KI-gestützte Architekturarbeit Software-Architektur mit KI besser im Griff?!

Anbieter zum Thema

Fraunhofer-Institut für Experimentelles Software Engineering IESE

MicroConsult Academy GmbH

Softwarearchitektur bildet das Fundament erfolgreicher Softwaresysteme, steht jedoch zunehmend unter Druck durch steigende Komplexität, Variantenvielfalt und Dokumentationsanforderungen. Generative KI bietet hier neue Chancen. Der Beitrag zeigt, wie KI-Assistenz die Architekturarbeit in drei zentralen Bereichen verbessert: Design-Space Exploration, Modellbildung und Dokumentation, Wissenssicherung und Kommunikation.

Softwarearchitektur ist das Rückgrat erfolgreicher Softwaresysteme. Sie legt fest, wie Funktionalität, Qualität, Änderbarkeit und Wiederverwendbarkeit miteinander in Einklang gebracht werden. Eine gute Architektur entscheidet nicht nur über den Projekterfolg, sondern über die langfristige Wettbewerbsfähigkeit von Produkten und Plattformen.

In der Praxis steht die Architekturarbeit jedoch unter zunehmendem Druck. Der Funktionsumfang eingebetteter Systeme wächst rasant, Softwareanteile nehmen stetig zu, und die Zahl der beteiligten Teams steigt. Gleichzeitig werden Entwicklungszyklen kürzer, während Anforderungen an Sicherheit, Konnektivität und Nachhaltigkeit komplexer werden. Architekturentscheidungen müssen unter Zeitdruck getroffen und frühzeitig abgesichert werden – oft ohne vollständige Informationslage. Hinzu kommt, dass Architekturarbeit in vielen Organisationen nur unzureichend sichtbar ist. Entscheidungen werden in Meetings diskutiert, in E-Mails festgehalten oder in Quellcode-Kommentaren versteckt. Ihre Begründungen gehen häufig verloren, sobald Projekte abgeschlossen oder Teams umstrukturiert werden. Diese Wissensverluste führen dazu, dass ähnliche Fehler wiederholt werden und wertvolle Erfahrungswerte ungenutzt bleiben. Gleichzeitig wächst der Druck durch externe Faktoren: Normen und Standards verlangen nachvollziehbare Architekturentscheidungen, Sicherheitsnachweise und konsistente Dokumentationen. Viele Teams verbringen daher einen erheblichen Teil ihrer Zeit mit der Pflege von Architekturartefakten, statt sich auf kreative Lösungsfindung zu konzentrieren.

An dieser Stelle eröffnet Künstliche Intelligenz (KI) neue Möglichkeiten. Insbesondere generative Sprachmodelle wie GPT, Claude oder Gemini können komplexe Textinhalte verstehen, strukturieren und neu formulieren. Sie sind in der Lage, Entwurfsalternativen zu vergleichen, Architekturentscheidungen zu erläutern oder Dokumentationslücken zu schließen. Damit entsteht die Chance, den wachsenden Dokumentations- und Entscheidungsdruck zu reduzieren – ohne die Qualität der Architekturarbeit zu gefährden. Doch wie lässt sich diese Technologie sinnvoll einsetzen? Wann unterstützt sie die Architektin wirklich, und wann erzeugt sie nur zusätzliche Arbeit? Welche Risiken bestehen im Hinblick auf Datenschutz, Nachvollziehbarkeit und Fehlinterpretation? Und wie lässt sich sicherstellen, dass KI-basierte Vorschläge nicht unkritisch übernommen werden, sondern als fundierte Entscheidungsgrundlage dienen?

Diesen Fragen widmet sich der Beitrag. Er zeigt, wie Architekt:innen generative KI heute schon in ihren Arbeitsalltag integrieren können – mit realen Beispielen aus Forschungs- und Industrieprojekten. Ziel ist es, Orientierung zu geben, Potenziale realistisch einzuschätzen und Wege aufzuzeigen, wie die Architekturarbeit von der KI-Assistenz zur Co-Architektin weiterentwickelt werden kann.

Herausforderungen in der Architekturarbeit

Die Architekturarbeit bildet das Bindeglied zwischen Anforderungen, Design und Implementierung. Sie soll Stabilität und Orientierung geben, gleichzeitig aber flexibel genug bleiben, um Änderungen, neue Technologien oder Produktvarianten zu ermöglichen. In der Praxis führt genau dieser Spagat zu erheblichen Herausforderungen.

