Warum Softwarearchitekt:innen im Zeichen von AI anders arbeiten müssen

Architekt:innen verbringen weniger Zeit mit Recherche und Dokumentation. Gleichzeitig müssen sie mehr Entscheidungen unter Unsicherheit treffen als zuvor. Alessandro Buttignon erklärt, warum KI die Architekturarbeit verändert – und weshalb heute nicht mehr nur Technologie-Wissen zählt, sondern vor allem die Fähigkeit, komplexe Systeme zu verstehen und tragfähige Entscheidungen zu treffen. „Alle fühlen sich plötzlich wie Nationaltrainer“, sagt Alessandro Buttignon und lacht kurz. Gemeint ist nicht Fußball, sondern Softwareentwicklung. Manager:innen bauen kleine Anwendungen mit ChatGPT. Fachabteilungen erzeugen Workflows per Prompt. Teams generieren in Minuten Code, für den früher Tage nötig waren. Die Hürde ist gefallen: Wer schreiben kann, kann plötzlich Software bauen – zumindest fühlt es sich so an. Buttignon beschäftigt sich beruflich mit dem Teil, der danach kommt: Datenpipelines, Deployment, Monitoring, Produktionssysteme. Er ist erfahrener Data Scientist bei WPS und hat Projekte in Bilderkennung, Zeitreihenanalyse und Anomalieerkennung umgesetzt; Themen wie MLOps, Data Engineering und IoT gehören zu seinem Alltag. Vielleicht erklärt genau das seine Skepsis gegenüber manchen KI-Versprechen. Während draußen über Prompts gesprochen wird, redet Buttignon vor allem über Systeme. „Selten hast du den Fall, dass ein KI-Produkt alleinstehend ist“, sagt er. „In den meisten Fällen wird KI in eine bestehende Softwareanwendung integriert.“ Die eigentliche Architekturarbeit beginnt nicht beim Prompt. Sie beginnt dort, wo bestehende Systeme plötzlich mit probabilistischen Komponenten umgehen müssen.    

Wenn Software probabilistisch wird

Was passiert, wenn geschäftskritische Systeme Komponenten integrieren, deren Ausgaben plausibel klingen, aber falsch sein können? Buttignon beginnt mit einer Unterscheidung, die in der KI-Debatte oft untergeht: KI ist nicht gleich KI. Unter dem Begriff versammeln sich statistische Modelle, Machine Learning, Deep Learning, neuronale Netze, Large Language Models und generative KI. Nicht jedes dieser Systeme verhält sich im Betrieb gleichermaßen unberechenbar. Klassische Machine-Learning-Modelle arbeiten nach dem Training häufig stabiler, als viele vermuten. „Wenn das Modell steht und immer denselben Input erhält, bekomme ich auch immer dieselbe Response“, erklärt Buttignon. Das System rechnet zwar mit Wahrscheinlichkeiten, verhält sich im Betrieb aber deterministisch – solange Modell und Eingabe unverändert bleiben. Buttignon veranschaulicht das an einem Bilderkennungsmodell. Wird demselben Modell dasselbe Katzenbild vorgelegt, liefert es jedes Mal dieselbe Klassifikation. Genau deshalb lassen sich solche Systeme vergleichsweise gut testen, überwachen und in bestehende Software integrieren. Bei generativer KI ist das anders. Hier ist jede Anfrage eine neue Runde. Derselbe Prompt kann unterschiedliche Antworten hervorbringen – und mehrere davon können fachlich korrekt sein. Genau diese Offenheit macht generative Systeme leistungsfähig – und zugleich schwieriger zu testen und vorherzusagen. Für Softwarearchitektur ist deshalb nicht nur entscheidend, dass ein Modell eine Antwort liefert. Entscheidend ist, wie diese Antwort in einem bestehenden System weiterverarbeitet wird. Woher kommen die Daten? Wie wird das Modell betrieben? Wie wird der Output bewertet? Was passiert bei Unsicherheit? Welche Grenzen werden dem System gesetzt?

„Moderne Systeme bestehen nicht mehr nur aus Code. Es kommen Modelle, Datenpipelines, Prompt-Flows, Agenten und externe AI-Services hinzu. Architektur wird dadurch stärker zur Orchestrierungsdisziplin – sie muss technische, organisatorische und regulatorische Aspekte zusammenführen.“

 

Ein Prompt ist noch kein System

Gleichzeitig wird die technische Realisierung einzelner Bausteine einfacher. Für Buttignon ist genau das der eigentliche Durchbruch generativer KI: Nicht KI selbst ist neu, sie gibt es seit Jahrzehnten. Neu ist, dass natürliche Sprache als Steuerung funktioniert. Ein Prompt kann heute Code erzeugen, Workflows anstoßen, Varianten vorschlagen oder Schnittstellen skizzieren. Software wirkt dadurch weniger exklusiv, weniger kompliziert, weniger abhängig von technischem Spezialwissen. Doch damit ist noch kein System entstanden, das zuverlässig funktioniert. Was als Prototyp überzeugt, muss im Betrieb erst beweisen, dass es stabil, wartbar und kontrollierbar bleibt. Modelle müssen überwacht, Daten aktuell und sauber gehalten, Schnittstellen verlässlich angebunden werden. Es braucht Tests, Logging, Monitoring, Rollback-Strategien und klare Verantwortlichkeiten. Genau hier beginnt Architekturarbeit. Sie verbindet den schnell erstellten KI-Baustein mit den Anforderungen realer Softwarelandschaften: Sicherheit, Governance, Compliance, Skalierbarkeit und Betrieb. Je schneller einzelne Teile entstehen, desto wichtiger wird die Frage, wie daraus ein belastbares Ganzes wird.

