Das Potenzial von generativer KI im Anforderungsmanagement – Teil 6

Generative Künstliche Intelligenz (KI) erlebt aktuell einen massiven Aufschwung. Zahlreiche Unternehmen und Forschungsinstitutionen schöpfen aus dem enormen Potenzial dieser Technologie, insbesondere in Schlüsselbereichen wie der Generierung von Texten und Bildern, der automatisierten Übersetzung, der Softwareentwicklung sowie der allgemeinen Wissensarbeit.

Als zentrale Disziplin innerhalb des Softwareentwicklungsprozesses beschäftigt sie sich das Anforderungsmanagement mit der systematischen Erhebung, Analyse, Spezifikation, Modellierung und Verwaltung von Anforderungen, die den Rahmen für die Entwicklung komplexer Systeme bilden. Die hohe Komplexität von Systemen und der Vielzahl an Stakeholdern mit teils widersprüchlichen Interessen machen das Anforderungsmanagement zu einer besonders fehleranfälligen, zeitintensiven und damit kostenrelevanten Disziplin. Vor diesem Hintergrund liegt es nahe, neue Technologien zur Unterstützung einzusetzen.

Die vergangenen Artikel dieser Blogserie haben den Einsatz von generativer KI als unterstützendes Werkzeug in der Bewältigung der Aufgaben im Anforderungsmanagement beleuchtet und Stärken sowie Schwächen aufgezeigt. Dieser letzte Artikel fasst nun die wesentlichsten Erkenntnisse aus den Untersuchungen der Blogserie zusammen.

Vorgehen

Als Grundlage hat der Blogserie ein fiktives Warenwirtschaftssystem gedient, das aus drei Systemen besteht: einem Kassensystem für den Verkauf von Waren und Gütern, einem Filialensystem zur Verwaltung, Bestellung und Überwachung von Produkten sowie einem Unternehmenssystem zur Berichterstellung über mehrere Filialen hinweg. Als Eingabedaten werden unterschiedliche, manuell erstellte Dokumente genutzt, darunter Projektvorschläge, Beobachtungsprotokolle, Schnittstellenspezifikationen, unvollständige Use-Case-Diagramme sowie Mockups. Diese Dokumente liegen in verschiedenen Dateiformaten vor (z. B. DOCX, PNG, YAML, PDF) und werden ChatGPT als Grundlage für das Anforderungsmanagement übergeben. Die Ergebnisse werden in einem auswertbaren CSV-Format bereitgestellt.

Um die Ergebnisse möglichst objektiv bewerten zu können, sind für jede Teildisziplin spezifische Messkriterien entwickelt worden. Die Teildisziplinen sind einzeln bewertet worden und die Ergebnisse können in separaten Artikeln nachvollzogen werden. Die Resultate der Blogartikel werden anschließend in einem abschließenden Artikel aggregiert, mit dem Ziel, eine ganzheitliche Einschätzung des Potenzials generativer KI im Anforderungsmanagement zu treffen.

Abschließende Bewertung

Kritik am eigenen Vorgehen

Die Bewertung generativer KI im Anforderungsmanagement ist nicht frei von methodischen Herausforderungen. Objektivität lässt sich schwer erreichen, da auch bei klar definierten Bewertungsskalen Interpretationsspielräume bestehen. Zudem ist es problematisch, Messkriterien universell anzuwenden, da Anforderungen je nach Kontext unterschiedliche Eigenschaften besitzen und damit auch hier Raum für Interpretationen lassen. Darüber hinaus ist ein fester Katalog an Bewertungskriterien etabliert worden, der keinen Anspruch auf Vollständigkeit hat; weitere Dimensionen lassen sich jederzeit berücksichtigen. Auch die manuelle Überprüfung aller Anforderungen hat sich als arbeitsintensiv und fehleranfällig erwiesen. Schließlich hat sich gezeigt, dass die Eingangsdokumente stärker auf Soll- und Kann-Anforderungen hätten fokussieren sollen, um der KI eindeutige Signale zur Priorisierung zu geben. Ebenso hätten Signalwörter in den Eingabedokumenten eingesetzt werden können, aus denen die KI auf Bedingungen oder Auslöser für Anforderungen reagieren kann.