Implizites Wissen und fehlende Dokumentation: Ein zentrales Problem ist, dass viele Architekturentscheidungen implizit bleiben. Sie entstehen in Besprechungen, Whiteboard-Skizzen oder spontan während der Implementierung. Die Gründe für bestimmte Entwurfsentscheidungen werden oft nicht dokumentiert oder gehen im Projektverlauf verloren. Wenn später Änderungen notwendig werden – etwa weil ein Hardwarebaustein ersetzt wird oder eine neue Softwareplattform zum Einsatz kommt – fehlt häufig die Nachvollziehbarkeit, warum die ursprüngliche Lösung gewählt wurde. Neue Teammitglieder stehen dann vor der Aufgabe, historische Entscheidungen zu rekonstruieren, anstatt darauf aufzubauen.

Hohe Änderungsdynamik und Variantenvielfalt: Eingebettete Systeme sind heute Teil größerer, vernetzter Ökosysteme. Änderungen in Anforderungen, Plattformen oder Sicherheitsrichtlinien wirken sich unmittelbar auf die Architektur aus. Parallel dazu entstehen immer mehr Produktvarianten, die teilweise über mehrere Jahre gepflegt werden müssen. Diese Variantenvielfalt führt dazu, dass Architekt:innen laufend entscheiden müssen, welche Änderungen global gelten und welche nur lokal umgesetzt werden dürfen. Ohne automatisierte Unterstützung wird diese Komplexität schnell unüberschaubar.

Zeitdruck und begrenzte Ressourcen: In vielen Projekten findet Architekturarbeit unter erheblichem Zeitdruck statt. Architekturentscheidungen sollen möglichst früh fallen, um Entwicklungskapazitäten zu sichern – doch gerade in frühen Phasen fehlen oft noch klare Anforderungen und Systemgrenzen. Das Ergebnis: Entscheidungen müssen unter Unsicherheit getroffen werden. Spätere Anpassungen sind teuer und riskant. Gleichzeitig ist die verfügbare Zeit für Dokumentation, Review und Wissenstransfer meist knapp bemessen. Dadurch bleibt die Architekturarbeit oft auf ein Minimum reduziert, was langfristig zu höheren Wartungskosten führt.

Fragmentierte Informationslandschaft: Architekturrelevantes Wissen ist über viele Quellen verteilt: Anforderungen liegen im ALM-System, Schnittstellenbeschreibungen in Word-Dokumenten, technische Details in Modellierungswerkzeugen, Begründungen in E-Mails oder Chatverläufen.

Diese Fragmentierung erschwert eine konsistente Sicht auf das Gesamtsystem. Selbst erfahrene Architekt:innen verbringen viel Zeit mit der Suche nach Informationen oder dem Abgleich unterschiedlicher Stände. Eine einheitliche, konsolidierte Darstellung der Architektur entsteht dadurch selten.

Dokumentationsdruck und Compliance-Anforderungen: Normen wie ISO 26262, ASPICE oder IEC 61508 verlangen nachvollziehbare Architekturentscheidungen und konsistente Traceability zwischen Anforderungen, Design und Implementierung. Das führt in vielen Unternehmen zu einem Dokumentationsdruck, der die eigentliche Kreativarbeit überlagert. Architekt:innen sehen sich gezwungen, Nachweise zu erzeugen, anstatt Lösungen zu entwickeln. Hier besteht ein hohes Potenzial für KI-Unterstützung: Automatisierte Erfassung und Strukturierung von Architekturwissen kann helfen, Nachweisdokumentation mit minimalem Mehraufwand zu generieren.

Fehlende Standards für KI-Nutzung: Während KI-Methoden in der Softwareentwicklung – etwa beim Code-Review oder der Testfallgenerierung – zunehmend etabliert sind, fehlt in der Architekturarbeit noch eine klare Orientierung. Viele Organisationen wissen nicht, wo und wie KI sinnvoll eingesetzt werden kann, ohne Risiken für Vertraulichkeit oder Ergebnisqualität einzugehen.

