Software documentation represents a critical yet frequently neglected component of the software development lifecycle. Time constraints, outdated content, and limited accessibility remain persistent challenges in practice. Recent advances in artificial intelligence offer new opportunities to automate documentation processes and improve quality and maintainability.
This paper investigates AI-supported documentation generation by analyzing theoretical foundations, quality criteria, and different generation approaches, including text-based, document-based, code-based, and UI-driven methods. Furthermore, several contemporary tools are evaluated in an exploratory case study with regard to their ability to generate developer and user documentation. The results indicate significant efficiency gains, particularly for workflow-based user documentation and initial documentation creation. However, the study also demonstrates that the effective use of AI requires a structured understanding of documentation types, targeted prompting strategies, and continuous human supervision. Integration into CI\/CD-pipelines and optimization for Generative Engine Optimization emerge as key factors for sustainable documentation practices.
The findings suggest a transition from static documentation toward dynamic, AI-assisted knowledge systems, where automated updates, conversational interaction with codebases, and drift-detection mechanisms may fundamentally reshape how documentation is created, maintained, and consumed in future software engineering environments.<\/p>\n\n\n\n
In der modernen Softwareentwicklung ist hochwertige Dokumentation unverzichtbar, wird jedoch aufgrund von Zeitmangel und hoher Release-Geschwindigkeit oft vernachl\u00e4ssigt. Das Resultat sind veraltete oder unvollst\u00e4ndige Informationen, die die Wartbarkeit und Skalierbarkeit von Systemen gef\u00e4hrden. Mit dem Durchbruch generativer K\u00fcnstlicher Intelligenz steht dieser Bereich jedoch vor einem grundlegenden Wandel. Aktuelle technologische Erkenntnisse deuten darauf hin, dass sich die Dokumentation gegenw\u00e4rtig von einem statischen Nebenprodukt zu einem dynamischen Prozess transformiert. Moderne KI-Systeme sind heute in der Lage, Quellcode und Benutzerinteraktionen semantisch zu erfassen und daraus automatisiert konsistente Wissensressourcen zu generieren. Dies reduziert nicht nur den manuellen Aufwand, sondern minimiert auch die Diskrepanz zwischen technischem Stand und schriftlicher Fixierung. Diese Arbeit untersucht das Potenzial aktueller KI-gest\u00fctzter Ans\u00e4tze von der codebasierten Analyse bis zur prozessgesteuerten Generierung von Benutzeranleitungen. Anhand einer explorativen Fallstudie werden zeitgen\u00f6ssische Werkzeuge evaluiert, um zu pr\u00fcfen, wie sie die theoretischen Qualit\u00e4tsanforderungen in der Praxis erf\u00fcllen. Ziel ist es, den \u00dcbergang von rein manueller Dokumentation hin zu intelligenten Wissens\u00f6kosystemen aufzuzeigen, in denen Mensch und KI synergetisch zusammenarbeiten.<\/p>\n\n\n\n
Dieses Kapitel erl\u00e4utert die fundamentalen Konzepte der Softwaredokumentation. Es klassifiziert Dokumentationstypen nach Sommerville [1] sowie dem Di\u00e1taxis-Framework [2], definiert Zielgruppen und Qualit\u00e4tskriterien nach Treude et al. [3] und analysiert praktische Herausforderungen basierend auf Aghajani et al. [4].<\/p>\n\n\n\n
Dokumentation bildet eine umfassende Informationsbasis, die Wissen, Prozesse und Best Practices systematisch sichert [1, 5]. Sie fungiert als zentrales Repository f\u00fcr explizites Wissen, das Projekterfahrungen und gewonnene Erkenntnisse langfristig konserviert und f\u00fcr Mitarbeiter \u00fcber verschiedene Ebenen hinweg zug\u00e4nglich macht [5]. Idealerweise beginnt dieser Prozess bereits in der Phase der Anforderungsanalyse, um Fehlentwicklungen und unn\u00f6tige Prozesskosten zu minimieren [1].<\/p>\n\n\n\n
Eine zielgerichtete Dokumentation l\u00e4sst sich anhand der folgenden vier zentralen Kernfunktionen charakterisieren:<\/p>\n\n\n\n
Die Prozessdokumentation \u00fcbernimmt die zentrale Aufgabe, den Ablauf der Entwicklung und Wartung systematisch aufzuzeichnen. Da Software als immaterielles Gut keine physische Repr\u00e4sentation besitzt und der Entwicklungsprozess prim\u00e4r aus komplexen kognitiven Aufgaben besteht, fungiert diese Dokumentationsform als einziges Mittel, um den Fortschritt sichtbar und damit f\u00fcr das Management steuerbar zu machen. Innerhalb dieser Informationsbasis lassen sich verschiedene Kategorien unterscheiden, die von Managementinstrumenten wie Pl\u00e4nen, Sch\u00e4tzungen und Zeitpl\u00e4nen zur Prozesssteuerung bis hin zu Berichten \u00fcber die tats\u00e4chliche Ressourcennutzung reichen. W\u00e4hrend formale Standards die Implementierung gem\u00e4\u00df organisatorischer oder internationaler Normen festlegen, stellen Arbeitspapiere (Working Papers) oft das wichtigste Medium der technischen Kommunikation dar. Sie halten Ideen und Strategien der Ingenieure fest und dokumentieren insbesondere die Begr\u00fcndung f\u00fcr Designentscheidungen (Design Rationale). Erg\u00e4nzt wird dies durch die t\u00e4gliche Korrespondenz in Form von Memos und E-Mails. Hinsichtlich der Lebensdauer dieser Informationen ist festzustellen, dass viele Prozessdokumente, wie etwa w\u00f6chentliche Statusberichte, nach der Systemauslieferung schnell an Relevanz verlieren. Dennoch existieren kritische Ausnahmen, die f\u00fcr die langfristige Softwareevolution unerl\u00e4sslich sind. Beispielsweise dienen Testpl\u00e4ne als notwendige Basis f\u00fcr die Validierung zuk\u00fcnftiger \u00c4nderungen, w\u00e4hrend die Sicherung der Design Rationale verhindert, dass sp\u00e4tere Modifikationen die urspr\u00fcnglichen Architekturziele untergraben. Um die Qualit\u00e4t dieser Dokumente konsistent hochzuhalten, definieren Prozess-Standards zudem die zu nutzenden Werkzeuge sowie die Verfahren der Qualit\u00e4tssicherung, bestehend aus Entwurf, Pr\u00fcfung und Revision [1].<\/p>\n\n\n\n
Im Gegensatz zur oft kurzlebigen Prozessdokumentation zeichnet sich die Produktdokumentation durch ihre Langlebigkeit aus. Sie beschreibt das finale Softwareprodukt und muss \u00fcber dessen gesamten Lebenszyklus hinweg kontinuierlich parallel zur Software weiterentwickelt werden, um ihre Relevanz zu behalten [1]. Die Struktur dieser Dokumentation l\u00e4sst sich grundlegend in zwei Kategorien unterteilen: die Benutzerdokumentation und die Systemdokumentation.<\/p>\n\n\n\n
Die Benutzerdokumentation (User Documentation) richtet sich sowohl an Endanwender als auch an Systemadministratoren. Nach Sommerville umfasst eine vollst\u00e4ndige Dokumentation in diesem Bereich f\u00fcnf Kernbestandteile: Eine Funktionsbeschreibung zur Entscheidungshilfe f\u00fcr potenzielle Nutzer, ein Installationsdokument f\u00fcr die technische Einrichtung sowie ein beispielorientiertes Einf\u00fchrungshandbuch f\u00fcr den t\u00e4glichen Gebrauch. Erg\u00e4nzt wird dies durch ein formales Systemreferenzhandbuch, bei dem Vollst\u00e4ndigkeit Vorrang vor der Lesbarkeit hat, sowie ein spezielles Administratorhandbuch f\u00fcr komplexe Systeminteraktionen und Fehlerbehebungen [1]. <\/p>\n\n\n\n
