Sie verbinden fachliche Ziele, Nutzerbedürfnisse, technische Machbarkeit und wirtschaftlichen Nutzen.
Gleichzeitig entstehen sie oft unter Zeitdruck, mit unvollständigen Informationen und aus sehr unterschiedlichen Quellen: Gesprächen, Screenshots, Tickets, Prozessbeschreibungen, E-Mails oder Workshops.
Künstliche Intelligenz kann hier unterstützen. Nicht, indem sie Fachwissen, Produktverantwortung oder Abstimmung ersetzt, sondern indem sie hilft, Informationen zu strukturieren, Unklarheiten sichtbar zu machen und erste Entwürfe schneller
nutzbar zu machen.
Warum Requirements oft schwierig sind
Requirements scheitern selten daran, dass niemand eine Idee hat. Häufig liegt das Problem eher in der Formulierung und im gemeinsamen Verständnis.
Typische Herausforderungen sind:
- Anforderungen beschreiben eine Lösung, aber nicht das eigentliche Problem.
- Der relevante Nutzer oder Prozess ist nicht klar benannt.
- Akzeptanzkriterien fehlen oder bleiben zu allgemein.
- Abhängigkeiten und Einschränkungen werden erst spät erkannt.
- Der erwartete Business Value ist nicht sichtbar.
- Design, Entwicklung und Fachbereich interpretieren dieselbe Anforderung unterschiedlich.
Das Ergebnis sind Rückfragen, Nacharbeit, Verzögerungen und manchmal Funktionen, die zwar umgesetzt wurden, aber nicht den eigentlichen Bedarf treffen.
Was KI bei Requirements leisten kann
KI kann aus vorhandenen Informationen strukturierte Vorschläge erzeugen. Dazu gehören zum Beispiel User Stories, Akzeptanzkriterien, offene Fragen, Annahmen, Risiken oder Hinweise auf fehlende Details.
Beispiel:
As a customer service employee,
I want to see all relevant customer documents in one place,
so that I can answer customer requests faster and with fewer system switches.
Dazu kann KI erste Akzeptanzkriterien formulieren:
Acceptance Criteria:
Given a customer profile is open,
when the employee opens the documents section,
then all available documents for this customer are displayed.
Given no documents are available,
when the documents section is opened,
then the system shows a clear empty-state message.
Der Mehrwert liegt nicht darin, dass dieser Vorschlag automatisch richtig ist. Der Mehrwert liegt darin, dass ein prüfbarer Ausgangspunkt entsteht. Fachbereich, Product Owner, UX und Entwicklung können schneller diskutieren, was stimmt, was fehlt und was priorisiert werden sollte.
KI als Strukturierungshilfe
Besonders hilfreich ist KI, wenn sie mit klaren Qualitätskriterien arbeitet. Ein Beispiel dafür ist eine Definition of Ready. Sie beschreibt, wann eine Anforderung ausreichend vorbereitet ist, damit Design oder Entwicklung sinnvoll starten können.
Eine gute Definition of Ready kann beispielsweise folgende Punkte enthalten:
- klares Problemstatement
- relevanter User Need
- relevanter Prozessbedarf
- Business-Kontext und erwarteter Nutzen
- bekannte Einschränkungen und Abhängigkeiten
- erste Akzeptanzkriterien oder Qualitätserwartungen
- Prioritätskontext im Backlog
- offene Fragen, sofern sie den Start nicht blockieren
Wenn KI gezielt gegen diese Kriterien arbeitet, entstehen Requirements, die nicht nur sprachlich sauberer sind, sondern auch vollständiger geprüft werden können.
Von Screenshots zu User Stories
Ein praktischer Anwendungsfall ist die Analyse von Screenshots. In vielen Projekten entstehen Anforderungen zunächst visuell: jemand zeigt einen bestehenden Prozess, eine Maske, einen Fehlerzustand oder eine gewünschte Änderung. Daraus eine gute User Story zu formulieren, kostet Zeit.
KI kann solche Screenshots analysieren und daraus einen ersten strukturierten Entwurf erzeugen:
- Was ist vermutlich das Problem?
- Wer ist betroffen?
- Welcher Prozess wird unterstützt?
- Welcher Nutzen könnte entstehen?
- Welche Akzeptanzkriterien sind naheliegend?
