KI im Requirements Engineering: der Überblick
Wie künstliche Intelligenz den Anforderungsprozess verändert – von den KI-Typen über die Prozessphasen bis zu Governance und Risiko. Konkret, belegt und ohne Hype.
KI im Requirements Engineering bezeichnet den Einsatz künstlicher Intelligenz, um Anforderungen zu ermitteln, zu analysieren, zu spezifizieren und zu verwalten. Generative, prädiktive, analytische und agentische Systeme übernehmen dabei einzelne Aufgaben des Anforderungsprozesses – von der Auswertung eines Interviews bis zur Prüfung auf Widersprüche. Die Verantwortung für das Ergebnis bleibt beim Menschen.
Damit ist das Thema in einem Satz umrissen. Der Rest dieser Seite füllt ihn: Wie verbreitet KI im Anforderungsprozess schon ist, was sich für die Menschen darin ändert, welche KI-Typen es gibt und wo sie greifen, wer für die Ergebnisse geradesteht und welche Risiken man kennen muss. Jeder Abschnitt gibt Ihnen den Überblick und verweist auf einen vertiefenden Beitrag.
Warum jetzt
Vom Zukunftsthema zum Arbeitsalltag
KI im Anforderungsprozess ist keine Frage der kommenden Jahre mehr. Laut einer Bitkom-Studie aus 2025 halten 51 % der Unternehmen in Deutschland KI für die Voraussetzung ihrer Zukunftsfähigkeit. Das ist Erwartungsdruck, aber noch keine Praxis. Die Praxis zeigt eine andere Zahl: In einer Umfrage einer schwedischen Universität setzen 58 % der befragten IT-Fachkräfte KI bereits in mindestens einer Phase des Anforderungsprozesses ein – in der Ermittlung, Analyse, Spezifikation oder Validierung. 69 % von ihnen sind mit den Ergebnissen zufrieden.
Diese beiden Zahlen zusammen ergeben das Bild: Der Anspruch ist da, und die Werkzeuge werden genutzt. Für Unternehmen heißt das weniger, ob sie KI im Requirements Engineering einsetzen, als wie sie es strukturiert und verantwortbar tun. Genau darum geht es auf dieser Seite. Wir versprechen dabei keine Wunder und warnen auch nicht vor der Maschine, die den Menschen ersetzt. Beides führt in die Irre. Sinnvoll ist der nüchterne Blick auf das, was KI im Anforderungsprozess heute leistet – und was sie nicht leistet.
Wofür setzen Teams KI konkret ein? Drei Nutzendimensionen stechen hervor. Die erste ist Effizienz: Routineaufgaben wie das Transkribieren von Interviews oder das Zusammenführen ähnlicher Anforderungen kosten weniger Zeit. Die zweite ist Geschwindigkeit und Genauigkeit: KI verarbeitet große Mengen an Dokumenten in kurzer Zeit und übersieht dabei seltener Details als ein Mensch unter Zeitdruck. Die dritte ist Qualität: KI erkennt Mehrdeutigkeiten, fehlende Elemente und uneinheitlich verwendete Begriffe früh, solange sie sich noch günstig beheben lassen. Erst zusammen ergeben diese drei den eigentlichen Hebel – nicht die Automatisierung an sich, sondern bessere Anforderungen bei geringerem Aufwand.
Der Prozess
KI entlang der Prozessphasen
Die vier KI-Typen greifen an unterschiedlichen Stellen des Anforderungsprozesses. In der Ermittlung transkribieren und strukturieren Sprachmodelle Stakeholder-Interviews, ziehen Anforderungen aus E-Mails und Protokollen und erkennen über Sentiment-Analyse auch implizite Bedürfnisse. In der Analyse ordnet analytische KI Anforderungen nach definierten Kriterien, findet Widersprüche über Ähnlichkeitsanalysen und macht Abhängigkeiten sichtbar. In der Spezifikation vereinheitlicht generative KI Formulierungen nach Templates und erzeugt aus Text sogar UML- oder BPMN-Diagramme. Im laufenden Anforderungsmanagement liefern Dashboards ein Echtzeitbild der Qualitätsindikatoren, während agentische KI die Nachverfolgbarkeit zwischen Anforderungen, Code und Tests pflegt.
Was das praktisch bedeutet, zeigt die Ermittlung besonders deutlich. Ein Stakeholder-Interview, das früher aufgenommen, transkribiert und von Hand zu Anforderungen verdichtet wurde, durchläuft diesen Weg heute in Minuten statt Tagen. Das Sprachmodell strukturiert das Gespräch, schlägt erste Anforderungen vor und markiert offene Punkte. Der Requirements Engineer prüft, ergänzt und entscheidet, was tragfähig ist.