KI-gestützte Architekturarbeit – Grundlagen und Abgrenzung

Der Begriff KI-gestützte Architekturarbeit wird derzeit in Forschung und Praxis unterschiedlich interpretiert. Während manche darunter bereits automatisierte Architekturgenerierung verstehen, bezieht sich dieser Beitrag auf die gezielte Nutzung von KI-Technologien zur Unterstützung menschlicher Architekturentscheidungen – nicht zu deren Ersetzung. Ziel ist es, Architekt:innen von wiederkehrenden Routineaufgaben zu entlasten, Entscheidungsgrundlagen zu verbessern und Architekturwissen besser zugänglich zu machen. KI wird damit nicht zur Architektin, sondern zur Assistentin im Architekturprozess.

Von der Automatisierung zur Assistenz: Traditionell wurde Automatisierung in der Softwareentwicklung vor allem mit deterministischen Regeln, Skripten und Modellen umgesetzt. Diese Verfahren stoßen dort an Grenzen, wo Wissen unvollständig, mehrdeutig oder kontextabhängig ist – typisch für Architekturarbeit. Generative KI-Modelle eröffnen neue Möglichkeiten:

• Sie können natürliche Sprache, Code und Architekturartefakte gleichzeitig verstehen;

• sie fassen komplexe Texte zusammen, erkennen Muster und erzeugen konsistente Beschreibungen; und

• sie ermöglichen eine dialogbasierte Zusammenarbeit zwischen Mensch und Maschine.

Dadurch entsteht ein neues Paradigma: Architekt:innen interagieren mit KI nicht als Werkzeug, sondern als kommunikativer Partner, der auf Fragen reagiert, Alternativen vorschlägt und Wissen kontextsensitiv bereitstellt.

Typische Unterstützungsfelder in der Architekturarbeit: Die Einsatzmöglichkeiten generativer KI lassen sich entlang der typischen Architekturaktivitäten strukturieren:

Diese Einsatzfelder zeigen: KI ist besonders stark in Bereichen, in denen Sprache, Wissen und Struktur aufeinandertreffen – also genau dort, wo menschliche Architekt:innen viel Zeit für Dokumentation, Kommunikation und Nachvollziehbarkeit aufwenden. Eine Übersicht über Forschungsarbeiten zu KI-gestützen Architekturarbeit findet sich in [Esposito25]. Eine Sammlung von Prompts für die Architekturarbeit findet sich in [Ghlamallah25].

Einsatzmöglichkeiten und Anwendungsszenarien

Die Potenziale generativer KI werden erst dann greifbar, wenn sie auf konkrete Aufgaben in der Architekturarbeit angewendet werden. In der Praxis zeigen sich vor allem drei Anwendungsfelder, in denen Architekt:innen unmittelbar profitieren:

Design-Space Exploration: Eine der zentralen Aufgaben von Architekt:innen ist die Bewertung alternativer Lösungsansätze. Häufig werden Entwurfsoptionen auf Basis von Erfahrungswissen diskutiert, ohne dass alle Vor- und Nachteile vollständig dokumentiert sind. Hier kann generative KI gezielt unterstützen:

• durch die Strukturierung von Entscheidungskriterien, etwa nach Qualitätsattributen (z. B. Wartbarkeit, Performance, Sicherheit);

• durch automatische Vergleichstabellen, die Vor- und Nachteile verschiedener Architekturstile oder Technologien aufzeigen; sowie

• durch formulierte Begründungen, die für spätere Reviews oder Audits direkt übernommen werden können.

Praxisbeispiel: In einem Industrieprojekt für ein vernetztes Steuergerät wurde ChatGPT genutzt, um alternative Kommunikationsarchitekturen (CAN, Ethernet, MQTT) zu vergleichen. Das Modell generierte eine tabellarische Gegenüberstellung mit Bewertung nach Latenz, Skalierbarkeit und Robustheit. Die Architekt:innen ergänzten anschließend kontextspezifische Faktoren. Ergebnis: schnellere Entscheidungsfindung und besser nachvollziehbare Dokumentation.

Vorteil: KI erweitert den Entscheidungsraum, ohne die Verantwortung zu übernehmen. Sie hilft, bisher unberücksichtigte Alternativen sichtbar zu machen und Argumentationen zu strukturieren.

Modellbildung und Dokumentation: Ein erheblicher Teil der Architekturarbeit entfällt auf die Erstellung und Pflege von Modellen, sei es in C4, UML, SysML v2, oder unternehmensspezifischen Notationen. Generative KI kann hier auf mehreren Ebenen unterstützen:

• Text-zu-Modell: Aus natürlichsprachigen Beschreibungen erzeugt sie modellhafte Strukturen, z. B. Komponenten und Schnittstellen.

