Software-Modernisierung mit KI schrittweise meistern – Teil 2

Wenn gewachsene Software kaum noch wartbar ist, entsteht schnell der Wunsch nach einem radikalen Neustart: alles weg, alles neu, diesmal sauber. Im ersten Teil dieser Reihe hat Thomas Immich das Bild eines KI-Agenten skizziert, der überholte Altsysteme in moderne, gut wartbare Anwendungen mit überzeugender User Experience überführt. Der entscheidende Punkt dabei: Auch problematische Altsysteme enthalten etwas Wertvolles: Sie enthalten bereits umgesetzte Anforderungen. Wie man diese Anforderungen strukturiert aus dem Bestand zurückgewinnt und daraus einen KI-gestützten, nutzerzentrierten Modernisierungsprozess ableitet, zeige ich in diesem zweiten Teil.

Wann Modernisierung der richtige Weg ist

Wenn sich Funktionserweiterungen und Fehlerbehebungen in der eigenen Software wie Jenga anfühlen, wenn im Planning immer wieder die sprichwörtliche Bombe auftaucht und selbst kleine Änderungen Multi-Sprint-Kettenreaktionen auslösen, ist klar: Das System steht unter Druck. Die naheliegende Frage lautet dann nicht nur, wie man es stabilisiert. Sondern auch, ob man überhaupt noch in dieses System investieren sollte. Wäre ein kompletter Neubau nicht konsequenter?

Die Antwort ist unspektakulär, aber wichtig: Es kommt darauf an.

Bei einer kleinen Nutzerbasis können die Risiken eines radikalen Schnitts überschaubar sein. Ist die Nutzerbasis jedoch groß, steigt das Risiko deutlich. Selbst kleine Änderungen fallen besonders Power-User*innen auf, weil sie etablierte Routinen, Abkürzungen und mentale Modelle berühren. Wer diese Menschen nicht ausreichend einbindet, riskiert Akzeptanzprobleme genau dort, wo das System im Alltag am intensivsten genutzt wird.

Hinzu kommt: Software-Entwicklung ist teuer. Eine Modernisierung bietet die Möglichkeit, Risiken und Kosten bewusst zu steuern, weil nicht alles auf einmal ersetzt werden muss. Stattdessen lassen sich funktionale Bereiche priorisieren, validieren und schrittweise erneuern.

So können Nutzende frühzeitig mitgenommen werden. Gleichzeitig sinkt das Risiko, über lange Zeit ein neues System zu entwickeln, das am Ende zwar modern aussieht, aber an realen Nutzungsanforderungen vorbeigeht.

Das stärkste Argument für Modernisierung liegt jedoch in den langfristig sinkenden Kosten für Weiterentwicklung und Wartung. Positive Effekte für Marketing und Sales durch eine sichtbar moderne Anwendung kommen hinzu, sollten aber nicht der alleinige Treiber sein.

Abbildung 1 – Ein gutes UI Design trägt viel zu UX bei, wie das von Centigrade für Tecan Introspect (https://links.centigrade.de/en/references/intuitive-data-visualisation-laboratory-software). Für gute UX sind aber weitere Faktoren entscheidend.

Entscheidend ist, im gesamten Prozess von der Anforderungsanalyse bis zum Shipment der modernisierten Softwareteile sauber zu arbeiten. Gutes Anforderungsmanagement hilft, sinnvolle Pakete zu schnüren und den Fokus richtig zu setzen. Prototyping und Usability Testing helfen, nicht nur etwas Neues, sondern das Richtige zu entwickeln. Und eine Design-Spezifikation, die „AI-ready“ ist, sorgt dafür, dass aktuelle KI-Tools effizient unterstützen können, ohne dass Qualität und Nachvollziehbarkeit verloren gehen.

Allein dadurch ist aber noch nicht sichergestellt, dass die Anwendung diesmal nicht wieder zu einem schwer wartbaren Frankenstein-System wird. Gerade mit Werkzeugen wie Mistral, Claude, Copilot, Codex & Co. ist ein Feature schnell generiert, ein Pull Request schnell erstellt und der nächste Entwicklungsschritt schnell angestoßen. Wer diesen Geschwindigkeitsgewinn ohne klare Architektur- und Qualitätsleitplanken nutzt, arbeitet möglicherweise direkt auf die nächste Modernisierung zu.

Moderne Sprachmodelle sollten deshalb nicht als Abkürzung um den Prozess herum verstanden werden, sondern als Beschleuniger innerhalb eines guten Prozesses. Dafür sind bewusste Architektur- und Technologieentscheidungen zentral. Ein moderner Techstack, der aktiv weiterentwickelt wird und austauschbare Einzelteile erlaubt, ist eine Grundlage für Wartbarkeit. Passende Frameworks, Bibliotheken und Standards wie können schnelle Feature-Entwicklung unterstützen, ohne die Architektur zu verwässern. Visuelle Anpassungen werden etwa durch Tailwind CSS oder Framer Motion leichter. Und auch künftige KI-gestützte Konzepte für Onboarding, Hilfe oder dedizierte Workflows mit KI-Agenten und MCPs lassen sich schneller integrieren, wenn die Architektur darauf vorbereitet ist.

