Automatische Importierung und KI-basierte Bewertung von Anforderungen in RM-Tools

Warum viele Unternehmen glauben, Automatisierung sei die Lösung

Viele Organisationen stehen heute unter enormem Druck: immer mehr Kundenanforderungen, kürzere Entwicklungszyklen, steigende Dokumentationspflichten.

Das Ergebnis: Teams verbringen einen Großteil ihrer Zeit mit administrativen Aufgaben, statt mit der eigentlichen Analyse oder Abstimmung.

Typische Symptome sind:

• Anforderungen werden aus Excel-Listen oder PDF-Dokumenten manuell in Tools übertragen.
• Unterschiedliche Formate und Schreibweisen führen zu Chaos in der Struktur.
• Die inhaltliche Bewertung bleibt oberflächlich, weil schlicht die Zeit fehlt.
• Änderungen oder neue Versionen führen regelmäßig zu Verwirrung.

In dieser Situation klingt der Gedanke an Automatisierung verlockend. Eine KI, die automatisch importiert, sortiert und bewertet, scheint wie die perfekte Antwort auf den steigenden Aufwand.

Doch genau hier beginnt das Missverständnis.

Der Grund dafür liegt nicht in der Technik, sondern im Mindset. Viele Unternehmen verstehen Requirements Management primär als Datenverwaltung, nicht als Entscheidungsprozess.

Die Folge: Sie suchen Lösungen, die Aufgaben wegnehmen, statt sie besser zu machen – obwohl es sich um Aufgaben handelt, die ohnehin getan werden müssen.

Das führt zu drei typischen Fehlannahmen:

1. „Wenn alles importiert ist, ist die Arbeit getan.“
   → Dabei beginnt die eigentliche Arbeit erst nach dem Import: Verstehen, bewerten, abstimmen.
2. „KI kann die Qualität von Anforderungen objektiv beurteilen.“
   → KI erkennt Muster, aber sie versteht keine Absichten, Zusammenhänge oder Abhängigkeiten.
   Eine Anforderung kann formal perfekt formuliert, aber inhaltlich völlig falsch sein.
3. „Automatisierung ersetzt Know-how.“
   → Tatsächlich ersetzt sie nur Handarbeit. Fachliches Verständnis bleibt unverzichtbar.

Ein Beispiel verdeutlicht das: Solange Maschinen nicht selbstständig Produkte entwerfen, entwickeln und bauen, müssen Menschen Anforderungen ohnehin interpretieren und daraus Lösungen ableiten.

Die Bewertung eingehender Anforderungen vollständig zu automatisieren, ist daher zwar verständlich, langfristig aber der falsche Ansatz.

Kurz gesagt: Wer glaubt, mit Automatisierung das Requirements Engineering überflüssig zu machen, hat es nie wirklich verstanden.

‍

Wie Automatisierung und KI richtig eingesetzt werden

Automatisierung im Requirements Engineering ist kein Allheilmittel, aber ein mächtiger Hebel, wenn sie gezielt und integriert eingesetzt wird. Entscheidend ist, dass sie Routinearbeit reduziert, ohne den Erkenntnisprozess oder die methodische Kontrolle zu ersetzen.

Ein praxisbewährter Ansatz besteht aus drei aufeinander aufbauenden Schritten:

1. Automatischer Import – Struktur statt Chaos

Der erste Schritt besteht darin, eingehende Anforderungsdokumente (z. B. Excel, Word oder ReqIF-Dateien) automatisch zu importieren und zu strukturieren.

Moderne Tools wie reqSuite® rm erkennen dabei nicht nur formale Strukturen, sondern auch semantische Zusammenhänge. So können Anforderungen automatisch Themenbereichen, Komponenten oder Verantwortlichen zugeordnet werden – und zwar innerhalb eines konsistenten, versionierten Projekts. Das ist entscheidend, denn nur in einer integrierten RM-Umgebung bleiben Importdaten nicht isoliert, sondern werden sofort Teil eines nachvollziehbaren Anforderungsmodells mit Verknüpfungen, Historien und Verantwortlichkeiten.

