In früheren Beiträgen haben wir besprochen, wie umfassende Software-Analyse Plattformen wie DETANGLE strukturelle Engpässe, architektonische Hotspots und aufkommende technische Schulden in komplexen Softwaresystemen identifizieren. Traditionell wurden diese Erkenntnisse genutzt, um menschliche Architekten und Entwicklungsteams zu unterstützen.

Im Zeitalter der KI-gestützten Softwareentwicklung sollten diese Erkenntnisse jedoch nicht mehr beim menschlichen Entwickler aufhören. Sie sollten Teil einer automatisierten Rückkopplungsschleife (Feedback Loop) werden, die die KI selbst kontinuierlich anleitet.

Wann immer die Softwareanalyse architektonische Abweichungen (Architectural Drift), zunehmende Kopplung, Designverstöße oder Wartbarkeitsrisiken feststellt, sollten diese Ergebnisse direkt an den KI-Coding-Agenten rückgekoppelt werden. Anstatt Probleme lediglich im Nachhinein zu melden, wird die Softwareanalyse zu einem aktiven Steuerungsmechanismus, der es KI-Agenten ermöglicht, ihren Output zu refactoren, zu verbessern und an den architektonischen Zielen des Projekts auszurichten.

In diesem Modell wird die automatisierte Codeanalyse zum Feedback-Sensor für KI-generierte Software.

Doch die Codequalität ist nur die eine Seite der Medaille.

Wie dieser Artikel zeigt, erzeugen KI-Systeme kontinuierlich eine wachsende Menge an Entwicklungs-Artefakten – Anforderungen, Spezifikationen, Architecture Decision Records (ADRs), Dokumentationen, Kontextdateien, Engineering-Regeln und andere Formen von Engineering-Wissen. Diese Artefakte sind nicht mehr nur begleitende Dokumentation. Sie werden Teil der operativen Wissensbasis des Projekts und dienen als Orientierung für zukünftigen KI-generierten Code sowie die nächste Generation KI-erstellter Artefakte.

Infolgedessen müssen diese Entwicklungs-Artefakte im selben Umfang gesteuert werden wie der Quellcode. Sie erfordern kontinuierliche Analysen, dedizierte Qualitätsmetriken und eigene automatisierte Feedback-Mechanismen.

Die nächste Generation des KI-Software-Engineerings erfordert daher einen zweiten Feedback-Sensor: einen, der kontinuierlich die Qualität KI-generierter Entwicklungs-Artefakte bewertet. Ein solches System sollte Redundanzen, Inkonsistenzen, fehlende Rückverfolgbarkeit (Traceability), veraltete bzw. widersprüchliche Informationen erkennen, bevor diese Artefakte Teil des zukünftigen Kontexts der KI werden.

Bei Cape of Good Code glauben wir, dass dies der nächste große Schritt in Richtung KI-natives Software-Engineering ist, und wir entwickeln aktiv Werkzeuge, um diese Vision Wirklichkeit werden zu lassen.

Die Rolle des Requirements Engineering

Feedback allein reicht jedoch nicht aus.

Jedes effektive Steuerungssystem erfordert auch eine qualitativ hochwertige Feedforward-Eingabe. Im KI-gestützten Software-Engineering beginnt dies mit dem Requirements Engineering. Gut strukturierte Anforderungen, deren Verfeinerung und Break-down, und eine klare architektonische Vision bieten die Orientierung, die es KI-Coding-Agenten ermöglicht, von Anfang an fundierte Implementierungsentscheidungen zu treffen.

Ironischerweise hat das Requirements Engineering in Diskussionen über KI-Coding bisher relativ wenig Aufmerksamkeit erhalten. Dabei könnte es noch wichtiger werden als im traditionellen Software-Engineering. KI kann Software in präzedenzloser Geschwindigkeit generieren – aber nur, wenn sie von Anforderungen geleitet wird, die präzise und konsistent sind und Zweideutigkeiten durch einen strukturierten Ansatz von Verfeinerungen reduzieren.

Abbildung*: Der komplette Regelkreis incl. "FEEDBACK ON ARTIFACTS" und "FEEDFORWAD: GUIDE Requirements Engineering" 

ie Zukunft des KI-gestützten Software-Engineerings ruht daher auf drei komplementären Säulen. The Feedback Loops, die Fowler/Böckeler vorgestellt haben, müssen zu einem vollständigen Regelkreis im folgenden Sinne ergänzt werden:

• Feedforward – Requirements Engineering: Hochwertiges, KI-gestütztes Requirements Engineering, architektonische Führung, die den richtigen Implementierungskontext etablieren, bevor die Codegenerierung beginnt.
  