Modernisierung bleibt komplex. Aber mit einem strukturierten, schrittweisen Vorgehen lässt sich diese Komplexität steuerbar machen: nutzerzentriert, technisch fundiert und mit einem klaren Blick auf Risiken.

Wie lassen sich Anforderungen aus Altsystemen gewinnen?

Bei der strukturierten Modernisierung eines Altsystems sollte der Fokus, wie bei einer Neuentwicklung, auf den Anforderungen der Nutzenden liegen. Sie zeigen, welche Bereiche der Software aus Nutzungsperspektive wirklich wichtig sind. Diese Perspektive sollte maßgeblich bestimmen, wo Funktionen ergänzt, verbessert oder bewusst unverändert gelassen werden. Denn der Nutzwert einer Software entsteht nicht aus der Menge ihrer Funktionen, sondern daraus, wie gut sie reale Aufgaben unterstützt. Genau deshalb ist diese Perspektive auch entscheidend für den ROI von UX auf Basis professioneller mensch-zentrierter Arbeit.

Natürlich ist es ebenfalls relevant zu verstehen, wo die größte technische Schuld liegt. Aber technische Schuld allein beantwortet noch nicht die Priorisierungsfrage. Warum sollte man zuerst einen Bereich refaktorieren, der nur einmal im Monat genutzt wird, wenn ein anderer Bereich täglich Arbeit verlangsamt oder Fehler erzeugt?

Gesucht ist also mindestens der 80-Prozent-Fall: die Bereiche, in denen die tägliche Arbeit tatsächlich stattfindet. Dort hat Modernisierung den größten Einfluss auf Nutzende, Produktivität und Akzeptanz. Dieses Wissen macht Priorisierungsentscheidungen belastbarer und hilft, Investitionen dort zu platzieren, wo sie Wirkung entfalten.

Wie finden wir heraus, welche Teile der Software wie häufig genutzt werden? Über Nutzungsdatenanalyse. Sie zeigt, welche Funktionen besonders relevant sind, wo Probleme auftreten und wo Veränderung besonders sensibel ist. In der Praxis setzen wir dafür etablierte Tools wie ein, damit Modernisierungsentscheidungen nicht nur auf Bauchgefühl, sondern auf belastbaren Daten basieren.

Gleichzeitig entsteht ein Bild, das auch für die Überarbeitung und Neugestaltung der UI-Konzepte zentral ist: Welche Nutzenden verwenden welche Funktionen in welchem Kontext und mit welchem Ziel? Diese Verbindung aus Verhalten, Kontext und Ziel bildet die Grundlage für gute UI-Gestaltung.

Warum Vibe Coding allein nicht reicht

Wenn die relevanten Nutzungsdaten vorliegen, wirkt der nächste Schritt verlockend einfach: Kontext sauber aufbereiten, KI-Werkzeuge mit Anforderungen und Architekturhinweisen füttern und daraus möglichst schnell einen Implementierungsplan generieren lassen. Mit gutem Context Engineering entstehen tatsächlich erstaunlich schnell Vorschläge, die zunächst plausibel klingen.

Genau hier liegt jedoch die entscheidende Grenze. Die risikominimierenden Effekte einer Modernisierung treten nur dann zuverlässig ein, wenn nach dem „Reverse Engineering“ der Anforderungen auch das „Forward Engineering“ sauber betrieben wird. Nutzende müssen gezielt eingebunden werden, und UX darf nicht nur wie ein Oberflächenversprechen wirken. Sie muss in den Anforderungen, im Konzept, in der Interaktion und in der Umsetzung tatsächlich angelegt sein.

Ein sauberer Forward-Engineering-Prozess schafft außerdem die Möglichkeit, auf Marktveränderungen, technologische Weiterentwicklungen und veränderte Erwartungshaltungen von Nutzenden zu reagieren. Diese Erkenntnisse können dann bewusst in die modernisierten Teile einfließen. Technologie- und Architekturentscheidungen sollten dabei auf einer validierten Gestaltung beruhen, die wiederum aus validierten Anforderungen hervorgeht.

Erst wenn menschliche Intervention, fachliche Bewertung und Qualitätssicherung in diesen Prozess eingebettet sind, kann KI den Gesamtprozess sinnvoll beschleunigen.

Abbildung 2 – Nutzerzentrierte Software-Modernisierung

Wo KI im UX- und Software-Entwicklungsprozess unterstützt

Aktuelle Sprachmodelle (Stand April 2026) sind bereits leistungsfähig und entwickeln sich schnell weiter. Besonders wirksam werden sie dort, wo sie nicht isoliert, sondern im Zusammenspiel mit eingesetzt werden, zum Beispiel mit n8n. Diese Kombination eröffnet gegenüber der alleinigen Nutzung einzelner KI-Tools mehrere Vorteile:

1. Sie spart Tokens und damit Kosten sowie Ressourcen. Erst dadurch wird echte Skalierbarkeit möglich, ohne dass Agenten zu Token-Verbrennungsmaschinen werden.
2. Sie verringert die Abhängigkeit von einem einzelnen Sprachmodell und ermöglicht eine selektive Nutzung unterschiedlicher Systeme, um zuverlässigen, sparsamen und hochwertigen Output zu erzeugen. Sensible Teile können bei Bedarf mit lokalen Modellen verarbeitet werden.
3. Sie gibt Menschen Steuerungshoheit über den Prozess, insbesondere über bewusst gesetzte Unterbrechungspunkte, an denen Expert*innen Entscheidungen treffen.