2. KI-basierte Bewertung – Qualität erkennen, statt sie zu raten

Im zweiten Schritt übernimmt künstliche Intelligenz die inhaltliche Vorprüfung.

Sie erkennt beispielsweise:

• unvollständige Formulierungen („Das System soll flexibel sein…“),
• mehrdeutige Begriffe („schnell“, „einfach“, „kosteneffizient“),
• oder inhaltliche Unstimmigkeiten zu Fachbereichen, Systemkomponenten oder Projekten.

So entsteht ein datenbasiertes Bild der Anforderungsqualität – lange bevor ein Mensch alles gelesen hat.

Das Ziel ist jedoch nicht, Entscheidungen zu treffen, sondern gezielt auf jene Punkte hinzuweisen, an denen menschliche Aufmerksamkeit erforderlich ist. Entscheidend ist: Diese Analysen entfalten ihren Nutzen nur, wenn sie direkt im Kontext eines vollständigen RM-Prozesses stattfinden – also mit Rückverfolgbarkeit, Versionierung, Workflows und Impact-Analysen. Nur so wird aus einer punktuellen Bewertung ein wirklich nutzbares Ergebnis für das Projektteam.

3. Regelbasierte Prozesse – Konsistenz im gesamten RE-Zyklus

Damit die Ergebnisse der KI-Analyse im Alltag wirken, braucht es klar definierte Regeln:

• Welche Anforderungen müssen nachgearbeitet werden?
• Welche dürfen direkt weiterverarbeitet werden?
• Welche werden an welche Abteilung übergeben?

Mit regelbasierten Workflows lassen sich diese Übergänge nahtlos automatisieren – etwa indem Qualitätsprüfungen, Review-Prozesse oder Genehmigungsschritte automatisch angestoßen werden.

Doch auch hier gilt: Solche Regeln entfalten nur dann Wirkung, wenn sie Teil eines vollständigen RM-Prozesses sind, der Anforderungen mit Tests, Risiken, Normanforderungen oder Designartefakten verknüpft. Nur eine integrierte Lösung schafft die Verbindung zwischen Analyse, Nachverfolgung und Umsetzung, die moderne Produktentwicklung erfordert.

‍

Best Practices: Wie KI und Mensch optimal zusammenarbeiten

Automatisierung entfaltet ihren vollen Nutzen nur, wenn sie eingebettet ist in eine klare Methodik, eine vernetzte Toollandschaft und eine gelebte Verantwortungskultur.

Fünf bewährte Prinzipien haben sich dabei herauskristallisiert:

1. „Automatisiere Vorbereitung, nicht Entscheidung.“
   Lass KI die Basisarbeit übernehmen, aber halte Fachentscheidungen in menschlicher Hand.
2. „Bleib kritisch gegenüber Ergebnissen.“
   KI ist nur so gut wie die Daten, auf denen sie trainiert wurde. Regelmäßige Validierung ist Pflicht.
3. „Mach den Prozess transparent.“
   Alle Beteiligten sollten nachvollziehen können, wie Bewertungen zustande kommen und woher Daten stammen.
4. „Nutze KI zur Schulung, nicht zur Entlastung.“
   KI-Analysen können helfen, Schreibqualität und Strukturierungskompetenz im Team zu verbessern.
5. „Denke in Systemen, nicht in Tools.“
   Ein isoliertes KI-Tool kann nur Teilaufgaben lösen. Wirklichen Mehrwert bietet nur ein System, das Analyse, Nachverfolgbarkeit und Governance integriert.

