Wie KI das Requirements Engineering verändert

KI verändert nicht nur was und wie wir entwickeln, sondern auch wie wir dafür die Anforderungen formulieren und verstehen müssen. Für das Requirements Engineering bedeutet das eine strukturelle Veränderung. Anforderungen beschreiben nicht mehr nur Funktionen, sondern definieren Qualitätsniveaus, Kontextbedingungen und akzeptable Abweichungen.

Zwei Tester, ein Problem: Was heißt „richtig“, wenn das System Wahrscheinlichkeiten liefert?

Klassische Software wird in der Regel so entworfen, dass sie bei gleicher Eingabe ein reproduzierbares Verhalten zeigt. Eine definierte Eingabe führt zu einem reproduzierbaren Ergebnis. Anforderungen beschreiben dieses Verhalten eindeutig und lassen sich über Testfälle verifizieren. KI-Systeme folgen einem anderen Prinzip. Ihr Verhalten entsteht aus Mustern in Daten. Das Ergebnis ist kein fester Wert, sondern ein Score, der als Wahrscheinlichkeit interpretiert werden kann. In der Praxis sind diese Werte jedoch nicht immer kalibriert und müssen im Anwendungskontext bewertet werden. Damit verschiebt sich der Bewertungsmaßstab von „richtig oder falsch“ hin zu „ausreichend gut im Kontext“.

Die 5 zentralen Veränderungen im Requirements Engineering durch KI

1. Anforderungen beschreiben Qualität statt nur Funktion

In KI-Systemen entsteht Verhalten aus Optimierung auf Zielmetriken. Modelle werden über Loss-Funktionen trainiert und anhand von Metriken wie Accuracy oder Recall bewertet. Sie liefern Ergebnisse mit unterschiedlicher Güte. Das zeigt sich etwa bei der Klassifikation von Support-Tickets. Eine Trefferquote von 92 Prozent kann fachlich sinnvoll sein, wenn klar geregelt ist, wie mit verbleibenden Abweichungen umgegangen wird. Die Anforderung verschiebt sich damit von einer reinen Funktionsbeschreibung hin zu einer Definition von Qualitätsniveau und Fehlertoleranz. Erst durch diese Präzisierung wird bewertbar, ob ein System im Anwendungskontext tragfähig arbeitet.

2. Unsicherheit wird Teil der Anforderungen

Vorhersagen von KI-Modellen enthalten stets eine Unsicherheitsdimension. Dieselässt sich näherungsweise über Konfidenzwerte oder Unsicherheitsmaße abschätzen und gezielt in die Systemlogik integrieren. Ein Modell, das eine Anfrage mit geringer Sicherheit klassifiziert, liefert ein anderes Signal als eine klare Zuordnung. Daraus entsteht die Notwendigkeit, Entscheidungslogiken entlang von Schwellenwerten zu definieren. Systeme steuern dann bewusst, wann automatisiert entschieden wird und wann eine Übergabe erfolgt. Unsicherheit wird damit zu einem steuerbaren Bestandteil der Anforderungen und zu einem zentralen Element der Systemarchitektur.

3. Daten werden Teil der Spezifikation

Die Qualität eines KI-Systems ist direkt an die Qualität seiner Daten gebunden. Trainingsdaten prägen das Verhalten eines Modells, solange es nicht durch Retraining oder Anpassungen verändert wird. In einem Forecasting-Szenario können beispielsweise außergewöhnliche Marktphasen dominante Muster erzeugen. Modelle übernehmen diese Muster und übertragen sie in zukünftige Prognosen. Ohne bewusste Einordnung entsteht ein verzerrtes Systemverhalten. Requirements Engineering erweitert sich dadurch um datenbezogene Aspekte. Anforderungen definieren, welche Daten verwendet werden, wie ihre Qualität bewertet wird und wie Veränderungen im Zeitverlauf berücksichtigt werden. Daten werden damit zu einem integralen Bestandteil der Systemdefinition.

4. Transparenz wird zum Systemmerkmal

Mit wachsender Nutzung von KI steigt die Erwartung an nachvollziehbare Entscheidungen. Systememüssen in vielen Kontexten nachvollziehbare oder erklärungsähnliche Informationen liefern. Das gilt besonders in regulierten Kontexten, etwa bei finanziellen oder personenbezogenen Entscheidungen. Ein Modell, das eine Entscheidung trifft, erzeugt erst dann Vertrauen, wenn diese Entscheidung nachvollziehbar bleibt. Requirements beschreiben daher, welche Entscheidungen erklärbar sein müssen und in welcher Form diese Erklärungen bereitgestellt werden. Transparenz wird so zu einem gestaltbaren Qualitätsmerkmal des Systems.

5. Human-in-the-Loop!

KI-Systeme entfalten ihren Nutzen besonders in Kombination mit menschlicher Expertise. Modelle verarbeiten große Datenmengen effizient, während Menschen Kontext bewerten und Grenzfälle einordnen. Zum Beispiel bei der automatisierten Verarbeitung von Dokumenten. Das System extrahiert Informationen und übergibt Fälle mit geringer Sicherheit zur Prüfung. Daraus entsteht ein abgestimmter Entscheidungsprozess. Requirements Engineering beschreibt diese Zusammenarbeit gezielt. Es definiert Übergabepunkte, Verantwortlichkeiten und Interaktionen. Systeme entstehen so als kooperative Entscheidungsarchitekturen.

Die Qualität eines Systems beginnt bei der Qualität seiner Anforderungen

Requirements Engineers bewegen sich zunehmend an der Schnittstelle zwischen Fachbereich, Data Science und Softwareentwicklung. Sie übersetzen fachliche Ziele in messbare Qualitätskriterien und strukturieren den Umgang mit Unsicherheit und Daten. Datengovernance, Nachvollziehbarkeit und regulatorische Anforderungen gewinnen an Bedeutung. Die Rolle entwickelt sich damit von der reinen Spezifikation hin zur Gestaltung komplexer, datengetriebener Systeme.

Mit dem Einsatz von KI erweitert sich das Aufgabenfeld im Requirements Engineering deutlich. Fachliche Anforderungen verbinden sich stärker mit datenbezogenen und modellbezogenen Fragestellungen. Projekte mit tragfähigen Ergebnissen berücksichtigen diese Perspektive von Beginn an. Sie formulieren Anforderungen präzise, integrieren Daten bewusst und gestalten die Zusammenarbeit zwischen Mensch und KI systematisch.