Parallel dazu beschreibt die Systemdokumentation das Produkt aus der Perspektive der Ingenieure, die f\u00fcr Entwicklung und Wartung verantwortlich sind. Sie ist die essenzielle Voraussetzung f\u00fcr das Code-Verst\u00e4ndnis und sp\u00e4tere Systemanpassungen. Zu ihren Bestandteilen geh\u00f6ren neben dem Anforderungsdokument und der dazugeh\u00f6rigen Begr\u00fcndung detaillierte Beschreibungen der System- und Programmarchitektur sowie der Schnittstellen einzelner Komponenten. Zudem umfasst sie kommentierte Quellcode-Listings f\u00fcr komplexe Logiken, Validierungsdokumente in Form von Testbeschreibungen und ein Wartungshandbuch, das bekannte Abh\u00e4ngigkeiten und Probleme dokumentiert [1].<\/p>\n\n\n\n
Eine der gr\u00f6\u00dften Herausforderungen der Produktdokumentation besteht jedoch darin, die Konsistenz zum Quellcode zu wahren. Insbesondere unter Zeitdruck besteht die Gefahr, dass Dokumentationsst\u00e4nde veralten (out of step). Diese Diskrepanz zwischen Code und Beschreibung f\u00fchrt langfristig zu erheblichen Komplikationen sowohl f\u00fcr die Endbenutzer als auch f\u00fcr die Wartungsingenieure und untergr\u00e4bt die Verl\u00e4sslichkeit des gesamten Systems [1].lichen Komplikationen sowohl f\u00fcr die Endbenutzer als auch f\u00fcr die Wartungsingenieure und untergr\u00e4bt die Verl\u00e4sslichkeit des gesamten Systems [1].<\/p>\n\n\n\n
W\u00e4hrend klassische Ans\u00e4tze Dokumentation oft nach ihrer Rolle im Entwicklungsprozess kategorisieren, bietet das von Daniele Procida entwickelte Di\u00e1taxis-Framework [2] einen Ansatz, der die Dokumentation strikt nach den Bed\u00fcrfnissen des Benutzers strukturiert. Das Modell organisiert Dokumentation in einer 2×2-Matrix entlang zweier Achsen: Theorie vs. Praxis und Erwerb (Lernen) vs. Anwendung (Arbeit). Daraus resultieren vier fundamentale Quadranten [2]:<\/p>\n\n\n\n
Der wesentliche Vorteil dieses Frameworks liegt in der kognitiven Entlastung des Nutzers. Durch die klare Trennung von Instruktion (Tutorials, How-to) und Information (Referenz, Erkl\u00e4rung) wei\u00df der Leser sofort, welche Art von Inhalt ihn erwartet, was die Nutzbarkeit der Dokumentation signifikant steigert [2].<\/p>\n\n\n\n
Eine effektive technische Dokumentation erfordert mehr als nur inhaltliche Korrektheit. Sie muss pr\u00e4zise auf die jeweilige Zielgruppe zugeschnitten sein. Die Ber\u00fccksichtigung des Wissensstands, der Sprachkenntnisse und der spezifischen Anforderungen erh\u00f6ht die Klarheit und Relevanz der Informationen signifikant. Dies maximiert den Nutzen der Dokumentation und f\u00f6rdert die Nutzerbindung [6]. Im Rahmen des Softwareentwicklungsprozesses lassen sich vier zentrale Interessengruppen identifizieren, deren jeweilige Anforderungen spezifische dokumentarische Herangehensweisen erfordern.<\/p>\n\n\n\n
Diese Gruppe interagiert t\u00e4glich mit dem Produkt, um Aufgaben zu erledigen. Sie besteht aus Konsumenten oder Mitarbeitern, die prim\u00e4r an der L\u00f6sung ihrer Probleme interessiert sind, nicht an der Technologie selbst [6].<\/p>\n\n\n\n
Entwickler tragen die Verantwortung f\u00fcr die Erstellung, Anpassung und Wartung der Software auf Code-Ebene. Die technischen Anforderungen, die an die zu erstellende Dokumentation gestellt werden, sind dabei von entscheidender Bedeutung [6].<\/p>\n\n\n\n
Diese Gruppe verantwortet die Verwaltung der Infrastruktur, Server und Netzwerke sowie die Gew\u00e4hrleistung von Sicherheit und Performance.<\/p>\n\n\n\n
Das Management ben\u00f6tigt Dokumentation prim\u00e4r als Grundlage f\u00fcr Planung, Budgetierung und Risikoeinsch\u00e4tzung. Im Gegensatz zu Entwicklern ben\u00f6tigen sie keinen Einblick in den Code (das \u201eWie\u201c), sondern einen strategischen High-Level-\u00dcberblick [7].<\/p>\n\n\n\n
Mangels einer universell akzeptierten Norm haben zahlreiche wissenschaftliche Publikationen versucht, Kriterien zu definieren, die qualitativ hochwertige Dokumentation charakterisieren [3, 8, 9]. Trotz unterschiedlicher Schwerpunktsetzungen \u00e4hneln sich diese Ans\u00e4tze in ihren Kernkriterien, die typischerweise Aspekte wie Genauigkeit, Vollst\u00e4ndigkeit, Verst\u00e4ndlichkeit und Konsistenz umfassen [3, 9]. Die in der Literatur am h\u00e4ufigsten genannten Qualit\u00e4tskriterien umfassen Attraktivit\u00e4t, Struktur, Verst\u00e4ndlichkeit, Klarheit, Qualit\u00e4t, Koh\u00e4sion, Pr\u00e4gnanz, Effektivit\u00e4t, Konsistenz und Lesbarkeit [3]. Das von Treude et al. [3] vorgeschlagene Framework bietet mit seinen zehn Dimensionen eine besonders umfassende Betrachtung der Dokumentationsqualit\u00e4t und wird daher als Grundlage f\u00fcr diese Arbeit verwendet. Attraktivit\u00e4t<\/strong> bezieht sich auf die visuelle Gestaltung und Benutzerfreundlichkeit der Dokumentation, die Entwickler zur Nutzung motiviert. Struktur<\/strong> bezeichnet die logische Organisation und hierarchische Gliederung von Informationen, sodass Nutzer intuitiv navigieren k\u00f6nnen. Verst\u00e4ndlichkeit<\/strong> meint die Zug\u00e4nglichkeit der Inhalte f\u00fcr die jeweilige Zielgruppe unter Ber\u00fccksichtigung deren Vorwissens. Klarheit<\/strong> fokussiert auf die Eindeutigkeit von Formulierungen und die Vermeidung von Ambiguit\u00e4ten. Das Kriterium Qualit\u00e4t<\/strong> umfasst die fachliche Korrektheit, Vollst\u00e4ndigkeit und Aktualit\u00e4t der dokumentierten Inhalte. Koh\u00e4sion<\/strong> beschreibt den inhaltlichen Zusammenhang zwischen verschiedenen Dokumentationsabschnitten und die Vermeidung redundanter Informationen. Pr\u00e4gnanz<\/strong> zielt auf die Kompaktheit der Darstellung ab, wobei Informationen ohne unn\u00f6tige Ausschweifungen vermittelt werden sollen. Effektivit\u00e4t<\/strong> misst, inwieweit die Dokumentation den Nutzer bei der Probleml\u00f6sung unterst\u00fctzt. Konsistenz<\/strong> gew\u00e4hrleistet eine einheitliche Terminologie, Formatierung und Strukturierung \u00fcber den gesamten Dokumentationskorpus hinweg. Lesbarkeit<\/strong> bezieht sich auf die sprachliche Komplexit\u00e4t und Satzstruktur, die eine fl\u00fcssige Rezeption erm\u00f6glichen soll.<\/p>\n\n\n\n In den vergangenen Jahren hat sich ein zus\u00e4tzliches Kriterium etabliert, das zunehmend an Bedeutung gewinnt: die Lesbarkeit und Auffindbarkeit durch KI-Assistenzen [10]\u2013[12]. Diese Entwicklung ist auf einen signifikanten Wandel im Suchverhalten zur\u00fcckzuf\u00fchren, bei dem Nutzer zunehmend traditionelle Suchmaschinen durch konversationelle K\u00fcnstliche Intelligenz (KI)-Systeme wie ChatGPT, Claude oder Perplexity erg\u00e4nzen oder teilweise ersetzen [11, 12]. Um unter diesen ver\u00e4nderten Rahmenbedingungen relevant zu bleiben, m\u00fcssen technische Dokumentationen nun f\u00fcr Generative Engine Optimization (GEO) optimiert werden [10].<\/p>\n\n\n\n Generative Engine Optimization bezeichnet die Praxis, Dokumentation so zu strukturieren und zu verfassen, dass Large Language Models (LLMs) diese zuverl\u00e4ssig erfassen und pr\u00e4zise zitieren k\u00f6nnen [10]. Im Gegensatz zur klassischen Search Engine Optimization (SEO), die sich prim\u00e4r auf Rankings fokussiert, konzentriert sich GEO auf maschinelle Lesbarkeit, Quellenattribution und Antwortf\u00e4higkeit. Durch die Verwendung klarer, pr\u00e4ziser technischer Sprache, atomarer Seitenstrukturen mit eindeutiger Intention sowie deskriptiver \u00dcberschriften k\u00f6nnen KI-Assistenzen die Inhalte einer Dokumentation effizienter indexieren und akkurater in ihren Antworten wiedergeben [10].