Das Potenzial von generativer KI im Anforderungsmanagement – Teil 1 der Blogserie

Generative Künstliche Intelligenz (KI) erlebt derzeit einen starken Aufschwung – viele Unternehmen und Forschungseinrichtungen erkennen ihr Potenzial, vor allem in Bereichen wie Text- und Bildgenerierung, automatisierter Übersetzung, Softwareentwicklung und Wissensarbeit. So ergab eine Studie zur generativen KI in der deutschen Wirtschaft 2025, dass 91 % der befragten Unternehmen generative KI inzwischen als geschäftskritisch betrachten und 82 % ihre KI-Budgets erhöhen wollen. Generative KI-Modelle (z. B. Large Language Models wie ChatGPT) können große Mengen an unstrukturierten oder teilstrukturierten Daten verarbeiten, Muster erkennen, Texte automatisch generieren oder zusammenfassen. Vor diesem Hintergrund stellt sich die Frage: Inwieweit können generative KI-Modelle wie ChatGPT gezielt die Aufgaben im Anforderungsmanagements unterstützen? Besonders relevant sind dabei:

Effektivität bei der Generierung und Verfeinerung von Anforderungen
Extraktion ähnlicher und zusammenhängender Informationen aus verschiedenen Dokumenten,
Erkennung impliziter Anforderungen, die in Gesprächen, Beobachtungen oder in schlecht strukturierten Dokumenten verborgen sind, und
Hilfe bei der Dokumentation, also bei der klaren, strukturierten und nachvollziehbaren Erfassung von Anforderungen.

Anforderungsmanagement ist eine zentrale Disziplin im Software- und Systems Engineering. Es umfasst die systematische Erhebung, Analyse, Dokumentation, Modellierung, Validierung und Verwaltung von Anforderungen, die den Rahmen für die Entwicklung komplexer Systeme bilden. Ziel ist es, die Erwartungen der Stakeholder zu verstehen, diese in klare und überprüfbare Anforderungen zu überführen und ihre Umsetzung über den gesamten Lebenszyklus zu steuern. Entscheidend ist dabei nicht nur die Vollständigkeit und Nachvollziehbarkeit der Anforderungen, sondern auch ihre Konsistenz und Realisierbarkeit.

Im Anforderungsmanagement existieren verschiedene Teildisziplinen, die sich in ihren Aufgaben und Zielen ergänzen (vgl. Ebert, Systematisches Requirements Engineering: Anforderungen ermitteln, dokumentieren, analysieren und verwalten):

Anforderungserhebung: Systematische Sammlung von Anforderungen aus verschiedenen Quellen.
Anforderungsanalyse: Identifikation und Prüfung von Anforderungen, um deren Bedeutung, Relevanz und Abhängigkeiten zu verstehen.
Anforderungsspezifikation: Dokumentation der Anforderungen in klarer, strukturierter und nachvollziehbarer Weise.
Anforderungsmodellierung: Darstellung der Anforderungen in grafischer oder modellhafter Form, um Beziehungen und Strukturen zu verdeutlichen.
Anforderungsvalidierung: Sicherstellen, dass Anforderungen korrekt, konsistent und umsetzbar sind.
Anforderungsverwaltung: Nachverfolgung und Kontrolle von Anforderungen über den gesamten Lebenszyklus.

Für die Beantwortung der Frage, inwiefern eine KI unterstützen kann, betrachtet eine Reihe von Artikeln die einzelnen Teildisziplinen im Detail und gibt Aufschluss über die Potentiale, Chancen und Herausforderungen im Einsatz generativer KI in den Teildisziplinen des Anforderungsmanagement. Allen Artikeln liegt ein fiktives Beispiel zugrunde, das nachfolgend beschrieben wird. Den Abschluss bildet ein Artikel, der alle Ergebnisse zusammenfässt und die Betrachtung der Unterstützung durch eine generative KI mit einem Fazit abschließt.

Vorgehen

Anforderungserhebung anhand eines Beispielsystems

Zur Untersuchung der Potenziale wird ein fiktives Beispielsystem angenommen. Dieses umfasst ein einfaches Warenwirtschaftssystem mit drei zentralen Komponenten:

Verkaufssystem, das den Verkauf von Waren und Gütern abwickelt.
Filialensystem, das die Verwaltung, Bestellung und Überwachung von Produkten ermöglicht.
Unternehmenssystem, das konsolidierte Berichte aus den Daten mehrerer Filialen bereitstellt.

