Zum Inhalt

KI-Verwaltungsassistenz (KIVA) - Fachverfahrensmodernisierung für die Öffentliche Verwaltung

Evolutionsphasen

Der evolutionäre Arbeitsablauf der KI-gestützten Fachverfahrensmodernisierung lässt sich in folgende sechs Schlüsselphasen unterteilen, die jeweils spezifische Ziele, Aktivitäten und Ergebnisse umfassen:

Phase 1: Grundlagenforschung und Definition

In der initialen Phase lag der Fokus auf der inhaltlichen und technischen Rahmensetzung des Projekts sowie auf der Klärung der strategischen Zielrichtung der Modernisierung. Zentrale Aktivitäten waren:

  • Definition des Modernisierungsprozesses und der übergeordneten Ziele.
  • Durchführung von Research zu bestehenden Migrationsstrategien und -ansätzen.
  • Grundlagenrecherche zu Multi-Agenten-Systemen und agentenbasierten Architekturen.
  • Ausarbeitung und Definition einer Zielarchitektur, einschließlich Tech-Stack, Systemlandschaft und Integrationskonzept.
  • Erstellung eines Boilerplate-Repositories als Referenz für Projektstruktur, Entwicklungsrichtlinien und Best Practices der Zielapplikation.

Nach oben ⬆

Phase 2: Analyse der Legacy-Applikation

Darauf aufbauend erfolgte eine tiefgehende Analyse der zu migrierenden Legacy-Systeme, insbesondere von Oracle-Forms- und MS-Excel-basierten Applikationen:

  • Entscheidung zur prototypischen Migration einer Oracle-Forms-Applikation sowie einer Excel-Applikation (mit und ohne VBA-Makros).
  • Detaillierte Analyse der bereitgestellten Beispielapplikationen (Oracle Forms, Excel, Word).
  • Implementierung der Installation, Extraktion und Konvertierung von Oracle-Forms-Artefakten.
  • Durchführung einer umfassenden Strukturanalyse von Oracle-Forms-Fachverfahren und Excel-Anwendungen.
  • Definition der Migrationsreihenfolge für Oracle Forms auf Basis interner Abhängigkeiten.
  • Identifikation und Einsatz eines Skripts zur Ermittlung externer Abhängigkeiten in Excel-VBA-Applikationen.

Nach oben ⬆

Phase 3: Entwicklung agentenbasierter Ansätze

Ein zentrales Element der Evolution war die Entwicklung und der Vergleich zweier fortgeschrittener, KI-gestützter Migrationsansätze.

A. Multi-Agenten-System-(MAS)-Ansatz

  • Konzeption und Ausarbeitung eines MAS-basierten Migrationsansatzes.
  • Entwicklung eines eigenen Multi-Agenten-Systems auf Basis von LlamaIndex Agent Workflows.
  • Erweiterung des Systems um einen expliziten Context State zur Zustands- und Wissensverwaltung.
  • Anpassung des MAS-Ansatzes auf die Migration von Excel-Applikationen.
  • Entwicklung spezialisierter Tools sowie Excel-spezifisches Prompt Engineering für den MAS-Einsatz.

B. Agentic-Coding-Ansatz

  • Konzeption und Ausarbeitung eines Agentic-Coding-basierten Migrationsansatzes.
  • Entwicklung eines Demos bzw. Prototyps mit einem Agentic Coding System (z. B. OpenCode.AI).
  • Definition von Pre- und Post-Processing-Komponenten, u. a. für Infrastruktur-Checks, Test-Use-Case-Generierung und Migrationsausführung.
  • Entwurf einer vollständigen Migrationspipeline, aus der das eigentliche Migrations-Tool hervorging.
  • Iteratives Testen, Optimieren und Verfeinern des Migrations-Tools sowie des zugehörigen User-Workflows.

