KI ist kein Werkzeug für einen einzelnen Arbeitsschritt. Sie greift entlang des gesamten Anforderungsprozesses – in der Ermittlung anders als in der Spezifikation. Ein Gang durch die Phasen zeigt, wo sie hilft und wo der Mensch entscheidet.

Der Anforderungsprozess lässt sich grob gliedern: Ermittlung, Analyse, Spezifikation, Validierung und laufendes Management. In jeder Phase leistet KI etwas anderes, weil jede eine andere Art von Arbeit verlangt.

Ermittlung: aus Gesprächen werden Anforderungen

Am Anfang steht das Zuhören. Stakeholder beschreiben, was sie brauchen – in Interviews, E-Mails, Protokollen, oft unstrukturiert und zwischen den Zeilen. Sprachmodelle transkribieren und strukturieren diese Quellen, ziehen erste Anforderungen heraus und erkennen über Sentiment-Analyse auch implizite Bedürfnisse, die niemand ausgesprochen hat.

Ein Beispiel macht den Unterschied deutlich. Ein Stakeholder-Interview, das früher aufgenommen, transkribiert und von Hand zu Anforderungen verdichtet wurde, durchläuft diesen Weg heute in Minuten statt Tagen. Das Modell strukturiert das Gespräch, schlägt erste Anforderungen vor und markiert offene Punkte. Die Requirements Engineers prüfen, ergänzen und entscheiden, was tragfähig ist. Die gewonnene Zeit fließt zurück ins Gespräch mit den Beteiligten – dorthin, wo sie am meisten wert ist.

Analyse: Ordnung in die Menge bringen

Sind die Anforderungen erfasst, müssen sie sortiert werden. Analytische KI ordnet sie nach definierten Kriterien, findet über Ähnlichkeitsanalysen Widersprüche und Redundanzen und macht Abhängigkeiten sichtbar, die in einer langen Liste sonst untergehen. Das Ergebnis ist kein fertiges Urteil, sondern eine bessere Ausgangslage für das menschliche Urteil.

Spezifikation: einheitlich und präzise formulieren

In der Spezifikation kommt es auf Klarheit an. Generative KI vereinheitlicht Formulierungen nach vorgegebenen Templates und erzeugt aus beschreibendem Text sogar Modelle wie UML- oder BPMN-Diagramme. So entsteht aus verstreuten Notizen eine konsistente Spezifikation – die anschließend fachlich geprüft wird, weil eine plausible Formulierung noch keine korrekte ist.

Validierung: früh prüfen, ob es stimmt

Bevor eine Anforderung in die Umsetzung geht, muss sie geprüft werden: Ist sie vollständig, widerspruchsfrei, testbar? KI unterstützt hier, indem sie fehlende Elemente, mehrdeutige Begriffe und ungeprüfte Annahmen markiert. Sie ersetzt die fachliche Abnahme nicht, aber sie richtet den Blick auf die Stellen, die eine genauere Prüfung verdienen. Das spart Zeit und senkt die Wahrscheinlichkeit, dass ein Fehler unbemerkt weiterwandert.

Management: den Überblick behalten

Anforderungen leben. Sie ändern sich, hängen voneinander ab und müssen bis in Code und Tests nachverfolgbar bleiben. Dashboards liefern ein Echtzeitbild der Qualitätsindikatoren, während agentische KI die Nachverfolgbarkeit zwischen Anforderungen, Umsetzung und Tests pflegt. Gerade in langen Projekten verhindert das, dass Zusammenhänge verloren gehen.

Was der Mensch in jeder Phase beisteuert

Bei aller Automatisierung lohnt der Blick darauf, was in jeder Phase beim Menschen bleibt. In der Ermittlung ist es das Gespür dafür, was ein Stakeholder meint, aber nicht sagt. In der Analyse die Entscheidung, welcher von zwei Widersprüchen der wichtigere ist. In der Spezifikation das fachliche Urteil, ob eine Formulierung wirklich das Gemeinte trifft. In der Validierung die Verantwortung für die Abnahme. Und im Management die Priorisierung, wenn sich Anforderungen ändern. Die KI bereitet vor, der Mensch entscheidet – in jeder Phase.