Zusammenfassung des Fazit

ChatGPT zeigt besondere Stärken bei der strukturierten und konsistenten Formulierung von Anforderungen. Es gelingt ihm, auch ohne vordefinierte Schablonen nachvollziehbare Dokumente mit vollständigen Metadaten zu erstellen. Positiv hervorzuheben ist die Fähigkeit, redundante Inhalte zu erkennen, sprachliche Konsistenz herzustellen und den Dokumentationsaufwand deutlich zu verringern. Auch im kreativen Bereich erweist sich die KI als hilfreich, da sie Ideen generieren und erste Modelle zur Diskussion anstoßen kann.

Dennoch werden Schwächen deutlich. Viele Anforderungen werden nicht atomar formuliert, sondern enthalten mehrere Funktionen. Uneinheitliche Benennungen führen zu Mehrdeutigkeiten und erzeugte Modelle erfüllen zwar formale Standards, sind inhaltlich jedoch reduziert oder unvollständig gewesen. Zudem neigt die KI dazu, Inhalte durch Platzhalter zu ersetzen. Implizite Bedingungen und Priorisierungen können nicht zuverlässig erkannt werden, sodass weiterhin menschliche Interpretation und Nacharbeit erforderlich ist.

Abschließendes Fazit

Aus den Beobachtungen lässt sich schließen, dass ChatGPT ein wertvolles Werkzeug zur Unterstützung im Anforderungsmanagement sein kann, insbesondere bei der Automatisierung repetitiver Aufgaben, der Strukturierung von Anforderungen sowie der sprachlichen Vereinheitlichung. Die KI trägt dazu bei, die Qualität der Dokumentation zu steigern und die Effizienz zu erhöhen. Gleichzeitig stößt sie an Grenzen, wenn es um die korrekte inhaltliche Priorisierung, die atomare Formulierung von Anforderungen, erkennen und wiedergeben impliziten Wissens sowie die vollständige Modellierung geht. Diese Bereiche erfordern nach wie vor die Expertise von Anforderungsspezialisten.

Empfehlung

Generative KI sollte im Anforderungsmanagement gezielt als unterstützendes Werkzeug eingesetzt werden. Ihre Vorteile liegen in der schnellen Erstellung strukturierter Anforderungsdokumente, der Reduzierung von Redundanzen, der Vereinheitlichung von Sprache sowie der Automatisierung von Routineaufgaben. Herausforderungen bestehen jedoch in der Sicherstellung von Präzision, Eindeutigkeit und Vollständigkeit.

Generative KI sollte nicht verwendet werden, um von der grünen Wiese aus die Arbeit eines Anforderungsspezialisten abzunehmen, sondern sie zu unterstützen. Die Anwendungsfälle sollen sich auch genau auf diese Unterstützung anlehnen, nämlich:

Um Schwächen der generativen KI abzufedern, sind klare Prompts notwendig, z.B. Grundlagen einzufordern, wie Atomarität von Anforderungen oder Änderungen an den Anforderungen durch die KI stets nachvollziehbar an den Anforderungen zu dokumentieren. Des Weiteren können Konzepte, wie das Einsetzen von Wissensbasen für konsistente Benennungen, hilfreich sein.

Im Rahmen dieser Blogserie hat es ein Release des 5er Sprachmodells von ChatGPT gegeben. Damit jedoch die Ergebnisse der einzelnen Artikel vergleichbar sind, sind die Prompts auf dem Modell in der Version 4o geblieben. Ob Ergebnisse mit dem aktuelleren Modell besser sind, ist spekulativ. Dennoch verspricht das neue Modell, weniger Halluzinationen zu haben, noch größere Datenmengen verarbeiten zu können als das Vorgängermodell und konsistentere Ausgaben durch bessere Selbst-überprüfungen zu generieren.

Werden diese Rahmenbedingungen geschaffen, kann GenAI die Arbeit von Anforderungsspezialisten nicht ersetzen, wohl aber erheblich erleichtern und qualitativ bereichern.