AI Software Engineering
KI verändert nicht nur die Codegenerierung
Der Einsatz künstlicher Intelligenz in der Softwareentwicklung wird häufig auf die Generierung von Programmcode reduziert.
Das greift zu kurz.
KI kann den gesamten Weg von einer fachlichen Idee bis zu einem überprüfbaren Softwareergebnis unterstützen:
- Anforderungen analysieren und strukturieren,
- fachliche Lücken und Widersprüche identifizieren,
- Epics, Features, User Stories und Tasks ableiten,
- Zielarchitekturen und technische Lösungsoptionen vorbereiten,
- Implementierungsaufträge formulieren,
- Quellcode erstellen oder überarbeiten,
- technische und fachliche Reviews unterstützen,
- Tests und Dokumentation vorbereiten,
- Delivery-Ergebnisse konsistent zusammenführen.
Der eigentliche Mehrwert entsteht nicht durch einen einzelnen Prompt. Er entsteht durch einen strukturierten und kontrollierten Delivery-Prozess.
KI im Requirements Management
Gute Software beginnt nicht mit Code, sondern mit einem belastbaren Verständnis der Anforderungen.
KI kann im Requirements Management insbesondere unterstützen bei:
- Analyse umfangreicher fachlicher Beschreibungen,
- Strukturierung unvollständiger oder heterogener Anforderungen,
- Identifikation von Unklarheiten und Widersprüchen,
- Formulierung gezielter Rückfragen,
- Ableitung von Epics, Features und User Stories,
- Erstellung überprüfbarer Akzeptanzkriterien,
- Aufteilung umfangreicher Anforderungen in umsetzbare Arbeitspakete,
- Vorbereitung technischer Implementierungsaufträge,
- Sicherstellung konsistenter Terminologie.
Das Ergebnis darf dabei nicht ungeprüft übernommen werden.
Fachliche Entscheidungen, Prioritäten und Freigaben bleiben Aufgabe der verantwortlichen Personen. KI beschleunigt die Analyse und Aufbereitung, ersetzt aber nicht die fachliche Verantwortung.
KI in Implementierung und Review
Auch in der technischen Umsetzung kann KI weit über einfache Codevervollständigung hinaus eingesetzt werden.
Geeignete Einsatzgebiete sind beispielsweise:
- Analyse bestehender Softwaremodule,
- Vorbereitung von Implementierungsplänen,
- Erstellung neuer Komponenten,
- Refactoring bestehender Lösungen,
- API- und Datenmodellierung,
- Generierung und Überarbeitung von Tests,
- Fehleranalyse, - Architektur- und Code-Reviews,
- Prüfung gegen Coding Guidelines,
- technische Dokumentation.
Die Qualität des Ergebnisses hängt wesentlich davon ab, welchen Kontext das Modell erhält.
Dazu gehören unter anderem:
- bestehender Quellcode,
- Repository-Struktur,
- Architekturvorgaben,
- API-Verträge,
- Datenmodelle,
- fachliche Anforderungen,
- bestehende Delivery Artifacts,
- Coding- und Review-Richtlinien.
Ohne diesen Kontext können Ergebnisse plausibel wirken und dennoch nicht zur tatsächlichen Lösung passen.
Von AI-Assisted Development zu AI Software Delivery
AI-Assisted Development unterstützt einzelne Tätigkeiten.
AI Software Delivery verbindet diese Tätigkeiten zu einem durchgängigen Prozess.
Ein solcher Ablauf kann beispielsweise so aussehen:
- Eine fachliche Anforderung wird aufgenommen.
- Die Anforderung wird analysiert und strukturiert.
- Epics, User Stories und Implementierungsaufträge werden abgeleitet.
- Architektur-, Repository- und Projektkontext werden zusammengestellt.
- Ein AI Run führt eine definierte Aufgabe aus.
- Das Ergebnis wird fachlich oder technisch geprüft.
- Es wird angenommen, überarbeitet, verworfen oder durch einen Follow-up ergänzt.
- Das freigegebene Ergebnis wird in den Delivery-Prozess übernommen.
- Entscheidungen und Ergebnisse bleiben nachvollziehbar miteinander verbunden.
Dadurch entsteht keine lose Sammlung einzelner AI Chats, sondern eine kontrollierte Delivery Chain.
Agentic Approaches
Agentische Ansätze gehen über die einmalige Beantwortung eines Prompts hinaus.
Ein AI Agent kann eine Aufgabe analysieren, benötigten Kontext berücksichtigen, Zwischenschritte vorbereiten und ein strukturiertes Ergebnis erzeugen.
In der Softwareentwicklung können solche Ansätze beispielsweise eingesetzt werden für:
- Requirements Refinement,
- Task Generation,
- Implementierungsplanung,
- Codeanalyse,
- Review,
- Testvorbereitung,
- Dokumentation,
- Fehleranalyse.
Agentische Arbeitsweisen benötigen jedoch klare Grenzen.
Ein belastbarer Ansatz definiert:
- welche Aufgaben ein Agent übernehmen darf,
- auf welche Daten und Dateien er zugreifen kann,
- welcher Kontext übermittelt wird,
- welcher AI Provider eingesetzt wird,
- welche Regeln und Architekturvorgaben gelten,
- wann menschliche Prüfung erforderlich ist,
- welche Ergebnisse automatisch weiterverarbeitet werden dürfen,
- welche Entscheidungen ausdrücklich freigegeben werden müssen.