Über alle Phasen hinweg zahlt sich ein Effekt besonders aus: die frühe Prüfung auf Qualität. KI findet Mehrdeutigkeiten, fehlende Elemente und widersprüchliche Formulierungen, die einem menschlichen Prüfer unter Zeitdruck oft entgehen. Wo solche Lücken früh auffallen, sinkt das Risiko teurer Nacharbeit im späteren Projektverlauf spürbar. Damit dieses Potenzial nicht liegen bleibt, braucht es angepasste Prozesse und ein klares Rollenverständnis – die Werkzeuge allein liefern es nicht.
Vertiefung: So arbeitet KI in jeder Phase des Anforderungsprozesses
Verantwortung
Wer haftet für eine KI-generierte Anforderung?
Mit dem Einsatz von KI entstehen Fragen, die man nicht überspringen sollte. Wer trägt die Verantwortung, wenn eine KI-generierte Anforderung zu einem Fehler führt? Wie wird eine KI-Entscheidung nachvollziehbar dokumentiert? Und wie hält ein Unternehmen Datenschutz und Regulierung ein?
Der MIT Sloan Management Review beschreibt dazu ein Dilemma: Unternehmen besitzen KI-Systeme wie jedes andere Werkzeug, müssen deren Entscheidungen aber überwachen, als handle es sich um autonome Mitarbeitende. Drei Verantwortungsbereiche treten dabei hervor: Governance-Verantwortliche, die Leitlinien setzen und die Nutzung überwachen; Zuständige für Datenqualität, die interne Wissensbasen und Trainingsdaten pflegen; und Verantwortliche für Ethik, die auf Bias, Fairness und die faire Repräsentation von Stakeholder-Gruppen achten. Eine unternehmensweite KI-Richtlinie, orientiert an DSGVO und EU AI Act, gibt die nötige Orientierung.
Besonders agentische KI verwischt die gewohnte Logik der Entscheidungsbefugnis, weil sie Entscheidungen trifft, die bisher an eine Person gebunden waren. Damit werden Rollen und Zuständigkeiten zur Voraussetzung, nicht zur Formalie: Wer eine KI-generierte Anforderung freigibt, übernimmt dieselbe Verantwortung, als hätte er sie selbst formuliert. Governance im Anforderungsprozess bedeutet deshalb, diese Freigabe- und Prüfpunkte klar zu benennen, bevor das erste System produktiv läuft.
Vertiefung: Governance, DSGVO und EU AI Act im Anforderungsprozess
Die Steuerung
Wie viel Kontrolle braucht die KI?
Eng mit der Verantwortung verbunden ist die Frage der Steuerung. Beim Human-in-the-loop-Ansatz sind Mitarbeitende in jede Entscheidung eingebunden und geben sie frei. Beim Human-on-the-loop-Ansatz überwachen sie die KI und greifen nur ein, wenn es nötig ist.
Welcher Weg passt, hängt von Risiko, Kritikalität und Autonomiegrad des jeweiligen Systems ab. Analytische Aufgaben in komplexen Umfeldern eignen sich gut für KI. Ob am Ende der Mensch oder die Maschine steuert, entscheidet aber selten die Technik, sondern das Risiko. Deshalb sollten Unternehmen für jeden Schritt im Anforderungsprozess festlegen, welcher Autonomiegrad angemessen ist, statt diese Entscheidung dem Tool zu überlassen.
Ein Beispiel macht den Unterschied greifbar. Das Zusammenführen offensichtlich doppelter Anforderungen lässt sich gut on-the-loop überwachen: Die KI arbeitet selbstständig, der Mensch kontrolliert stichprobenartig und greift bei Auffälligkeiten ein. Die finale Freigabe einer sicherheitskritischen Anforderung gehört dagegen in einen In-the-loop-Ablauf, in dem ein Mensch jede Entscheidung bewusst bestätigt. Beide Ansätze schließen sich nicht aus – sinnvoll ist, sie je nach Risiko im selben Prozess zu kombinieren.
Vertiefung: Human-in-the-loop und Human-on-the-loop im Vergleich
Die Risiken
Wenn die KI überzeugend falsch liegt
Ein Risiko wird oft unterschätzt: das blinde Vertrauen in die KI. Automatisierungsbias beschreibt die Neigung, KI-Ergebnisse ungeprüft zu übernehmen, weil sie professionell und schlüssig wirken. Bei Ähnlichkeitsanalysen kann das dazu führen, dass die KI Anforderungen fälschlich als redundant markiert, weil sie oberflächliche Textähnlichkeit erkennt, den inhaltlichen Unterschied aber nicht versteht. Ohne kritische Prüfung gehen so wichtige Anforderungen verloren, mit spürbaren Folgen für Zeitplan und Budget.
Besonders heikel ist die generative KI. Sie kann Spezifikationen erzeugen, die fachlich plausibel klingen und trotzdem falsch sind – etwa Anforderungen zu Funktionen, die es gar nicht gibt, oder Verweise auf nicht existierende Standards. Solche Halluzinationen sind schwer zu erkennen, gerade weil die Formulierung überzeugt. Ein bewusster Umgang mit KI setzt deshalb voraus, dass ein Team die Eigenschaften seiner Systeme kennt: Wie deterministisch arbeitet das Modell? Wie viel Domänenwissen bringt es mit? Wo drohen systematische Fehler, und wie sensibel sind die verarbeiteten Daten?