- Welche Fragen sind noch offen?
Das ist besonders nützlich, wenn Teams viele kleine Anforderungen oder Change Requests aus bestehenden Systemen bearbeiten. Der initiale Aufwand sinkt, ohne dass die fachliche Prüfung entfällt.
Wie lokale KI dabei helfen kann
Ein besonders interessanter Ansatz ist der Einsatz lokaler KI. Dabei werden Modelle nicht über externe Cloud-Dienste angesprochen, sondern innerhalb der eigenen Infrastruktur ausgeführt, zum Beispiel auf einem leistungsfähigen Arbeitsplatzrechner, Server oder einer GPU-Maschine.
Das kann für Requirements Engineering mehrere Vorteile haben.
Erstens bleiben sensible Informationen besser kontrollierbar. Requirements enthalten häufig interne Prozessdetails, Screenshots aus Fachanwendungen, Kundendaten, Rollenmodelle, Systemnamen oder strategische Hinweise. Wenn diese Informationen lokal verarbeitet werden, verlassen sie nicht automatisch das eigene Netzwerk. Das kann Datenschutz, Informationssicherheit und Compliance erleichtern.
Zweitens lassen sich lokale KI-Anwendungen näher an bestehende Arbeitsprozesse anbinden. Eine interne Weboberfläche kann beispielsweise Screenshots entgegennehmen, diese an ein lokales Sprach- oder Vision-Modell senden und daraus direkt eine User Story mit Akzeptanzkriterien erzeugen. Die Ausgabe kann anschließend in ein Backlog-System, ein Wiki oder ein Review-Dokument übernommen werden.
Drittens kann das Verhalten stärker standardisiert werden. Ein lokales Tool kann mit festen Prompts, vorgegebenen Ausgabeformaten und unternehmensspezifischen Qualitätskriterien arbeiten. So entstehen Requirements nicht jedes Mal nach persönlichem Stil, sondern entlang eines gemeinsamen Standards.
Ein mögliches lokales Szenario
- Eine Person kopiert einen Screenshot aus einer Anwendung.
- Sie fügt ihn per CTRL+V in eine interne Weboberfläche ein.
- Die Anwendung sendet den Screenshot an ein lokales KI-Modell.
- Das Modell analysiert die sichtbare Situation und erzeugt einen Requirements-Entwurf.
- Der Entwurf enthält Problemstatement, User Need, Prozessbedarf, Akzeptanzkriterien, offene Fragen und eine Prüfung gegen die Definition of Ready.
- Das Team prüft, ergänzt und priorisiert den Vorschlag.
Dadurch wird aus einem visuellen Eindruck schneller ein strukturierter Diskussionsgegenstand.
Lokale KI ersetzt keine fachliche Prüfung
Auch bei lokaler KI gilt: Die Ausgabe ist ein Vorschlag, keine Wahrheit. Ein Modell kann Zusammenhänge aus Screenshots ableiten, aber es kennt nicht zwingend die tatsächliche Prozesslogik, rechtliche Rahmenbedingungen, technische Architektur oder Priorität im Unternehmen.
Deshalb sollte lokale KI vor allem als Assistenzsystem verstanden werden. Sie hilft beim Sortieren, Formulieren und Verdichten. Die fachliche Entscheidung bleibt bei den Menschen.
Sinnvoller Ablauf:
Input → KI-Entwurf → fachliches Review → Schärfung → Priorisierung → Umsetzung
Nicht sinnvoll:
Input → KI-Entwurf → direkte Umsetzung ohne Prüfung
Gerade weil lokale KI schnell und bequem verfügbar ist, braucht sie klare Leitplanken: Welche Daten dürfen verarbeitet werden? Welche Modelle sind freigegeben? Welche Ausgabeformate gelten? Wer überprüft die Ergebnisse? Wann ist ein Requirement tatsächlich „ready“?
Technische Bausteine einer lokalen Lösung
Eine lokale Requirements-KI muss nicht zwangsläufig komplex sein. Häufig reichen wenige Bausteine:
- eine einfache Weboberfläche für Texte, Screenshots oder Dokumente
- ein Backend zur Aufbereitung der Eingaben
- ein lokales Sprach- oder Vision-Modell
- ein standardisierter Prompt
- eine strukturierte Ausgabe als Text oder JSON
- eine Möglichkeit zur Weiterverwendung im Backlog, Wiki oder Review-Prozess
Bei Screenshot-basierten Anforderungen ist ein multimodales Modell hilfreich, das Bilder und Text gemeinsam verarbeiten kann. Für reine Textanforderungen genügt oft ein Sprachmodell. Wichtig ist weniger die technische Eleganz als die Einbettung in den Arbeitsprozess.
