Der Ausgangspunkt: Eine lebende, fragile Codebasis übernehmen

Eine Produktionscodebasis von einem anderen Team zu übernehmen ist immer ein Risiko. Bei Netrisk war das Risiko konkret: mehrere geschäftskritische PHP-Portale — Versicherungsvergleich, Banking, Telekommunikation — die erhebliche tägliche Einnahmen generierten, mit Deployment-Prozessen, die manuell, nicht reproduzierbar und ehrlich gesagt beängstigend waren. Das vorherige Team hatte Features geliefert; sie hatten nicht in das Engineering-Fundament investiert, das vertrauensvolles Ausliefern ermöglicht.

Unser Auftrag war klar: Auslieferung stabilisieren, Vertrauen in Releases aufbauen und die wachsende Produkt-Roadmap ermöglichen, schneller voranzukommen ohne weitere technische Schulden anzuhäufen.

Was wir taten — und was es erforderte

• Reproduzierbare Entwicklungsumgebungen. Der erste Schritt war, "funktioniert bei mir" als Problemkategorie zu eliminieren. Vagrant-basierte lokale Umgebungen, die die Produktionstopologie spiegelten, beseitigten eine ganze Klasse von Integrationsproblemen.
• CI/CD mit Quality Gates. Wir bauten GitLab-Pipelines, die bei jedem Commit automatisierte Tests, statische Analyse und Code-Qualitätsprüfungen ausführten. Deployments wurden Ein-Klick, auditierbar und reversibel.
• Testabdeckung, rückwirkend geschrieben. Tests für untesteten Legacy-Code zu schreiben ist langsame, unspektakuläre Arbeit. Wir taten es systematisch: höchste-Risiko-Pfade zuerst.
• Monitoring und Observability. Man kann nicht verbessern, was man nicht sehen kann. Wir richteten Fehler-Tracking und Performance-Monitoring ein.
• Team-Skalierung. Als das Lieferfundament vertrauenswürdig wurde, wuchsen wir auf 10+ Entwickler.

Was wir heute anders machen würden

1. KI-unterstützte Testgenerierung für Legacy-Code

Tests für untesteten Legacy-Code rückwirkend zu schreiben ist der arbeitsintensivste Teil der Stabilisierungsarbeit. Heute können KI-Tools in Sekunden einen bedeutsamen ersten Entwurf von Testfällen für eine gegebene Funktion oder einen Endpunkt generieren.

2. KI-unterstütztes Codebase-Onboarding

Beim Erben einer großen Codebasis ist Onboarding neuer Ingenieure eine der teuersten Aktivitäten. Heute würden wir KI als interaktive Dokumentationsschicht einsetzen: Ingenieure können fragen "Was macht diese Funktion?" und erhalten eine zuverlässige Antwort.

3. Schnellere Umgebungsstandardisierung

Mit Docker als universellem Ausgangspunkt und KI, die Dockerfiles und Compose-Konfigurationen generiert, nimmt dieselbe Arbeit heute einen Bruchteil der Zeit in Anspruch.

Was wir gleich lassen würden

• Die "Vertrauen zuerst"-Philosophie. Jede Entscheidung sollte bewertet werden durch die Linse: Macht das unsere Releases zuverlässiger und reversibler?
• Inkrementelle Testabdeckung neben Features. Kein Rewrite, kein Feature-Freeze — stetige, messbare Verbesserung der Test-Suite, Woche für Woche.

Relevanz heute

Die meisten Unternehmen, die Software in großem Maßstab betreiben, haben mindestens eine Netrisk-ähnliche Situation in ihrem Portfolio. Mit heute verfügbaren KI-Tools verkürzt sich der Zeitplan für diese Arbeit erheblich.

Wenn Sie ein Legacy-System haben, das diese Art von Aufmerksamkeit braucht, sprechen wir miteinander.