🤖 AI

Vibe-driven model-based engineering

Dieses Paper schlägt das Konzept des „vibe-driven model-based engineering" vor, das die Stärken von KI-gestütztem „Vibe Coding" und traditionellem modellgetriebenen Engineering kombiniert, um die Entwicklung zuverlässiger komplexer Softwaresysteme zu beschleunigen.

Ursprüngliche Autoren: Jordi Cabot

Veröffentlicht 2026-04-14

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jordi Cabot

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die große Baustelle: Wenn "Baupläne" und "Zauberstäbe" zusammenarbeiten

Stell dir vor, du möchtest ein riesiges, komplexes Gebäude errichten. In der Welt der Softwareentwicklung gibt es dafür bisher zwei ganz verschiedene Methoden, die oft gegeneinander kämpfen:

1. Der klassische Architekt (Model-Driven Engineering)
Das ist wie ein traditioneller Bauplan. Ein erfahrener Architekt zeichnet jeden Balken, jedes Fenster und jede Leitung genau auf. Aus diesen präzisen Plänen baut eine Maschine dann das Haus.

Vorteil: Das Haus ist extrem sicher, stabil und genau so, wie geplant. Wenn der Plan stimmt, ist das Gebäude auch perfekt.
Nachteil: Es dauert lange, die Pläne zu zeichnen. Wenn sich die Anforderungen ändern (z. B. "Wir wollen doch lieber ein Glasdach statt eines Ziegeldachs"), muss man den ganzen Plan neu zeichnen. Das ist mühsam und teuer.

2. Der Zauberstab (Vibe Coding / KI)
Das ist die neue Methode mit Künstlicher Intelligenz (KI). Du sagst einfach: "Ich brauche ein Haus mit Glasdach und einem Pool." Der Zauberstab (die KI) zaubert sofort ein fertiges Haus.

Vorteil: Es geht blitzschnell! Man braucht keine Pläne zu zeichnen.
Nachteil: Man weiß nicht genau, wie das Haus im Inneren gebaut wurde. Manchmal sind die Fundamente wackelig, die Elektrik ist unsicher oder das Haus passt gar nicht zum Nachbargrundstück. Es ist ein "Blackbox"-Haus.

Das Problem: Wir brauchen beides!

Der Autor Jordi Cabot sagt: "Warte mal! Viele denken, der Zauberstab wird den Architekten ersetzen. Aber das ist falsch."

Wenn wir nur den Zauberstab nutzen, bekommen wir vielleicht schnell ein Haus, aber es könnte einstürzen (Sicherheitslücken) oder sich nicht mehr reparieren lassen (Wartungsprobleme). Wenn wir nur den Architekten nutzen, dauert alles zu lange, um mit der modernen Welt Schritt zu halten.

Die Lösung: "Vibe-getriebenes modellbasiertes Engineering"

Das ist ein komplizierter Name für eine einfache Idee: Wir mischen die beiden Welten.

Stell dir vor, wir haben einen Bauplan (das Modell), aber wir nutzen den Zauberstab (die KI), um ihn schneller zu zeichnen und zu verbessern.

So funktioniert es im Alltag:

Der Plan bleibt König: Egal wie schnell die KI arbeitet, wir bauen immer auf einem klaren Plan auf. Der Plan ist die "Wahrheit". Er garantiert, dass das Haus sicher ist.
Der KI-Assistent hilft beim Zeichnen: Statt dass ein Mensch stundenlang den Plan zeichnet, sagt die KI: "Hey, basierend auf deiner Beschreibung, hier ist ein Entwurf für den Grundriss." Der Mensch (oder ein anderer Experte) schaut sich das an, nickt oder macht kleine Korrekturen.
Der Zauberstab für die Details: Manchmal will man etwas, das schwer zu planen ist, wie eine spezielle Wandfarbe oder eine coole Lichtinstallation. Hier darf die KI einfach loslegen und den Code (die Farbe) direkt generieren, aber sie tut das nur auf Basis des bereits genehmigten Grundrisses.

Warum ist das so genial? (Die Analogie des Kochs)

Stell dir einen Koch vor, der ein 5-Gänge-Menü für 100 Gäste kochen muss.

Nur Plan: Der Koch schreibt jedes Rezept von Hand auf. Es ist perfekt, aber er braucht 3 Tage, um die Rezepte zu schreiben.
Nur KI: Der Koch sagt einer KI: "Koch ein 5-Gänge-Menü." Die KI wirft alles in den Topf. Es schmeckt vielleicht gut, aber es könnte giftig sein oder die Gäste verhungern, weil die Mengen falsch sind.
Die neue Methode: Der Koch hat ein Kochbuch (das Modell). Die KI hilft ihm, die Zutatenlisten zu schreiben und die Rezepte zu formulieren. Aber der Koch behält das Kochbuch im Auge. Er prüft: "Ist das Salz wirklich in Ordnung? Ist das für Allergiker sicher?"
- Wenn alles stimmt, kocht die KI die Gerichte blitzschnell.
- Wenn etwas schiefgeht, weiß der Koch genau, wo im Rezept der Fehler lag, und kann es korrigieren.

