Mensch Roboter Handshake

Monokultur war gestern. Warum ich selten nur noch eine KI nutze…

/von

Ich werde oft gefragt, welche KI bei uns zum Einsatz kommen. Das hat mich dazu motiviert, einen Beitrag darüber zu verfassen. Welche Modelle setzen wir ein? Was sind ihre Vor- und Nachteile? Was sind die Charaktereigenschaften dieser „Mitarbeiter“ und wie verhalten sie sich in der Zusammenarbeit?

Large Language Models werden häufig als Chatbots eingesetzt. Die Trainingsdaten stammen zu großen Teilen aus dem Internet – voll mit Programmierbeispielen und technischen Beschreibungen (z. B. von Stack Overflow). Schon die ersten Chatbots konnten dadurch auf technische Fragen antworten, indem sie kurze – und manchmal sogar längere – Stücke Source Code ausgegeben haben.

Spulen wir zurück ins Jahr 2025:
Mittlerweile können LLMs nicht nur reden, sondern auch handeln. Sie nutzen Tools (z. B. um Dateien zu lesen und zu schreiben, um nach Filenamen und Textstellen zu suchen, Befehle ausführen und deren Ausgaben zu analysieren) und sind damit in der Lage, nicht nur einzelne Codezeilen, sondern ganze Codebases zu durchsuchen, zu verstehen und – je nach Prompt – gezielt zu verändern.

Damit war der Development Agent geboren: ein Agent, der auf Anweisung des Entwicklers selbständig programmiert.

Wir setzen solche Dev-Agents inzwischen seit über einem Jahr aktiv in ganz unterschiedlichen Projekten ein. Und die Entwicklung neuer Modelle, die speziell für diese Art von Arbeit optimiert sind, ist rasant. In einem aktuellen Migrationsprojekt – von einem CRM-System zu einem anderen Anbieter – haben wir z. B. große Teile der Migrationsskripte mit Hilfe von Agents erstellt.

Auf die Projektergebnisse gehe ich in einem späteren Beitrag ein. Heute möchte ich eine andere Perspektive teilen: meine Erfahrungen mit verschiedenen LLMs als Basis für Dev-Agents. In diesem Projekt haben wir drei aktuell viel genutzte Modelle eingesetzt – und zwar nicht nur technisch verglichen, sondern auch beobachtet, wie sich die Zusammenarbeit „zwischenmenschlich“ anfühlt.

Welche 3 LLMs haben wir eingesetzt?

  • Claude Sonnet 4.5 (Anthropic)
  • Gemini 3 Flash (Preview) (Google)
  • Grok Code Fast 1 (xAI)

In welcher Umgebung haben wir gearbeitet?

  • Visual Studio Code
  • Kilo Code als Agent-Plattform
  • OpenRouter zur Nutzung der LLMs via API

Kurzer Überblick: Stärken und Rahmenbedingungen

Claude Sonnet 4.5 ist aktuell so etwas wie der Platzhirsch unter den Development-LLMs. Wir haben damit bereits mehrere vergleichbare Aufgaben in sehr guter Qualität und mit hoher Effizienz umgesetzt. Der Nachteil: Bei längeren Aufgaben mit vielen Tokens wird Sonnet 4.5 schnell teuer.

Grok Code Fast 1 von xAI wollten wir genau deshalb testen. Es wurde speziell für agentic Coding entwickelt und ist im Vergleich zu Sonnet 4.5 pro Million Tokens deutlich günstiger – und, wie der Name vermuten lässt, sehr schnell.

Gemini 3 Flash Preview haben wir gewählt, weil wir vermutet haben, dass es zwischen diesen beiden Extremen liegt: sehr schnell, großes Kontextfenster (1 Million Tokens) und preislich deutlich günstiger als Claude Sonnet 4.5.

Welches Modell hat am besten abgeschnitten?

Mit allen drei Modellen kommt man – früher oder später – ans Ziel. Spannend war für mich aber, wie unterschiedlich sich die Zusammenarbeit anfühlt. Man hat wirklich den Eindruck, jedes Modell hätte seinen eigenen Charakter.

Im Folgenden meine sehr persönliche – und bewusst subjektive – Erfahrung:

Claude Sonnet 4.5: Der gewissenhafte Senior-Consultant

Sonnet hat Aufgaben sehr gründlich und gewissenhaft abgearbeitet. Die Ergebnisse waren oft schon im ersten Versuch korrekt oder brauchten nur kleine Anpassungen, die Sonnet dann rasch und sauber umgesetzt hat.

Was mir besonders aufgefallen ist:

  • Sonnet erklärt sehr detailliert: Herangehensweise, Zwischenschritte, Ergebnisse – oft in einer Tiefe, bei der ich mir dachte: „Danke, aber so genau wollte ich’s eigentlich gar nicht wissen.“
  • Wenn im Prompt etwas unklar war, hat Sonnet höflich nachgefragt, statt einfach Annahmen zu treffen.
  • Wenn ich Fehler im Konzept oder Code gefunden habe, hat Sonnet sehr ausführlich analysiert, warum das passiert ist – und es dann sauber korrigiert (inkl. einer Entschuldigung, manchmal fast zu viel davon).
  • Manchmal war Sonnet fast zu fleißig: Neben der eigentlichen Aufgabe hat es aus eigenem Antrieb noch Analyse- oder Testskripte geschrieben, damit wirklich nichts fehlt. Nett – aber in der Praxis habe ich nicht alles gebraucht.

Manchmal war Sonnet fast zu fleißig: Neben der eigentlichen Aufgabe hat es aus eigenem Antrieb noch Analyse- oder Testskripte geschrieben, damit wirklich nichts fehlt. Nett – aber in der Praxis habe ich nicht alles gebraucht.