Die Voraussetzungen: Daten und Werkzeug-Integration

Der Nutzen entlang der Phasen entfaltet sich nur, wenn zwei Voraussetzungen stimmen. Erstens die Daten: Anforderungen, die uneinheitlich erfasst sind, lassen sich schlecht analysieren, und Interviews, die niemand aufzeichnet, kann kein Sprachmodell auswerten. Zweitens die Integration: KI entfaltet ihren Wert dort, wo sie an das bestehende Anforderungswerkzeug angebunden ist und nicht als Insellösung daneben steht. Eine KI, deren Ergebnisse von Hand hin- und herkopiert werden müssen, kostet am Ende oft mehr Zeit, als sie spart.

Beide Punkte sind kein Grund zu warten, aber ein Grund, sie früh mitzudenken. Wer die Einführung von KI mit der Frage nach Datenqualität und Anbindung beginnt, erspart sich später die Enttäuschung über Ergebnisse, die an der Umgebung scheitern statt an der Technik.

Woran sich der Erfolg zeigt

Ob KI in den Phasen wirklich hilft, lässt sich beobachten. Sinnvolle Anhaltspunkte sind die Zeit von der Ermittlung bis zur fertigen Spezifikation, die Zahl der Anforderungsfehler, die erst spät auffallen, und der Anteil der Anforderungen, die wegen Unklarheiten überarbeitet werden müssen. Diese Größen vor und nach der Einführung zu vergleichen, macht den Nutzen sichtbar – und zeigt auch, wo der Einsatz noch nicht rundläuft.

Der Qualitätseffekt über alle Phasen

Ein Vorteil zieht sich durch den gesamten Prozess: die frühe Prüfung auf Qualität. KI findet Mehrdeutigkeiten, fehlende Elemente und uneinheitlich verwendete Begriffe, die einem menschlichen Prüfer unter Zeitdruck oft entgehen. Das wiegt schwer, denn der Aufwand, einen Anforderungsfehler zu beheben, steigt mit jeder Phase, in der er unentdeckt bleibt. Ein Fehler, der in der Ermittlung auffällt, kostet einen Bruchteil dessen, was seine Korrektur nach der Umsetzung verursacht. Wo Lücken früh auffallen, sinkt das Risiko teurer Nacharbeit später deutlich.

Damit dieser Effekt eintritt, braucht es angepasste Prozesse und ein klares Rollenverständnis. Die Werkzeuge allein liefern ihn nicht – sie zeigen die Auffälligkeiten, aber die Entscheidung, was daraus folgt, bleibt beim Menschen.

Häufige Fragen

In welcher Phase bringt KI den größten Nutzen? Am sichtbarsten ist der Effekt in der Ermittlung, wo aus Gesprächen in Minuten strukturierte Anforderungen werden. Der größte wirtschaftliche Hebel liegt aber meist in der frühen Qualitätsprüfung: Ein Fehler, der in der Ermittlung auffällt, kostet einen Bruchteil seiner Korrektur nach der Umsetzung.

Ersetzt KI die fachliche Abnahme in der Validierung? Nein. KI markiert fehlende Elemente, mehrdeutige Begriffe und ungeprüfte Annahmen und richtet den Blick auf die kritischen Stellen. Die Entscheidung, ob eine Anforderung tragfähig ist, bleibt beim Menschen.

Braucht man für KI im Anforderungsprozess ein spezielles Werkzeug? KI entfaltet ihren Wert am besten, wenn sie in das bestehende Anforderungswerkzeug integriert ist. Eine Insellösung, deren Ergebnisse von Hand kopiert werden müssen, kostet oft mehr Zeit, als sie spart.