AI-assisted Business Engineering – Ein Erfahrungsbericht

KI im Business Engineering bei Accso

Als Grundlage für die Erprobung von KI im Business Engineering diente eine Ausschreibung für ein System zur Verwaltung und Steuerung des Bahnbetriebs innerhalb von Häfen. Im ersten Schritt haben wir das rein textliche Lastenheft für diese Anwendung mittels Langdock analysiert. Auf dieser Basis konnten wir uns die Beschreibung der fachlichen Module, sowie der Anwendungsfälle, Prozesse und Datenmodelle des zu bauenden Systems erstellen lassen.  

Das Ergebnis wurde an ein Entwicklungsteam weitergegeben, welches hieraus, ebenfalls KI-unterstützt mit Agentic Coding, einen Proof-of-Concept entwickelt hat. Wir sind sehr zufrieden mit dem Ergebnis: In kürzester Zeit ist eine vorzeigbare, reife Software entstanden. 

Eingesetzte Tools und Technologien 

Wir haben hauptsächlich mit in Langdock integrierten Modellen wie GPT, Claude oder Gemini gearbeitet. Auch Camunda mit seinem KI-Feature zur Generierung von BPMN-Modellen kam zum Einsatz. Als Brücke zum Entwicklungsteam nutzten wir GitLab und Visual Studio Code. 

Während das Entwicklungsteam ein striktes Verbot hatte, Code manuell zu schreiben, haben wir einige Aufgaben wie das Erstellen von Stories im Repository wegen des hohen initialen Aufwands noch manuell erledigt.  

Unsere Learnings beim Einsatz von KI 

Präzision wird wichtiger  

Die Haupterkenntnis für uns war, dass präzises Business Engineering beim Einsatz von KI noch wichtiger wird. Da die erzeugten Artefakte unmittelbar in die KI-gestützte Software-Generierung einfließen, fehlt zunächst deren kritische Interpretation, z.B. durch einen erfahrenen Entwickler.  Mit einer maschinellen Schnittstelle müssen Datenmodell, Anforderungen und Prozesse auf den Punkt genau beschrieben werden, damit das Ergebnis stimmt.  

Rückgriff auf bewährte Modelle und Methoden hilft

Um diese notwendige Präzision bei der Beschreibung der Business-Domäne zu erreichen, haben sich Methoden aus dem Domain-driven Design bewährt. Die besten Ergebnisse haben wir dann erzielt, wenn wir dem Sprachmodell konkrete Modelle, basierend auf bekannten Modellierungssprachen vorgegeben haben.  

Sprachmodelle lassen sich am besten mit Sprache bedienen 

Eine vielleicht trivial erscheinende Erkenntnis war, dass sich Sprachmodelle am besten mit textuellem Input wie beispielsweise PlantUML, XML, JSON oder Markdown füttern lassen. So vermeidet man ungewollte Interpretationen, beispielsweise beim Auslesen von Bildern, und kann eine höhere Präzision des Inputs sicherstellen. Auch BPMN eignet sich sehr gut, da hinter den Prozessabbildungen auch immer eine XML-Beschreibung mit maschinenlesbarer Semantik steckt.  

Der Vergleich verschiedener Modelle lohnt sich 

Zur Qualitätssicherung lohnt es sich, verschiedene Sprachmodelle einzusetzen und untereinander vergleichen zu lassen. Sind die Ergebnisse plausibel oder gelangen unterschiedliche Modelle zu unterschiedlichen Schlussfolgerungen? 

Qualitätssicherung durch Menschen und Maschine ist unerlässlich

Gerade bei der Qualitätssicherung ist der Mensch noch nicht zu ersetzen (Human in the Loop).  Erfahrene Expert:innen sollten immer die finale Prüfung und Freigabe übernehmen.  

Wie geht es weiter? 

Die Erkenntnisse aus dem Projekt fließen in unsere interne Arbeitsgruppe „AI-assisted Software Engineering“ ein. Wir bemerken eine steigende Nachfrage bei unseren Kunden und am Markt in diesem Bereich und entwickeln das entsprechende Know-how in unserem Team weiter.