Architektur für KI-Systeme verstehen

An dieser Stelle setzt auch das Modul SWARC4AI aus der Reihe der Software Architecture Camps an. Die iSAQB-zertifizierten Training-Camps sind modular aufgebaut: Foundation-Kurse legen die Grundlagen, Advanced-Module vertiefen spezialisierte Architekturfragen. Wer das Fundament kennt, trifft im Advanced-Modul SWARC4AI auf bekannte Grundfragen unter veränderten Bedingungen: Was heißt es, Systeme zu entwerfen, zu bewerten und zu betreiben, wenn KI Teil der Software ist? Nach wie vor geht es darum, Anforderungen zu klären, Randbedingungen zu verstehen, Schnittstellen zu entwerfen, Risiken zu bewerten und Systeme zu betreiben. Neu ist, dass zusätzlich Modelle ausgewählt und überwacht werden müssen, Datenpipelines aktuell gehalten werden, Prompt-Flows das Verhalten von Agenten steuern und externe AI-Services in bestehende Systeme eingebunden werden. Dazu kommen Fragen nach Betrieb, Governance und Compliance: Wer trägt Verantwortung für Entscheidungen? Wie werden Änderungen nachvollziehbar? Und wie bleibt ein System kontrollierbar, wenn Teile davon probabilistisch arbeiten? Die Architektur endet nicht mehr an der Anwendung – sie umfasst inzwischen auch Modelle, Datenflüsse und Entscheidungslogiken. Buttignon gehört zum Trainerteam der SWARC4AI-Module, die an verschiedenen Terminen von der entwickler.de Akademie durchgeführt werden. Als Teil des iSAQB-Weiterbildungsprogramms bieten sie einen Rahmen, um diese Fragen gezielt zu vertiefen. Dass es inzwischen ein eigenes Modul für KI-Systeme gibt, zeigt auch, wie stark das Thema in der professionellen Architekturarbeit angekommen ist. Denn KI verändert nicht nur Systeme, sondern auch die Arbeit an ihnen.

Architekturarbeit verschiebt sich

Bisher verbrachten Architekt:innen viel Zeit mit Recherche, Dokumentation und dem manuellen Ausarbeiten technischer Varianten. Heute erzeugen KI-Systeme in kurzer Zeit API-Entwürfe, ADRs, Infrastruktur-Skelette oder Risikoanalysen. Das beschleunigt die Arbeit deutlich, nimmt Architekt:innen aber nicht die Entscheidungen ab.

„Die eigentliche Effizienzsteigerung liegt weniger in mehr Automatisierung, sondern darin, dass Architekt:innen schneller iterieren, Varianten evaluieren und komplexe Systeme mit kleineren Teams entwickeln können.“

Technisches Wissen wird durch KI nicht wertlos, aber leichter zugänglich. Architekturarbeit verschiebt sich deshalb: Konkretes Framework-Wissen verliert schneller an Halbwertszeit. Systemdenken wird wichtiger. Zentral werden Domänenverständnis und die Fähigkeit, zwischen Fachbereichen, Management und Entwicklung zu übersetzen. Buttignon spricht von T-Skills: Breite über viele Disziplinen hinweg, Tiefe in einzelnen Kernbereichen. Architektur, Cloud, Security, Daten, AI, DevOps, Organisationsstrukturen – und zugleich Expertise in Themen wie Domain-driven Design oder Plattform-Engineering. Vor allem aber braucht es Menschen, die Entscheidungen unter unsicheren Bedingungen treffen können.  

Der Mensch bleibt in der Entscheidung

KI kann Alternativen erzeugen, Argumente sortieren und Entscheidungen vorbereiten. Aber sie weiß nicht, welche Qualitätsziele wichtiger sind, welche Risiken ein Unternehmen tragen will und wo ein System bewusst Grenzen braucht. Genau dort liegt der Kern moderner Architekturarbeit. Nicht im Wissen über einzelne Technologien, sondern in der Fähigkeit, Zielkonflikte sichtbar zu machen und tragfähige Entscheidungen zu treffen. Welche Kompromisse sind akzeptabel? Wo braucht ein System Kontrolle? Wo genügt Wahrscheinlichkeit – und wo nicht? Architektur wird dadurch nicht weniger relevant – im Gegenteil. Sie wird zum Ort, an dem technische Möglichkeiten mit den Anforderungen einer Organisation zusammengebracht werden. KI reduziert den Aufwand für Analyse und Entwurf. Sie reduziert nicht die Verantwortung für Entscheidungen. Im Gegenteil: Je mehr Optionen KI erzeugt, desto wichtiger wird die Fähigkeit, zwischen ihnen zu wählen.