Ein Demonstrator beweist wenig
Die bisherigen Kapitel haben mit einer Methodik (AIND) und einer Sprache samt Laufzeit für kontrollierbare KI-Prozesse (APL/PAW) die Grundlagen gelegt. Die Grundidee ist, dass die KI in einen strukturierten, überprüfbaren Prozess eingebettet wird, statt lose neben einer Anwendung zu stehen.
Dieser und die folgenden Teile zeigen, was daraus praktisch entsteht. Ein einzelner KI-Demonstrator ist schnell gebaut und mag auf den ersten Blick beeindrucken, aber er beweist wenig. Bei jeder beeindruckenden Demo sollte man prüfen, ob sie nur auf einem eng zugeschnittenen Datensatz läuft, ob man nur den gelungenen Durchgang und nicht die Fehlerfälle sieht, ob der Prompt auf genau dieses eine Anwendungsbeispiel getunt ist, und ob es im Hintergrund Expert*innen gibt, die nachbessern? Wer viermal nein als Antwort erhält, hat mehr als einen Effekt; er hat eine Fähigkeit.
Interessant wird es nämlich erst, wenn derselbe Ansatz in sehr unterschiedlichen Situationen einsatzfähig ist: Beim Umgang mit Engineering-Daten, in juristischen oder anforderungsnahen Dokumenten, in gestalteten Präsentationen oder in umfangreicher Produktdokumentation. Dann geht es nicht mehr um einen einzelnen Demo-Effekt, sondern um ein Muster.
Vier sehr verschiedene Aufgabenklassen
Der Traceability-Assistent zeigt die beschriebene Logik in Engineering-Daten. Anforderungen, Komponenten, Tests und Testergebnisse stehen in komplexen Beziehungen zueinander. Es geht hier ums Finden, Bewerten und Aufzeigen von Zusammenhängen, nicht nur um eine plausible Antwort: Welche Anforderung hängt mit welchem Test zusammen? Welche Komponente ist betroffen? Welche Quelle stützt die Aussage? Wie das im Detail funktioniert, vertieft der nächste Teil.
Die Vertrags- und Lastenheftanalyse bewegt sich in einer anderen, ähnlich anspruchsvollen Welt. Ein Dokument wird entlang einer Fragestellung oder eines Prüfkatalogs analysiert, nicht bloß zusammengefasst; relevante Passagen werden gesucht, bewertet und zu einer nachvollziehbaren Antwort verdichtet. In einem weiteren Modus lassen sich zwei Dokumente oder Versionen auf Übereinstimmungen, Unterschiede und Konflikte vergleichen. Auch diesen Fall betrachten wir in einem eigenen Teil genauer.
###Bild3###
Der Präsentationsgenerator öffnet eine dritte Dimension. Hier erzeugt KI nicht bloß Text, sie arbeitet an einem gestalteten Artefakt: Einer Präsentation. Es geht um Inhalt, Struktur, Layout, Folienmaster, Rendering und Korrektur. Der Agent kann auf Inhaltsebene unterstützen, im Folieneditor Vorschläge machen und das visuelle Ergebnis prüfen.
Damit zeigt dieser Demonstrator, dass der Ansatz nicht auf die Analyse beschränkt ist, sondern auch produktive Artefakte erzeugen kann.
Der Produktdokumentations-Assistent steht für eine breite Alltagsklasse. Nutzer*innen stellen Fragen zu einer umfangreichen technischen Dokumentation, ohne deren Struktur kennen zu müssen. Vorgelagert ist eine Import- und Aufbereitungspipeline, die unterschiedliche Dokumenttypen in eine gemeinsame Wissensbasis überführt, die den Antwortprozess mit Informationen versorgt: Relevante Inhalte werden gesucht, bewertet, geladen und zu einer Antwort mit Bezug auf die verwendeten Quellen verdichtet. Die freie Plausibilität des Sprachmodells wird durch Wissen aus vorbereiteten Datenbeständen eingegrenzt.