Agentic bedeutet daher nicht autonom und unkontrolliert.
Der sinnvolle Zielzustand ist eine human-supervised orchestration: KI führt klar definierte Arbeiten aus, während Verantwortung, Prüfung und Freigabe beim Menschen bleiben.
Erfahrung aus
Enterprise-Programmen
und eigenen Projekten
Parallel zu eigenen Kundenprojekten bin ich seit vielen Jahren in großen, regulierten Enterprise-Programmen tätig – unter anderem als Testmanager für komplexe End-to-End- und UAT-Vorhaben sowie als Tech- oder Development Lead.
Diese Arbeit verbindet:
- fachliches Requirements Management,
- Architektur und Softwareentwicklung,
- Test- und Qualitätsmanagement,
- Governance,
- kontrollierte Softwareauslieferung,
- Zusammenarbeit zwischen Fachbereichen, Entwicklung und Betrieb.
Gleichzeitig setze ich KI praktisch in Requirements-, Implementierungs- und Review-Prozessen ein.
Die Verbindung beider Perspektiven ist entscheidend:
- Enterprise-Programme liefern Tiefe, Governance und Qualitätsmodelle.
- Eigene Projekte ermöglichen schnelle Erprobung und praktische Umsetzung.
- Mittelständische Kunden profitieren von Lösungen, die professionell aufgebaut, aber nicht unnötig kompliziert sind.
Leistungsangebot
Ich unterstütze Unternehmen insbesondere bei:
- Analyse geeigneter KI-Anwendungsfälle in Softwareprojekten,
- KI-gestütztem Requirements Management,
- Aufbau strukturierter Refinement-Prozesse,
- Einführung von AI-assisted Development Workflows,
- Konzeption agentischer und human-supervisierter Arbeitsweisen,
- Auswahl und Integration geeigneter AI Provider,
- Aufbau von Prompt- und Kontextbibliotheken,
- Definition von Architektur- und Review-Richtlinien,
- Entwicklung von Prototypen und MVPs,
- Integration von KI in bestehende Entwicklungs- und Delivery-Prozesse,
- Governance, Qualitätssicherung und Datenschutz,
- Übernahme technischer Verantwortung in kritischen Projektphasen.
Mögliche Einstiegsformate reichen von einer kompakten Analyse oder Machbarkeitsstudie bis zur Umsetzung eines vollständigen Prototyps oder Delivery-Prozesses.
Typischer Einstieg
AI Opportunity Assessment
Gemeinsame Analyse:
- Wo entstehen heute hohe manuelle Aufwände?
- Welche Requirements- oder Delivery-Prozesse sind inkonsistent?
- Welche Informationen stehen bereits strukturiert zur Verfügung?
- Welche Aufgaben eignen sich für KI-Unterstützung?
- Welche Risiken, Datenschutz- oder Governance-Anforderungen bestehen?
Zielbild und Prototyp
Auf dieser Grundlage entsteht ein konkretes Zielbild mit:
- Anwendungsfällen,
- Prozessmodell,
- Architektur,
- Provider- und Modellstrategie,
- Kontextquellen,
- Freigabeprozessen,
- Sicherheitsanforderungen,
- Umsetzungsvorgehen.
Ein fokussierter Prototyp oder MVP kann anschließend zeigen, ob der Ansatz im konkreten Projekt trägt.
Einführung und Skalierung
Nach erfolgreicher Erprobung kann der Prozess schrittweise erweitert werden:
- weitere Rollen,
- zusätzliche Use Cases,
- weitere AI Provider,
- Integration von Repositories und Delivery-Plattformen,
- wiederverwendbare Prompts und Guidelines,
- Qualitätssicherung, - Monitoring und Governance.
Orchestrate AI
Aus der praktischen Arbeit mit Requirements, Implementierungsaufträgen, AI Runs und technischen Reviews ist Orchestrate AI entstanden.
Orchestrate AI ist eine AI-native Plattform für strukturierte und human-supervisierte Software Delivery.
Die Plattform verbindet:
- Requirements und Delivery Artifacts,
- Projects, Epics, Features, User Stories und Tasks,
- Conversations und AI Runs,
- Repository- und Dateikontext,
- Prompt- und Architektur-Bibliotheken,
- unterschiedliche AI Provider,
- AI Outputs, - Review-, Freigabe- und Follow-up-Prozesse,
- Workspaces und Zusammenarbeit,
- Import, Export und externe Delivery-Systeme.
Ziel ist nicht, bestehende Softwareentwicklungswerkzeuge vollständig zu ersetzen.
Orchestrate AI schafft eine verbindende Orchestrierungsschicht zwischen Anforderungen, Menschen, AI Providern, Repositories und Delivery-Ergebnissen.
Public Preview startet in Kürze
Die in Kürze beginnende Public Preview Phase von Orchestrate AI unterstützt unter anderem:
- GitHub als Repository- und Delivery-Integration,
- OpenAI als AI Provider,
- Anthropic als AI Provider,
- strukturierte Delivery Artifacts,
- kontextbezogene AI Requests,
- Conversations und Follow-up-Prozesse,
- menschliche Prüfung und Freigabe,
- Workspace-basierte Zusammenarbeit,
- Import- und Exportfunktionen.
Weitere Provider, Plattformen und Funktionen werden schrittweise ergänzt.