Das Potenzial von generativer KI in der Anforderungserhebung - Teil 3

Das Potenzial von generativer KI in der Anforderungserhebung – Teil 3

Das Anforderungsmanagement beschäftigt sich mit der systematischen Erfassung, Dokumentation und Verwaltung von Anforderungen an ein zu entwickelndes System. Ziel ist es, sicherzustellen, dass das entstehende Produkt den Bedürfnissen und Erwartungen der Stakeholder entspricht. Eine zentrale Disziplin innerhalb dieses Prozesses ist die Anforderungserhebung, also die strukturierte Sammlung und Formulierung von Anforderungen aus unterschiedlichen Quellen, wie bereits im Überblicksartikel erwähnt worden ist.

Für die erfolgreiche Anforderungserhebung sind mehrere Faktoren entscheidend: Einerseits muss eine möglichst vollständige Sammlung relevanter Informationen gewährleistet sein. Andererseits kommt es darauf an, die erhobenen Anforderungen klar und präzise zu formulieren, um spätere Missverständnisse und Implementierungsfehler zu vermeiden.

Vor diesem Hintergrund stellt sich die Frage, wie Generative KI die Anforderungserhebung unterstützen kann. Insbesondere interessiert, ob sie in der Lage ist, aus den heterogene Eingabedokumente Anforderungen abzuleiten und konsistent zu formulieren, um so Arbeitsaufwand für Requirements Engineers zu reduzieren.

Ausgangslage

Im untersuchten Szenario ist ein fiktives Warenwirtschaftssystem als Beispiel herangezogen worden. Dieses umfasst drei Ebenen:

Verkaufssystem für den Verkauf von Waren und Gütern,
Filialensystem zur Verwaltung, Bestellung und Überwachung von Produkten,
Unternehmenssystem zur Berichterstellung auf Basis aggregierter Filialdaten.

Als Eingaben dienen manuell erstellte, fiktive Dokumente wie Projektvorschläge, Beobachtungsprotokolle, Schnittstellenspezifikationen, unvollständige Use-Case-Diagramme oder Mockups. Diese lagen in unterschiedlichen Formaten vor (z. B. DOCX, PNG, YAML, PDF). Die Dokumente sind einem generativen Sprachmodell (ChatGPT 4o) übergeben worden, um daraus Anforderungen in ein strukturiertes, auswertbares CSV-Format zu überführen.

Vorgehen

Um die Ergebnisse möglichst objektiv zu bewerten, werden die Ausgaben anhand definierter Kriterien untersucht. Zunächst erfolgt ein Abgleich der von ChatGPT erhobenen Anforderungen mit den manuell erhobenen Anforderungen. Anschließend wird die KI gebeten, identifizierte Schwächen zu korrigieren.

Vollständigkeit der Anforderungen

Die Vollständigkeit der durch die KI entdeckten Anforderungen wird mit einem Abgleich gegenüber zuvor händisch erhobenen Anforderungen erzielt. Dabei werden Abweichungen in der Formulierung oder ein gewisser Interpretationsspielraum toleriert, solange der Kerninhalt vergleichbar bleibt.

Sprache der Anforderungen

Ein weiterer Fokus liegt auf der sprachlichen Konsistenz der Anforderungen. Als Maßstab gilt eine Ähnlichkeit zwischen Anforderungspaaren, wenn für ein bestimmtes Konzept konsistent dieselben Begriffe verwendet werden. Abweichungen entstehen insbesondere dann, wenn die KI alternative Begriffe oder unspezifische Formulierungen einsetzt.

Ergebnisse

Die manuelle Erhebung ergibt insgesamt 72 Anforderungen. Die KI hat zunächst 40 Anforderungen extrahieren können, von denen 9 nicht korrekt aus den Quelldokumenten abgeleitet sind. Eine detaillierte Analyse ergibt mehrere Ursachen:

Anforderungen sind nicht ausreichend atomar notiert. Hierzu zählen die Anforderungen, die in ihrem Anforderungstext Aufzählungen mehrerer Eigenschaften oder sogar Funktionen enthalten, die von der KI nicht in einzelne Anforderungen zerlegt worden sind.
Nach einer gezielten Aufforderung zur Zerlegung in atomare Anforderungen durch einen weiteren Prompt hat die KI den Umfang auf 82 Anforderungen erhöht.
Bezüglich identifizierter Systemmodule bleiben die Anforderungen jedoch häufig unspezifisch. Statt konkreter Modulnamen verwendet die KI generische Bezeichnungen wie „System“ oder „Software“. Nur drei Systembestandteile enthalten klare, beschreibende Namen.
Die sprachliche Konsistenz wird mit etwa 70 % bewertet, da wiederholt variierende Bezeichnungen für gleiche Konzepte in den Anforderungen eingesetzt worden sind.
Weil die größten Schwachstellen die unspezifischen Modulnamen sind, ist die KI erneut mit einem Prompt gebeten worden, die Modulnamen zu konsolidieren und zu differenzieren. Die KI hat Redundanzen identifiziert und ähnliche Module zusammengefasst, was zur Qualitätssteigerung beiträgt.

Im weiteren Verlauf zeigten sich Stärken und Schwächen in der Zusammenarbeit mit der KI:

Positiv: Änderungen und Vorschläge werden von der KI transparent dokumentiert und im Dialog mit dem Anforderungserhebenden erklärt. Die KI hateine visuelle Gruppierung von Modulen ausgegeben, was die Nachvollziehbarkeit und Kommunikation im Team erleichtert.
Negativ: In späteren Korrekturschritten hat die KI fehlende Inhalte durch Platzhalter („Platzhaltermodul“) ersetzt, wodurch relevante Informationen verloren gegangen sind. Das Modell hat sogenannte Halluzinationen gezeigt und ist damit keine Hilfe gewesen.

Fazit

Das Experiment zeigt, dass Generative KI in der Anforderungserhebung ein wertvolles Assistenzwerkzeug sein kann, insbesondere bei:

der Strukturierung heterogener Eingabedaten,
der Identifikation redundanter Inhalte,
der sprachlichen Überarbeitung und Vereinheitlichung.

Allerdings bestehen deutliche Einschränkungen:

Anforderungen werden ohne gezielte Anleitung nicht ausreichend präzise oder atomar formuliert.
Inhalte können durch Platzhalter ersetzt oder fälschlich verworfen werden.
Die Zuverlässigkeit der KI ist begrenzt, sodass eine menschliche Validierung zwingend erforderlich bleibt.

Insgesamt lässt sich festhalten: ChatGPT und vergleichbare Modelle eignen sich weniger als autonome Anforderungserheber, sondern vielmehr als dialogorientierte Assistenten. Im Zusammenspiel mit menschlicher Expertise können sie das Requirements Engineering durch Strukturierung, Vorschläge und Validierung sinnvoll ergänzen, jedoch nicht ersetzen.