Die neuen knappen Ressourcen

Software Excellence wurde lange mit sauberem Code, stabilen Architekturen, automatisierten Tests und professionellen Entwicklungsprozessen verbunden. Diese Prinzipien bleiben wichtig. Doch generative KI verändert die Rahmenbedingungen grundlegend: Coding Agents implementieren, testen, dokumentieren und analysieren bestehende Systeme in kurzer Zeit.

Damit verschiebt sich der Fokus. Die Herausforderung besteht zunehmend darin, die entstehenden Systeme weiterhin zu verstehen, ihre Qualität zuverlässig zu verifizieren und die richtigen technischen Entscheidungen zu treffen. Fünf Fähigkeiten daraus prägen die neuen Massstäbe für Software Excellence.

1. Komplexität beherrschen

KI kann eine einzelne Aufgabe technisch überzeugend lösen und trotzdem das Gesamtsystem verschlechtern. Eine zusätzliche Komponente ist schnell erzeugt, muss aber über Jahre verstanden, betrieben und verändert werden. Neben der klassischen Technical Debt rückt deshalb eine zweite Form von Schuld in den Vordergrund: Cognitive Debt. Sie entsteht, wenn ein System zwar funktioniert, aber immer weniger Menschen verstehen, warum es so gebaut wurde, wie seine Teile zusammenspielen und welche Konsequenzen Änderungen haben.

Gerade generative KI kann Cognitive Debt beschleunigen. Zusätzliche Bibliotheken, Schnittstellen und technische Kopplungen sind schnell geschaffen, aber das notwendige Verständnis wächst nicht im gleichen Tempo. Ein technisch funktionierendes System kann dadurch zunehmend schwer beherrschbar werden.

Die eigentliche Knappheit verschiebt sich von der Implementierung zum Verständnis des Gesamtsystems. Software Excellence bedeutet deshalb auch, Cognitive Debt sichtbar zu machen und kognitive Komplexität aktiv zu managen. Gute Engineering-Organisationen vereinfachen, standardisieren und löschen konsequent.

2. Qualität anders absichern

Wenn KI in wenigen Minuten eine Änderung erzeugt, deren Prüfung einen erfahrenen Engineer eine Stunde beschäftigt, verschiebt sich der Engpass von der Implementierung zur Verifikation.

Eine rein menschliche Prüfung lässt sich dabei nicht beliebig ausweiten. Menschliche Aufmerksamkeit ist nicht skalierbar, sie ist begrenzt und muss dort eingesetzt werden, wo Fehler die grössten Konsequenzen haben. Qualitätssicherung muss deshalb stärker risikobasiert erfolgen, denn ein internes Hilfswerkzeug benötigt andere Kontrollen als eine sicherheitskritische Komponente.

Gleichzeitig muss Verifikation stärker automatisiert werden. Architekturregeln, Sicherheitsanforderungen, Datenschutzvorgaben und fachliche Bedingungen müssen zunehmend maschinell überprüfbar sein. Je autonomer Maschinen implementieren, desto präziser müssen wir definieren können, was korrekt ist und innerhalb welcher Grenzen sich eine Lösung bewegen darf.

3. Entscheidungen bewusst steuern

Mit der zunehmenden Automatisierung verändert sich auch die Rolle von Engineers. Technologieverständnis bleibt zentral, doch der Hebel verschiebt sich: Probleme präzise strukturieren, Systemgrenzen definieren, technische Optionen beurteilen und deren Konsequenzen für das Gesamtsystem antizipieren.

Erfahrene Engineers werden damit stärker zu Gestaltern und Entscheidern. Ihre Aufgabe besteht zunehmend darin zu bestimmen, welche Entscheidungen Maschinen übernehmen können und wo menschliches Urteilsvermögen notwendig bleibt. Entscheidend ist nicht mehr nur, eine Lösung umsetzen zu können, sondern beurteilen zu können, welche Lösung langfristig die richtige ist – für Architektur, Sicherheit, Betrieb und Veränderbarkeit. Auch der Kompetenzaufbau verändert sich. Wenn KI Aufgaben übernimmt, an denen Berufseinsteiger bisher Erfahrung gesammelt haben, müssen Organisationen Lernen bewusster gestalten.

4. Wissen sichern

Cognitive Debt ist nicht nur eine Eigenschaft von Software. Sie wird zum organisatorischen Risiko, wenn Wissen über kritische Systeme bei wenigen Personen liegt oder schrittweise verloren geht. Ein Teil dieses Wissens entstand bisher nebenbei beim gemeinsamen Programmieren, in Code Reviews oder bei der Lösung konkreter Probleme. Wenn KI mehr Implementierungsarbeit übernimmt, muss dieser Wissenstransfer bewusster organisiert werden.

Architekturforen, Guilds und schuldzuweisungsfreie Nachbesprechungen helfen, Wissen zu verteilen und systemische Schwächen sichtbar zu machen. Voraussetzung dafür ist eine Kultur, in der Teams sagen können: «Wir verstehen diesen Teil unseres Systems nicht mehr.» So wird der Umgang mit Cognitive Debt zu einer gemeinsamen Aufgabe von Architektur, Engineering und Organisation.

5. Veränderungen beherrschen

Verfügbarkeit, Sicherheit, Leistung und Fehlerquoten bleiben zentrale Qualitätsmerkmale. Doch eine weitere Fähigkeit gewinnt an Bedeutung: Wie sicher lässt sich ein System verändern – und wie zuverlässig lässt sich eine Änderung wieder rückgängig machen? Ein System kann stabil laufen und trotzdem schwer beherrschbar sein, wenn jede Änderung Wochen dauert oder unkalkulierbare Seiteneffekte erzeugt. Wie gut eine Organisation Veränderungen beherrscht, lässt sich konkret fragen: Wie lange dauert es von der Idee bis zur produktiven Änderung? Wie weit reichen ihre Auswirkungen? Wie schnell erkennen wir Fehlentwicklungen? Wie schnell können wir zu einem sicheren Zustand zurückkehren? Dafür müssen Änderungen an Software, Infrastruktur und Daten nachvollziehbar und kontrolliert rückgängig zu machen sein. Die Fähigkeit, Veränderungen sicher zu steuern, wird zum Massstab für Software Excellence.

Fazit: Excellence zeigt sich im Umgang mit Komplexität 

Heute zeigt sich vor allem im Greenfield, wie schnell generative KI neue Software erzeugen kann. Die nächste Herausforderung liegt im Brownfield: KI muss bestehende Systeme verstehen, sicher verändern und mit gewachsenen Abhängigkeiten umgehen können. Darauf folgen Systeme, die Fehler zunehmend selbst erkennen, Veränderungen bewerten und sichere Zustände wiederherstellen. Wenn Softwareerzeugung nicht mehr knapp ist, verschieben sich die Massstäbe für Software Excellence. Verständnis, Verifikation und Entscheidungsfähigkeit werden zu den entscheidenden Ressourcen und Cognitive Debt zu einem zentralen Risiko, das Engineering-Organisationen aktiv managen müssen.