Der Ausgangspunkt: Ein Prozess, der Zeit kostet
In vielen Softwareprojekten beginnt alles mit einem Dokument – einem Lastenheft, einer Spezifikation, einer Sammlung fachlicher Anforderungen. Bevor daraus Software entstehen kann, müssen diese Inhalte analysiert, strukturiert und in konkrete Arbeitsschritte überführt werden: Anforderungen identifizieren, klassifizieren, in User Stories überführen, Story Maps erstellen.
Dieser Prozess ist zeitaufwendig, erfahrungsabhängig – und wiederholt sich in jedem Projekt.
Mit leistungsfähigen Sprachmodellen stellt sich deshalb eine naheliegende Frage: Kann Künstliche Intelligenz diesen Prozess unterstützen?
Unsere Erfahrung zeigt: Ja – aber nur, wenn man KI als Teil eines strukturierten Prozesses einsetzt.
Der naheliegende Ansatz – und seine Grenzen
Der erste Gedanke liegt nahe: Man übergibt ein Lastenheft an ein Sprachmodell und bittet es, daraus User Stories zu generieren.
In vielen Demonstrationen funktioniert das erstaunlich gut. Doch sobald man diesen Ansatz in realen Projekten testet, zeigen sich schnell Grenzen: Ergebnisse sind uneinheitlich, wichtige Anforderungen werden übersehen, Struktur und Nachvollziehbarkeit fehlen.
Der Grund ist einfach: Große Sprachmodelle erzeugen Texte – sie folgen jedoch nicht automatisch einem strukturierten Analyseprozess. Für produktive Anwendungen reicht ein einzelner Prompt nicht aus.
Die Idee: Eine Pipeline statt einzelner KI-Schritte
Statt die gesamte Aufgabe einem Modell zu überlassen, haben wir den Analyseprozess in klar definierte Schritte zerlegt. So entstand eine KI-gestützte RE-Pipeline – entwickelt und systematisch getestet im Rahmen einer Masterarbeit an der TH Augsburg, überprüft durch externe Fachexperten aus der Praxis.
Vier Modi – je nach Komplexität der Aufgabe
Die Pipeline arbeitet nicht nach dem Prinzip "eine KI für alles". Je nach Aufgabe greift sie auf unterschiedliche Ansätze zurück:
Der Prompting-Modus verarbeitet standardisierte Anforderungen direkt – schnell und ohne Umwege. Der RAG-Modus (vereinfacht gesagt: KI, die Ihre bestehende Projektdokumente mitliest) reichert die Analyse mit Inhalten aus vorhandener Dokumentation an. Der Agenten-Modus übernimmt mehrstufige Aufgaben eigenständig – er plant Teilschritte und führt sie aus. Der Graph-Modus macht vernetzte Abhängigkeiten zwischen Anforderungen sichtbar, die in klassischer Dokumentation leicht verloren gehen.
Jeder Modus schließt die vorherige Stufe ein und erweitert sie. Die Wahl des richtigen Modus liegt beim Menschen.
Ein Beispiel aus der Praxis
Ein typisches Szenario: Ein 80-seitiges Lastenheft liegt vor. Manuell würde ein erfahrener Analyst mehrere Tage benötigen, um daraus einen ersten strukturierten Backlog-Entwurf zu erstellen – mit allen User Stories, Abhängigkeiten und Priorisierungshinweisen.
Mit der RE-Pipeline wird dieses Dokument schrittweise verarbeitet: Anforderungen werden extrahiert, klassifiziert und in strukturierte agile Artefakte überführt. Der Analyst prüft, ergänzt und entscheidet – aber er beginnt nicht bei null.
Das Ergebnis: Der erste Backlog-Entwurf entsteht in weniger als der halben Zeit. Die Trefferquote bei der Anforderungserkennung liegt zwischen 75 % und 90 % – je nach Dokumenttyp und Komplexität.
Human-AI-Workflows statt vollständiger Automatisierung
Die KI unterstützt vor allem dort, wo große Mengen Text analysiert und strukturiert werden müssen. Die Verantwortung für Bewertung, Priorisierung und Entscheidungen bleibt beim Menschen.
Das ist kein Kompromiss – es ist Absicht. Dadurch lassen sich zwei wichtige Ziele gleichzeitig erreichen: Effizienz bei der Analyse umfangreicher Dokumente und Nachvollziehbarkeit und Kontrolle der Ergebnisse.
Anforderungen enthalten häufig Interpretationsspielraum und erfordern fachliches Kontextwissen, das kein Modell ersetzen kann.
Was das für Ihr Unternehmen bedeutet
- Schnellerer Projektstart: Der erste strukturierte Backlog-Entwurf entsteht in weniger als der Hälfte der bisherigen Zeit
- Weniger Wissensverlust: Anforderungen werden systematisch erfasst – nicht abhängig davon, wer gerade im Raum sitzt
- Bessere Nachvollziehbarkeit: Jede Anforderung ist dokumentiert, strukturiert und rückverfolgbar
- Schnelleres Onboarding: Neue Teammitglieder finden sich in strukturierten Backlogs deutlich schneller zurecht
Der entscheidende Punkt: Architektur statt Einzeltool
Produktive KI entsteht selten durch ein einzelnes Tool oder einen isolierten Modellaufruf. Sie entsteht durch gut gestaltete Prozesse, in denen KI gezielt einzelne Schritte unterstützt.
Die RE-Pipeline ist damit weniger ein einzelnes System als ein Architekturprinzip: Komplexe Aufgaben werden in Verarbeitungsschritte zerlegt – einige automatisiert, andere bewusst beim Menschen belassen.
Autorin: Tatjana Kuzmin
B.Sc. Wirtschaftsinformatik (FH)
AI Integration Lead bei der SSA SoftSolutions GmbH