• Modell-zu-Text: Sie erstellt automatisch lesbare Beschreibungen oder Berichte zu bestehenden Modellen.

• Konsistenzprüfung: KI kann Unterschiede zwischen Diagrammen und Beschreibungen erkennen und Korrekturvorschläge machen.

Beispiel: Ein in Enterprise Architect integrierter KI-Assistent analysiert Modellstrukturen und erzeugt automatisch konsistente Beschreibungstexte im Arc42-Format. Auf diese Weise können Architekt:innen Diagramme inhaltlich prüfen, anstatt Texte manuell zu synchronisieren. Siehe hierzu auch [Pollom25]

Darüber hinaus lassen sich Architekturartefakte (z. B. Schnittstellenbeschreibungen, Systemübersichten) direkt aus Code, Modell- oder Konfigurationsdateien ableiten. Damit wird der Weg zur „lebenden Dokumentation“ geebnet – stets aktuell, nachvollziehbar und maschinenlesbar.

Der Nutzen besteht in der Reduktion des Dokumentationsaufwands, einer einheitlichen Qualität von Beschreibunge, und einer schnelleren Übergabe an neue Teammitglieder.

Innovate Your Software – for a Smarter Future

Deutschlands Leitkongress der Embedded-Softwarebranche

Das Programm des ESE Kongress umfasst 96 Vorträge, 21 Seminare und 3 Keynotes. Seien Sie dabei, wenn sich die Embedded-Software-Community trifft, und nutzen Sie Diskussionen und Expertengespräche für einen ergiebigen Wissenstransfer und erfolgreiches Networken. Während der vier Kongresstage erwartet Sie zudem eine große Fachausstellung mit den führenden Firmen der Branche. Erfahren Sie alles über die neuesten Trends, Herausforderungen und Lösungen im Embedded Software Engineering, von KI, Safety und Security bis hin zu Management und Innovation.

Jetzt mehr erfahren und anmelden!

Wissenssicherung und Kommunikation: Architekturarbeit ist Wissensarbeit – und dieses Wissen geht oft verloren, sobald Projekte enden oder Teams wechseln. KI kann dabei helfen, dieses Wissen langfristig zu sichern und wieder auffindbar zu machen.

Extraktion von Architekturwissen: LLMs können aus Projektdokumenten, Besprechungsnotizen oder Tickets relevante Informationen zu Architekturentscheidungen erkennen. Sie erfassen z. B. Aussagen wie: „Wir haben uns für eine serviceorientierte Struktur entschieden, weil die Module unabhängig skalierbar sein sollen.“ Diese Sätze lassen sich automatisch in strukturierte Einträge, z.B. Architecture Decision Records (ADRs), überführen. Das erleichtert Reviews und Nachweise im Rahmen von Normen wie ASPICE oder ISO 26262.

Kommunikationsunterstützung: KI kann Architekt:innen auch in der Kommunikation mit Stakeholdern unterstützen. Beispielsweise kann sie:

• Fachliche Inhalte in unterschiedlichen Abstraktionsebenen erklären,

• Zusammenfassungen für Management-Reports erzeugen, oder

• Architekturentscheidungen in Präsentationsform bringen.

Praxisbeispiel: Es wird ein LLM genutzt, um Architekturbeschreibungen in natürlichsprachige Erzählungen umzuwandeln. Entwickler:innen, die neu ins Projekt kommen, können die KI einfach fragen: „Warum haben wir die Kommunikationsarchitektur auf MQTT umgestellt?“ Das Modell liefert daraufhin eine verständliche, begründete Antwort – mit Verweisen auf Projektdokumente und Entscheidungsverläufe.

Ergebnis: Architekturwissen wird greifbar, unabhängig von Toolkenntnissen oder Rollen im Projekt.

Grenzen und Erfolgsfaktoren: Auch wenn die Einsatzmöglichkeiten vielfältig sind, gilt: Nicht jede Aufgabe eignet sich für den KI-Einsatz. Erfolgsentscheidend sind:

• Klare Aufgabenstellung: KI funktioniert am besten mit präzisen, kontextreichen Prompts;

• Validierung durch Expert:innen: Ergebnisse müssen architekturseitig geprüft werden;

• Kontinuierliches Lernen: Feedback aus der Nutzung verbessert künftige Ergebnisse; und

• Toolintegration: Relevante Workflows müssen in vorhandene Modellierungs- und Dokumentationswerkzeuge eingebettet werden.