Nach oben ⬆

Phase 4: Kontext-Infrastruktur und Support-Tools

Mit zunehmender Komplexität der Agentensysteme wurde der Aufbau einer tragfähigen Kontext- und Tooling-Infrastruktur essenziell:

  • Evaluation geeigneter Methoden zur Extraktion und Transformation relevanter Excel-Artefakte.
  • Aufbau modularer FunctionTools für Daten-Retrieval und strukturierte Artefaktextraktion.
  • Implementierung von n8n-Workflows zur automatisierten Generierung von Dokumentation (Frontend- und API-Dokumentation) für Oracle Forms und Excel.
  • Vertiefende Arbeiten zum Context Engineering, einschließlich Short- und Long-Term Memory, automatisierter API-Dokumentation und GraphRAG.
  • Implementierung von Kontext-Tools und GraphRAG-Komponenten (inkl. Parser und MCP) für Oracle Forms und MS Excel, integriert in das MAS.
  • Ausarbeitung einer sicheren Ausführungsumgebung für Agentic-Coding-Systeme, einschließlich konsequenter Containerisierung.

Nach oben ⬆

Phase 5: Testen und Validierung

Die abschließende Phase diente der systematischen Überprüfung, Absicherung und Bewertung der Ergebnisse und ist entscheidend für die Qualität der migrierten Applikationen:

  • Evaluierung und Testen agentenbasierter Open-Source-Systeme.
  • Vergleichendes Testen verschiedener Agentic-Coding-Systeme (z. B. OpenCode.AI, Claude Code).
  • Entwicklung eines Test-Execution-FunctionTools für einen dedizierten Tester-Agenten.
  • Durchführung von Ergebnisvergleichen über mehrere Iterationen hinweg für MAS- und Agentic-Coding-Ansätze.
  • Validierung der generierten Applikationen hinsichtlich fachlicher Korrektheit, technischer Qualität und Stabilität.
  • Automatisierte Test-Use-Case-Generierung.
  • Durchführung von End-to-End-(E2E)-Tests mit Playwright MCP.
  • Analyse und Test spezialisierter Agentenfähigkeiten, u. a. Agent Skills, einschließlich des Document-Skills für XLSX-Dateien.

Nach oben ⬆

Phase 6: Skalierung, Industrialisierung und adaptive Weiterentwicklung

In einer zukünftigen Evolutionsstufe kann sich der beschriebene Ansatz von einem forschungs- und prototypengetriebenen System hin zu einer skalierbaren, produktiven Plattform weiterentwickeln. Mögliche Entwicklungslinien sind:

  • Plattformisierung des Migrations-Tools: Transformation des Migrations-Tools zu einer modularen, mandantenfähigen Plattform mit standardisierten Schnittstellen (APIs, MCP), die verschiedene Legacy-Technologien und Zielarchitekturen unterstützt.
  • Selbstoptimierende Agentensysteme: Einführung von Feedback-Loops, Telemetrie und automatischem Prompt- bzw. Policy-Tuning, sodass Agenten aus vergangenen Migrationen lernen und ihre Strategien kontinuierlich verbessern.
  • Domänenspezifische Agenten und Wissensmodelle: Aufbau wiederverwendbarer, domänenspezifischer Agenten (z. B. für Statistik, Verwaltung, Fachverfahren), angereichert durch kuratierte GraphRAG-Wissensbasen.
  • Integration von Human-in-the-Loop (HITL): Systematische Einbindung menschlicher Experten an kritischen Entscheidungspunkten (z. B. Architekturentscheidungen, fachliche Validierung), unterstützt durch erklärbare Agenten-Entscheidungen. Siehe auch Human-in-the-Loop.
  • Governance, Compliance und Nachvollziehbarkeit: Erweiterung um Audit-Trails, Entscheidungsprotokolle und Compliance-Checks (z. B. Datenschutz, Lizenzierung, BSI-Anforderungen) als integralen Bestandteil der Migrationspipeline.
  • Langfristige Wartung und Co-Evolution der Zielsysteme: Nutzung der Agenten nicht nur für die Migration, sondern auch für kontinuierliche Modernisierung, Refactoring, Testgenerierung und technische Schuldenreduktion über den gesamten Lebenszyklus der Zielapplikationen hinweg.

Nach oben ⬆