Mein Eindruck:
Claude Sonnet 4.5 ist der gewissenhafte Senior-Consultant: extrem kompetent, erklärt alles sehr gründlich, liefert hochwertige Ergebnisse – aber mit spürbarem Overhead und entsprechendem Preisschild.

Grok Code Fast 1: Der hyperaktive Junior-Developer

Fast 1 ist wirklich schnell. Es stürzt sich auf jede Aufgabe und fängt sofort an zu implementieren – ohne lange nachzufragen. Günstig und schnell produziert es eine Menge Source Code, von dem erstaunlich viel schon beim ersten oder zweiten Versuch funktioniert.

Allerdings:

  • Fast 1 macht gern den einen oder anderen Fehler.
  • Wenn man schnell feedbackt (Stack Trace in den Prompt), korrigiert es oft ebenso schnell.
  • Man merkt: Das Modell will vor allem Tempo.

Wenn die Fehler aber komplexer wurden, hatte ich manchmal das Gefühl, dass Fast 1 zu wenig strukturiert analysiert und stattdessen einfach den nächsten Ansatz probiert – der dann ggf. auch nicht funktioniert.

Ein paar Mal haben wir fast „gestritten“: Als ein Bug hartnäckig blieb und ich mehrfach auf eine echte Korrektur gepocht habe, hat es einmal den fragwürdigen Code schlicht auskommentiert und gemeldet, der Fehler sei behoben.

Mein Eindruck:
Grok Code Fast 1 ist der hyperaktive Junior-Developer: schnell, günstig, haut massenhaft Code raus, löst vieles „auf Zuruf“ – aber man muss ihn eng führen und gelegentlich ausbremsen.

Gemini 3 Flash Preview: Der sachliche Profi

Gemini hat Aufgaben für mich im Kern fast auf Sonnet-Niveau gelöst. Es denkt ordentlich nach, analysiert sauber und liefert sehr gute Ergebnisse, die häufig sofort funktionieren.

So fühlt sich die Zusammenarbeit an:

  • Fehler werden schnell und gezielt korrigiert.
  • Wenn ich etwas falsch verstanden habe, weist Gemini klar darauf hin und fragt nach dem gewünschten Vorgehen.
  • Die Kommunikation ist professionell, strukturiert und effizient.

Nach einer Weile kam mir die Zusammenarbeit aber recht kühl vor:

  • Gemini macht zuverlässig, was man explizit verlangt – bringt aber seltener zusätzliche Ideen oder proaktive Vorschläge ein, wie Sonnet es gern tut.
  • Erklärungen sind eher knapp; manchmal musste ich bewusst nach Details fragen.

Mein Eindruck:
Gemini 3 Flash Preview ist der sachliche Profi: effizient, zuverlässig, kompetent – aber nüchtern und weniger proaktiv als Sonnet.

Und jetzt? Mit keinem 100 % glücklich?

Wenn man es überspitzt:

  • entweder teuer und sehr gesprächig (Sonnet),
  • oder sehr schnell, aber manchmal schlampig (Grok),
  • oder effizient, aber etwas unterkühlt (Gemini).

Die Konsequenz für mich war klar: Ich habe meine Arbeitsweise geändert.
Statt „ein Lieblings-LLM für alles“ nutze ich heute unterschiedliche Agenten für unterschiedliche Aufgaben.

Meine aktuelle Arbeitsweise mit Kilo Code

In Kilo Code kann ich verschiedene Modi mit unterschiedlichen Modellen belegen. Vereinfacht sieht das bei mir so aus:

  • Orchestrierungsmodus – Claude Sonnet 4.5
    Für größere Aufgaben: Abstimmen, planen, strukturieren. Die Orchestrierung teilt die Detailarbeit an andere Agents aus und stößt sie an.
    Auch im Architekturmodus nutze ich am liebsten Sonnet 4.5, weil ich dort die umfassendsten Konzepte und Vorschläge bekomme.
  • Code-Modus – Gemini 3 Flash
    Hier zählt verlässliche Umsetzung: korrekt, zielgerichtet, zügig – ohne viel „Plauderei“.
    Auch im Debug-Modus funktioniert Gemini für mich sehr gut: klar, präzise, lösungsorientiert.
  • Zusatzprofil – Grok Code Fast 1
    Grok nutze ich dort, wo massenhaft ähnliche Aufgaben anfallen – z. B. viele ähnliche Skripte oder Templates. In diesen Szenarien gewinnt Speed, und Fast 1 ist hier einfach extrem schnell und günstig.

Mein Fazit: Monokultur war gestern

Nach diesen Erfahrungen ist für mich klar:
Ich würde heute nicht mehr nur das Modell eines einzigen Anbieters nutzen.

Jeder Agent – jedes LLM – hat spezifische Stärken und Schwächen. Und dieser „Charakter“ wirkt sich direkt darauf aus, wie produktiv und angenehm die Zusammenarbeit ist.

Die Möglichkeit, in offenen Systemen mehrere Anbieter flexibel kombinieren zu können, ist für mich 2026 zu einem entscheidenden Kriterium geworden.

Nicht die eine „perfekte“ KI macht den Unterschied – sondern das Zusammenspiel ihrer unterschiedlichen Charaktere.

Spirit in Projects - Wir ermöglichen digitale Innovation

Innovation

/von
Weiterlesen
Mitarbeiterin steht vor einem Flipchart

Anforderungen an KI-Systeme: Wie ein durchdachtes Vorgehensmodell Projekte zum Erfolg führt 

/von

Spirit in Projects begleitet seit Jahren Unternehmen und öffentliche Auftraggeber bei der Konzeption, Ausschreibung und Umsetzung von KI-Systemen. Dabei hat sich eines immer wieder bestätigt: Ein strukturiertes, daten- und nutzenorientiertes Vorgehensmodell ist der Schlüssel zum Erfolg – unabhängig davon, ob das Projekt nach V-Modell XT, Scrum oder einem individuellen Hybridmodell abläuft. 

