Neue Features und Updates

Epics und Issues teilen eine einheitliche Work-Item-Architektur und werden in einer konsolidierten Ansicht zusammengeführt. Organisationen eliminieren Kontextwechsel zwischen separaten Epic- und Issue-Seiten, während Teams beide Work-Item-Typen an einem Ort mit vollständiger Beziehungstransparenz verwalten, wodurch umfangreiche Backlogs in fokussierte Aktionselemente umgewandelt werden.

CI/CD-Job-Metriken zeigen Performance-Trends und Fehlermuster über Pipelines hinweg auf, sodass Entwickler(innen) ineffiziente Jobs identifizieren und beheben können, bevor Teams blockiert werden. Plattform-Teams erhalten die erforderliche Observability, um CI/CD im großen Maßstab zu optimieren – ohne externe Tools.

Die dynamische Eingabeauswahl eliminiert Jenkins-Instanzen und benutzerdefinierte Webschnittstellen, die Organisationen ausschließlich deshalb pflegen, weil Nicht-Entwickler(innen) nicht in YAML-Pipelines navigieren können. Kaskadierende Dropdown-Menüs ermöglichen es Produktmanager(inne)n, QA-Ingenieur(inn)en und Operations-Teams, komplexe Deployments intuitiv auszulösen, wobei jede Auswahl intelligent die nächsten verfügbaren Optionen bestimmt. Organisationen konsolidieren die Pipeline-Ausführung auf einer einzigen Plattform, reduzieren Infrastrukturkosten und Support-Overhead und erweitern gleichzeitig die Nutzerbasis von GitLab auf die gesamte Delivery-Organisation.

Die Garbage Collection ohne Ausfallzeiten reduziert Speicherkosten, Wartungsfenster und manuelle Eingriffe erheblich. Basierend auf einer modernen Datenbankarchitektur mit verbesserter Performance und erweiterten Sicherheitsfunktionen wie geschützten Repositories und unveränderlichen Tags. Plattform-Teams reduzieren die operative Komplexität, während Entwickler(innen) Artefakte schnell verwalten, wodurch eine Registry-Grundlage entsteht, die darauf ausgelegt ist, sich mit Enterprise-Container-Strategien weiterzuentwickeln.

Sicherheits-Workflows verstehen den organisatorischen Kontext schnell. Sicherheitsteams reduzieren die Triage-Zeit durch Fokussierung auf relevante Bedrohungen, während Entwickler(innen) nur die Probleme sehen, die tatsächlich die spezifische Umgebung betreffen, wodurch sowohl Reaktionszeit als auch Arbeitszufriedenheit verbessert werden.

SAST-Ergebnisse gewinnen durch Genauigkeit das Vertrauen der Entwickler(innen). Organisationen erreichen höhere Behebungsraten durch verbesserte Präzision, während Entwickler(innen) Stunden zurückgewinnen, die für manuelle Validierung aufgewendet wurden, und sich stattdessen auf die Entwicklung von Features konzentrieren.

Die schnelle Unterscheidung zwischen echten aktiven Tokens und abgelaufenen oder Test-Tokens bietet Sicherheitsteams eine bessere Möglichkeit, aktive Bedrohungen effektiv zu priorisieren, während Entwickler(innen) unnötige Arbeitsunterbrechungen durch Fehlalarme vermeiden und den Flow-Zustand beibehalten.

Sicherheitsschulungen erfolgen durch vernünftige Anleitung statt harter Blockierungen. Organisationen verbessern die langfristige Compliance durch schrittweise Einführung, während Entwickler(innen) Sicherheitsanforderungen ohne Workflow-Unterbrechung erlernen.

Schwachstellen werden dort erfasst, wo sie entstehen, nicht wo sie zusammengeführt werden. Teams verhindern die Akkumulation von Sicherheitsschulden in Haupt-Branches einfacher, während Entwickler(innen) Probleme im eigenen Feature-Branch beheben, ohne andere zu beeinträchtigen.

Sicherheitstransparenz hebt das Wesentliche hervor. Führungskräfte erhalten Echtzeit-Risikoverständnis ohne lange Berichte, während Entwickler(innen) schnell erkennen, wie Modifikationen die gesamte Sicherheitslage beeinflussen.

Die Fokussierung auf ausnutzbare Schwachstellen ermöglicht Organisationen eine erhebliche Reduzierung der Behebungskosten, während Entwickler(innen) ausnutzbare Schwachstellen priorisiert beheben, ohne Zeit für unerreichbare Code-Pfade zu verschwenden.

Umfassender Schutz erstreckt sich auf benutzerdefinierte und proprietäre Secrets und unterstützt Organisationen bei der Aufrechterhaltung der Sicherheit über diverse Technologie-Stacks hinweg, während Entwickler(innen) frei innovieren, da selbst einzigartige interne Tokens geschützt sind.

Schwachstellenmanagement wird auf spezifische Risikoprofile zugeschnitten und ermächtigt Sicherheitsteams, Ansichten zu erstellen, die auf die organisatorische Risikotoleranz abgestimmt sind, während Entwickler(innen) nur Probleme sehen, die für die eigenen Komponenten relevant sind, wodurch umfassende Übersicht mit fokussiertem Handeln ausbalanciert wird.

