\n English<\/a>.<\/p>\n
It was translated with technical assistance and editorially reviewed before publication.\n <\/p>\n
K\u00fcnstliche Intelligenz (KI) bringt neue Anforderungen, Paradigmen und Wechselwirkungen mit sich, die klassische Ans\u00e4tze der Softwarearchitektur an vielen Stellen erweitern oder herausfordern. F\u00fcr Softwarearchitektinnen und -architekten bedeutet das: Sie m\u00fcssen ihre Rolle, ihre Methoden und ihre Denkweisen weiterentwickeln, um den komplexen Rahmenbedingungen datengetriebener Systeme gerecht zu werden.<\/p>\n
<\/p>\n
\n (Bild:\u00a0<\/p>\n
Mahbouba Gharbi<\/p>\n
)<\/p>\n
\n Mahbouba ist Gesch\u00e4ftsf\u00fchrerin, Softwarearchitektin und Trainerin bei der ITech Progress GmbH, einem Beratungsunternehmen und akkreditierten Schulungsanbieter des iSAQB mit \u00fcber zwanzig Jahren Erfahrung. Als Kuratorin des iSAQB-Advanced-Level-Moduls SWARC4AI vermittelt sie methodische und technische Konzepte f\u00fcr den Entwurf und die Entwicklung skalierbarer KI-Systeme. Dabei legt sie besonderen Wert auf praxisnahe, nachhaltige und anwendungsorientierte L\u00f6sungen.\n <\/p>\n
<\/p>\n
\n (Bild:\u00a0<\/p>\n
Dimitri Blatner<\/p>\n
)<\/p>\n
\n Dimitri ist Softwarearchitekt und Trainer bei der ITech Progress GmbH. Als zertifizierter Trainer f\u00fcr das iSAQB-Advanced-Level-Modul SWARC4AI vermittelt er praxisnahes Wissen zum Entwurf und zur Entwicklung skalierbarer KI-Systeme. Seine Schwerpunkte liegen in den Bereichen Cloud-Technologien, DevSecOps, hybride Architekturen und KI-basierte L\u00f6sungen. Dimitri unterst\u00fctzt Unternehmen dabei, innovative und zugleich sichere Systeme erfolgreich zu realisieren.\n <\/p>\n
Dieser Artikel beleuchtet, wie sich der Architektur-Entstehungsprozess durch den Einsatz von KI ver\u00e4ndert \u2013 und was dies konkret f\u00fcr die Praxis der Softwarearchitektur bedeutet. Zum Veranschaulichen zeigen wir Beispiele eines Projekts aus dem \u00f6ffentlichen Personennahverkehr (\u00d6PNV), an dem wir als Softwarearchitekten beteiligt waren.<\/p>\n
<\/strong>Zwei Rollen von KI: Werkzeug und Komponente<\/strong><\/p>\n Im Architekturkontext tritt k\u00fcnstliche Intelligenz in zwei unterschiedlichen Rollen auf \u2013 als Unterst\u00fctzung im Entstehungsprozess und als aktive Systemkomponente. Diese Unterscheidung ist essenziell f\u00fcr die Einordnung technischer, methodischer und organisatorischer Anforderungen. In ihrer Rolle als Werkzeug unterst\u00fctzt KI die Architekten entlang verschiedener Prozessphasen. In fr\u00fchen Phasen k\u00f6nnen KI-Tools bei der Konsolidierung und Analyse von Anforderungen helfen. Natural Language Processing (NLP) erm\u00f6glicht zum Beispiel das Extrahieren funktionaler und nichtfunktionaler Anforderungen aus Textquellen oder Gespr\u00e4chsprotokollen.<\/p>\n Sp\u00e4ter im Prozess lassen sich mithilfe graphbasierter Modelle Architekturvarianten generieren, die die KI hinsichtlich vordefinierter Qualit\u00e4tsmerkmale bewertet. In Review-Phasen unterst\u00fctzt die KI bei der Analyse bestehender Systeme, etwa durch das Erkennen von Architekturerosion oder von zyklischen Abh\u00e4ngigkeiten.<\/p>\n Diese Unterscheidung zwischen den beiden Rollen von KI gilt auch im \u00d6PNV und sie bringt jeweils andere Qualit\u00e4tsanforderungen, Betriebsrisiken und Verantwortlichkeiten mit sich. W\u00e4hrend KI als Analyse-Tool im Hintergrund arbeitet und prozessorientierte Verbesserungen unterst\u00fctzt, beeinflusst sie als Bestandteil produktiver Systeme unmittelbar das Verhalten, die Resilienz und Weiterentwicklung des digitalen Fahrgastangebots und des Betriebsmanagements.<\/p>\n KI-gest\u00fctzte Softwarearchitektur im kommunalen \u00d6PNV<\/strong><\/p>\n Das Verkehrsunternehmen mit \u00fcber 10 Millionen Fahrg\u00e4sten pro Monat hat k\u00fcnstliche Intelligenz systematisch in seine Softwarearchitektur integriert, mit dem Ziel, die Qualit\u00e4t, Wartbarkeit und Serviceorientierung zu verbessern \u2013 sowohl in der betrieblichen IT als auch in den digitalen Produkten f\u00fcr die Fahrg\u00e4ste. Bereits im Architekturprozess kommt ein generatives KI-Analysemodul auf Basis eines gro\u00dfen Sprachmodells (LLM) zum Einsatz: Es wertet Architekturdokumentationen automatisiert aus, extrahiert zentrale Designentscheidungen, etwa zur Anbindung von Fahrgastinformationssystemen oder zur Datenhaltung von Echtzeitfahrpl\u00e4nen \u2013 und gleicht diese mit den implementierten Services und Schnittstellen ab. So k\u00f6nnen die Architekten Inkonsistenzen und technische Schulden fr\u00fchzeitig erkennen und dokumentieren.