Erfahrungen aus Forschungs- und Industrieprojekten zeigen: Je stärker die KI in die bestehenden Prozesse integriert ist, desto größer ist der wahrgenommene Nutzen – insbesondere in frühen Phasen der Systemarchitektur.

Lessons Learned und Empfehlungen

Die bisherigen Erfahrungen aus Forschung und Industrie zeigen deutlich: Der Einsatz generativer KI kann die Architekturarbeit spürbar erleichtern – wenn er bewusst, schrittweise und zielgerichtet erfolgt. Viele erste Pilotprojekte bestätigen: KI-Assistenz bringt nicht automatisch Qualität, sondern muss als integrierter Bestandteil des Architekturprozesses verstanden werden.

KI ersetzt keine Architekt:innen, sie entlastet sie. Der größte Mehrwert entsteht dort, wo KI Routine- und Kommunikationsaufgaben übernimmt, ohne die Verantwortung für Entscheidungen zu beanspruchen. Architekt:innen bleiben weiterhin für Konsistenz, Sicherheit und fachliche Angemessenheit verantwortlich.

Empfehlung: Nutze KI gezielt für vorbereitende und dokumentierende Tätigkeiten – z. B. für Architekturvergleiche, Entwurfsalternativen oder Textbausteine. Die fachliche Bewertung bleibt immer beim Menschen.

Prompt Engineering ist eine Schlüsselkompetenz. Die Qualität von KI-Ergebnissen hängt stark von der Formulierung der Eingaben ab. Unpräzise oder kontextarme Prompts führen zu oberflächlichen Antworten, während klar strukturierte, kontextspezifische Prompts hochwertige Resultate liefern.

Empfehlung: Verwende präzise Formulierungen mit Rollen und Aufgabenbeschreibung. Gib Kontext mit – z. B. Projektart, Randbedingungen, Qualitätsanforderungen. Teste Varianten und halte erfolgreiche Prompts als Best-Practice-Sammlung fest.

Schrittweise Einführung senkt Risiken. Viele Pilotprojekte scheitern daran, dass KI-Nutzung zu früh zu breit ausgerollt wird. Erfolgreiche Ansätze beginnen klein – mit gut umrissenen Aufgaben, messbarem Nutzen und klarer Qualitätskontrolle.

Empfehlung: Starte mit unkritischen Einsatzszenarien (z. B. Dokumentationsassistent, Review-Protokolle). Definiere Erfolgskriterien (Zeitersparnis, Qualität, Akzeptanz). Evaluiere und optimiere – erst dann erweitern.

Integration schlägt Insellösung. KI bringt nur dann nachhaltigen Nutzen, wenn sie in bestehende Werkzeuge und Prozesse eingebettet wird. Separate Chat-Interfaces oder Einzellösungen erzeugen zusätzlichen Aufwand, weil Ergebnisse manuell übertragen werden müssen.

Empfehlung: Integriere KI direkt in vorhandene Tools – z. B. Enterprise Architect, Jira, Confluence, Doors Next. Nutze Plug-ins oder Skripte, um KI-Ergebnisse automatisiert in Modelle oder Dokumente einzufügen. Stelle sicher, dass Versions- und Änderungsverläufe nachvollziehbar bleiben (Audit-Trail).

Qualitätssicherung bleibt unverzichtbar. Generative KI kann überzeugend schreiben, aber nicht immer korrekt argumentieren. Falsche Aussagen oder logisch widersprüchliche Vorschläge kommen vor – besonders bei fehlendem Kontext oder unklarem Prompt.

Empfehlung: Führe ein leichtgewichtiges Review-Verfahren für KI-Ergebnisse ein. Prüfe Plausibilität anhand von Qualitätsattributen (z. B. Performance, Safety, Modularity). Nutze Vergleichsprompts, um Vorschläge gegenzuprüfen („Bewerte deinen eigenen Entwurf nach Nachvollziehbarkeit …“).

