR
!We are teaching AI to decide. But we are forgetting how to remember.
expand_more
TL;DR
!Why SDLC has no memory (and why delivery teams keep paying for it)