Was braucht man dafür? (Die Infrastruktur)

Damit das funktioniert, müssen die KI-Assistenten und die Bauplan-Software (die Werkzeuge) miteinander reden können.
Das Paper schlägt vor, eine Art "Universal-Stecker" (MCP - Model Context Protocol) zu bauen.

Stell dir vor, die KI ist ein Roboter und die Bauplan-Software ist ein Werkzeugkasten.
Früher musste man für jeden Werkzeugkasten einen anderen Roboter bauen.
Mit dem neuen Stecker kann jeder Roboter in jeden Werkzeugkasten greifen, ohne dass man ihn umbauen muss. Der Roboter kann sagen: "Ich brauche einen neuen Plan" und der Werkzeugkasten liefert ihn.

Fazit: Nicht ersetzen, sondern ergänzen

Die Botschaft des Papers ist: Vertraue der KI, aber behalte den Plan.

Wir wollen nicht, dass die KI alles allein macht und wir die Kontrolle verlieren. Wir wollen, dass die KI uns hilft, die Pläne schneller zu machen, damit wir uns auf das Wesentliche konzentrieren können: Ein sicheres, gutes und zuverlässiges Software-System zu bauen.

Es ist wie beim Autofahren: Die KI ist der Tempomat und das Spurhalte-Assistenzsystem (sie hilft dir zu fahren), aber du (der Mensch) bleibst am Steuer und hast die Verantwortung dafür, wohin du fährst.

1. Problemstellung

Die Softwareentwicklung steht vor einer wachsenden Komplexität durch neue Anforderungen wie erweiterte Realität (AR/VR), intelligente Komponenten, Sicherheits- und Nachhaltigkeitsaspekte. Um diese Komplexität zu beherrschen, wurden traditionell modellgetriebene Ansätze (MDE) und Low-Code-Plattformen eingesetzt, die Abstraktionen nutzen, um die manuelle Codierung zu reduzieren.

Allerdings stoßen diese klassischen Ansätze an Grenzen:

Steigende Modellkomplexität: Die Modelle selbst werden immer komplexer, was den Aufwand und die Kosten für die Modellierung erhöht und die wahrgenommene Rendite (ROI) senkt.
Aufkommen von „Vibe Coding": Parallel dazu gewinnt der Ansatz des „Vibe Coding" an Popularität, bei dem Large Language Models (LLMs) natürliche Sprachbeschreibungen direkt in ausführbaren Code umwandeln.
Risiken des Vibe Coding: Dieser Ansatz birgt erhebliche Risiken hinsichtlich Code-Schwachstellen, Skalierbarkeit und Wartbarkeit. Zudem besteht die Gefahr, dass Entwickler glauben, Vibe Coding könne Modellierung und Code-Generierungsvorlagen vollständig ersetzen, was zu einer Abkehr von bewährten, zuverlässigen Methoden führt.

Das Kernproblem liegt also im Spannungsfeld zwischen der benötigten Zuverlässigkeit komplexer Systeme (die MDE bietet) und der Geschwindigkeit/Flexibilität neuer KI-gestützter Methoden (Vibe Coding), wobei beide Ansätze derzeit oft als gegensätzlich betrachtet werden.

2. Methodik: Vibe-driven Model-based Engineering

Der Autor schlägt einen neuen hybriden Ansatz vor: Vibe-driven Model-based Engineering. Die Grundthese ist, dass KI (LLMs) und Modellierung nicht konkurrieren, sondern sich ergänzen sollten.

Kernprinzipien:

Das Modell als Zentrum: Unabhängig vom gewählten Pfad bleiben explizite Softwaremodelle (oder Spezifikationen) der zentrale Anker des Entwicklungsprozesses. Sie garantieren Qualität und Zuverlässigkeit.
Flexible Workflows: Der Ansatz erlaubt drei Hauptpfade, die je nach Szenario und Nutzerexpertise gewählt oder kombiniert werden können:
1. Klassischer MDE-Pfad: Manuelle Modellierung + regelbasierte Code-Generierung (deterministisch, hochqualitativ, sicher).
2. KI-unterstützte Modellierung (Vibe Modeling): Ein KI-Agent hilft beim Erstellen oder Verfeinern des Modells basierend auf natürlicher Sprache. Der Mensch validiert das Modell, bevor es deterministisch generiert wird.
3. Vibe Coding aus Modellen: Im Gegensatz zum reinen Vibe Coding (Text $\to$ Code) startet dieser Pfad mit einem Modell. Das Modell dient als Eingabe für den LLM-Agenten, der den Code generiert. Dies wird als „spec-driven development" bezeichnet.

