Warum deterministische Dokumentationsgraphen für Legacy-Analysen belastbarer sind als reine RAG-Ansätze — und wo KI trotzdem den größten Hebel hat.
In vielen Modernisierungsprojekten liegt Architekturwissen verteilt: im Code, in Confluence-Seiten, in Köpfen, in Tickets. KI-gestützte Tools versprechen, diese Lücke schnell zu schließen — oft über Chat-Oberflächen mit Retrieval-Augmented Generation (RAG).
RAG ist nützlich für explorative Fragen. Für belastbare Entscheidungen reicht es selten: Retrieval ist probabilistisch, Kontextfenster begrenzen den Überblick, und Antworten sind schwer reproduzierbar. Wer Migration budgetieren, Security-Findings priorisieren oder Scope für eine Ablösung definieren muss, braucht nachvollziehbare Evidenz — nicht die plausibelste Antwort.
Die Architecture Graph Method (AGM) geht einen anderen Weg: Architekturwissen wird als verlinkter Markdown-Graph im Repository geführt — orchestriert über blueprint.md, traversierbar wie eine API. KI-Agenten befüllen und vertiefen den Graph; Menschen validieren. Jede Aussage bleibt auf Code, Konfiguration oder dokumentierte Artefakte zurückführbar.
Der Hebel der KI liegt dann nicht im freien Chat, sondern in strukturierten work/-Analysen: Security-Assessments, Dependency-Maps, Capability-Mappings, Tech-Debt-Register. Deterministische Traversierung liefert den Rahmen; KI liefert Geschwindigkeit und Tiefe — mit menschlicher Prüfung als Qualitätstor.
Für CTOs und technische Leitung bedeutet das: weniger „Was meint das Modell?" — mehr „Was steht im Graph, und wer hat es validiert?" Genau diese Transparenz ist Voraussetzung für sichere Modernisierungsentscheidungen.