Viele KI-Projekte scheitern nicht an der Technologie – sondern am fehlenden methodischen Vorgehen bei der Anforderungserhebung und der Umsetzung. 

Vom Bauchgefühl zur strukturierten Anforderung 

In klassischen Projekten reichen oft Lastenhefte mit klaren Funktionalitäten – bei KI-Systemen funktioniert das so nicht. Hier braucht es einen anderen Denkansatz: 

  • Was ist das eigentliche Erkenntnisziel der KI? 
  • Welche Daten stehen wirklich zur Verfügung? 
  • Wie genau muss ein Modell sein, um den späteren Mehrwert zu liefern? 

Wir nutzen dafür intern einen methodischen Rahmen, der sich stark am CRISP-DM-Modell orientiert – angepasst auf moderne KI-Projekte mit Anforderungen wie MLOps, Re-Training und kontinuierlicher Verbesserung. Dieses Modell strukturiert unsere Workshops und Interviews mit Stakeholdern – vom Business Understanding über Data Understanding bis hin zu konkreten Evaluierungskriterien für KI-Modelle. 

Vorgehen mit Plan – auch im agilen oder klassischen Kontext 

Unsere Kunden arbeiten mit unterschiedlichen Vorgehensmodellen: Manche setzen auf Scrum, andere auf das V-Modell XT. Für KI-Projekte empfiehlt sich jedoch, zusätzlich eine KI-spezifische Struktur zu verwenden. Wir integrieren dazu unsere CRISP-DM-basierte Logik in das bestehende Rahmenwerk: 

  • In agilen Projekten bringt sie Ordnung in explorative Datenarbeit. 
  • Im klassischen Umfeld (z. B. öffentlicher Ausschreibungen) dient sie als inhaltlicher Bauplan für KI-spezifische Anforderungen. 

Entscheidend ist: Wir schaffen eine gemeinsame Sprache zwischen Fachbereich, Data Scientists und IT – und sorgen dafür, dass Anforderungen nicht nur geschrieben, sondern auch verstanden und später überprüfbar gemacht werden. 

Anforderungen brauchen Iterationen – und Daten 

Ein weiterer Praxisleitsatz: KI-Anforderungen entstehen nicht auf dem weißen Blatt Papier, sondern durch Iteration, Diskussion – und durch das, was die Daten hergeben. Ein ideales Vorgehensmodell berücksichtigt genau das: 

  • Datenexploration führt oft zu neuen Erkenntnissen, die Anforderungen verändern. 
  • Modelltests zeigen, ob eine Zielgenauigkeit realistisch ist – oder ob nachjustiert werden muss. 
  • Die Rückkopplungsschleifen mit den Stakeholdern sind nicht lästig, sondern wertvoll. 

In unseren Projekten haben wir diese Schleifen bewusst eingeplant – nicht als Ausnahme, sondern als Regel. Das erhöht nicht nur die Qualität der Ergebnisse, sondern auch die Akzeptanz beim späteren Einsatz. 

Fazit: Struktur gibt Sicherheit 

Ein KI-Projekt ohne strukturiertes Vorgehen ist wie ein Flug ohne Flugplan – man kommt selten dort an, wo man hinwollte. Mit einem durchdachten, auf KI abgestimmten Vorgehensmodell helfen wir unseren Kunden, frühzeitig Klarheit zu schaffen, realistische Anforderungen zu definieren und belastbare Ausschreibungen aufzusetzen.

KI-Trainings entdecken

Frau lächelt in die Kamera während ihre Kollegin auf das Handy schaut Pexels.com/Yan Krukau

Anforderungen an KI-Systeme: Warum sie anders sind als bei klassischen Softwaresystemen 

/von

Bei Spirit in Projects begleiten wir seit vielen Jahren Unternehmen dabei, Anforderungen an komplexe IT-Systeme zu definieren und Ausschreibungen professionell vorzubereiten. In den letzten Jahren hat sich dabei ein klarer Trend gezeigt: Künstliche Intelligenz (KI) wird in immer mehr Projekten eingesetzt — und bringt ganz eigene Herausforderungen mit sich. 

Gerade bei KI-Systemen ist es entscheidend, die richtigen Anforderungen von Beginn an zu definieren. Viele Unternehmen nutzen dafür noch dieselben Methoden wie bei klassischen Softwareprojekten — und scheitern später an mangelnder Qualität, fehlender Erklärbarkeit oder unrealistischen Erwartungen. 

Wir bei Spirit in Projects unterstützen unsere Kunden deshalb gezielt dabei, Anforderungen an KI-Systeme so zu formulieren, dass sie sowohl für die Implementierung als auch für den späteren Betrieb und die Ausschreibung tragfähig sind.

Lernen statt Programmieren 

Klassische Softwaresysteme folgen klar definierten Regeln: Wenn Eingabe X, dann Ausgabe Y. Das Verhalten ist deterministisch und vorhersehbar. 

KI-Systeme funktionieren grundlegend anders: Sie lernen aus Daten und entwickeln daraus ein Modell. Die „Regeln“ entstehen also nicht durch Programmierung, sondern durch maschinelles Lernen. Daraus folgt: Daten sind der Schlüssel zum Erfolg. Schon in der Anforderungsdefinition müssen deshalb Fragen beantwortet werden wie: 

  • Welche Daten liegen vor? 
  • In welcher Qualität und in welchem Umfang? 
  • Wie werden die Daten aktuell gepflegt und verfügbar gemacht? 

Unsere Erfahrung zeigt: In der Praxis wird dieser Aspekt oft unterschätzt — mit fatalen Folgen für das Projekt. 