Besonders nützlich sind feste Ausgabeformate. Wenn das Modell zum Beispiel immer dieselbe Struktur liefert, können Teams die Ergebnisse leichter prüfen:
Title
User Story
Problem Statement
User Need
Process Need
Business Context
Expected Value
Acceptance Criteria
Dependencies
Constraints
Open Questions
Definition of Ready Check
Noch strukturierter wird es mit JSON. Dann kann das Ergebnis später maschinell weiterverarbeitet werden, etwa für Backlog-Importe, Qualitätsscores oder automatische Review-Checklisten.
Vorteile lokaler KI im Requirements Engineering
Lokale KI kann besonders dort nützlich sein, wo Anforderungen aus sensiblen oder internen Quellen entstehen. Dazu gehören Screenshots aus Fachsystemen, Prozessvarianten, interne Rollen, Kundenfälle oder technische Systemlandschaften.
Die wichtigsten Vorteile sind:
- mehr Kontrolle über Datenflüsse
- geringere Hürde für die Nutzung sensibler Screenshots
- konsistente Requirements-Struktur
- schnellere Erstentwürfe
- bessere Vorbereitung für Refinements
- Möglichkeit zur Integration in interne Tools
- Unabhängigkeit von einzelnen Cloud-Diensten
Diese Vorteile entstehen allerdings nicht automatisch. Sie hängen davon ab, wie gut das Tool gestaltet ist, wie passend das Modell ist und wie klar die Qualitätskriterien formuliert sind.
Grenzen lokaler KI
Lokale KI bringt auch Einschränkungen mit sich. Lokale Modelle können je nach Hardware langsamer sein als Cloud-Modelle. Die Qualität kann variieren, insbesondere bei komplexen Screenshots, kleinen Schriftgrößen oder domänenspezifischen Begriffen. Auch Wartung, Modellupdates, Betrieb und Zugriffsschutz müssen bedacht werden.
Zudem bedeutet „lokal“ nicht automatisch „sicher“. Auch lokale Systeme brauchen Berechtigungen, Protokollierung, sichere Netzwerkkonfiguration, klare Löschkonzepte und transparente Nutzungsregeln. Ein lokal betriebenes Modell ist nur ein Baustein in einem verantwortungsvollen Umgang mit Daten.
Gute Prompts sind entscheidend
Ob lokal oder cloudbasiert: Die Qualität hängt stark vom Prompt ab. Ein hilfreicher Prompt sollte nicht nur fragen: „Schreibe eine User Story.“ Besser ist es, klare Qualitätskriterien und eine gewünschte Struktur vorzugeben.
Analyze the provided requirement information and create a user story with acceptance criteria.
The result should include:
– problem statement
– user need
– process need
– business context
– expected value
– known constraints
– dependencies
– acceptance criteria
– open questions
– Definition of Ready check
Damit wird die KI nicht nur zum Textgenerator, sondern zu einem strukturierten Review-Werkzeug. Für lokale KI ist dieser Punkt besonders wichtig, weil die Anwendung meist wiederholt im Team genutzt wird. Ein guter Standardprompt kann helfen, gleichbleibende Ergebnisse zu erzeugen und die Definition of Ready praktisch im Arbeitsalltag zu verankern.
Der Mensch bleibt verantwortlich
KI kann Requirements verbessern, aber sie kann Verantwortung nicht übernehmen. Sie kennt häufig nicht alle fachlichen Hintergründe, politischen Prioritäten, regulatorischen Rahmenbedingungen oder technischen Abhängigkeiten. Deshalb sollten KI-generierte Requirements immer überprüft werden.
Wichtig ist vor allem: KI sollte nicht als Autorität betrachtet werden, sondern als Assistenzsystem. Sie liefert Vorschläge, erkennt Muster und formuliert Varianten. Die Entscheidung, ob eine Anforderung fachlich korrekt, sinnvoll priorisiert und umsetzbar ist, bleibt beim Team.