Diese vier Anwendungen sind keine Zufallsgalerie, sondern spannen bewusst die harten Achsen auf: Strukturierte gegen unstrukturierte Daten, Analyse gegen Erzeugung, Einzeldokument gegen systemübergreifende Wissensbasis. Was in diesen extremen Ecken funktioniert, funktioniert mit hoher Wahrscheinlichkeit auch dazwischen:
| Demonstrator | Aufgabentyp & Daten (Achse) | Wo die KI entscheidet | Was klassisch / deterministisch bleibt |
|---|---|---|---|
| Traceability-Assistent | Strukturierte Engineering-Daten, Beziehungen finden | Relevanz bewerten, Zusammen-hänge deuten | Suche, Verknüpfung, quellgebundene Ablage |
| Vertrags- & Lastenheftanalyse | Unstrukturierte Dokumente prüfen & vergleichen | Passagen auswählen, Fragen beantworten | Kriterienlauf, Routing, Belegbindung |
| Präsentations-generator | Erzeugtes, gestaltetes Artefakt | Inhalt, Struktur, Formulierung, visuelle Prüfung | Folienmaster, Layout, Rendering |
| Dokumentations-Assistent | Breite, gemischte Wissensbasis, Fragen beantworten | Relevanz bewerten, Antwort formulieren | Import-Pipeline, Suche, Quellenbindung |
Das gemeinsame Muster aller Aufgaben
So unterschiedlich diese Aufgaben sind, sie folgen alle demselben Grundmuster: Der Prozess wird nicht dem Sprachmodell überlassen, sondern so beschrieben, dass er zuverlässig ausgeführt und beobachtet werden kann. Klassische Logik kommt zum Einsatz, wo Stabilität, Wiederholbarkeit, Routing, Speicherung, Formatierung oder Rendering zählen; die KI dort, wo Sprache, Bedeutung, Bewertung, Auswahl, Formulierung oder visuelle Interpretation gebraucht werden. Statt zu spekulieren, wird strukturiert gesucht, bewertet und belegt.
Darin liegt der Unterschied zu vielen KI-Demos: Der Agent arbeitet mit den Daten, Werkzeugen und Zwischenergebnissen der Anwendung, und seine Handlungen werden Teil eines kontrollierbaren Ablaufs.
###Bild4###
Vom Demonstrator zur Produktfähigkeit
Die Anwendungen haben bewusst nicht alle denselben Reifegrad. Teils sind es Demonstratoren, teils Entwicklungsstände, teils Produktbausteine. Es geht nicht darum, fertige Produkte zu zeigen, sondern Fähigkeiten zu demonstrieren, die nicht auf eine Domäne beschränkt sind. Genau das ist das Argument: Tauchen in vier sehr unterschiedlichen Kontexten dieselben Strukturen auf, zählt nicht die einzelne Anwendung, sondern die Wiederholbarkeit; die Domäne wechselt, aber das Muster bleibt. Und diese Wiederholbarkeit ebnet den Weg ins Produkt: Nicht die hübschere Demo zählt, sondern die stabilisierte, integrierte, wartbare und überprüfbare Fähigkeit, wofür Methodik, Prozesssprache und Laufzeit erforderlich sind.
Die folgenden Teile vertiefen zwei dieser Fälle: Zum einen die Traceability, d.h. wie ein Agent Engineering-Zusammenhänge findet, bewertet und belegbar macht, und zum anderen die Analyse von Verträgen und Lastenheften, d.h. wie aus einem Sprachmodell ein nachvollziehbarer Prüf- und Vergleichsassistent wird. Am Ende steht die Frage, die für PROSTEP-Kunden entscheidend ist: Wie werden aus solchen Demonstratoren belastbare Produktfunktionen und wie fließen sie in die Systeme ein, mit denen Unternehmen heute ihre Entwicklungsprozesse steuern?
