Kontextmanagement für KI-gestützte Softwareentwicklung

KI-Systeme in der Softwareentwicklung wirken als Qualitätsverstärker. Sie verstärken sowohl präzise als auch ungenaue Eingaben gleichermaßen. Was bisher durch die Erfahrung von Entwicklerinnen und Entwicklern ausgeglichen wurde, muss in einer zunehmend mit Coding-Agenten automatisierten Softwareentwicklung explizit gemacht werden: Domänenwissen, Architekturentscheidungen, Nutzungsanforderungen, unausgesprochene Konventionen. Genau hier setzt Kontextmanagement an.

KI-Systeme operieren auf Basis ihres Trainings und des expliziten Inputs. Implizites Organisations- und Domänenwissen bleibt für sie unsichtbar, sofern es nicht strukturiert bereitgestellt wird. Kontextmanagement bezeichnet die systematische Erfassung, Verwaltung und Bereitstellung genau dieser Informationen: passend zur jeweiligen Aufgabe, in der richtigen Granularität, konsistent und widerspruchsfrei.

Die Herausforderung dabei ist zweiseitig. Zu wenig Kontext führt zu oberflächlichen oder fehlerhaften Ergebnissen, weil das KI-System auf generische Muster aus seinem Training zurückfällt, statt das spezifische Wissen einer Organisation anzuwenden. Zu viel Kontext verlangsamt die Verarbeitung, erhöht Kosten und beeinträchtigt die Ergebnisqualität, insbesondere wenn sich Informationen widersprechen oder in ihrer Relevanz unklar sind. Die Frage, welche Information wann und wie bereitgestellt wird, ist daher eine gestalterische Aufgabe, mit erheblichem Einfluss auf die Qualität der KI-Ausgaben.

Hinzu kommt die technische Realität in Unternehmen: relevante Informationen sind häufig über Systeme verteilt, die nie für den maschinellen Zugriff konzipiert wurden. Anforderungsdokumente, UX-Konzepte, Architekturentscheidungen und Codebasen existieren oft isoliert voneinander. Ein funktionierendes Kontextmanagement muss diese Quellen systematisch erschließen und in ein kohärentes Ganzes überführen.

Software entsteht nicht aus Code allein. Anforderungen, UX-Konzepte und Architekturentscheidungen sind die frühen Artefakte, die spätere Qualität maßgeblich bestimmen. Wird Kontext ausschließlich auf der Ebene des fertigen Codes verwaltet, bleiben diese frühen Entscheidungen für KI-Systeme unsichtbar. Wirksames Kontextmanagement verbindet deshalb Informationen aus unterschiedlichen Phasen und Disziplinen: Was soll das Produkt leisten? Für wen ist es gestaltet? Welche Architekturanforderungen gelten als gesetzt? Welche Compliance-Vorgaben sind einzuhalten?

Dieser Kontext muss kontinuierlich gepflegt, versioniert und auf Widersprüche geprüft werden. Wissensflüsse in einer Organisation müssen aktiv gestaltet werden, ähnlich wie Anforderungen selbst gemanagt werden müssen. Ein hilfreicher Ausgangspunkt ist dabei das Konzept eines »Minimum Viable Context«: Welche Informationen bringen den größten sofortigen Nutzen für KI-gestützte Aufgaben? Welche Domänen eignen sich für erste Pilotprojekte, weil ihr Regelwerk bereits gut dokumentiert ist? Von diesem Fundament aus lässt sich der Kontextumfang iterativ erweitern.

In einer Welt, in der leistungsfähige KI-Werkzeuge für alle verfügbar sind, liegt der Unterschied in der Qualität der Eingaben. Unternehmen, die ihr Domänen- und Unternehmenswissen systematisch für KI-Systeme erschließen, werden die erhofften Produktivitätspotenziale realisieren. Der Aufbau dieser Kompetenz braucht Zeit und einen klaren methodischen Rahmen. Er beginnt mit einer ehrlichen Bestandsaufnahme: Wie explizit ist das Wissen, das Software erfolgreich macht, heute tatsächlich dokumentiert? Wie viel davon existiert nur in den Köpfen erfahrener Mitarbeiterinnen und Mitarbeiter?

Fraunhofer IESE forscht an methodischen Grundlagen und praktischen Ansätzen für Kontextmanagement in der KI-gestützten Softwareentwicklung. Quasar zeigt exemplarisch, wie ein strukturiertes Kontextmanagement für automatisierte Qualitätsmessung eingesetzt werden kann: mit klar definierten Informationsquellen, spezialisierten Modulen und einer Architektur, die ausschließlich mit unternehmensinternen Daten arbeitet.