<\/p>\n Ein weiteres datengetriebenes Assistenzsystem identifiziert mithilfe von Unsupervised Learning Ausfallmuster in historischen Fahrzeugdaten. Diese Erkenntnisse flie\u00dfen direkt in Anforderungen an Sensorik und Datenlatenz ein \u2013 und st\u00e4rken somit Architekturentscheidungen.<\/p>\n Im Betrieb analysiert ein pr\u00e4diktives Machine-Learning-Modell (ML-Modell) kontinuierlich Diagnosedaten der Busflotte. Es erkennt fr\u00fchzeitig Anzeichen technischer Defekte (Predictive Maintenance) und erm\u00f6glicht gezielte Wartungsma\u00dfnahmen. Zugleich generiert es automatisch passende Fahrgastinformationen, sobald Abweichungen vom Fahrplan auftreten \u2013 abgestimmt auf die Prognoseg\u00fcte. Die Systemarchitektur bildet hierf\u00fcr nicht nur das ML-Modell selbst ab, sondern auch die erforderlichen Datenpipelines, MLOps-Infrastruktur sowie Prozesse f\u00fcr Validierung, Monitoring und kontinuierliches Training. Die Modellpipeline wird so zu einem kritischen, wartbaren und transparenten Bestandteil der Gesamtarchitektur.<\/p>\n Architektur wird daten- und modellzentriert<\/strong><\/p>\n Traditionelle Softwarearchitektur ist in erster Linie funktionsorientiert: Sie konzentriert sich auf technische Komponenten, klare Schnittstellen und wohldefinierte Abl\u00e4ufe. In KI-basierten Systemen verschiebt sich der Fokus erheblich. Hier pr\u00e4gen Datenfl\u00fcsse, Machine-Learning-Modelle und Trainingsprozesse den Aufbau des Systems. Dadurch gewinnen Datenquellen, deren Qualit\u00e4t und deren Verf\u00fcgbarkeit eine entscheidende Bedeutung. Die Auswahl und Vorbereitung der Daten haben unmittelbaren Einfluss auf die Leistungsf\u00e4higkeit und Korrektheit der sp\u00e4ter eingesetzten Modelle.<\/p>\n Dar\u00fcber hinaus m\u00fcssen Architekten sich mit Konzepten wie Modellversionierung, kontinuierlicher Modellverbesserung (Continuous Learning) und passenden Monitoring-Mechanismen besch\u00e4ftigen. Klassische Erwartungen an Systemstabilit\u00e4t weichen neuen Anforderungen an Flexibilit\u00e4t und Anpassungsf\u00e4higkeit, da sich Modelle durch Nachtrainieren oder den Austausch gegen verbesserte Varianten ver\u00e4ndern. Die Architekturarbeit wird dadurch dynamischer und datengetriebener.<\/p>\n Qualit\u00e4t bekommt neue Dimensionen<\/strong><\/p>\n Die Qualit\u00e4tskriterien f\u00fcr Softwaresysteme erweitern sich durch KI um neue Dimensionen. Neben etablierten Anforderungen wie Performance, Wartbarkeit oder Sicherheit treten Aspekte wie Erkl\u00e4rbarkeit, Fairness und Vertrauensw\u00fcrdigkeit auf. Entscheidungen, die durch ML-Modelle getroffen werden, m\u00fcssen f\u00fcr technische und nicht-technische Stakeholder nachvollziehbar sein \u2013 insbesondere dann, wenn sie Auswirkungen auf Menschen oder gesellschaftliche Prozesse haben.<\/p>\n Zus\u00e4tzlich steigt die Bedeutung von Robustheit gegen\u00fcber ver\u00e4nderten Datenlagen und von Mechanismen zur Absicherung gegen fehlerhafte Modellvorhersagen. Architekten sind gefordert, Unsicherheiten explizit zu behandeln: durch Confidence Scores, Abstufungen in der Entscheidungssicherheit oder Fallback-basierte Systempfade. Damit wird deutlich: Architektur im KI-Zeitalter muss \u00fcber rein technische Kriterien hinausgehen und systemische Resilienz und ethische Verantwortung mitdenken.<\/p>\n Der Architekturprozess wird iterativer<\/strong><\/p>\n Im Unterschied zu klassischen Projekten, bei denen die Architektur zu Beginn weitgehend festgelegt wird, besteht der Architekturprozess in KI-Projekten von Anfang an aus einem iterativen Vorgehen (Abbildung 1). Wesentliche Erkenntnisse \u00fcber Datenverteilung, Modellverhalten oder Anwendungsf\u00e4lle ergeben sich oft erst w\u00e4hrend explorativer Experimente. Entsprechend muss die Architektur flexibel genug sein, um nachtr\u00e4glich anpassbar oder sogar grundlegend \u00fcberholbar zu sein und einen hohen Grad an Automatisierung zu erm\u00f6glichen.<\/p>\n