  
• Feedback zum Code: Kontinuierliche strukturelle Analyse von KI-generierter Software zur Erkennung von architektonischen Abweichungen, technischen Schulden und Wartbarkeitsrisiken. Diese Erkenntnisse sollten direkt an den KI-Agenten zurückgespielt werden, um gezieltes Refactoring und kontinuierliche architektonische Verbesserungen zu ermöglichen.
  
  
• Feedback zu Entwicklungs-Artefakten: Kontinuierliche Bewertung der Qualität, Konsistenz, Rückverfolgbarkeit, Einzigartigkeit und Relevanz KI-generierter Entwicklungs-Artefakte, um sicherzustellen, dass sie eine zuverlässige Wissensbasis für Menschen und KI bleiben.

Erst wenn diese drei Mechanismen zusammenarbeiten, entwickelt sich die KI über die autonome Codegenerierung hinaus und wird zu einem vertrauenswürdigen Engineering-Partner, der in der Lage ist, sowohl die Software als auch das sie umgebende Wissen kontinuierlich zu verbessern.

Konsequenzen für Softwareprojekte und Software Due Diligence 

Dieser Wandel verändert grundlegend, wie Softwarequalität bewertet werden sollte – sowohl in der täglichen Softwareentwicklung als auch bei strategischen Software-Akquisitionen durch Investoren.

Softwareprojekte sollten die KI-Produktivität nicht mehr allein an Codezeilen oder abgeschlossenen Tickets messen. Stattdessen sollten Entwicklungspipelines automatisierte Quality Gates sowohl für den Quellcode als auch für KI-generierte Entwicklungs-Artefakte enthalten. Ein früheres KI-generiertes Architecture Decision Record (ADR), das einer aktuellen architektonischen Entscheidung oder neu generiertem Code widerspricht, sollte nicht anders behandelt werden als ein fehlschlagender Unit-Test.

Das Gleiche gilt für die Technical Due Diligence. Im Zeitalter des KI-gestützten Software-Engineerings reicht die alleinige Bewertung des Quellcodes nicht mehr aus, um den langfristigen Wert und die Wartbarkeit eines Software-Assets zu beurteilen. Investoren und Technologie-Verantwortliche müssen auch die Gesundheit des KI-generierten Engineering-Wissens bewerten, das den Code umgibt.

Die entscheidende Frage lautet nicht mehr einfach:

„Ist der Code wartbar?“

Sie wandelt sich zu:

„Können sowohl Menschen als auch KI weiterhin mit Vertrauen auf diesem Engineering-Wissen aufbauen?“

Die Altlasten (Legacy-Systeme) von morgen werden nicht allein wegen schlechten Codes scheitern. Sie werden scheitern, weil das den Code umgebende, KI-generierte Engineering-Wissen so weit degradiert ist, dass es keine verlässliche Orientierung mehr bieten kann – weder für menschliche Entwickler noch für KI-Agenten.

Die Zukunft des KI-gestützten Software-Engineerings besteht daher nicht darin, Software-Ingenieure durch KI zu ersetzen. Es geht darum, Engineering-Regelkreise zu schaffen, die hochwertige Anforderungen, kontinuierliches Feedback auf den Quellcode und kontinuierliches Feedback auf KI-generierte Entwicklungs-Artefakte kombinieren. Nur dann kann sich KI von einem unzuverlässigen Code-Generator zu einem human-guided, selbst-korrigierenden Engineering-Partner für große Software-Systeme entwickeln.

Die Bewältigung der KI-Informationslawine durch Software-Ingenieure ist daher nicht nur ein Dokumentationsproblem. Es ist Teil der nächsten Disziplin des Software-Engineerings mit KI.

Diese Erkenntnisse prägen auch unsere eigene Forschungs- und Entwicklungs-Roadmap bei Cape of Good Code. Heute bietet DETANGLE eine tiefe strukturelle Analyse des Quellcodes und liefert fundiertes architektonisches Feedback. Unser nächster Fokus liegt darin, diesen analytischen Ansatz über den Code hinaus zu erweitern – auf das wachsende Ökosystem KI-generierter Entwicklungs-Artefakte, die zunehmend sowohl das menschliche als auch das KI-gestützte Software-Engineering antreiben.

Wir glauben, dass zukünftige Engineering-Plattformen nicht nur die Codequalität kontinuierlich bewerten müssen, sondern auch die Qualität und die langfristige Gesundheit des den Code umgebenden Engineering-Wissens. Nur durch die Kombination dieser Fähigkeiten kann die KI-gestützte Softwareentwicklung den Erwartungen gerecht werden und skalierbar, vertrauenswürdig und nachhaltig bleiben.

Links

[0] Photo by Jules Clark: : Photo by Jules Clark: https://www.pexels.com/photo/levers-and-compass-on-dashboard-18681300/

* Die Abbildung "Der komplette Regelkreis" wurde mit Hilfe von KI erstellt