<\/p>\n\n\n\n Ein besonders diskutiertes Element dieser Entwicklung stellt die Einf\u00fchrung von llms.txt- und llms-full.txt-Dateien dar [10, 11]. Diese speziellen Konfigurationsdateien, die in ihrer Funktion mit robots.txt-Dateien vergleichbar sind, erm\u00f6glichen es Dokumentationsverantwortlichen, KI-Crawler durch die Struktur und Inhalte ihrer Dokumentation zu f\u00fchren. Die Implementierung dieser Mechanismen wird in der Entwickler-Community kontrovers diskutiert [11], da unterschiedliche Auffassungen \u00fcber deren Notwendigkeit, Standardisierung und praktische Umsetzung existieren.<\/p>\n\n\n\n Um die praktischen Herausforderungen technischer Dokumentation empirisch zu erfassen, f\u00fchrten Aghajani et al. eine umfassende Studie mit 146 Praktikern aus verschiedenen Rollen wie Developer, Technical Engineer, Technical Lead und Test Analyst durch [4]. Ziel der Untersuchung war es zu ermitteln, welche Dokumentationsprobleme in der Praxis als besonders relevant wahrgenommen werden und welche L\u00f6sungsstrategien die Befragten bei auftretenden Problemen anwenden. Die Studie erfolgte mittels zweier Befragungen, die sowohl die wahrgenommenen Dokumentationsprobleme als auch die f\u00fcr verschiedene Aufgaben als wichtig erachteten Dokumentationstypen erfassten.<\/p>\n\n\n\n Die identifizierten Probleme wurden dabei in verschiedene Kategorien eingeteilt, die sich prim\u00e4r am Information Content orientieren: Was wird dokumentiert, wie wird es dokumentiert, und welche tool- oder prozessspezifischen Probleme treten auf [4]. Die Ergebnisse offenbaren ein differenziertes Bild der praktischen Herausforderungen, wobei sich mehrere Hauptprobleme herauskristallisierten. Mit 88% wurde mangelnde Klarheit als das mit Abstand h\u00e4ufigste Problem identifiziert, gefolgt von Zug\u00e4nglichkeits- und Auffindbarkeitsdefiziten bei der inhaltlichen Dokumentation, die 65% der Befragten als problematisch einstuften [4]. Diese beiden Befunde unterstreichen, dass selbst vorhandene Dokumentation ihren Zweck verfehlt, wenn sie entweder nicht verst\u00e4ndlich formuliert oder nicht effizient auffindbar ist. Hinsichtlich der Vollst\u00e4ndigkeit der Dokumentation zeigten sich erhebliche Defizite: 69% der Praktiker bem\u00e4ngelten fehlende Dokumentation f\u00fcr neue Features und Komponenten, w\u00e4hrend 68% das Fehlen von Installations-, Deployment- und Release-Anleitungen feststellten [4]. Ebenfalls als hochproblematisch wurden fehlerhafte Tutorials (65%), fehlende Benutzerdokumentation (65%), ungeeignete Installationsanweisungen (63%) und fehlende Entwickler-Richtlinien (60%) bewertet. Weitere signifikante Probleme umfassten fehlerhafte Code-Beispiele (59%), Inkonsistenzen zwischen Code und Dokumentation (59%), veraltete Installationsanweisungen (54%), fehlende Dokumentation f\u00fcr neue Releases (53%) sowie veraltete Beispiele (51%) [4]. Eine zentrale Erkenntnis dieser Befunde ist, dass sich die Probleme mehrheitlich auf Vollst\u00e4ndigkeitsdefizite konzentrieren. Es fehlt h\u00e4ufiger an Dokumentation, als dass vorhandene Dokumentation fehlerhaft w\u00e4re. Besonders auff\u00e4llig ist dabei die hohe Priorit\u00e4t, die Einstiegsdokumenten zugemessen wird, was sich in den hohen Prozentwerten f\u00fcr Installations- und Deployment-Anleitungen manifestiert [4]. Als zugrundeliegende Ursache f\u00fcr viele dieser Dokumentationsprobleme identifizierten 65% der Befragten Zeitmangel f\u00fcr das Schreiben von Dokumentation [4]. Dieser Befund reflektiert ein fundamentales Problem in der Softwareentwicklungspraxis: Dokumentation wird h\u00e4ufig als niedrig priorisiert betrachtet und leidet unter Zeitmangel [4]. Dies f\u00fchrt dazu, dass Dokumentation oft unvollst\u00e4ndig oder fehlerhaft ist, was sich negativ auf die Qualit\u00e4t und N\u00fctzlichkeit auswirkt [4].<\/p>\n\n\n\n Der Einsatz von KI zur Generierung von Dokumentation im gesamten Softwareentwicklungsprozess hat das Potenzial, die Erf\u00fcllung der Qualit\u00e4tskriterien zu optimieren und die technischen Herausforderungen zu reduzieren. Die Ersparnis von Zeit, die konsistente Erf\u00fcllung von Standards sowie die Sicherstellung einer stets aktuellen Dokumentation sind wesentliche Vorteile, die sich aus der Verwendung ergeben. Dies wiederum f\u00fchrt zu einer verbesserten Wartbarkeit und Zug\u00e4nglichkeit [13]. Der Einsatz von KI kann zu verschiedenen Zeitpunkten im Softwareentwicklungszyklus erfolgen und unterschiedliche Anwendungsf\u00e4lle unterst\u00fctzen. Dazu geh\u00f6rt die Dokumentation vor Beginn der Implementierung, die den Entwicklern als wichtige Informationsgrundlage dient [14]. Ein weiterer Anwendungsbereich ist die Integration von KI in die Integrated Development Environment (IDE) oder in eine Continuous Integration \/ Continuous Delivery (CI\/CD)-Pipeline w\u00e4hrend der Entwicklungsphase. Dadurch k\u00f6nnen regelm\u00e4\u00dfige Aktualisierungen sichergestellt werden, was f\u00fcr die Aktualit\u00e4t und Korrektheit der Dokumentation von Vorteil ist und sich somit positiv auf die Entwickler auswirkt, da sie einen stets aktuellen Dokumentationsstand haben. Nachdem der Code geschrieben wurde, gibt es einen weiteren Anwendungsbereich f\u00fcr die KI zur Dokumentationsgenerierung. Hierbei handelt es sich vor allem um die Dokumentation f\u00fcr die Kunden und Endnutzer der Anwendung [15].<\/p>\n\n\n\n In dem folgenden Abschnitt wird er\u00f6rtert, wie der Einsatz von KI zur Generierung von Dokumentation aussehen kann, welche Generierungsans\u00e4tze sich f\u00fcr welchen Anwendungsfall einsetzen lassen und welche Zielgruppe damit erreicht wird.<\/p>\n\n\n\n Obwohl KI-Systeme als effizient zu bewerten sind, ist ihre Zuverl\u00e4ssigkeit als gering einzustufen. So neigen sie zu Halluzinationen und technischen Ungenauigkeiten [15]. Um die mit der Qualit\u00e4tssicherung einhergehenden Risiken und Missverst\u00e4ndnisse zu minimieren, ist die Implementierung eines mehrstufigen Prozesses zur systematischen Durchf\u00fchrung der Qualit\u00e4tssicherung erforderlich [19]. Letztlich besteht das Ziel darin, die Effizienz von KI-Systemen mit der Expertise des Menschen zu verbinden. Die Qualit\u00e4tssicherung bei KI-generierter Software folgt einem \u00e4hnlichen Prinzip, das auch auf die Generierung von Softwaredokumentation \u00fcbertragen werden kann. Dies impliziert die Existenz klar definierter Standards, automatisierter Pr\u00fcfverfahren, partiell auch unter Zuhilfenahme von KI, menschlicher \u00dcberpr\u00fcfung und Feedbackschleifen. In Abh\u00e4ngigkeit zur Art der Generierung sowie zu der Zielgruppe, f\u00fcr die die Dokumentation konzipiert wurde, kommt es zu einer Verlagerung der Schwerpunkte. Die Durchf\u00fchrung einer Qualit\u00e4tssicherung in Bezug auf die Softwaredokumentation erfordert die Festlegung messbarer Key Performance Indicator (KPI). Die \u00dcberpr\u00fcfung dieser Kennzahlen sollte in regelm\u00e4\u00dfigen Abst\u00e4nden erfolgen, beispielsweise in Form der Evaluation der Kundenzufriedenheit, der Abdeckung oder der Anzahl an Nachfragen oder erstellten