← Terug naar case studies
AEM-delivery · 2026
Snellere AEM-builds en AI-ondersteunde authoring voor een Amerikaanse hotelgroep
Full-stack AEM-werk in een team van meer dan tien developers: een teststrategie vastgelegd in een ADR, CI van circa 16 naar 3,0 minuten per run, en AI-tooling die page authoring van 5 naar 50+ pagina's per dag per auteur bracht.
Door Laurentiu NichiteanGepubliceerd
Mijn rol:
Full-stack AEM-developer
Klant:
Amerikaanse hotelgroep (via een digitaal bureau)
Kern-techstack:
Java 21, Sling Models, OSGi, HTL, dispatcher, Claude
De zakelijke uitdaging
Meer dan tien developers deelden één AEM-codebase, en elke pull request wachtte circa 16 minuten op CI. Trage feedback zorgt ervoor dat developers wijzigingen bundelen en maakt reviews lastiger.
Contentauteurs bouwden pagina's met de hand, elk circa vijf pagina's per dag, terwijl het team AI-codingtools begon te gebruiken zonder gedeelde regels.
Wat ik heb gedaan
- Teststrategie als ADR: ik schreef het architecture decision record voor de teststrategie, zodat het team het eens was over de aanpak voordat de pipeline veranderde.
- CI van ~16 naar 3,0 minuten: blijvend 3,0 minuten per run voor het hele team, gemeten over 1.871 runs.
- Regels voor AI-codingtools: CLAUDE.md en Cursor-regels, met AGENTS.md voor andere tools, plus een uitrolplan, zodat AI-ondersteunde code de conventies van de codebase volgt.
- AI-ondersteunde page authoring: een eigen Claude Desktop-skill die page authoring in Production automatiseert, gebruikt door 16 auteurs.
- Dagelijkse AEM-delivery: Java 21 Sling Models, OSGi-services, HTL-componenten, Touch UI-dialogen en dispatcherconfiguratie, als een van de drie meest actieve contributors over drie maanden.
Voor en na
Resultaten
- Circa 5× snellere CI-feedback op elke pull request, voor een team van 10+.
- Circa 10× meer authoring-output per auteur, over 16 auteurs.
- Gedeelde regels voor AI-codingtools, zodat snellere output toch de teamconventies volgt.