Intelligisierung

Was die vierte Stufe braucht, entsteht in den drei Stufen davor. Industrialisierung macht einen Ablauf wiederholbar, jeder Build und jede Freigabe läuft nach denselben Schritten. Digitalisierung schreibt diese Abläufe mit, als Build-Log, Testergebnis, Ticket oder Messwert. Automatisierung sorgt dafür, dass das bei jedem Durchlauf gleich passiert und nicht nur dann, wenn jemand daran denkt. Erst so entsteht eine Historie, in der tausende vergleichbare Durchläufe mit ihrem Ergebnis stehen. Aus dieser Historie lernt ein Modell, welche Änderungen später Fehler verursacht haben, welche Testläufe sich vorhersagen lassen und wann ein Messwert ungewöhnlich ist.

In der industriellen Softwarelieferkette zeigt sich die vierte Stufe an wenigen konkreten Stellen. Ein Modell schätzt das Fehlerrisiko einer Änderung und schlägt vor, welche Tests zuerst laufen sollen. Eine Anomalieerkennung meldet, dass ein Build plötzlich doppelt so lange dauert. Agentische Systeme (Agentic AI) planen und erledigen Teilaufgaben eigenständig, etwa die Analyse eines fehlgeschlagenen Laufs. Auf eine Pipeline, in der Builds mal von Hand und mal per Skript entstehen, lässt sich keines davon setzen. Das Modell lernt dann aus Ausnahmen und manuellen Eingriffen, und seine Vorhersagen sind nicht besser als Raten.

Eng verwandt ist die KI-Industrialisierung, also der Betrieb von KI selbst nach industriellen Regeln. Modelle sind versioniert, werden automatisiert getestet, jede Auslieferung hinterlässt einen Audit-Trail, und ein Rollback auf das vorige Modell läuft über dieselbe CI/CD-Pipeline wie bei Software. Ohne diesen Betrieb bleibt KI in Piloten stecken, die nach dem Weggang des Data Scientist niemand mehr neu trainieren kann. In regulierten Umgebungen kommen Nachweispflichten dazu. Für Hochrisiko-KI-Systeme verlangt der EU AI Act eine automatische Protokollierung, und sobald ein Modell mit Steuerungen spricht, gehört es in die Sicherheitsbetrachtung nach IEC 62443.