Robuste Sicherheitstests fügen sich in normale Entwicklungszyklen ein. Organisationen erhalten umfassende Sicherheitsabdeckung ohne Verzögerung von Releases, während Entwickler(innen) vollständiges Feedback erhalten, bevor zur nächsten Aufgabe übergegangen wird.

Intelligenter Schutz unterscheidet Testdateien von Produktionscode. Das Risiko, dass echte Secrets Repositories erreichen, wird gemindert, während Entwickler(innen) natürliche Entwicklungsmuster ohne Sicherheitsreibung beibehalten.

Eine Standardrolle bietet Sicherheitsfachkräften beschleunigte Produktivität mit angemessenen Grenzen. Ermöglicht Produktivität ab Tag eins mit umfangreichem Schwachstellenzugriff ohne Code-Änderungsrechte, wodurch die Aufgabentrennung aufrechterhalten wird, sodass Sicherheitsteams untersuchen können, ohne versehentlich die Produktion zu beeinträchtigen. Organisationen erhalten standardisierte Berechtigungen ohne benutzerdefinierte Konfiguration, wodurch Berechtigungsverzögerungen während der Incident-Response reduziert werden.

Automatisierte Schutzmaßnahmen für aktiv ausgenutzte Schwachstellen. Organisationen richten sich automatisch nach Regierungsrichtlinien aus, während Entwickler(innen) verstehen, wann zusätzliche Prüfung für kritische Risiken gerechtfertigt ist.

Echtzeit-Überwachung und Governance für alle verbundenen MCP-Server von einer einzigen Schnittstelle aus. Bietet Organisationen klare Transparenz darüber, welche Server aktiv sind und ob Verbindungen gesund bleiben, wodurch Performance-Probleme frühzeitig erkannt werden, bevor Entwickler-Workflows gestört werden. Sicherheitsteams stellen sicher, dass KI-Integrationen mit organisatorischen Richtlinien übereinstimmen, während Plattform-Ingenieur(inn)en Integrationsfehler schnell beheben, ohne zeitaufwändige Untersuchungen über getrennte Systeme hinweg.

Enterprise-Governance-Kontrollen ermöglichen die MCP-Einführung in regulierten Branchen, in denen Transparenz und Compliance nicht optional sind. Finanzdienstleistungs-, Gesundheits- und Regierungsorganisationen erhalten Kontrollen auf Instanzebene, die Administrator(inn)en vollständige Autorität über externen KI-Zugriff geben. Audit-Logging liefert Prüfpfade, die auf SOC2-, ISO- und HIPAA-Anforderungen abgestimmt sind, während zuverlässige Authentifizierung tägliche OAuth-Fehler reduziert, die derzeit eine konsistente Nutzung blockieren.

Organisationen bringen eigene KI-Runtimes ein und verbinden externe Services innerhalb der Agent-Plattform von GitLab, wodurch Einführungsbarrieren für Unternehmen mit Compliance- und Sicherheitseinschränkungen beseitigt werden. Teams wählen bevorzugte KI-Anbieter – Claude Code, OpenAI oder proprietäre Modelle – als Runtimes, während kritische Business-Tools wie Jira, Figma und Slack über MCP-Server verbunden werden. Ermöglicht Organisationen, bestehende Tool-Investitionen zu nutzen und regulatorische Anforderungen zu erfüllen, während auf der Agent-Infrastruktur von GitLab aufgebaut wird, wodurch GitLab als Orchestrierungsschicht positioniert wird.

Das Klonen grundlegender Agenten als Templates reduziert die Deployment-Zeit für benutzerdefinierte Agenten und senkt gleichzeitig die Expertise-Anforderungen für Organisationen. Teams erben bewährte Muster und Baseline-Fähigkeiten von GitLab und passen diese dann mit unternehmensspezifischem Wissen und internen Standards an, ohne von Grund auf neu zu entwickeln. Ermöglicht Organisationen die Bereitstellung von KI-Agenten, die auf Workflows zugeschnitten sind, beschleunigt die Time-to-Value und erweitert den adressierbaren Markt über Teams mit tiefgreifender KI-Engineering-Expertise hinaus.

Ermöglicht das Verständnis darüber, wie Agenten und KI-gesteuerte Workflows teamübergreifend eingeführt werden. Bietet Engineering-Verantwortlichen klare Einblicke durch Trendberichte und Engagement-Muster, die messbaren Impact aufzeigen. Diese Erkenntnisse helfen Organisationen zu verstehen, was funktioniert, Best Practices zu replizieren und die Effektivität der KI-Investitionen zu verbessern.

Vollständige Kontrolle über KI-Modelle und Datenresidenz ohne operativen Overhead der Infrastrukturverwaltung. Organisationen, die GitLab Dedicated nutzen, profitieren von selbst gehosteten KI-Fähigkeiten, die durch Single-Tenant-Isolation und granulare Governance in vollständig verwalteter Umgebung auf Compliance-Anforderungen abgestimmt sind. Ermöglicht Unternehmen, Datensouveränität zu wahren und gleichzeitig Infrastruktur-Komplexität zu vermeiden.