Wahrscheinlichkeiten statt Garantien 

Ein weiterer fundamentaler Unterschied: KI-Systeme liefern probabilistische Ergebnisse. Ein System zur Bilderkennung meldet z.B.: „Dieses Objekt ist mit 95 % Wahrscheinlichkeit eine Katze.“ Es garantiert aber nicht, jede Katze fehlerfrei zu erkennen. 

Anforderungen an die Qualität der Ergebnisse (Accuracy, Precision, Recall, Konfidenzintervalle) müssen daher explizit definiert werden. In unseren Ausschreibungsprojekten für KI-Systeme achten wir darauf, diese Qualitätsparameter sauber zu spezifizieren — um spätere Enttäuschungen zu vermeiden.

Dynamisches Verhalten 

Klassische Software bleibt nach Auslieferung weitgehend stabil. KI-Modelle hingegen müssen oft regelmäßig neu trainiert werden, da sich Datenlagen und Umgebungen verändern (Concept Drift). 

Daraus ergeben sich spezifische Anforderungen an: 

  • Lifecycle-Management 
  • Modellüberwachung und -pflege 
  • Governance und Verantwortlichkeiten 

Spirit in Projects unterstützt Kunden dabei, diese Aspekte in der Anforderungsdefinition und in die Ausschreibungsunterlagen aufzunehmen — ein Punkt, der bei vielen Projekten sonst zu kurz kommt.

Erklärbarkeit und Nachvollziehbarkeit 

Gerade in regulierten Bereichen (z.B. Finanzdienstleistungen, öffentlicher Sektor, Gesundheit) ist Erklärbarkeit entscheidend. KI-Systeme dürfen keine Black Boxes sein. 

Anforderungen müssen hier klar festlegen: 

  • In welchem Umfang muss Erklärbarkeit gewährleistet sein? 
  • Für wen muss die Nachvollziehbarkeit gegeben sein (z.B. interne Audits, externe Prüfstellen)? 

In unserer Praxis achten wir darauf, dies in den Anforderungskatalog sauber zu strukturieren — und dabei marktübliche technische Möglichkeiten und regulatorische Vorgaben in Einklang zu bringen.

Fazit

Anforderungen an KI-Systeme sind keine simple Erweiterung klassischer Softwareanforderungen. Sie müssen die Lernfähigkeit, die probabilistische Natur und die Datenabhängigkeit explizit berücksichtigen. 

Spirit in Projects bringt in diesem Bereich umfassende Erfahrung aus zahlreichen KI-Projekten und Ausschreibungen mit. Wir unterstützen Unternehmen dabei, tragfähige und belastbare Anforderungen zu formulieren — als Grundlage für erfolgreiche KI-Projekte. 

KI-Trainings entdecken
Maschinelle Darstellung eines Kopfes und einer Hand

Datenethik als Qualitätsmerkmal für künstliche Intelligenz (KI)

/von

Unternehmen, die KI-Anwendungen entwickeln oder einsetzen, stehen vor einem strategischen Dilemma: Einerseits versprechen KI-Anwendungen Effizienzgewinne, andererseits mahnen gesetzliche Vorgaben zu Vorsicht und Transparenz. Wie meistern Unternehmen dieses Spannungsfeld verantwortungsvoll?

Die Wahrheit ist: Die Leistungsfähigkeit einer KI-Anwendung bemisst sich längst nicht mehr nur an Antwortzeit oder Rechenleistung. Entscheidend ist vielmehr, ob die Anwendung als vertrauenswürdig wahrgenommen wird. Doch genau hier ist ein kritischer Blick notwendig: Ethik‑Leitlinien sind nur der erste Schritt – eine aktive Gestaltung ist bedeutsam. Die Frage, die uns Unternehmen immer wieder stellen: Wie wird aus einem abstrakt formulierten Ethik-Versprechen echte Vertrauenswürdigkeit? 

Vertrauenswürdigkeit bedeutet, Werte wie Accountability, Fairness und Transparenz systematisch in alle Phasen des Lebenszyklus einer KI einzubetten. Was heißt das konkret?

  • Ziele definieren: Welche Ziele gilt es zu erreichen?
  • Werte operationalisieren: Was bedeutet Fairness im Unternehmen?
  • Ganzheitlich betrachten: Wie werden diese Werte in Entwicklung und Betrieb von KI-Anwendungen berücksichtigt?

Erst wenn diese Fragen umgesetzt und überprüft sind, wird Vertrauenswürdigkeit zur Kennzahl und Datenethik zum Qualitätsmerkmal.

Orientierung bietet dabei die Rechtslage: Die DSGVO definiert strenge Vorgaben für die Verarbeitung personenbezogener Daten, während der EU AI Act KI-Anwendungen nach Risiko klassifiziert, um zwischen verbotenen Anwendungen (z. B. Echtzeitbiometrie) und Chatbots mit geringem Risiko unterscheiden zu können.

Vertrauen gewinnen Unternehmen, die Verschlüsselung, „Privacy by Design“, Explainable AI und Datenschutz‑Folgenabschätzungen fest verankern. Wer Datenethik strategisch integriert, sichert sich den doppelten Vorteil: Minimierung regulatorischer Risiken und positive Differenzierung vom Wettbewerb. Nicht verhandelbare Transparenz, faire Entscheidungslogik und Governance bilden drei Säulen einer vertrauenswürdigen KI. Wird Ethik nicht von Beginn an mitgedacht, wird sie rasch zum strategischen Risiko für Unternehmen.

Damit Ihre KI-Initiative von dem aktuellen Veränderungsprozess profitiert, liefern die KI-Trainingsschwerpunkte der Spirit in Projects das Wissen. Kontaktieren Sie uns, um zu erfahren, wie wir Sie auf dem Weg zu Compliance und Kundenvertrauen unterstützen können.

KI-Trainings entdecken

AI Anwendungen bringen umfangreiche Änderungen für Rollen in der Softwareentwicklung mit sich.

Steht eine Rollenrevolution an?