Tickets. Es besteht die M\u00f6glichkeit, kontinuierliche Verbesserungen an der Dokumentation vorzunehmen. Zu diesem Zweck k\u00f6nnen Prompts, Templates oder Review-Workflows anhand der KPIs in einer iterativen Vorgehensweise angepasst werden. Des Weiteren wird die Implementierung des Konzepts \u201eHuman in the Loop\u201c empfohlen, bei dem die KI die Dokumentation generiert und diese partiell \u00fcberpr\u00fcfen kann, wobei die finale Verantwortung beim Menschen verbleibt. Der Mensch ist dazu angehalten, die technische Richtigkeit, Verst\u00e4ndlichkeit und sicherheitskritische Themen zu pr\u00fcfen. Der Fokus liegt demnach auf der Erkennung von Halluzinationen und technischen Fehlern sowie der Gew\u00e4hrleistung von Sicherheit und Datenschutz. Das Ziel besteht darin zu vermeiden, dass ungewollte sensible Informationen, kritischer Code oder vertrauliche Gesch\u00e4ftsdaten in \u00f6ffentlich zug\u00e4nglichen Dokumentationen durch automatisierte Vorg\u00e4nge landen. Diese Vorgehensweise gew\u00e4hrleistet, dass die Verantwortung f\u00fcr die getroffenen Entscheidungen beim Menschen verbleibt [15].<\/p>\n\n\n\n F\u00fcr die Untersuchung KI-gest\u00fctzter Dokumentationswerkzeuge wurden zwei Auswahlkriterien definiert: kostenfreie Zug\u00e4nglichkeit ohne Paywall oder verpflichtendes Abomodell sowie Anwendbarkeit auf m\u00f6glichst viele Programmiersprachen. Auf Basis dieser Kriterien wurden RepoDoc.AI und GitBook f\u00fcr die vergleichende Analyse ausgew\u00e4hlt.<\/p>\n\n\n\n RepoDoc.AI transformiert GitHub-Repositories automatisiert in Business Requirements, Technical Documentation, Test Strategies und README-Dokumente \u2013 laut Anbieter in unter f\u00fcnf Minuten. Das Tool verfolgt dabei einen stark generativen Ansatz durch vollautomatische Generierung aus bestehendem Quellcode [20].<\/p>\n\n\n\n GitBook stellt eine kollaborative Plattform f\u00fcr Developer Docs, API-Dokumentation und Knowledge Bases dar, die KI auf mehreren Ebenen integriert: als RAG-System, als Schreibassistent sowie als automatisierter \u00dcbersetzer. Im Gegensatz zu RepoDoc.AI verfolgt GitBook einen assistierenden Ansatz, bei dem die KI den menschlichen Autor unterst\u00fctzt [21].<\/p>\n\n\n\n Da f\u00fcr Softwaredokumentation kein einheitlicher Qualit\u00e4tsstandard existiert, erfolgt die Evaluation auf Basis einer explorativen Fallstudie nach [22]. Die beiden Tools werden anhand der zehn Qualit\u00e4tsdimensionen nach Treude et al. untersucht: Attraktivit\u00e4t, Struktur, Verst\u00e4ndlichkeit, Klarheit, Qualit\u00e4t, Koh\u00e4sion, Pr\u00e4gnanz, Effektivit\u00e4t, Konsistenz und Lesbarkeit.<\/p>\n\n\n\n Attraktivit\u00e4t<\/strong>: GitBook bietet eine moderne, minimalistische Benutzeroberfl\u00e4che mit anpassbaren Themes und responsiver Darstellung. Die Navigation wird durch eine klare Seitenstruktur und Suchfunktionalit\u00e4t unterst\u00fctzt.<\/p>\n\n\n\n Struktur<\/strong>: Verschachtelte Seiten, automatische Inhaltsverzeichnisse und Breadcrumb-Navigation erm\u00f6glichen eine hierarchische Organisation komplexer Dokumentationsstrukturen. Mehrere Dokumentationsr\u00e4ume (Spaces) erlauben eine logische Trennung verschiedener Produktbereiche.<\/p>\n\n\n\n Verst\u00e4ndlichkeit<\/strong>: Die Plattform unterst\u00fctzt Markdown sowie einen What You See Is What You Get (WYSIWYG)-Editor und ist damit f\u00fcr technische und nicht-technische Autoren gleicherma\u00dfen zug\u00e4nglich. Die KI-Assistenz kann Inhalte auf Anfrage f\u00fcr verschiedene Zielgruppen anpassen.<\/p>\n\n\n\n Klarheit<\/strong>: Strukturierte Content-Blocks (Code-Snippets, Hinweise, Warnungen) f\u00f6rdern visuelle Differenzierung. Die KI-Schreibhilfe kann mehrdeutige Formulierungen identifizieren und Verbesserungsvorschl\u00e4ge anbieten.<\/p>\n\n\n\n Qualit\u00e4t<\/strong>: Die Git-Integration gew\u00e4hrleistet nachvollziehbare \u00c4nderungen und parallele Versionsverwaltung. Der RAG-basierte Suchmechanismus erm\u00f6glicht pr\u00e4zise Antworten, abh\u00e4ngig von der Qualit\u00e4t der zugrundeliegenden Dokumentation.<\/p>\n\n\n\n Koh\u00e4sion<\/strong>: Interne Verlinkungen, automatische Referenzen sowie zentral verwaltete Begriffsdefinitionen und wiederverwendbare Content-Snippets f\u00f6rdern inhaltliche Vernetzung und Konsistenz.<\/p>\n\n\n\n Pr\u00e4gnanz<\/strong>: Eine automatische Redundanzpr\u00fcfung fehlt; die Verantwortung f\u00fcr pr\u00e4gnante Formulierungen liegt beim Autor, wobei die KI-Schreibhilfe auf Anfrage Texte komprimieren kann.<\/p>\n\n\n\n Effektivit\u00e4t<\/strong>: Suchfunktion und KI-Assistent erm\u00f6glichen schnelles Auffinden relevanter Informationen. Die direkte Ausf\u00fchrbarkeit von Code-Beispielen erh\u00f6ht die praktische Nutzbarkeit f\u00fcr Entwickler.<\/p>\n\n\n\n Attraktivit\u00e4t<\/strong>: RepoDoc.AI pr\u00e4sentiert eine funktionale, aber weniger ausgereifte Benutzeroberfl\u00e4che als dedizierte Dokumentationsplattformen. Die generierten Dokumente folgen professionellen Standardvorlagen mit begrenzten Anpassungsm\u00f6glichkeiten.<\/p>\n\n\n\n Struktur<\/strong>: Vordefinierte Kategorien (Business Requirements, Technical Documentation, Test Strategy, README) garantieren eine konsistente Grundstruktur, die jedoch nicht immer den Anforderungen komplexer Projekte entspricht.<\/p>\n\n\n\n Verst\u00e4ndlichkeit<\/strong>: Die Qualit\u00e4t der generierten Dokumentation h\u00e4ngt stark von der Codekommentierung ab. Bei sp\u00e4rlich kommentiertem Code tendieren die Ausgaben zu generischen Beschreibungen mit wenig projektspezifischem Kontext.<\/p>\n\n\n\n Klarheit<\/strong>: Das Tool neigt zu formelhaften Formulierungen mit gelegentlich redundanten oder selbstevidenten Aussagen und kann nicht immer zwischen wesentlichen und nebens\u00e4chlichen Implementierungsdetails differenzieren.<\/p>\n\n\n\n Qualit\u00e4t<\/strong>: Die fachliche Korrektheit ist grunds\u00e4tzlich gegeben, da direkt aus dem Quellcode abgeleitet wird. Architekturentscheidungen, Design Patterns und Business-Logik werden jedoch nicht erfasst, wenn sie nicht explizit im Code dokumentiert sind.<\/p>\n\n\n\n Koh\u00e4sion<\/strong>: Innerhalb einzelner Kategorien ist die Koh\u00e4sion moderat, jedoch fehlen Querverweise zwischen den generierten Dokumenttypen, wodurch die Verkn\u00fcpfung verschiedener Komponenten oberfl\u00e4chlich bleibt.<\/p>\n\n\n\n Pr\u00e4gnanz<\/strong>: Die Ausgaben tendieren zu Ausf\u00fchrlichkeit, da das Tool vollst\u00e4ndige Methodenbeschreibungen generiert, auch wenn k\u00fcrzere Erkl\u00e4rungen ausreichend w\u00e4ren.<\/p>\n\n\n\n Effektivit\u00e4t<\/strong>: F\u00fcr initiale Dokumentation ist RepoDoc.AI effektiv. Die versprochene Zeitersparnis wird jedoch durch den Aufwand f\u00fcr Nachbearbeitung und Kontextualisierung teilweise relativiert.<\/p>\n\n\n\n Konsistenz<\/strong>: Terminologie und Formatierung sind innerhalb eines Generierungsdurchlaufs konsistent. Zwischen verschiedenen Durchl\u00e4ufen kann die Konsistenz abh\u00e4ngig von Code-\u00c4nderungen variieren.<\/p>\n\n\n\n Lesbarkeit<\/strong>: Die generierten Texte sind grammatikalisch korrekt und klar strukturiert, wirken jedoch durch die formale Sprache gelegentlich monoton.