R2D: Von Anforderungen zur Architektur: Einsatz von LLMs zur Unterstützung der Softwarearchitektur

Name des Teilnehmers: Tobias Eisenreich

Projekttitel: Von der Anforderung zum Design: Nutzung von LLMs für ein erweitertes Software-Design

Beschreibung des IT-Forschungsprojektes:

Die Entwicklung von Softwarearchitekturen ist nach wie vor ein weitgehend manueller und wenig standardisierter Prozess. Zwar gibt es etablierte Methoden wie das Domain-Driven Design (DDD), doch sind sie komplex und aufwendig. Gleichzeitig fehlt es neuen KI-Tools oft an methodischer Tiefe, sodass sich Architekten zwischen Tool-Unterstützung und technischer Genauigkeit entscheiden müssen.

Mit meinem Forschungsprojekt möchte ich diese Lücke schließen, indem ich eine Methode für den KI-gestützten Architekturentwurf entwickle. Ziel ist es, von Anforderungen in natürlicher Sprache zu einer gut strukturierten Softwarearchitektur zu führen, deren Qualitäten und Kompromisse bekannt sind. Dabei unterstützen große Sprachmodelle (LLMs) als kooperative „Junior-Architekten“ und werden nicht als autonome Entscheidungsträger eingesetzt. Dank der wissenschaftlichen Betreuung durch die Technische Universität München (TUM) und der Zusammenarbeit mit dem Industriepartner DATEV sind sowohl die wissenschaftliche Grundlage als auch die praktische Relevanz gewährleistet.

Im Kern integriert das Projekt drei etablierte Techniken in einen Prozess. Ausgehend von textuellen Anforderungen wird mit Domain-Driven Design (DDD) die Problemdomäne modelliert und ein Verständnis der Kernkonzepte entwickelt. Darauf aufbauend leitet das Attribute-Driven Design (ADD) die Softwarearchitektur systematisch auf Basis von Qualitätsattributen und technischen Vorgaben ab. Schließlich wird die resultierende Architektur mithilfe der Architecture Tradeoff Analysis Method (ATAM) auf Verhalten, Kompromisse und Risiken hin untersucht. Alle Schritte werden durch generative KI unterstützt oder vollständig automatisiert. Wie erwartet zeigen die ersten Experimente, dass das Fachwissen menschlicher Architekt*innen entscheidend bleibt, um Halluzinationen und Folgefehler während dieser Schritte zu vermeiden.

Die wichtigste Innovation besteht darin, diese bewährten Methoden mit generativer KI in einem Workflow zu kombinieren. Bisherige modellgetriebene Ansätze zwingen die Nutzer in einen starren Prozess mit spezifischen Schritten, während flexible Systeme wie KI-Chatbots nicht die notwendige Struktur und methodische Führung bieten, die Softwareentwickler*innen benötigen. Der Ansatz meines Projekts fördert dagegen sowohl kreatives Ausprobieren als auch strukturiertes Denken. Da das Tool auf bewährten Prozessen basiert, kann es insbesondere weniger erfahrene Nutzer*innen anleiten und so verhindern, dass sie sich in der Vielfalt der Möglichkeiten verlieren.

Technisch gesehen verfolgt das Projekt einen modularen Ansatz: Für jeden Schritt werden einzelne Prototypen entwickelt und evaluiert, die anschließend in eine einheitliche Plattform integriert werden. Eine anschließende Fallstudie mit dem Industriepartner DATEV soll die Relevanz und Anwendbarkeit in der Praxis belegen. Das Projekt soll sowohl wissenschaftliche als auch praktisch nutzbare Ergebnisse hervorbringen: Erstens bietet es eine wissenschaftliche Grundlage für die systematische Untersuchung KI-gestützter Architekturentwürfe. Zweitens senkt es in der Praxis die Hürden für die Anwendung fortgeschrittener Methoden wie DDD, ADD und ATAM, um bei reduziertem Aufwand die Qualität architektonischer Entscheidungen zu verbessern. Langfristig kann die Plattform als erweiterbare Basis für zukünftige KI-basierte Software-Engineering-Tools dienen. Darüber hinaus könnte sie ein erster Schritt in Richtung weiterer Automatisierung sein und ermöglichen, dass Vibe Coding ohne Anleitung hochwertige Architekturen entwickelt.

Software Campus Partner: TU München und DATEV

Umsetzungszeitraum: 01.01.2026 – 31.12.2027