Infrastruktur und Integration:
Um diese Symbiose technisch zu ermöglichen, wird eine Infrastruktur benötigt, die KI-Agenten die Interaktion mit Modellierungsplattformen erlaubt. Das Paper identifiziert zwei Schlüsseltechnologien zur Überbrückung der Lücke zwischen Agenten und Tools:

Model Context Protocol (MCP): Ein offenes Protokoll, das es Modellierungstools (z. B. der Low-Code-Plattform BESSER) erlaubt, als MCP-Server zu fungieren. Agenten können so Modelle lesen, erstellen und manipulieren, ohne dass eine spezifische Integration pro Tool nötig ist.
Agent Skills: Shareable Workflows (oft in SKILL.md definiert), die Agenten beibringen, wie sie mit spezifischen Metamodellen und Formaten umgehen, ohne den gesamten Modellierungs-Stack neu implementieren zu müssen.

3. Wichtige Beiträge

Konzeptuelle Synthese: Einführung des Begriffs „Vibe-driven model-based engineering" als Brücke zwischen der deterministischen Welt der Modellierung und der probabilistischen Welt der generativen KI.
Neue Entwicklungsparadigmen: Definition flexibler Varianten, die es erlauben, innerhalb eines Projekts zwischen rein modellbasierten Phasen (für Kernfunktionalität) und KI-gestützten Phasen (z. B. für UI-Optimierung oder Prototyping) zu wechseln.
Technische Architektur-Vorschlag: Vorstellung einer Infrastruktur, die auf MCP und Agent-Skills basiert, um eine standardisierte Kommunikation zwischen KI-Agenten und Modellierungstools zu ermöglichen (demonstriert am Beispiel der BESSER-Plattform).
Kritische Reflexion: Das Paper warnt davor, dass Vibe Coding die Modellierung ersetzt, und argumentiert stattdessen für eine „Human-in-the-Loop"-Strategie, bei der Modelle als Validierungs- und Dokumentationsbasis dienen.

4. Ergebnisse und Diskussion

Das Paper liefert keine empirischen Messwerte (da es ein Konzeptpapier ist), sondern skizziert ein theoretisches Framework und einen Implementierungsweg. Die Diskussion konzentriert sich auf offene Herausforderungen:

Spezialisierte Modellierungs-Agenten: Es besteht Forschungsbedarf daran, wie Agenten am besten mit Domänenexperten interagieren, um Modelle zu inferieren, und wie Reinforcement Learning für diese Domäne eingesetzt werden kann.
Unsicherheit und Nachverfolgbarkeit: Da KI-Modelle probabilistisch sind, müssen Unsicherheitswerte (Confidence Scores) an Modellelemente angehängt und die gesamte Evolution des Modells (wer hat was wann geändert) nachvollziehbar gemacht werden.
Anpassung an Nutzerprofile: Der Ansatz muss sich an verschiedene Nutzer anpassen (vom Domänenexperten ohne technisches Wissen bis zum Softwareingenieur). Die Interaktion mit dem Agenten muss je nach Profil variieren (z. B. Erklärung des Modells vs. Bereitstellung von Domänenwissen).
Demokratisierung der Modellierung: Es wird gefordert, dass auch nicht-technische Nutzer grundlegende Modellierungskompetenzen erwerben, um KI-Vorschläge validieren zu können.

5. Bedeutung und Ausblick

Die Bedeutung dieses Papers liegt in seiner strategischen Ausrichtung für die Zukunft der Softwareentwicklung:

Rettung der Modellierung: Es verhindert, dass die etablierten Vorteile der Modellierung (Qualitätssicherung, Wartbarkeit) durch den Hype um generative KI verloren gehen.
Sicherer KI-Einsatz: Es bietet einen Weg, die Produktivitätsgewinne von LLMs zu nutzen, ohne die Zuverlässigkeit von Softwaresystemen zu opfern, indem Modelle als „Sicherheitsnetz" dienen.
Zukunftsfähigkeit: Der Ansatz adressiert die Notwendigkeit, Softwareentwicklung an die wachsende Komplexität und die neuen Anforderungen (KI, Nachhaltigkeit) anzupassen, ohne auf bewährte Ingenieursmethoden zu verzichten.

Zusammenfassend plädiert Jordi Cabot für eine synergetische Zukunft, in der KI nicht den Ingenieur ersetzt, sondern als leistungsstarkes Werkzeug dient, das jedoch strikt innerhalb eines modellbasierten Rahmens operiert, um die Integrität komplexer Softwaresysteme zu gewährleisten.