Transparenz schafft Vertrauen. Viele Architekt:innen stehen KI-Unterstützung skeptisch gegenüber, solange Herkunft und Begründung der Ergebnisse unklar bleiben. Erfahrungen aus Projekten zeigen: Akzeptanz steigt, wenn die KI transparent macht, worauf ihre Aussagen basieren.

Empfehlung: Dokumentiere Quelle und Modellversion jeder KI-Interaktion. Verwende nachvollziehbare Protokolle (z. B. Prompt + Antwort + Bewertung). Kennzeichne automatisch generierte Inhalte in Dokumenten eindeutig.

Wissensmanagement als Basis. Der nachhaltigste Nutzen entsteht, wenn KI auf eine strukturierte Wissensbasis zugreifen kann – z. B. auf dokumentierte Architekturentscheidungen, Modelle oder Lessons Learned. Ohne saubere Wissensstruktur bleibt die KI-Nutzung reaktiv und punktuell.

Empfehlung: Pflege ein zentrales Architektur-Wissensrepository (z. B. mit Architecture Decision Records). Nutze Vektordatenbanken oder Wissensgraphen, um Kontextdaten für lokale Modelle bereitzustellen. Betrachte KI nicht als Wissensquelle, sondern als Wissensverstärker.

Rollen und Verantwortung klären. KI verändert Arbeitsabläufe und Rollenbilder. Architekt:innen müssen lernen, Ergebnisse kritisch einzuordnen – und Organisationen müssen festlegen, wer wofür verantwortlich bleibt.

Empfehlung: Definiere Rollen wie KI-Reviewer oder Prompt-Owner. Schulungen zu KI-Ethik, Datenverwendung und Qualitätssicherung sollten Teil der Einführung sein. Baue Vertrauen durch kleine, sichtbare Erfolge auf – nicht durch große Ankündigungen.

Zusammenfassung

Softwarearchitektur bleibt das Fundament erfolgreicher Systeme, doch sie steht heute stärker denn je unter Druck. Zunehmende Komplexität, kürzere Entwicklungszyklen und wachsende Nachweispflichten belasten die Arbeit von Architekt:innen. Generative KI bietet hier keine Revolution, sondern eine kontinuierliche Evolution: Sie erweitert die vorhandenen Fähigkeiten, macht Wissen sichtbar und erleichtert die Zusammenarbeit zwischen Menschen, Teams und Werkzeugen.

Die praktischen Erfahrungen aus Forschung und Industrie zeigen: KI kann helfen, Entscheidungen nachvollziehbar zu dokumentieren, Designalternativen zu strukturieren und Wissen langfristig zu sichern. Richtig eingesetzt, reduziert sie den Dokumentationsaufwand, verbessert die Kommunikation zwischen Disziplinen und stärkt die Qualität der Architekturentscheidungen. Doch ihr Nutzen entfaltet sich nur, wenn sie in bestehende Prozesse integriert, kritisch hinterfragt und bewusst gesteuert wird.

Die Rolle der Architektin verändert sich dabei schrittweise – vom rein methodischen Entscheider hin zur Kuratorin von Wissen und Kontext. KI-Werkzeuge unterstützen diese Rolle, indem sie Informationen verfügbar machen, Zusammenhänge erklären und Entscheidungsspielräume sichtbar machen. Damit wird Architekturarbeit transparenter, nachvollziehbarer und nachhaltiger.  (sg)

Literaturverzeichnis

[Esposito25] Esposito, M., Li, X., Moreschini, S., Ahmad, N., Cerny, T., Vaidhyanathan, K., Lenarduzzi, V., & Taibi, D. (2025). Generative AI for Software Architecture. Applications, Challenges, and Future Directions (No. arXiv:2503.13310). arXiv.

[Ghlamallah25] Ghlamallah, A. (2025). Generative AI for Software Architects: How to Use LLMs to boost your productivity.

[Pollom25] Pollom, A., Heinrich, J. Barbie, P., Becker, M. Von Stichwort zu Statement - KI-gestützte Textgenerierung für Elementbeschreibungen im MBSE. Proceedings Tage des Systems Engineerings (TdSE) 2025.

Dieser Beitrag stammt aus dem Tagungsband zum ESE-Kongress 2025

* Dr. Martin Becker leitet die Embedded Systems Engineering Abteilung am Fraunhofer IESE in Kaiserslautern. Zu seinen Kernkompetenzen zählt die strategische Wiederverwendung mit Software- und System-Produktlinien.

(ID:50915015)