/von

Die Geschwindigkeit der technischen Entwicklung im AI-Bereich hat tiefgreifende Auswirkungen auf Rollen im Software-Entwicklungsprozess. Dies sind einige der aktuellen Trends, wie sich wichtige Rollen in der Softwareentwicklung gerade verändern.

Entwickler müssen sich mit ethischen Dimensionen auseinandersetzen – Fragen der Fairness, Verzerrungen in Daten und potenziellen negativen Auswirkungen ihrer Systeme. Dies erfordert ein hohes Maß an Verantwortungsbewusstsein und die Fähigkeit, über die rein technischen Aspekte der Programmierung hinauszudenken.

Business Analysten und Requirements Engineers müssen nun nicht nur funktionale und nichtfunktionale Anforderungen erfassen, sondern auch die Qualität und Verfügbarkeit von Trainingsdaten berücksichtigen und dabei intensiv mit Data Sciences und Machine Learning Experten zusammenarbeiten. Sie müssen dabei ein Verständnis dafür entwickeln, welche Probleme sich für KI-Lösungen eignen und wie man Anforderungen für lernende Systeme spezifiziert.

Projektmanager stehen vor der Herausforderung, Entwicklungsprozesse zu steuern, die weniger deterministisch und stärker iterativ sind. Sie müssen Zeitpläne und Ressourcen für Datensammlung, Modelltraining und kontinuierliche Verbesserung einplanen. Agile Methoden werden noch wichtiger, da KI-Projekte oft einen experimentelleren Charakter haben und häufigere Anpassungen erfordern.

Die Rolle der Tester verändert sich grundlegend. Statt vordefinierte Testfälle mit detailliert ausgearbeiteten Testdaten durchzuführen, müssen sie nun die Leistung und Robustheit von KI-Modellen unter verschiedenen Bedingungen evaluieren. Dies beinhaltet die Überprüfung der Modellgenauigkeit, die Identifizierung von Verzerrungen und die Sicherstellung, dass das System in Grenzsituationen angemessen reagiert. Tester müssen sich dazu mit Konzepten wie Overfitting, Underfitting und der Generalisierungsfähigkeit von Modellen vertraut machen.

Softwarearchitekten stehen vor der Aufgabe, Systeme zu entwerfen, die KI-Komponenten nahtlos integrieren. Sie müssen Architekturen entwickeln, die den Umgang mit großen Datenmengen ermöglichen und später die Echtzeitverarbeitung
von Informationen mittels KI ermöglichen. Gleichzeitig müssen sie Aspekte wie Skalierbarkeit, Wartbarkeit und die Integration mit bestehenden Systemen berücksichtigen. Die Architektur muss flexibel genug sein, um mit der schnellen Entwicklung von KI-Technologien Schritt zu halten.

Ein wichtiger Grundstein, damit Sie in Ihrer Rolle von diesem Veränderungsprozess profitieren können, ist ein solides Grundwissen zu KI und ihrer Funktionsweise. Die KI-Kursschwerpunkte von Spirit in Projects liefern Ihnen dafür erprobtes Methodenwissen.

Zu den aktuellen AI Kursen…

Softwareentwicklung im KI-Zeitalter: Herausforderungen und Chancen

Softwareentwicklung im KI-Zeitalter

/von

Software Programming 2.0 – der KI-Trend verändert radikal, wie wir Software konzipieren, entwickeln und implementieren.

Der Begriff „Software Programming 2.0 “ wird für Softwareentwicklung verwendet, die sich auf die Programmierung von Künstlicher Intelligenz (KI) konzentriert. Der Paradigmenwechsel von der traditionellen Softwareentwicklung, neuerdings gerne als “Software Programming 1.0” bezeichnet, zur KI-gestützten Programmierung ist tiefgreifend. Während die klassische Methode auf expliziten, regelbasierten Algorithmen basiert, bei denen insbesondere die Entwickler genau vorgeben, wie ein Programm auf verschiedene Eingaben reagieren soll, nutzt Software Programming 2.0 die Leistungsfähigkeit von Machine Learning und KI, um Systeme zu schaffen, die aus Daten gelernt haben, wie sie zu funktionieren haben.

Anstatt alle Regeln und Entscheidungspfade manuell zu kodieren, werden KI-Modelle mit großen Datenmengen trainiert, um Muster zu erkennen und Entscheidungen zu treffen. Komplexe neuronale Netzwerke, heute insbesondere Deep Learning-Modelle, bilden das Rückgrat vieler KI-Systeme. Diese Modelle können hochdimensionale Daten verarbeiten und nicht-lineare Zusammenhänge erlernen, was sie für eine Vielzahl von Anwendungen geeignet macht.

Transfer Learning

Ein Schlüsselkonzept in diesem neuen Paradigma ist das Transfer Learning. Hierbei werden vortrainierte Modelle als Ausgangspunkt verwendet und für spezifische Aufgaben feinabgestimmt. Dies beschleunigt die Entwicklung erheblich und reduziert den Bedarf an riesigen Datenmengen für jedes neue Projekt.

Die meisten heute eingesetzten KI-Modelle sind allerdings spezifisch für Ihre Aufgabe entwickelt. Für neue Aufgaben müssen sie mittels der richtigen Daten durch neuerliches Training angepasst werden. Zukünftig sollen KI-Systeme so konzipiert werden, dass sie im gewünschten Rahmen kontinuierlich aus neuen Daten lernen und sich an verändernde Aufgaben anpassen. Large Language Models können dabei schon heute durch ihr umfangreiches Wissen verschiedene Aufgaben im Bereich der Textverarbeitung lösen, für die sie ursprünglich nicht gezielt trainiert worden sind.