Besonders relevant ist das in den frühen Phasen des Software-Entwicklungsprozesses. Dort werden Anforderungen und UI-Designs validiert und Implementation-ready-Spezifikationen erstellt, die sowohl für Menschen als auch für KI-gestützte Umsetzung nutzbar sind.

Bei Centigrade unterstützt KI im Zusammenspiel mit Automatisierung bereits in unterschiedlichen Aufgabenbereichen. Die folgende Liste ist bewusst nicht vollständig, zeigt aber, wo der praktische Nutzen heute schon sichtbar wird:

UX Research

• Analyse und Validierung von Nutzerbedürfnissen
• Erstellung von aus Datenerhebungen oder Deep Research
• Qualitative Coding
• Usability-Testing mit Computer-Using Agents
• Generierung von Interviewleitfäden
• Persona-Segmentierung
• Persona-Konversationen

Concept Design

• Generierung von Flow Charts
• Wireframe-Brainstorming
• Generierung von Scenario Maps
• Konzeptspezifikation

Visual Design

• Generierung von Screens (Beispiel siehe Abbildung 2)
• Design-Spezifikation

Prototyping

• Generierung von Klick-Prototypen

Specification

• Anforderungsspezifikation
• Weiterentwicklung und Pflege von Design Systems
  • UI Kit
  • Design Guidelines
  • Component Library

Hinzu kommt die bereits erwähnte Unterstützung im Software Engineering, etwa bei Planung, Implementierung, Testing, Auslieferung und Fehlerbehebung.

Ein konkretes Beispiel ist die automatisierte Screen-Erstellung in Figma (siehe Abbildung 3), Stand Februar 2026, und das ganz ohne Figma Remote MCP. Den Input liefern Personas, Szenarien und User Needs, die automatisiert aus qualitativen Umfragedaten erstellt wurden. Wir kuratieren diese Ergebnisse und übergeben sie an Claude Code, das anschließend über einen lokalen MCP und entsprechende n8n Workflows selbstständig Figma-Screens erstellt. Das Ergebnis sind effizient erzeugte, bearbeitbare Screens, die eine belastbare Grundlage für Brainstormings und Richtungsentscheidungen schaffen.

Abbildung 3 – Informationsfluss bei der automatisierten Screen-Erstellung in Figma mithilfe von KI auf Grundlage von User Needs und User Context

Welche Rolle der Mensch behält

Die Modernisierung eines Altsystems kann mit oder ohne KI-Unterstützung deutliche Mehrwerte schaffen. Verlässlich werden diese Mehrwerte aber erst durch einen sauberen Prozess, geführt von Menschen, die KI gezielt einsetzen. Denn an einer Stelle bleibt menschliche Expertise zentral: beim kritischen Urteilsvermögen.

Man kann den KI-Kontext noch so sorgfältig aufbereiten: Es gibt Entscheidungen, die fachliche Einordnung, Erfahrung und Verantwortung erfordern. Zwei Beispiele:

• Die Priorisierung von Features im Zusammenspiel von Nutzungsdaten, aktuellen Stakeholder-Anforderungen und strategischen Unternehmensentscheidungen
• Die Qualitätsbewertung von Zwischenständen vor dem Hintergrund des Nutzungskontexts, der Projekt- und Unternehmensarchitektur sowie der Interessen aller Projekt- und Produktbeteiligten

Daraus folgt: Auch die Orchestrierung von KI-Agenten sollte letztlich beim Menschen liegen. Nur so lässt sich KI-Unterstützung projektpragmatisch in den Gesamtprozess integrieren, mit einem Einführungstempo, das technische Komplexität, Kosten und organisatorische Reife berücksichtigt.

Abbildung 4 – Plan zur Einführung von KI-Unterstützung in den Software-Entwicklungsprozess

KI kann Modernisierung beschleunigen. Aber nutzerzentrierte Modernisierung entsteht erst, wenn diese Beschleunigung bewusst geführt und von den Menschen im Team verstanden wird.

Modernisierung bedeutet deshalb nicht, ein Altsystem möglichst schnell durch etwas Neues zu ersetzen. Sie bedeutet, das vorhandene Wissen im System ernst zu nehmen, Nutzungsanforderungen sauber herauszuarbeiten und technische Erneuerung Schritt für Schritt mit realer Produktwirkung zu verbinden. KI kann diesen Prozess beschleunigen, strukturieren und an vielen Stellen entlasten. Entscheidend bleibt aber, dass Modernisierung bewusst geführt wird: mit klaren Prioritäten, validierten Entscheidungen und einem konsequent nutzerzentrierten Blick darauf, welche Veränderung für Nutzende, Teams und Organisation tatsächlich Wert schafft.