Dokumente für die Anforderungserhebung

Als Eingaben werden unterschiedliche, fiktive Dokumente erstellt, die typischerweise im Rahmen realer Projekte vorliegen können. Dazu zählen etwa Projektvorschläge, Beobachtungsprotokolle von Filial- oder Lagerarbeitern, Schnittstellenspezifikationen, unvollständige Use-Case-Diagramme oder erste Entwürfe von Benutzeroberflächen. Die Dokumente existieren bewusst in verschiedenen Dateiformaten – darunter docx, png, yaml und pdf. Ein Dokument liegt in handschriftlicher Form vor, wodurch eine direkte maschinelle Verarbeitung erschwert werden soll.

Auswahl der KI

Für die Untersuchung wird ChatGPT als generative KI ausgewählt. Zum Zeitpunkt der Durchführung der Bewertungen steht das Modell GPT-4o zur Verfügung, das durchgängig eingesetzt worden ist.

GPT-4o ist kein auf Anforderungsmanagement trainiertes Modell. Es verfügt daher nicht über tiefes Fachwissen zu branchenspezifischen Prozessen, Terminologien oder regulatorischen Rahmenbedingungen. Dennoch kann gerade diese breite und vielseitige Ausrichtung von Vorteil sein: Das Modell bringt ein großes Sprachverständnis mit, ist flexibel einsetzbar und kann Inhalte aus sehr unterschiedlichen Dokumentenformaten verarbeiten. Damit eignet es sich gut, um heterogene Eingaben zunächst strukturiert aufzubereiten. Für eine präzisere Anpassung an die jeweilige Domäne können im weiteren Verlauf Feintuning, Nachschulungen oder die Ergänzung durch domänenspezifisches Wissen erfolgen. Für den zugrundeliegenden Artikel wurde daher erst einmal bewusst ein untrainiertes Modell genutzt.

Durchführung

Der Prompt

Die Interaktion mit der KI erfolgt über einen klar strukturierten Prompt, der die Aufgabe vorgibt, aus verschiedenen Dokumenten die nötigen Informationen so zu extrahieren, dass sie dem Requirements-Engineer der Bewältigung in den Teildiszplinen im Anforderungsmanagement unterstützen. Die KI soll sowohl explizite als auch implizite Anforderungen erkennen und diese in einem einheitlichen, vorher festgelegten JSON-Format dokumentieren.

Das JSON-Format umfasst unter anderem Attribute wie Identifikationsnummer, Titel, Anforderungstext, Priorität, Kategorie, Modulzuordnung, Status, Modelle, Quellen, Testfälle, Stakeholder sowie Änderungsverfolgung. Diese Struktur erlaubt eine standardisierte Ablage und Nachvollziehbarkeit der Anforderungen. Unklare Attribute wie z.B. Kategorie, Status oder Relevanz sind der KI erklärt und mögliche Wertebereiche vorgegeben worden.

Die KI hat sich kooperativ gezeigt und hat den Upload der Dokumente ohne weitere Rückfragen angefordert. Die Ausgaben werden dabei stets als Teilergebnisse festgehalten, falls auf einen Stand zurückgerollt werden muss.

Bewertung

Für die Bewertung der Ergebnisse werden objektive Messkriterien definiert, die sich an den Teildisziplinen Erhebung, Analyse, Spezifikation und Modellierung orientieren.

Die Disziplinen Validierung und Verwaltung werden in dieser ersten Bewertung nicht vertieft. Die Validierung – also die Prüfung der Umsetzbarkeit – setzt Fachwissen von Softwaredesignern voraus und übersteigt den Rahmen dieser Auswertungen. Die Verwaltung hingegen beschränkt sich darauf, die erhobenen Anforderungen in einem geeigneten Format abzulegen, was durch die JSON-Struktur gewährleistet wird.

Abhängig von der Ergebnisqualität des Prompts, soll im Bedarfsfall die KI mit einem neuen Prompt angewiesen werden, Korrekturen vorzunehmen, um die Güte des Ergebnisses zu steigern. Auf diese Weise kann schrittweise erprobt werden, inwiefern sich die Leistungsfähigkeit durch iterative Anpassungen verbessert.

Ausblick

Die folgenden Artikel dieser Reihe werden detaillierter auf die einzelnen Teildisziplinen eingehen und die Ergebnisse der Bewertung vorstellen. Ziel ist es, differenziert darzulegen, in welchen Bereichen generative KI bereits heute einen praktischen Nutzen bietet und wo noch Forschungs- und Entwicklungsbedarf besteht.