Neue Herausforderungen

Die Herausforderungen, die mit dieser neuen Art der Programmierung einhergehen, sind vielfältig und komplex. Die Qualität und Quantität der Trainingsdaten sind entscheidend für den Erfolg von KI-Systemen. Ein weiteres kritisches Thema ist die Interpretierbarkeit und Erklärbarkeit von KI-Modellen. Viele fortschrittliche Systeme, insbesondere Deep Learning-Netzwerke, werden oft als “Black Boxes” betrachtet.

Die Entwicklung interpretierbarer KI-Modelle und die Implementierung von Methoden zur Erklärung von KI-Entscheidungen sind wichtige Forschungsgebiete, die nicht nur technische, sondern auch ethische Implikationen haben. Die Anwendungsbereiche von Software Programming 2.0 erscheinen aktuell nahezu unbegrenzt. Im Gesundheitswesen unterstützen KI-Systeme bei der Diagnose und helfen die personalisierte Medizin voranzutreiben. Im Finanzsektor werden sie für Betrugserkennung und Kreditwürdigkeitsprüfungen eingesetzt. Die Automobilindustrie nutzt KI für autonomes Fahren, während der E-Commerce-Sektor personalisierten Empfehlungen und die bessere Analyse von Informationen zu Kundenverhalten profitiert. In der Fertigungsindustrie optimieren KI-gestützte Systeme schon länger die Qualitätskontrolle und Produktionsprozesse.

Karl Schott - CEO von Spirit in Projects

„Software Programming 2.0 könnte einen Wendepunkt in der Softwareentwicklung markieren.“

– Karl Schott, CEO & Gründer

Ein Blick in die mögliche Zukunft

Die Zukunft von Software Programming 2.0 verspricht weitere spannende Entwicklungen. Automatisiertes Machine Learning (AutoML) wird immer ausgereifter und ermöglicht es auch Nicht-Experten, KI-Modelle zu entwickeln. Die Verlagerung von KI-Berechnungen auf Edge-Geräte wird die Echtzeit-Verarbeitung verbessern aber auch neue Möglichkeiten für datenschutzfreundliche Anwendungen eröffnen, indem personenbezogene Daten bereits direkt im Zuge der Erfassung anonymisiert werden. Software Programming 2.0 könnte einen Wendepunkt in der Softwareentwicklung markieren. Es erfordert ein fundamentales Umdenken in Bezug auf Problemlösung, Datenmanagement und Systemdesign. Entwickler, Requirements Engineers, Projektmanager, Tester und Architekten müssen ihre Fähigkeiten erweitern und sich an diese neue Realität anpassen. Sie benötigen nicht nur technische Expertise, sondern auch ein tiefes Verständnis für Statistik, Datenanalyse und die ethischen Implikationen ihrer Arbeit.

Die Integration von KI in Softwaresysteme bietet enorme Möglichkeiten zur Lösung komplexer Probleme und zur Schaffung adaptiver, intelligenter Anwendungen. Gleichzeitig bringt sie neue Herausforderungen in Bezug auf Datenschutz, Sicherheit und ethische Verantwortung mit sich. Für IT-Fachleute und Organisationen ist es unerlässlich, sich mit den Grundlagen und fortgeschrittenen Konzepten von KI vertraut zu machen.

Software Programming 2.0 ist nicht nur ein neuer Ansatz zur Codierung, sondern eine andere Art, über Probleme nachzudenken und Lösungen zu gestalten. Dabei werden die Grenzen zwischen traditioneller Softwareentwicklung und KI-Lösungen zunehmend verschwimmen.  Dies fordert uns heraus, unsere Fähigkeiten als Entwickler, Designer und ethisch verantwortungsvolle Innovatoren kontinuierlich weiterzuentwickeln. Wir haben diese Herausforderungen in unsere Trainings aufgenommen. Schauen Sie sich unsere KI Trainings an, um sich auf die Zukunft schon heute vorzubereiten.

3 Kollegen stehen in einem futuristischem Büro und unterhalten sich

Veränderungsmotor Technologie: Das verändert KI im Software-Engineering bei Organisation und Zusammenarbeit

/von

Im ersten Teil dieses Artikels haben wir einen Überblick über KI-Werkzeuge und ihren möglichen Impact im Bereich des Softwareengineerings gegeben. In diesem Teil beschäftigen wir uns mit den Auswirkungen auf Organisationen und die Zusammenarbeit von Menschen.

Der Schwerpunkt in der Zusammenarbeit von Teams wird auf Flexibilität, Lernbereitschaft und einer stärkeren Ausrichtung auf Innovation und Kundenzufriedenheit liegen. Die Unternehmen, die diese Veränderungen am besten bewältigen, werden wettbewerbsfähiger und in der Lage sein, die Chancen der KI-Revolution optimal zu nutzen.

Verschiedene Modelle zur Beschreibung des Verhältnisses von Mensch und KI.
Verschiedene Modelle zur Beschreibung des Verhältnisses von Mensch und KI.

Integration von KI im Arbeitsprozess

Teams werden vermehrt mit KI-Systemen zusammenarbeiten, um Aufgaben effizienter zu erledigen. Dies erfordert eine Anpassung an die Integration von KI in den Entwicklungsprozess. Entwickler werden KI-Systeme als Werkzeuge zur Unterstützung nutzen und lernen, wie sie am besten von diesen profitieren können. Die Zusammenarbeit zwischen Mensch und Maschine wird zur Norm.

Skills – Entwicklung agiler Fähigkeiten

Mitarbeiter müssen flexibler sein und sich schnell an neue Technologien und Tools anpassen können, da sich KI-Systeme und -Technologien dynamisch und schnell weiterentwickeln. Mitarbeiter müssen möglicherweise neue Fähigkeiten und Kenntnisse erwerben, um KI effektiv nutzen zu können, sei es im Bereich Machine Learning, Datenanalyse oder der Nutzung von KI-Entwicklungstools.