Ähnliches gilt für prädiktive KI: Aufwands- und Risikoschätzungen führen in die Irre, wenn die historischen Referenzdaten fehlen oder veraltet sind. Die Zahl wirkt präzise, beruht aber auf einer brüchigen Grundlage – und wird trotzdem zur Planungsbasis, weil sie so belastbar aussieht. Die Antwort auf all das liegt nicht in mehr Misstrauen, sondern in klaren Prozessen: definierte Abläufe für den Umgang mit KI-Ergebnissen und Teams, die geschult sind, typische Fehler zu erkennen, statt sich auf den ersten überzeugenden Eindruck zu verlassen.
Vertiefung: Automatisierungsbias und halluzinierte Spezifikationen
Der erste Schritt
Wie Unternehmen anfangen
Der rote Faden über alle Abschnitte: KI bringt Anforderungen schneller in einen brauchbaren Zustand. Nutzbar wird das erst, wenn die Menschen im Prozess mitgenommen werden und wissen, wofür sie geradestehen. Der Erfolg hängt damit weniger an der Technologie als daran, wie konsequent Prozesse und Verantwortlichkeiten darauf ausgerichtet werden. Ein Tool allein verändert nichts.
Für den Einstieg heißt das: die eigenen Anforderungsprozesse ehrlich betrachten, definierte Abläufe für den Umgang mit KI-Ergebnissen schaffen und Requirements Engineers so schulen, dass sie typische Fehler und Halluzinationen erkennen. Genau diese Strukturen baut STI Consulting gemeinsam mit Ihren Teams auf – von der Standortbestimmung über die Definition der neuen Rollen bis zur Verankerung im laufenden Betrieb.
Whitepaper
Der vollständige Überblick als Whitepaper
Rollen, KI-Typen, Prozessanpassungen und Governance – gebündelt und vertieft. Das Whitepaper „KI-Einsatz im Requirements Engineering“ gibt Ihnen die Grundlage für fundierte Entscheidungen.
Häufige fragen
KI im Requirements Engineering: kurz beantwortet
KI im Requirements Engineering bezeichnet den Einsatz künstlicher Intelligenz, um Anforderungen zu ermitteln, zu analysieren, zu spezifizieren und zu verwalten. Generative, prädiktive, analytische und agentische Systeme übernehmen einzelne Aufgaben des Anforderungsprozesses. Die Verantwortung für das Ergebnis bleibt beim Menschen.
Nein. KI übernimmt Aufgaben, nicht die Verantwortung. Routinearbeit wie das Strukturieren von Dokumenten läuft automatisiert, während Steuerung, Ergebnisprüfung und die Arbeit mit Stakeholdern wichtiger werden. Die kritische Einordnung von KI-Ergebnissen wird zur zentralen Kompetenz.
Mehr in unserem Beitrag: KI in der Business Analyse: die Rolle des Requirements Enginners
Vier Typen mit unterschiedlichen Stärken: generative KI erzeugt Inhalte wie Anforderungsentwürfe, prädiktive KI schätzt auf Basis historischer Daten Aufwände und Risiken, analytische KI erkennt Muster und Redundanzen, und agentische KI führt komplexe Aufgaben eigenständig aus.
Die Verantwortung bleibt beim Unternehmen und bei den Menschen, die eine Anforderung freigeben. Wer eine KI-generierte Anforderung freigibt, übernimmt dieselbe Verantwortung, als hätte er sie selbst formuliert. Eine KI-Richtlinie orientiert an DSGVO und EU AI Act schafft dafür den Rahmen.
Automatisierungsbias, das ungeprüfte Übernehmen überzeugend wirkender KI-Ergebnisse, halluzinierte Spezifikationen der generativen KI und irreführende Schätzungen prädiktiver Modelle bei veralteten Daten. Klare Prüfprozesse und geschulte Teams begegnen diesen Risiken.
Insights
Sechs Beiträge, ein Thema in der Tiefe
Projektreferenzen
Anforderungsanalyse im Projekt
Diese Referenzen stehen für strukturierte Analyse und die saubere Brücke zwischen Fachbereich und IT: die Grundlage, auf der KI im Anforderungsprozess überhaupt tragfähig wird.
Whitepaper: KI im Requirements Engineering
AN ZWEI STANDORTEN FÜR SIE BEREIT
Unverbindliche Beratung
Starten Sie Ihr Digitalisierungs-Projekt mit einem ersten, unverbindlichen Gespräch mit unseren Experten. Unser Team erarbeitet auf Basis Ihrer Anforderungen und Herausforderungen einen individuellen Plan, völlig unverbindlich!
