Das Ende der Software Architektur?
Viele Unternehmen setzen heute KI in der Software-Entwicklung ein – ohne ihre Architekturprinzipien zu überdenken. Das ist ein Fehler.
Denn KI-Agenten scheinen eine Vorliebe für gute Architektur zu haben. Und es lohnt sich, die Gründe dafür zu verstehen.
KI als Gamechanger in der Entwicklung
Agenten wie Claude Code oder Codex sind mehr als Assistenzsysteme. Sie helfen nicht mehr nur bei kleinen Routinen. Sie implementieren ganze Features, erzeugen Projekte aus textuellen Anforderungen und iterieren Lösungen eigenständig.
Architektur wirkt heute fast wie ein Luxus für diejenigen, die hinter die Kulissen schauen wollen. Für viele – und scheinbar auch für die KI – scheint sie verzichtbar.
Wer KI-Agenten nur als Erfüllungsgehilfen einsetzt, um die Kontrolle über gewachsenen Legacy Code zurückzugewinnen, stößt jedoch in der Praxis schnell an Grenzen. Richtig eingesetzt dagegen, verwandeln sie den Software-Architekten vom Zauberlehrling zum Meister der eigenen Systeme.
Kernaussagen
- KI ersetzt Software-Architektur nicht, sondern macht sie noch wertvoller.
- Die Leistungsfähigkeit von KI-Agenten hängt stark von gut strukturiertem Kontext ab.
- Gute Architektur reduziert Kontextlast, Fehler und unnötige Kosten.
- Schlechte Architektur kann durch KI kurzfristig kaschiert, langfristig aber verschärft werden.
- Wer KI in der Entwicklung wirksam nutzen will, muss Architektur und Kontextmanagement bewusst gestalten.
Der entscheidende Faktor: Kontext
Fast könnte man sagen: KI Agenten sind auch nur Menschen. Ihre Leistungsfähigkeit hängt nicht nur von der Größe des Gehirn oder des Modells ab. Wie wir Menschen auch, lassen sich Agenten mit Aufgaben schnell überfordern, wenn der Kontext zu groß ist. Wenn man ihnen viel Information gibt und nicht klar mitteilt, was wichtig und was unwichtig ist, häufen die Agenten ihre Informationen zu einem diffusen Wissensbrei an, der bei der Lösungsfindung kontraproduktiv ist.
Die Kapazität für den Kontext einer KI ist begrenzt. Die Größe variiert im Moment je nach Modell und Anbieter von 128k Tokens bis 1 Mio. Tokens. Neben der Größe des Kontextes ist der aktuelle Füllstand des Kontextes ein wichtiger Indikator. Er gibt an, in welchem Stress-Level sich die KI befindet. Ist der Kontext moderat gefüllt, hat der Agent eine sichere Basis, auf die er zugreifen kann. Ist der Kontext fast am Anschlag und muss die KI alle Informationen aus dem Kontext berücksichtigen, dann kommt sie unter Stress und macht Fehler. Im schlimmsten Fall ist der Kontext nicht nur prall gefüllt, sondern es hat sich viel Unwichtiges angesammelt.
Moderne Agents ermöglichen es, diesen Kontext aktiv zu steuern: durch Analyse, Monitoring oder gezielte Verdichtung („Controlled Compaction“).
Lost in the Middle
Ein spannendes Phänomen bei der Arbeit mit KI-Agenten ist das sogenannte „Lost in the Middle“. Informationen innerhalb eines langen Kontexts werden nicht gleichmäßig gewichtet.
Typischerweise priorisieren Modelle:
- Informationen am Anfang eines Kontexts (z. B. Instruktionen),
- sowie die zuletzt gesehenen Inhalte (Recency-Effekt).
Informationen in der Mitte verlieren dagegen relativ an Bedeutung und werden häufiger übersehen oder weniger stark berücksichtigt.
Dabei handelt es sich primär um ein Nebenprodukt der Architektur von Large Language Models (LLMs). Allerdings verstärken Trainingsdaten dieses Muster zusätzlich, da Aufgabenstellungen oft am Anfang stehen und relevante Ergebnisse am Ende. Und so wirkt dieses Verhalten in vielen Situationen überraschend „intelligent“, weil es eine Form von Priorisierung widerspiegelt, die auch beim Menschen vorkommt.
