Schnellere AEM-Builds und KI-gestütztes Authoring für eine US-Hotelgruppe

Die geschäftliche Herausforderung

Mehr als zehn Entwickler teilten sich eine AEM-Codebasis, und jeder Pull Request wartete rund 16 Minuten auf die CI. Langsames Feedback verleitet dazu, Änderungen zu bündeln, und erschwert Reviews.

Content-Autoren erstellten Seiten von Hand, jeweils etwa fünf Seiten pro Tag, während das Team begann, KI-Coding-Tools ohne gemeinsame Regeln einzusetzen.

Was ich umgesetzt habe

• Teststrategie als ADR: Ich habe den Architecture Decision Record zur Teststrategie verfasst, sodass sich das Team auf den Ansatz einigte, bevor die Pipeline geändert wurde.
• CI von ~16 auf 3,0 Minuten: dauerhaft 3,0 Minuten pro Lauf für das gesamte Team, gemessen über 1.871 Läufe.
• Regeln für KI-Coding-Tools: CLAUDE.md und Cursor-Regeln, AGENTS.md für weitere Tools, plus ein Rollout-Plan, damit KI-gestützter Code den Konventionen der Codebasis folgt.
• KI-gestütztes Seiten-Authoring: ein eigener Claude-Desktop-Skill, der das Seiten-Authoring in Production automatisiert, genutzt von 16 Autoren.
• AEM-Delivery im Alltag: Java 21 Sling Models, OSGi-Services, HTL-Komponenten, Touch-UI-Dialoge und Dispatcher-Konfiguration, als einer der drei aktivsten Contributors über drei Monate.

Vorher und nachher

Ergebnisse

• Rund 5× schnelleres CI-Feedback bei jedem Pull Request, für ein Team von über 10 Entwicklern.
• Rund 10× mehr Authoring-Durchsatz pro Autor, über 16 Autoren.
• Gemeinsame Regeln für KI-Coding-Tools, damit auch schnellerer Output den Teamkonventionen folgt.