<\/p>\n\n\n\n RepoDoc.AI ist schnell und effizient in der Generierung von Softwaredokumentations-Artefakten, eignet sich jedoch prim\u00e4r f\u00fcr den initialen Dokumentationsstart, da generische Inhalte bei unzureichender Code-Kommentierung die Qualit\u00e4t begrenzen. Es adressiert die Probleme der Vollst\u00e4ndigkeit und des Zeitmangels bei der Dokumentationserstellung. GitBook eignet sich durch seine Repository-Anbindung besonders f\u00fcr die kontinuierliche Pflege bestehender Dokumentation und das Codeverst\u00e4ndnis. Das integrierte RAG-System adressiert prim\u00e4r Zug\u00e4nglichkeits- und Auffindbarkeitsdefizite und erm\u00f6glicht durch intuitive Bedienung eine langfristige, inkrementelle Qualit\u00e4tsverbesserung.<\/p>\n\n\n\n Im Rahmen dieser Arbeit wurden drei KI-gest\u00fctzte Werkzeuge zur automatisierten Erstellung von Benutzerdokumentation untersucht: Scribe, Trupeer und Trainn. Da die im Kontext der Vorlesung entwickelte Anwendung zum Zeitpunkt der Evaluation noch nicht vollst\u00e4ndig implementiert war, wurde ein funktionsf\u00e4higer Prototyp auf Basis von Figma-Make verwendet, welcher die zentralen Kernfunktionalit\u00e4ten der Anwendung abbildete [23]. F\u00fcr alle drei Systeme wurde ein identischer Workflow durchgef\u00fchrt, um eine m\u00f6glichst vergleichbare Bewertung zu erm\u00f6glichen.<\/p>\n\n\n\n Alle untersuchten Werkzeuge stehen sowohl in einer kostenfreien Basisversion als auch in erweiterten, kostenpflichtigen Varianten zur Verf\u00fcgung und k\u00f6nnen als Browser-Erweiterungen innerhalb von Google Chrome eingesetzt werden [24]\u2013[26]. Trupeer bietet zus\u00e4tzlich die M\u00f6glichkeit, bereits vorhandene Screenrecordings hochzuladen, wof\u00fcr keine Installation des Chrome-Plugins notwendig ist [26]. Das grundlegende Funktionsprinzip ist bei allen Systemen vergleichbar: Nach Start eines Screenrecorders und Auswahl des entsprechenden Browser-Tabs wird ein Nutzungsworkflow aufgezeichnet, welcher anschlie\u00dfend automatisiert in Dokumentationsartefakte \u00fcberf\u00fchrt wird [24]\u2013[26].<\/p>\n\n\n\n Scribe generierte nach Abschluss der Aufzeichnung eine strukturierte Schritt-f\u00fcr-Schritt-Anleitung und stellte zus\u00e4tzlich eine sogenannte \u201eGuide-Me\u201c-Funktion bereit. Diese \u00f6ffnet automatisch die Zielanwendung parallel zur erzeugten Anleitung und erm\u00f6glicht somit eine gef\u00fchrte Erkundung der Software [24]. Trupeer hingegen erzeugte prim\u00e4r ein Video-Tutorial mit KI-generierter Sprachausgabe, wobei optional auch die originale Audiospur der Aufnahme verwendet werden kann. In der Evaluation zeigte sich jedoch, dass die synthetische Sprachausgabe teilweise zeitlich nicht exakt mit den dargestellten Aktionen synchronisiert war oder S\u00e4tze nicht beendet wurden [26]. Trainn verfolgte einen \u00e4hnlichen Ansatz, erzeugte ebenfalls Video-Tutorials mit KI-generiertem Voice-Over und erg\u00e4nzte diese durch visuelle Hervorhebungen relevanter Benutzeroberfl\u00e4chenelemente. Zus\u00e4tzlich konnte automatisch eine Schritt-f\u00fcr-Schritt-Anleitung generiert werden, ohne dass eine erneute Aufzeichnung erforderlich war. W\u00e4hrend der Aufnahme erm\u00f6glichte eine Hover-Funktion das Hervorheben von Bereichen ohne explizite Interaktion, welche unmittelbar in die Beschreibung des Voice-Overs \u00fcbernommen wurden. Die resultierenden Artefakte konnten anschlie\u00dfend umfassend nachbearbeitet werden [25].<\/p>\n\n\n\n Im direkten Vergleich zeigte Trupeer aufgrund der geringeren Videoqualit\u00e4t sowie des h\u00f6heren Nachbearbeitungsaufwands schw\u00e4chere Ergebnisse als Trainn. Trainn \u00fcberzeugte insbesondere durch die gleichzeitige Generierung mehrerer Dokumentationsformate aus einer einzigen Aufnahme. Scribe hob sich dagegen durch die interaktive Guide-Me-Funktion hervor, welche von den anderen Systemen nicht angeboten wird. Ein gemeinsamer Nachteil aller untersuchten Werkzeuge besteht in eingeschr\u00e4nkten Exportm\u00f6glichkeiten, da die erzeugten Dokumentationen nicht lokal heruntergeladen werden k\u00f6nnen und somit eine Bindung an die jeweilige Plattform entsteht. Die Inhalte lassen sich lediglich \u00fcber Freigabelinks teilen [24]\u2013[26].<\/p>\n\n\n\n Die Evaluation zeigt insgesamt, dass KI-gest\u00fctzte Werkzeuge bereits heute eine deutliche Reduktion des manuellen Aufwands bei der Erstellung von Benutzerdokumentation erm\u00f6glichen und insbesondere bei der schnellen Erzeugung workflowbasierter Anleitungen einen erheblichen Effizienzgewinn bieten.<\/p>\n\n\n\n Die Verwaltung und Erstellung von Dokumentation hat in den letzten Jahrzehnten einen fundamentalen Wandel durchlaufen, der sich in vier technologische Generationen unterteilen l\u00e4sst [5]:<\/p>\n\n\n\n Obwohl die theoretische Entwicklung bereits die vierte Generation erreicht hat, zeigt die industrielle Praxis ein differenziertes Bild der Adaption. Aktuelle Daten des Stack Overflow Developer Survey 2025 mit \u00fcber 12.000 Teilnehmern verdeutlichen, dass das Potenzial moderner KI-Assistenz noch nicht voll ausgesch\u00f6pft wird. Derzeit nutzen etwa 30% der Befragten KI-Tools zur Kommentierung von Quellcode, w\u00e4hrend lediglich 25% diese zur aktiven Erstellung und Pflege der Dokumentation heranziehen. Bemerkenswert ist, dass bereits 20% der Entwickler KI-gest\u00fctzte Ans\u00e4tze nutzen, um komplexe Zusammenh\u00e4nge innerhalb der Codebase zu explorieren [27]. Diese Verteilung unterstreicht, dass trotz der technologischen Reife der vierten Generation ein erheblicher Spielraum f\u00fcr die fl\u00e4chendeckende Integration dieser Werkzeuge im Entwicklungsalltag besteht.<\/p>\n\n\n\n In der aktuellen vierten Generation wird ein signifikanter wirtschaftlicher Vorteil in der Modernisierung von veralteten Systemen (Legacy Code) gesehen. In diesem Kontext wird die St\u00e4rke der KI insbesondere in der semantischen Analyse und der automatisierten Erstellung von Architekturdiagrammen deutlich. Entwickler verwenden traditionell bis zu 60% ihrer Zeit f\u00fcr das Verst\u00e4ndnis von nicht dokumentiertem Code. Der KI-Einsatz bietet daher ein direktes Potenzial zur Reduktion dieser Zeit. Das sogenannte Strangler Pattern ist eine m\u00f6gliche Strategie, die diesen Prozess durch eine risikoarme, schrittweise Modernisierung unterst\u00fctzt [28].<\/p>\n\n\n\n Trotz dieser signifikanten Effizienzgewinne f\u00fcr das Onboarding und Wissensmanagement wird die fl\u00e4chendeckende Einf\u00fchrung intelligenter Systeme durch tiefgreifende Sicherheitsbedenken eingeschr\u00e4nkt. Das Risiko eines potenziellen Verlusts sensibler Unternehmensdaten bei der Nutzung externer KI-Schnittstellen f\u00fchrt dazu, dass IT-Experten die Sicherheit aktueller L\u00f6sungen skeptisch bewerten [5].