Ein einfaches Beispiel: Beim Anhalten an einer roten Ampel sind die allgemeinen Verkehrsregeln (vergleichbar mit „langfristigem Wissen“) sowie der Zustand der aktuellen Ampel entscheidend. Welche Ampeln man zuvor gesehen hat, spielt keine Rolle mehr.
In diesem Sinne kann die implizite Priorisierung von Anfang und Ende in bestimmten Kontexten tatsächlich hilfreich sein. Viel wichtiger aber ist, dass man diesen Effekt bewusst mit Kontextmanagement steuern kann.
Kontextmanagement als Schlüsselkompetenz
Aus diesem Verständnis ergeben sich klare Prinzipien für das Arbeiten mit Agenten:
- strukturierte Informationen statt unkontrollierter Datenmengen – Das überfüllt den Kontext nicht
- kleine, iterative Arbeitsschritte – Sie brauchen weniger Kontext
- klar definierter Arbeitskontext – Kleine gut strukturierte Module die in direkter Relation zum Arbeitsschritt stehen.
- regelmäßige Neukalibrierung des Kontexts – Controlled Compaction oder Context Reset durch neue Chats.
- grundlegende Informationen zuerst mitteilen. Klare Hints an den Agent, wenn eine Information „in the middle“ wichtig ist. – So kann man den „Lost in the middle“ Strategieffekt gezielt steuern.
Kontextmanagement wird damit zu einer zentralen Fähigkeit im Umgang mit KI Agenten.
Und was hat das mit Software-Architektur zu tun?
Sehr viel. Eine gute Software-Architektur macht genau das, was ein Agent braucht: Sie strukturiert Kontext.
Sie trennt:
- stabile von variablen Bestandteilen
- zentrale Logik von Details
- grundlegende von weniger wichtigen Informationen
Auf einer gut strukturierten Software kann der Agent präzise und effizient arbeiten.
In einem unsauber geschnittenen Monolithen dagegen, muss ein Agent große Teile des Systems gleichzeitig berücksichtigen. Redundanter Code nimmt z.B. unnötig Platz im Kontext ein.
Das führt zu:
- höherem Kontextverbrauch, längerem „Nachdenken“, höheren Kosten
- geringerer Präzision
- mehr Fehlern
Die Illusion der schnellen Erfolge
KI kann schlechte Architektur kurzfristig kaschieren. Ein Agent findet Duplikate, behebt Fehler und erzeugt schnell sichtbare Fortschritte. Dort wo der Mensch bereits überfordert ist.
Das verleitet zum gefährlichen Schluss, dass Architektur an Bedeutung verliert.
Langfristig passiert das Gegenteil: Ohne Struktur steigt die Komplexität überproportional und ein Agent gelangt schnell an die Grenzen. Die Arbeitsergebnisse verlieren an Qualität. Ist man dort angekommen, hat man ein Problem: Nicht nur für den Menschen ist die Softwarestruktur jetzt undurchdringlich, sondern auch für die KI.
Der Code wird verschlimmbessert.
Die eigentliche Konsequenz
Architektur verschwindet nicht. Sie verändert ihre Rolle und wird vom Kommunikationsmittel im Team und in der Community, zur Grundlage für effiziente KI-gestützte Entwicklung.
Eine gute Architektur definiert in Zukunft den Kontext der KI. Sie entscheidet darüber, ob ein Agent sinnvoll arbeiten kann – oder scheitert. Ein KI-Agent kann dabei erstaunlich gut einer vorgegebenen Architektur folgen. Er wird selten gegen Architekturregeln verstoßen, wenn diese klar erkennbar sind und besonders dann, wenn sie zu Beginn übermittelt werden.
Für gewachsenen Legacy Code empfiehlt es sich diesen KI gestützt auf eine saubere Architektur zu überführen, anstatt direkt die Agenten darauf loszulassen und damit Features zu implementieren.
Fazit
KI wird auf absehbare Zeit eine gute Software-Architektur nicht entbehrlich machen. Wer KI-Agenten intelligent und effizient nutzen möchte nutzt, sorgt für eine gute Architektur die den Kontext für den Agenten maßschneidert. Agenten machen eine gute Architektur sichtbar und operierten präzise und Ressourcen-schonend auf einer guten Struktur.
KI-Entwicklung architektonisch sauber aufsetzen
Sie möchten KI-Agenten produktiv einsetzen, ohne Ihre Software-Struktur weiter zu belasten? SilverQ unterstützt dabei, Architektur, Kontext und KI-gestützte Entwicklung sinnvoll zusammenzubringen.