„Wir setzen KI ein“ sagt wenig, solange unklar ist, welche. Im Anforderungsprozess kommen vier grundlegend verschiedene Typen zum Einsatz. Wer sie unterscheidet, wählt das passende Werkzeug – statt für jede Aufgabe dasselbe.

KI ist ein Sammelbegriff, kein einzelnes Werkzeug. Die vier Typen, die im Requirements Engineering eine Rolle spielen, unterscheiden sich in dem, was sie tun, worin sie gut sind und wo ihre Grenzen liegen. Diese Unterschiede zu kennen ist die Voraussetzung für einen sinnvollen Einsatz.

Generative KI: erzeugt Inhalte

Große Sprachmodelle wie GPT oder Claude erzeugen neue Inhalte aus dem, was sie gelernt haben – Anforderungsentwürfe, Prozessbeschreibungen, standardisierte Formulierungen. Ihre Stärke ist Flexibilität: Sie verstehen Kontext und passen sich unterschiedlichen Aufgaben an. Ihre Schwäche ist die Kehrseite davon. Sie neigen zu Halluzinationen, also zu überzeugend formulierten, aber falschen Aussagen, und ihre Logik ist von außen schwer nachzuvollziehen.

Ein Beispiel aus dem Anforderungsprozess: Aus der stichwortartigen Notiz „Nutzer soll Passwort zurücksetzen können“ formuliert ein Sprachmodell in Sekunden eine vollständige User Story samt Akzeptanzkriterien – inklusive der Fälle, die in der Notiz fehlten, etwa der Ablauf bei einer ungültigen E-Mail-Adresse. Generative KI eignet sich dort, wo ein Mensch das Ergebnis ohnehin prüft, bevor es verbindlich wird.

Prädiktive KI: schätzt auf Datenbasis

Prädiktive Modelle wie Regressionen oder Random Forests sagen auf Basis historischer Daten voraus – etwa den Aufwand für ein Anforderungspaket, das Risiko eines Konflikts oder die Wahrscheinlichkeit, dass eine Anforderung noch geändert wird. Ihr Vorteil ist Klarheit: Sie liefern Werte mit einer nachvollziehbaren Konfidenz. Ihr Nachteil ist die Abhängigkeit von guten historischen Daten. Ohne verlässliche Vergangenheit gibt es keine belastbare Prognose.

Ein Beispiel: Auf Basis von 200 abgeschlossenen Anforderungen aus früheren Projekten schätzt das Modell, dass eine neue Anforderung mit hoher Wahrscheinlichkeit mehr Aufwand verursacht als geplant – weil sie Merkmale teilt mit Anforderungen, die in der Vergangenheit regelmäßig nachgebessert werden mussten. Diese Warnung kommt früh, wenn Gegensteuern noch günstig ist.

Analytische KI: erkennt Muster

Verfahren wie Clustering oder Text Mining ordnen und vergleichen. Im Anforderungsprozess erkennen sie über Ähnlichkeitsanalysen Redundanzen, gruppieren verwandte Anforderungen und machen Abhängigkeiten sichtbar, die in einer langen Liste sonst untergehen. Analytische KI arbeitet strukturiert und konsistent – dieselbe Eingabe führt zum selben Ergebnis. Auch sie hängt aber stark von der Datenqualität ab: Was schlecht erfasst ist, wird schlecht analysiert.

Ein Beispiel: In einem Bestand von 800 Anforderungen gruppiert die analytische KI alle, die sich auf das Thema Zugriffsrechte beziehen, und macht sichtbar, dass drei davon einander widersprechen. In einer manuell gepflegten Liste wäre dieser Widerspruch womöglich erst in der Umsetzung aufgefallen.

Agentische KI: handelt eigenständig

Agentische Systeme kombinieren mehrere dieser Fähigkeiten und führen komplexe Aufgaben selbstständig aus, etwa das laufende Traceability-Management zwischen Anforderungen, Code und Tests. Das ist ihr Reiz und zugleich ihr Risiko: Je mehr eine KI eigenständig entscheidet, desto sorgfältiger muss sie überwacht werden.

Ein Beispiel: Ändert sich eine Anforderung, verfolgt die agentische KI selbstständig, welche Code-Bausteine und Testfälle davon betroffen sind, und markiert sie zur Prüfung – eine Arbeit, die von Hand mühsam und fehleranfällig ist. Agentische KI verlangt die klarsten Regeln, wer wann eingreift.

Wie die Typen in echten Werkzeugen zusammenspielen

In der Praxis begegnen einem diese vier Typen selten einzeln. Moderne Anforderungswerkzeuge kombinieren sie unter einer Oberfläche, ohne dass es sichtbar ist. Wenn ein Tool ein Interview transkribiert (generativ), die Ergebnisse mit bestehenden Anforderungen abgleicht (analytisch), den Aufwand schätzt (prädiktiv) und die Nachverfolgbarkeit pflegt (agentisch), arbeiten alle vier zusammen.

Trotzdem lohnt sich das Wissen um die Unterschiede, weil es die Erwartung steuert. Von einem Sprachmodell eine präzise Aufwandsschätzung zu verlangen, führt zu Enttäuschung – dafür ist prädiktive KI da. Von einem Clustering-Verfahren neue Formulierungen zu erwarten, ebenfalls. Die richtige Frage lautet nicht „Können wir KI einsetzen?“, sondern „Welche KI passt zu dieser Aufgabe?“.

Die gemeinsame Voraussetzung: Daten

So verschieden die vier Typen sind, eine Bedingung teilen sie: Sie sind nur so gut wie die Daten, mit denen sie arbeiten. Prädiktive KI braucht verlässliche historische Projektdaten, analytische KI saubere und einheitlich erfasste Anforderungen, generative KI einen präzisen Kontext, und agentische KI korrekte Verknüpfungen zwischen Anforderungen, Code und Tests. Wer KI einführt, ohne zuvor die eigene Datenlage zu prüfen, erlebt oft, dass die Ergebnisse hinter den Erwartungen zurückbleiben – nicht weil die Technik schwach wäre, sondern weil ihr die Grundlage fehlt.

Das ist eine gute Nachricht, denn die Datenqualität lässt sich verbessern. Häufig ist die Vorarbeit an sauberen, gut strukturierten Anforderungen der größte Hebel für den späteren KI-Erfolg – und sie zahlt sich auch ohne KI aus.

Wann welcher Typ nicht passt

Genauso wichtig wie die Stärken sind die Grenzen. Generative KI ist die falsche Wahl, wenn niemand das Ergebnis prüfen kann oder will, weil ihre Fehler überzeugend aussehen. Prädiktive KI führt in die Irre, solange keine belastbaren Vergangenheitsdaten vorliegen – eine Schätzung aus dem Nichts ist gefährlicher als gar keine, weil sie eine Sicherheit vortäuscht. Analytische KI stößt an Grenzen, wenn die zugrunde liegenden Anforderungen uneinheitlich erfasst sind, denn dann findet sie Muster, die es gar nicht gibt. Und agentische KI gehört nicht in einen Prozess, in dem die Regeln für das Eingreifen des Menschen noch nicht geklärt sind.

Die Kunst liegt also weniger darin, möglichst viel KI einzusetzen, als darin, den passenden Typ dort einzusetzen, wo seine Stärken zählen und seine Schwächen wenig schaden.

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.