<\/p>\n\n\n\n Parallel dazu fokussiert sich die Forschung auf die Echtzeit-Synchronisation innerhalb von CSD-Umgebungen, um die Konsistenz zwischen Code-Entwicklung und Dokumentation zu gew\u00e4hrleisten. Architekturen auf Basis von RAG-Systemen demonstrieren hierbei eine hohe Leistungsf\u00e4higkeit bei der Verarbeitung von Code-Diffs innerhalb von Merge-Requests. Ein aktueller Forschungsansatz ist das Framework CodeDocSync, welches eine Antwortrelevanz von bis zu 0,94 erreicht. Diese hohe Pr\u00e4zision wird ma\u00dfgeblich durch den Einsatz von Emotion Prompting unterst\u00fctzt. Die Qualit\u00e4t der Generierung ist dabei abh\u00e4ngig von der methodischen Aufbereitung der Instruktionen sowie einer pr\u00e4zisen Kontextselektion [29]. Die Skalierung dieser Ans\u00e4tze auf umfangreiche, monolithische Codebasen stellt jedoch weiterhin eine zentrale Forschungsherausforderung dar. Die Context-Window-Limitierungen aktueller LLMs erschweren die ganzheitliche Erfassung globaler Systemabh\u00e4ngigkeiten. Um diese Restriktionen zu \u00fcberwinden, untersuchen aktuelle Forschungsarbeiten die Granularit\u00e4t des Information Retrievals. Ans\u00e4tze wie das Intelligent Chunking oder die strukturelle Analyse mittels Abstract Syntax Tree (AST) zielen darauf ab, logische Einheiten pr\u00e4ziser zu extrahieren.<\/p>\n\n\n\n Diese Verfahren erh\u00f6hen jedoch die algorithmische Komplexit\u00e4t sowie die ben\u00f6tigten Rechenressourcen signifikant, was die \u00dcberf\u00fchrung in performante Echtzeitsysteme erschwert [30].<\/p>\n\n\n\n Die Effektivit\u00e4t automatisierter Dokumentation wird ma\u00dfgeblich durch ihre Adressatengerechtigkeit bestimmt. Hier zeigt sich in der aktuellen Forschung ein zweigeteiltes Bild hinsichtlich der Nutzerakzeptanz. KI-Modelle erweisen sich als exzellentes Werkzeug, um komplexe technische Inhalte f\u00fcr Management-Ebenen aufzubereiten. Durch die F\u00e4higkeit der LLM, Texte zu verdichten und eine pr\u00e4gnantere Sprache zu w\u00e4hlen, wird die Akzeptanz bei fachfremden Entscheidungstr\u00e4gern signifikant erh\u00f6ht. Im Gegensatz dazu bleibt die Akzeptanz innerhalb der Entwicklerteams moderat. Experten bevorzugen oft die urspr\u00fcngliche, technisch pr\u00e4zise Dokumentation, da KI-gest\u00fctzte Versionen dazu neigen, essenzielle Details zugunsten einer h\u00f6heren sprachlichen Fluidit\u00e4t zu vernachl\u00e4ssigen. Dies f\u00fchrt zu einer Diskrepanz zwischen der gew\u00fcnschten Abstraktion f\u00fcr das Management und der ben\u00f6tigten Informationstiefe f\u00fcr die technische Implementierung [7].<\/p>\n\n\n\n Um die Diskrepanz zwischen Abstraktion und technischer Exaktheit zu \u00fcberbr\u00fccken, r\u00fccken methodische Rahmenwerke wie das Documentation Driven Development (DDD) in den Fokus der Forschung. In diesem Paradigma fungiert die Dokumentation nicht als retrospektive Beschreibung, sondern als prim\u00e4re Spezifikationsinstanz vor der eigentlichen Implementierung. Durch die komplement\u00e4re Kopplung mit Test Driven Development (TDD) wird eine konsistente Informationsgrundlage geschaffen, die als pr\u00e4ziser Kontext f\u00fcr generative KI-Modelle dient [14]. Nichtsdestotrotz erweist sich die praktische Umsetzung als anspruchsvoll, da der hohe initiale Aufwand f\u00fcr die Erstellung von Dokumentation und Tests weiterhin die meiste Entwicklungszeit beanspruchen kann. Zudem korreliert die Code-Qualit\u00e4t kritisch mit der Vollst\u00e4ndigkeit der textuellen Beschreibungen, da visuelle Architekturdiagramme von aktuellen Tools oft nur unzureichend verarbeitet werden. In Verbindung mit dem Nicht-Determinismus der KI und der Neigung zu funktional korrekten, aber algorithmisch suboptimalen L\u00f6sungen bleibt eine kontinuierliche menschliche Aufsicht unverzichtbar [14].<\/p>\n\n\n\n Die vorliegende Arbeit zeigt, dass der Einsatz k\u00fcnstlicher Intelligenz die Erstellung und Pflege von Softwaredokumentation grundlegend ver\u00e4ndert. KI-Systeme erm\u00f6glichen eine deutliche Reduktion des manuellen Aufwands und adressieren insbesondere das in der Praxis h\u00e4ufig auftretende Problem des Zeitmangels bei der Dokumentationserstellung. Die Evaluation verschiedener Generierungsans\u00e4tze sowie ausgew\u00e4hlter Werkzeuge verdeutlicht jedoch, dass die Qualit\u00e4t der Ergebnisse stark von der zugrunde liegenden Informationsbasis und einem fundierten Verst\u00e4ndnis von Dokumentationsstrukturen abh\u00e4ngt. Ein tiefgehendes Verst\u00e4ndnis der unterschiedlichen Dokumentationsarten, der Intention der Dokumentation und der Zielgruppen erweist sich daher als zentrale Voraussetzung f\u00fcr effektives Prompting und den erfolgreichen Einsatz KI-gest\u00fctzter Systeme. Dar\u00fcber hinaus gewinnt der Ansatz der Generative Engine Optimization zunehmend an Bedeutung. Dokumentation dient nicht mehr ausschlie\u00dflich menschlichen Lesern, sondern muss zugleich f\u00fcr KI-Systeme strukturiert und interpretierbar sein, um Auffindbarkeit und Wiederverwendbarkeit in KI-gest\u00fctzten Such- und Assistenzsystemen sicherzustellen. Ein weiterer zentraler Erfolgsfaktor liegt in der technischen Integration der Dokumentationsgenerierung in bestehende Entwicklungsprozesse. Insbesondere die Einbindung in CI\/CD-Pipelines erm\u00f6glicht eine kontinuierliche Aktualisierung und reduziert das Risiko veralteter Dokumentation, welches als eines der gr\u00f6\u00dften praktischen Probleme identifiziert wurde. Trotz der hohen Effizienzpotenziale zeigt sich, dass KI menschliche Expertise nicht ersetzt. Vielmehr etabliert sich ein Human-in-the-Loop-Ansatz, bei dem die KI das operative “Heavy Lifting” \u00fcbernimmt, w\u00e4hrend Verantwortung, Qualit\u00e4tssicherung sowie fachliche Validierung weiterhin beim Menschen verbleiben. Die Kombination aus automatisierter Generierung und menschlicher Kontrolle stellt somit aktuell den nachhaltigsten Ansatz f\u00fcr qualitativ hochwertige Softwaredokumentation dar.<\/p>\n\n\n\n Die rasante Weiterentwicklung generativer KI deutet auf einen grundlegenden Wandel im Umgang mit Softwaredokumentation hin. Zuk\u00fcnftig k\u00f6nnte klassische, statische Dokumentation zunehmend durch interaktive Wissenssysteme erg\u00e4nzt oder teilweise ersetzt werden. Ein vielversprechender Ansatz ist das Konzept “Chat with your Codebase”, bei dem Entwickler und Anwender Informationen nicht mehr aktiv in Dokumentationen suchen m\u00fcssen, sondern Fragen direkt an ein KI-System stellen, das auf Repository- und Dokumentationsdaten zugreift. Parallel dazu zeichnet sich eine Entwicklung hin zu automatisch aktualisierter Dokumentation ab. KI-Systeme k\u00f6nnen Ver\u00e4nderungen im Quellcode oder in Benutzeroberfl\u00e4chen erkennen und entsprechende Anpassungen der Dokumentation eigenst\u00e4ndig durchf\u00fchren. Dadurch entsteht erstmals die M\u00f6glichkeit einer kontinuierlich synchronisierten Wissensbasis \u00fcber den gesamten Softwarelebenszyklus hinweg.<\/p>\n\n\n\n Eng damit verbunden ist das Konzept der Drift-Detection. Zuk\u00fcnftige Systeme werden zunehmend in der Lage sein, Abweichungen zwischen Implementierung und Dokumentation automatisch zu identifizieren und Entwickler fr\u00fchzeitig auf Inkonsistenzen hinzuweisen. Dies k\u00f6nnte langfristig eines der zentralen Qualit\u00e4tsprobleme technischer Dokumentation l\u00f6sen. Insgesamt deutet sich eine Verschiebung von statischer Dokumentation hin zu dynamischen, KI-gest\u00fctzten Wissens\u00f6kosystemen an, in denen Dokumentation nicht mehr als nachgelagerte Aufgabe verstanden wird, sondern als kontinuierlicher, automatisierter Bestandteil moderner Softwareentwicklung.