Veränderung von Rollen und Aufgaben

Es entstehen innerhalb der Organisation neue Rollen, die sich auf KI spezialisieren, wie z.B. KI-Architekten, Datenwissenschaftler oder KI-Ethikbeauftragte. Gleichzeitig können bestimmte Aufgaben, die bisher von Menschen durchgeführt wurden, wie das Schreiben von Code oder das Testen von Software, stärker automatisiert werden. Mitarbeiter werden sich (wie auch in bisherigen Digitalisierungswellen) nach und nach auf komplexere Aufgaben konzentrieren. Die Weiterentwicklung und Höherqualifizierung des bestehenden Personals wird damit eine zentrale Change-Aufgabe.

Ethik und Governance

Eine Organisation, die künstliche Intelligenz (KI) einsetzt, muss klare Richtlinien zur Ethik und Governance entwickeln. Diese Richtlinien sind entscheidend, um sicherzustellen, dass die Nutzung von KI die Werte der Organisation und die Interessen aller relevanten Interessensgruppen berücksichtigt – Stichworte dazu sind Transparenz, Datenschutz, Fairness und Sicherheit. Die Einhaltung ethischer und rechtlicher Standards sollte überwacht und die Mitarbeiter entsprechend geschult werden. Eine transparente Kommunikation mit Kunden über den Einsatz von KI ist ebenfalls wichtig.

Wissensaufbau und -transfer

Wissen über den effektiven Einsatz von KI muss innerhalb der Organisation geteilt und verbreitet werden, um sicherzustellen, dass alle Mitarbeiter von den neuen Technologien profitieren können. Die Mitarbeiter in einem Unternehmen müssen ein grundlegendes Verständnis für KI-Technologien entwickeln. Dies beinhaltet die Kenntnis der verschiedenen Arten von KI, ihrer Anwendungsbereiche und ihrer Funktionsweise. Darüber hinaus erfordert der Einsatz von KI in einem Unternehmen spezifisches Domänenwissen über die Geschäftsprozesse und Ziele des Unternehmens. Dies ist entscheidend, um relevante Daten zu identifizieren, Modelle zu validieren und die Ergebnisse in die Geschäftsstrategie zu integrieren. Unternehmen müssen darüber hinaus in den Aufbau von Datenwissen investieren. Dies beinhaltet die Sammlung, Bereinigung und Organisation von Datenquellen, um qualitativ hochwertige Datensätze für KI-Anwendungen zu erstellen.

Schließlich ist die kontinuierliche Weiterbildung und Anpassung von entscheidender Bedeutung. Da sich KI-Technologien ständig weiterentwickeln, müssen Mitarbeiter und das Unternehmen als Ganzes auf dem neuesten Stand bleiben. Dies erfordert Schulungen, den Austausch von Best Practices und die Bereitschaft, neue Erkenntnisse und Technologien in den Arbeitsablauf zu integrieren.

Kultureller Wandel

Die Einführung von KI erfordert oft einen kulturellen Wandel, bei dem Mitarbeiter Offenheit für neue Ideen und Technologien zeigen müssen, um die Transformation erfolgreich zu gestalten. Im Zuge der Beschleunigung technologischer Innovation müssen sich auch Organisationen öffnen und vorhandene Potentiale besser nutzen.

Agile Organisationen kommen mit diesem Change schneller zurecht und können Trends besser zu ihrem Nutzen aufnehmen. Hierarchische Organisationen stehen vor der Herausforderung, dass agile Methoden mit einer Änderung des Mindsets und der Kultur einhergehen, was die Zusammenarbeit und Entscheidungsfindung radikal verändert.

Kundenorientierung und Kundenbeziehungen

Unternehmen werden KI nutzen, um Software stärker an die Bedürfnisse ihrer Kunden anzupassen und mit ihnen direkter zu interagieren. Dies erfordert eine stärkere Kundenorientierung und die Fähigkeit, Kundenrückmeldungen in die Produktentwicklung zu integrieren.

Fazit: Die Chance KI nutzen

Die Integration von KI in den Software-Entwicklungsprozess bietet unzählige Vorteile, von der Automatisierung routinemäßiger Aufgaben bis hin zur Personalisierung der Weiterbildung.

Es ist jedoch wichtig zu betonen, dass KI nicht als Ersatz für menschliche Fachkenntnisse und Intuition gesehen werden sollte, sondern vielmehr als ein Werkzeug, das Softwareentwickler in ihrer Arbeit unterstützt. Durch die Kombination menschlicher Kreativität mit der Leistungsfähigkeit der KI können wir eine neue Ära des Software-Engineerings einläuten, die produktiver, effizienter und innovativer ist als je zuvor.

Veränderungsmotor Technologie: KI-Einsatz im Software-Engineering bringt neue Werkzeuge und Chancen

Veränderungsmotor Technologie: KI-Werkzeuge im Software-Engineering und ihre Auswirkung auf Arbeitsformen

/von

Der technologische Wandel erweist sich oft als Veränderungsmotor für Arbeitsweisen und Organisationsformen. Ein Blick auf mögliche Auswirkungen der KI auf die Softwarebranche in zwei Teilen. In diesem ersten Teil beschäftigen wir uns mit neuen Werkzeugen und Arbeitsformen, die sich aus Neuerungen im Bereich der KI Ergeben. Der zweite Teil der Serie beschäftigt sich dann mit Auswirkungen auf die Organisation & Zusammenarbeit.

Die digitale Transformation schreitet in rasantem Tempo voran, und mit ihr die Notwendigkeit, die Softwareentwicklung zu optimieren und effizienter zu gestalten. Eine der Schlüsseltechnologien dafür ist die künstliche Intelligenz (KI) – sie wirkt sich auf Arbeitsformen, Organisationsformen und letztlich auch die Kultur in Unternehmen aus.

Der Einsatz von KI im Softwareengineering wirkt sich auf Werkzeuge und Arbeitsformen sowie Organisation und Zusammenarbeit aus.

