Jahrzehntelang litten Softwareingenieure an einer eigentümlichen Form des beruflichen Hochstaplersyndroms. Ihre Kollegen aus Maschinenbau, Bauwesen und Verfahrenstechnik entwarfen Brücken, die vermutlich nicht einstürzen würden, und Fabriken, die meistens nicht explodieren würden. Softwareingenieure dagegen arbeiteten in einem deterministischen Paradies, in dem 2+2 immer 4 ergab, Funktionen vorhersehbare Ausgaben lieferten und Bugs logische Rätsel mit eindeutigen Lösungen waren.
Dieser deterministische Luxus machte Software Engineering zum Sonderling unter den Ingenieurdisziplinen. Klassische Ingenieure legen Systeme routinemäßig auf menschliche Fehlerquoten, Fertigungstoleranzen und Materialermüdung aus, allesamt von Natur aus probabilistische Phänomene. Softwareingenieure konnten Code dagegen in der Erwartung schreiben, dass er genau so ausgeführt wird, wie er dasteht, und zwar jedes einzelne Mal.
Doch künstliche Intelligenz verändert alles. Und es entbehrt nicht einer köstlichen Ironie, dass sie Software Engineering dem klassischen Ingenieurwesen ähnlicher macht als je zuvor.
Die deterministische Dynastie
Um diesen Wandel zu verstehen, überlegen Sie, was Software Engineering so anders machte. Wenn ein Maschinenbauingenieur eine Brücke entwirft, muss er wechselnde Windlasten berücksichtigen, Materialschwankungen (dieser Stahlträger ist für X Tonnen ± Y % ausgelegt) und sogar die statistische Wahrscheinlichkeit menschlicher Fehler beim Bau. Jede Berechnung enthält Sicherheitsmargen und Konfidenzintervalle.
Software bot dagegen eine gesegnete Vorhersehbarkeit. Wenn Sie if (x > 5) schrieben, verglich der Computer x zuverlässig mit 5 und verzweigte entsprechend. Es gab keine Toleranzbereiche, keine Wahrscheinlichkeitsverteilungen und kein „diese Funktion arbeitet in 94,7 % der Fälle korrekt“. Die Komplexität entstand aus dem Umgang mit verschachtelten deterministischen Wechselwirkungen, nicht aus dem Ringen mit statistischer Unsicherheit.
Diese deterministische Natur befeuerte lange Debatten darüber, ob Software Engineering die Bezeichnung „Engineering“ überhaupt verdient. Kritiker argumentierten, ohne die probabilistische Komplexität und die strenge Sicherheitsanalyse des klassischen Ingenieurwesens sei Programmieren eher angewandte Mathematik als eine echte Ingenieurdisziplin.
Auftritt: die Wahrscheinlichkeitsmatrix
LLMs und moderne KI-Systeme haben dieses deterministische Weltbild zertrümmert. Wenn Sie eine KI per Prompt bitten, Code zu generieren, Text zusammenzufassen oder eine Entscheidung zu treffen, erhalten Sie kein deterministisches Ergebnis. Sie ziehen eine Stichprobe aus einer Wahrscheinlichkeitsverteilung. Das System liefert vielleicht in 90 % der Fälle brillanten Code, in 8 % der Fälle brauchbaren Code und in 2 % der Fälle völligen Unsinn.
Plötzlich finden sich Softwareingenieure auf vertrautem Ingenieurterrain wieder: Sie arbeiten mit probabilistischen Komponenten, die statistische Analyse, Planung für Ausfallarten und quantifizierte Leistungsgarantien verlangen. So wie ein Verfahrensingenieur Systeme entwerfen muss, die Bedienfehler erkennen und abfangen, müssen KI-Ingenieure Schutzmechanismen um Modelle bauen, die halluzinieren, den Kontext missverstehen oder unerwartete Ausgaben produzieren können.
Dieser Wandel geht tief. Schon das maschinelle Lernen vor den LLMs drängte in diese Richtung: Teams maßen Precision, Recall und Konfidenzintervalle, weil sie mussten. Ein System zur Betrugserkennung konnten Sie nicht in Betrieb nehmen, ohne seine Falsch-Positiv-Rate zu kennen. Aber LLMs haben probabilistisches Rechnen demokratisiert und statistische Unsicherheit in die alltägliche Softwareentwicklung gebracht.
Wo die Strenge fehlt
Hier wird es unübersichtlich. Die klassischen Ingenieurdisziplinen haben über Jahrhunderte strenge Frameworks für den Umgang mit probabilistischen Systemen entwickelt. Sie verfügen über etablierte Methoden, um Sicherheitsmargen zu berechnen, Ausfallraten zu quantifizieren und das Systemverhalten unter Unsicherheit zu validieren.
Dem Software Engineering, von Jahrzehnten des Determinismus verwöhnt, fehlen diese Frameworks weitgehend. Zu viele KI-gestützte Anwendungen gehen mit vagen Versprechen statt mit quantifizierten Leistungsgarantien in Betrieb. Statt „dieses System verarbeitet Kundenanfragen mit einer Genauigkeit von 97,3 % und scheitert in den restlichen 2,7 % der Fälle kontrolliert“ bekommen wir „KI-gestützter Kundenservice, der natürliche Sprache versteht“.