<\/p>\n\n\n\n [1] I. Sommerville, \u201cSoftware documentation,\u201d Lancaster University UK, 2001, \u00dcberarbeitete Version von Kapitel 30 aus Software Engineering, 4th edition (Addison Wesley, 1992). [Online]. Available: <\/p>\n","protected":false},"excerpt":{"rendered":" Abstract Software documentation represents a critical yet frequently neglected component of the software development lifecycle. Time constraints, outdated content, and limited accessibility remain persistent challenges in practice. Recent advances in artificial intelligence offer new opportunities to automate documentation processes and improve quality and maintainability.This paper investigates AI-supported documentation generation by analyzing theoretical foundations, quality criteria, […]<\/p>\n","protected":false},"author":1313,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[1],"tags":[1172],"ppma_author":[1198,1201,1204],"class_list":["post-28499","post","type-post","status-publish","format-standard","hentry","category-allgemein","tag-ai-driven-software-development"],"aioseo_notices":[],"jetpack_featured_media_url":"","jetpack-related-posts":[{"id":28408,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/18\/evaluation-of-ai-driven-software-testing-methods-applied-to-a-microservice\/","url_meta":{"origin":28499,"position":0},"title":"Evaluation of AI-Driven Software Testing Methods Applied to a Microservice","author":"Paula Schl\u00f6termann","date":"18. February 2026","format":false,"excerpt":"Abstract- In traditional Software Development Lifecycles, testing is often performed in its final phases, increasing defect resolution costs and project risks. Recent advances in Artificial Intelligence (AI) have the potential to accelerate development workflows and reduce manual effort. However, the actual capabilities of AI-driven testing tools remain unclear, particularly in\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/grafik.png?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/grafik.png?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/grafik.png?resize=525%2C300&ssl=1 1.5x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/grafik.png?resize=700%2C400&ssl=1 2x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/grafik.png?resize=1050%2C600&ssl=1 3x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/grafik.png?resize=1400%2C800&ssl=1 4x"},"classes":[]},{"id":27711,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2025\/07\/08\/open-source-in-ai-principles-pitfalls-and-practicalities-for-enterprise-adoption\/","url_meta":{"origin":28499,"position":1},"title":"Open Source in AI: Principles, Pitfalls, and Practicalities for Enterprise Adoption","author":"Tobias Metzger","date":"8. July 2025","format":false,"excerpt":"The rapid rise of open-source AI models is transforming enterprise innovation, but the true meaning of \u201copenness\u201d is often unclear. This article explores the principles behind open-source AI, examines key language models, and highlights the legal and operational challenges businesses face\u2014including the growing risk of \u201copen-washing.\u201d","rel":"","context":"In "Artificial Intelligence"","block_context":{"text":"Artificial Intelligence","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/artificial-intelligence\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/07\/llm_slm_param_comp.jpg?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/07\/llm_slm_param_comp.jpg?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/07\/llm_slm_param_comp.jpg?resize=525%2C300&ssl=1 1.5x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/07\/llm_slm_param_comp.jpg?resize=700%2C400&ssl=1 2x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/07\/llm_slm_param_comp.jpg?resize=1050%2C600&ssl=1 3x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/07\/llm_slm_param_comp.jpg?resize=1400%2C800&ssl=1 4x"},"classes":[]},{"id":1629,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2016\/09\/29\/project-how-to-build-an-intelligent-mirror-part-3\/","url_meta":{"origin":28499,"position":2},"title":"[Project] How to build an intelligent mirror – Part 3","author":"Matthias Schmidt","date":"29. September 2016","format":false,"excerpt":"Mirror, mirror on the wall, who is the fairest of all? It\u2019s you, Albert. How Albert, our smart mirror, has grown - you can read it here. [written by Roman Kollatschny and Matthias Schmidt] In this last article, we will finally show you the result of the project, Albert. Besides\u2026","rel":"","context":"In "Student Projects"","block_context":{"text":"Student Projects","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/student-projects\/"},"img":{"alt_text":"","src":"","width":0,"height":0},"classes":[]},{"id":28321,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/09\/vibe-the-new-currency-of-enterprise-it\/","url_meta":{"origin":28499,"position":3},"title":"Vibe: The New Currency of Enterprise IT","author":"Jannes Zahn","date":"9. February 2026","format":false,"excerpt":"This blog post was written for the module Enterprise IT (113601a). Figure 1: The \"Vibe\" in action\u2014a developer experiencing a high-productivity flow state with AI assistance. (Source: Own representation, generated using AI). Introduction If you\u2019ve ever spent hours staring at a screen and then suddenly everything \"clicks\"\u2014you\u2019re in the zone,\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/cp.jpg?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/cp.jpg?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/cp.jpg?resize=525%2C300&ssl=1 1.5x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/cp.jpg?resize=700%2C400&ssl=1 2x"},"classes":[]},{"id":556,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2016\/05\/27\/test-driven-development-with-node-js\/","url_meta":{"origin":28499,"position":4},"title":"Test Driven Development with Node.js","author":"Roman Kollatschny","date":"27. May 2016","format":false,"excerpt":"Test-Driven Development with Mocha and Chai in Node.js","rel":"","context":"In "Rich Media Systems"","block_context":{"text":"Rich Media Systems","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/interactive-media\/rich-media-systems\/"},"img":{"alt_text":"","src":"","width":0,"height":0},"classes":[]},{"id":27783,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2025\/07\/25\/open-source-ai-models-opportunities-and-challenges-for-enterprises\/","url_meta":{"origin":28499,"position":5},"title":"Open-Source AI Models \u2013 Opportunities and Challenges for Enterprises","author":"Julian Schniepp","date":"25. July 2025","format":false,"excerpt":"Note: This article was written for the module Enterprise IT (113601a) during the summer semester of 2025. Introduction AI has taken over the tech landscape, going from novelty and experimental technology to a critical piece of infrastructure in enterprise, and is perhaps the most spoken of technology related topic of\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/07\/image-1.png?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/07\/image-1.png?