Im folgenden bieten wir einen Überblick über die aus unserer Sicht relevantesten KI-getriebenen Werkzeuge und ihre Auswirkungen auf die Branche.

Automatisierte Code-Generierung

Stellen Sie sich vor, anstatt Code Zeile für Zeile zu schreiben, könnten Sie Ihre Anforderungen in natürlicher Sprache formulieren, und eine KI würde den entsprechenden Code generieren. Modelle wie OpenAI‘s GPT-4 sind bereits in der Lage, einfache Programmieraufgaben basierend auf natürlichen Sprachanfragen zu erfüllen. Dies kann die Entwicklungszeit stark verkürzen und die Codequalität verbessern.

Code-Review und Qualitätssicherung

Jeder Entwickler kennt die Herausforderungen, die mit Code-Reviews verbunden sind. KI-Systeme können kontinuierlich Code überprüfen, potenzielle Fehler identifizieren und Best Practices empfehlen. Dies ergänzt menschliche Review-Prozesse und trägt zur Reduzierung von Fehlern bei.

Optimierung und Testautomatisierung

KI kann nicht nur dabei helfen, effizienteren Code zu schreiben, sondern auch Tests zu automatisieren. Statt manuell Testszenarien zu erstellen, können KI-Modelle basierend auf dem vorhandenen Code automatisch Testfälle generieren und ausführen.

Effektives Projektmanagement

Eine der größten Herausforderungen im Software-Engineering ist die Ressourcenallokation. Wie lange wird die Entwicklung eines Features dauern? Welche Ressourcen werden benötigt? Durch die Analyse historischer Daten kann KI Entwicklungszeiten präziser vorhersagen und die Zuweisung von Ressourcen optimieren.

Personalisierte Schulungen

KI kann den Bildungsbedarf jedes Entwicklers individuell erkennen und maßgeschneiderte Lernpfade vorschlagen. Dies ermöglicht es die Qualität und Effizienz des gesamten Teams kontinuierlich zu steigern.

Der Einsatz von KI in der Softwareentwicklung wird die Art und Weise, wie Menschen zusammenarbeiten und welche Rollen sie in Organisationen einnehmen, grundlegend verändern.

Karl Schott, Gründer & CEO

Im zweiten Teil des Artikels untersuchen wir, welche Auswirkungen diese Werkzeuge auf die Organisation und Zusammenarbeit im Bereich Softwareengineering haben.

Spirit in Projects - ihr Partner für KI-Anwendungen und Anforderungsanalyse

KI im Requirements Engineering: Die Revolution für Softwareanalyse

/von

Requirements Engineering steht an vorderster Front bei der Entwicklung von Software – und KI wird zukünftig eine transformative Rolle in diesem Bereich spielen.

Requirements Engineering (RE) definiert, was ein System tun soll, bevor der Bau überhaupt beginnt und befasst sich mit der systematischen Erfassung, Dokumentation und dem Management von Anforderungen. Die Einbindung von KI in den RE-Prozess ermöglicht ein effizienteres und präziseres Erfassen von Anforderungen.

Erkennung natürlicher Sprache

In der Kommunikation rund um Softwareprojekte (z.B. E-Mails, Kundenfeedback, Meetings) liegen oft verborgene Anforderungsdetails. KI-Modelle, insbesondere solche, die Natural Language Processing (NLP) nutzen, können Details aus der Flut von Informationen herausfiltern. Das Erkennen von Entitäten, Relationen und Kontext sind zentrale Funktionen hierbei. Ein Satz wie „Das Interface sollte schneller sein“ birgt für einen Menschen Mehrdeutigkeiten, kann aber von KI durch die Analyse anderer bekannter Informationen in Relation gebracht und in spezifischere Anforderungen übersetzt werden.

Automatische Klassifizierung

Bei der Entwicklung von Softwareprodukten können oft Hunderte oder sogar Tausende Anforderungen generiert werden. Die KI kann helfen, diese Anforderungen automatisch in vordefinierte Kategorien wie „funktional“, „nicht-funktional“, „benutzerzentriert“ oder „sicherheitsrelevant“ einzuteilen. Diese Einteilung hilft im RE auch die Vollständigkeit der Anforderungen zu erkennen. Die automatische Klassifizierung und Priorisierung von Anforderungen, unterstützt durch KI, ermöglicht, den Fokus auf kritische Aspekte des Projekts zu legen.

Kontinuierliches Lernen

Die dynamische Natur von Softwareprojekten erfordert Systeme, die sich anpassen und lernen können. KI-Modelle sind nicht statisch. Sie können und sollten regelmäßig mit neuen Daten trainiert werden, um aktuell zu bleiben. Durch Feedbackschleifen und aktive Lernansätze kann ein KI-System seine Genauigkeit im Laufe der Zeit verbessern. Allerdings ist eine sorgfältige Überwachung entscheidend, um sogenannte „Modelldriften“ zu vermeiden, bei denen die Vorhersagen eines Modells mit der Zeit weniger genau werden.

Abschließend bietet die Integration von KI in das Requirements Engineering immense Vorteile, die sich in effizienteren, genaueren und adaptiveren RE-Prozessen niederschlagen. Dennoch sollten Requirements Engineers und Softwareanalytiker stets wachsam sein und die Ergebnisse von KI-Modellen regelmäßig validieren. In der Balance zwischen Technologie und menschlichem Urteilsvermögen liegt
der Schlüssel zum Erfolg.

Trainingsangebote zu KI und RE:

alt " "

AI4RE – Künstliche Intelligenz im Requirements Engineering

alt " "

Anforderungsmuster anwenden

alt " "

Anforderungen erheben

alt " "

Modellieren von Anforderungen

alt " "

Requirements Management

alt " "

Grundlagen des Anforderungsmanagements