Die Denkweise von Ingenieuren verlangt konkrete Angaben: Was genau bedeutet „versteht“? Unter welchen Bedingungen scheitert das System? Wie erkennen Sie solche Fehler, und wie gehen Sie damit um? Das sind keine rein technischen Fragen, sondern grundlegende Pflichten eines Ingenieurs.
Die Revolution beim Testen
Diese probabilistische Realität verändert grundlegend, wie Softwaresysteme validiert werden. Klassische Unit-Tests für deterministische Funktionen reichen nicht aus, wenn Ihre „Funktion“ bei identischen Eingaben unterschiedliche Ausgaben liefern kann.
Stattdessen übernehmen Ingenieure Ansätze, die der Validierung im klassischen Ingenieurwesen erstaunlich ähneln: umfangreiche statistische Tests, die Analyse von Leistungsgrenzen und die systematische Ermittlung von Ausfallarten. Sie testen nicht bloß, ob Ihre KI-Komponente funktioniert. Sie testen sie über Tausende Szenarien hinweg zu Tode, um ihre Leistungsmerkmale zu kartieren.
Genauso berechnet ein Statiker nicht nur, dass ein Träger die erwartete Last aushält, sondern belastet ihn im Versuch, um genau zu verstehen, wie und unter welchen Bedingungen er versagt. Das Ziel ist nicht Perfektion, sondern vorhersehbares, gut charakterisiertes Verhalten innerhalb festgelegter Betriebsparameter.
Der Kulturkonflikt
Diese Entwicklung legt einen kulturellen Graben in der Softwareentwicklung offen. Die Branche hat lange die Mentalität „move fast and break things“ gefeiert, in der schnelles Ausliefern und Iterieren anhand von Nutzerfeedback die Norm waren. Bei der Steuerung eines Kernkraftwerks oder bei einem Medizinprodukt geht „move fast and break things“ aber nicht.
Je folgenreicher und unberechenbarer KI Softwaresysteme macht, desto stärker steht die Branche unter Druck, die strengen Spezifikations- und Validierungspraktiken des klassischen Ingenieurwesens zu übernehmen. Dabei geht es nicht einfach um mehr Vorsicht. Es geht darum, grundlegend anders über Systementwurf, Tests und Deployment zu denken.
Manche Organisationen vollziehen diesen Übergang bereits und behandeln KI-Komponenten mit derselben Strenge wie sicherheitskritische Systeme. Sie definieren präzise Verhaltensspezifikationen, richten umfassendes Monitoring ein und legen klare Betriebsgrenzen fest. Andere bleiben im Modus „schauen wir mal, was passiert“ und hoffen, dass aus beeindruckenden Demos verlässliche Produktivsysteme werden.
Ein Beruf verändert sich
Für Softwareingenieure ist dieser Wandel Herausforderung und Chance zugleich. Wer erfolgreich mit probabilistischen Systemen arbeiten kann, also ihr Verhalten quantifiziert, ihre Ausfallarten beherrscht und sie in größere deterministische Systeme integriert, ist gut aufgestellt, um die nächste Welle technologischer Innovation voranzutreiben.
Das verlangt aber neue Fähigkeiten und eine neue Denkweise. Ingenieure müssen sich mit statistischer Analyse anfreunden, Konzepte wie Konfidenzintervalle und Fehlerfortpflanzung verstehen und ein Gespür für das Verhalten von Systemen unter Unsicherheit entwickeln. Kurz: Sie müssen klassischen Ingenieuren ähnlicher werden.
Die Ironie ist mit Händen zu greifen: Nachdem Softwareingenieure jahrzehntelang die Legitimität ihres Berufs verteidigt haben, zwingt KI sie dazu, genau jene Praktiken zu übernehmen, die klassisches Ingenieurwesen ausmachen. Die probabilistischen Komponenten, die dem Software Engineering laut den Kritikern fehlten, stehen nun im Zentrum seiner Zukunft.
Neuland für das Engineering
Je leistungsfähiger und allgegenwärtiger KI-Systeme werden, desto schneller setzt sich dieser Trend fort. Die Software, die unsere Autos steuert, unsere Infrastruktur verwaltet und unsere medizinischen Daten verarbeitet, stützt sich zunehmend auf probabilistische KI-Komponenten. Solche Systeme verlangen die Strenge, die Spezifikationspraxis und das Sicherheitsdenken der klassischen Ingenieurdisziplinen.
Die Zukunft gehört Ingenieuren, die zwischen diesen Welten vermitteln können: die sowohl die deterministischen Grundlagen der Informatik als auch die statistischen Realitäten von KI-Systemen verstehen. Sie werden robuste Architekturen entwerfen, die die Stärken probabilistischer Komponenten nutzen und auf Systemebene trotzdem vorhersehbares, verlässliches Verhalten bewahren.
Am Ende verändert KI nicht nur, was Software kann, sondern auch, was es heißt, Softwareingenieur zu sein. Und zum ersten Mal in der Geschichte des Fachs rückt dieser Wandel Software Engineering näher an den Hauptstrom des Ingenieurwesens heran, statt es weiter davon zu entfernen.
Die deterministische Ära geht zu Ende. Das probabilistische Zeitalter des Software Engineering hat begonnen. Und es wird all die Strenge, Präzision und berufliche Verantwortung brauchen, die der Begriff „Engineering“ schon immer mitgemeint hat.
Aus dem Englischen übersetzt: zum Originalbeitrag