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/07\/image-1.png?resize=525%2C300&ssl=1 1.5x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/07\/image-1.png?resize=700%2C400&ssl=1 2x"},"classes":[]}],"jetpack_sharing_enabled":true,"authors":[{"term_id":1198,"user_id":1313,"is_guest":0,"slug":"ai_dinh","display_name":"Ai Nhu Dinh","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/16cd6fd6eb02d73de4bf4c7cbaeb54b9f8d499b32ecc776a03c3f73b5ff24984?s=96&d=mm&r=g","0":null,"1":"","2":"","3":"","4":"","5":"","6":"","7":"","8":""},{"term_id":1201,"user_id":1316,"is_guest":0,"slug":"anna_rinck","display_name":"Anna Rinck","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/431ec91c0419debf115bd6b3e6ac967b03b2f719fc475e9debf0db2ff9318f65?s=96&d=mm&r=g","0":null,"1":"","2":"","3":"","4":"","5":"","6":"","7":"","8":""},{"term_id":1204,"user_id":1318,"is_guest":0,"slug":"kathrin_keubler","display_name":"Kathrin Keubler","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/293ef0e94d061d48a042ac672c71218d034be5140bf78ab582f79f5745c0c966?s=96&d=mm&r=g","0":null,"1":"","2":"","3":"","4":"","5":"","6":"","7":"","8":""}],"_links":{"self":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts\/28499","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/users\/1313"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/comments?post=28499"}],"version-history":[{"count":8,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts\/28499\/revisions"}],"predecessor-version":[{"id":28538,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts\/28499\/revisions\/28538"}],"wp:attachment":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/media?parent=28499"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/categories?post=28499"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/tags?post=28499"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/ppma_author?post=28499"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}F. Technische Herausforderungen<\/h4>\n\n\n\n
III. EINSATZ VON KI<\/h3>\n\n\n\n
A. Generierungsans\u00e4tze<\/h4>\n\n\n\n
\n
B. Qualit\u00e4tssicherung<\/h4>\n\n\n\n
IV. BEWERTUNG DER KI-TOOLS<\/h3>\n\n\n\n
A. GitBook und RepoDoc.AI<\/h4>\n\n\n\n
B. Evaluationsmethodik<\/h4>\n\n\n\n
C. Evaluation: GitBook<\/h4>\n\n\n\n
D. Evaluation: RepoDoc.AI<\/h4>\n\n\n\n
E. Ergebnis<\/h4>\n\n\n\n
F. Scribe, Trupeer und Trainn<\/h4>\n\n\n\n
V. STAND DER TECHNIK<\/h3>\n\n\n\n
A. Technologische Evolution und industrielle Adaption<\/h4>\n\n\n\n
\n
B. Wissensmanagement und Modernisierung von Altsystemen<\/h4>\n\n\n\n
C. Automatisierung in Continuous Software Development (CSD)<\/h4>\n\n\n\n
D. Zielgruppenadaption und Documentation-Driven Development<\/h4>\n\n\n\n
VI. FAZIT<\/h3>\n\n\n\n
VII. AUSBLICK<\/h3>\n\n\n\n
Literatur<\/h4>\n\n\n\n
\n[2] D. Procida, \u201cDi\u00e1taxis documentation framework,\u201d [Abgerufen: 05.01.2026]. [Online]. Available:
\n[3] C. Treude, J. Middleton, and T. Atapattu, \u201cBeyond accuracy: assessing software documentation quality,\u201d in Proceedings of the 28th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering, 2020, pp. 1509\u20131512.
\n[4] E. Aghajani, C. Nagy, M. Linares-V\u00e1squez, L. Moreno, G. Bavota, M. Lanza, and D. C. Shepherd, \u201cSoftware documentation,\u201d in Proceedings of the ACM\/IEEE 42nd International Conference on Software Engineering, 2020, pp. 590\u2013601.
\n[5] D. Georgiev and A. Antonova, \u201cEnhancing knowledge sharing processes via automated software documentation management systems using gen ai software tools,\u201d in 2024 XXXIV International Scientific Symposium Metrology and Metrology Assurance (MMA), 2024, pp. 1\u20136.
\n[6] guidde. (2024) Targeted technical writing: Reaching end-users, developers, and system administrators. [Abgerufen: 12.01.2026]. [Online]. Available:
\n[7] S. Bala, K. Sahling, J. Haase, and J. Mendling, \u201cChatGPT for tailoring software documentation for managers and developers,\u201d in Agile Processes in Software Engineering and Extreme Programming \u2013 Workshops, vol. 524. Springer, 2025, pp. 103\u2013109.
\n[8] G. Garousi, V. Garousi, M. Moussavi, G. Ruhe, and B. Smith, \u201cEvaluating usage and quality of technical software documentation,\u201d in Proceedings of the 17th International Conference on Evaluation and Assessment in Software Engineering, 2013, pp. 24\u201335.
\n[9] Meegle, \u201cSoftware documentation standards,\u201d , [Abgerufen: 10.01.2026].
\n[10] GitBook, \u201cGeo guide: How to optimize your docs for ai search and llm ingestion,\u201d , [Abgerufen: 12.01.2026].
\n[11] A. Crestodina, \u201cAre ai chatbots replacing search engines? AI vs Google [new research],\u201d , Orbit Media Studios, [Abgerufen: 12.01.2026].
\n[12] H. Ehtesham, \u201cAi visibility statistics 2026: The hidden shift behind 1.5 billion monthly AIO users,\u201d , All About AI, Jan. 2026, [Abgerufen: 12.01.2026].
\n[13] G. Foster, \u201cAi for code documentation: automating comments and docs,\u201d Apr. 2025, , [Abgerufen: 30.12.2025].
\n[14] I. B. Bobrov, \u201cDocumentation-driven development mit ki neu denken,\u201d .
\n[15] CREATEQ AG, \u201cAutomated code documentation,\u201d 2025, , [Abgerufen: 30.12.2025].
\n[16] L. Naimi, E. M. Bouziane, A. Jakimi, R. Saadane, and A. Chehri, \u201cAutomating software documentation: Employing llms for precise use case description,\u201d Procedia Computer Science, vol. 246, pp. 1346\u20131354, 2024, , [Abgerufen: 11.01.2026].
\n[17] A. Ibrahim, M. Baryal, A. Ullah, M. Shoaib, and M. G. Khan, \u201cUsing nlp and ai to enhance software documentation and code comprehension,\u201d Spectrum of Engineering Sciences, vol. 3, no. 5, p. 195\u2013204, May 2025, , [Abgerufen: 05.01.2026].
\n[18] KodeSage, \u201c7 ai documentation generators you should know,\u201d , 2025, [Abgerufen: 12.01.2026].
\n[19] L. yunhan and W. gengshen, \u201cLegaleval-q: A new benchmark for the quality evaluation of llm-generated legal text,\u201d 2025, , [Abgerufen: 09.01.2026].
\n[20] RepoDoc AI, \u201cRepodoc ai \u2014 ai github documentation generator,\u201d , [Abgerufen: 20.02.2026].
\n[21] GitBook, \u201cGitbook \u2014 documentation platform,\u201d , [Abgerufen: 20.02.2026].
\n[22] P. Runeson and M. H\u00f6st, \u201cGuidelines for conducting and reporting case study research in software engineering,\u201d Empirical Software Engineering, vol. 14, no. 2, pp. 131\u2013164, 2008.
\n[23] Figma, \u201cGamified learning app \u2013 figma make prototype,\u201d , [Abgerufen: 10.01.2026].
\n[24] Scribe, \u201cScribe \u2014 process documentation and knowledge sharing platform,\u201d , [Abgerufen: 10.01.2026].
\n[25] Trainn, \u201cTrainn \u2014 customer education and product training platform,\u201d , [Abgerufen: 10.01.2026].
\n[26] Trupeer, \u201cTrupeer \u2014 ai-based video and documentation creation,\u201d , [Abgerufen: 10.01.2026].
\n[27] Stack Overflow, \u201c2025 developer survey: AI tools and usage trends,\u201d , 2025, [Abgerufen: 13.01.2026].
\n[28] P. K. M. Surendra, \u201cAutomating documentation and legacy code modernization: Revitalizing legacy systems with AI,\u201d World Journal of Advanced Engineering Technology and Sciences, vol. 15, no. 1, pp. 1390\u20131397, 2025.
\n[29] H. Birru, A. Cicchetti, and M. Latifaj, \u201cSupporting automated documentation updates in continuous software development with large language models,\u201d 01 2025, pp. 92\u2013106.
\n[30] A. S. Bhosale, A. G. Mahajan, K. S. Pawar, A. V. Ulagadde, and M. Mane, \u201cAI based code documentation generation,\u201d International Journal of Innovative Research in Technology (IJIRT), vol. 11, no. 9, February 2025.<\/p>\n<\/div>\n\n\n\n