‍

Praxisbeispiel: Vom Excel-Chaos zur strukturierten Entscheidungsgrundlage

Ein mittelständischer Zulieferer erhielt regelmäßig umfangreiche Anforderungslisten seiner OEM-Kunden – meist in Form von Excel-Tabellen mit teils über 1.000 Einträgen.

Das manuelle Übertragen und Sortieren dauerte früher mehrere Tage.

Mit einem automatischen Import in reqSuite® rm werden diese Dokumente heute in wenigen Minuten eingelesen.

Eine KI-gestützte Logik erkennt redundante Anforderungen, markiert unklare Formulierungen und ordnet Inhalte automatisch den richtigen Komponenten zu.

Das Ergebnis:

• Die Vorbereitungszeit sank um mehr als 70 %.
• Fehler durch manuelle Übertragungen wurden praktisch eliminiert.
• Die fachliche Bewertung kann direkt im Tool erfolgen – basierend auf klarer Struktur und konsistenten Beziehungen.

Aber: Die finale Entscheidung, welche Anforderungen umgesetzt werden, bleibt weiterhin beim Menschen.

‍Die Automatisierung schafft die Grundlage – nicht das Urteil.

‍

Warum ein KI-Tool allein nicht reicht

Viele KI-Startups und spezialisierte Anbieter versprechen heute, das Requirements Engineering mit smarten Textanalysen zu revolutionieren. Doch sie betrachten Anforderungen meist als isolierte Texte – ohne Prozess, ohne Historie, ohne Kontext.

In der Praxis aber ist Requirements Management ein vernetztes System:

Anforderungen hängen mit Testfällen, Risiken, Normen, Architekturkomponenten und Stakeholdern zusammen. Ohne diese Verknüpfungen verliert jede KI-Analyse ihren Bezug zur Realität.

Ein KI-Tool kann sagen, dass eine Anforderung unklar ist. Ein RM-System zeigt zusätzlich, welche Auswirkungen diese Unklarheit hat – etwa auf Funktionen, Lieferumfänge oder Testfälle. Erst diese Verbindung macht Automatisierung wirklich wertvoll.

Darum reicht es nicht, ein einzelnes „hippes“ KI-Tool einzusetzen. Was moderne Produktentwicklung braucht, ist eine integrierte Gesamtlösung, die Automatisierung, Methodik und Prozesslogik vereint – wie in einer orchestrierten Plattform, in der KI kein Fremdkörper, sondern ein natürliches Element ist.

‍

Umsetzung: So gelingt der Einstieg in die KI-gestützte Automatisierung

Ein erfolgreicher Start hängt weniger von der Technologie als von der Herangehensweise ab. Empfehlenswert ist ein schrittweises Vorgehen:

1. Pilotprojekt wählen
   Beginne mit einem realen, aber überschaubaren Anforderungspaket, das typische Herausforderungen abbildet.
2. Prozessziele definieren
   Soll die Importzeit sinken? Die Qualität steigen? Oder die Transparenz verbessert werden?
3. Datenqualität prüfen
   KI kann nur mit konsistenten Daten arbeiten. Deshalb lohnt sich eine Bereinigung vorhandener Dokumente vor dem ersten Einsatz.
4. Ergebnisse analysieren und anpassen
   Erste Ergebnisse sollten gemeinsam mit den Fachabteilungen bewertet werden, um Fehlklassifikationen zu erkennen und Regeln nachzuschärfen.
5. Langfristig integrieren
   Wenn das Verfahren zuverlässig funktioniert, kann es schrittweise auf weitere Projekte ausgeweitet werden – etwa in Kombination mit Testmanagement oder Risikobewertung.

‍

Fazit: Automatisierung ersetzt kein Requirements Engineering – sie ermöglicht es erst richtig

Automatisierung und KI sind kein Ausweg aus dem Requirements Management. Sie sind der nächste logische Schritt, um es effizienter, objektiver und nachvollziehbarer zu gestalten.

Aber: Wer glaubt, dass damit alle Probleme gelöst sind, hat den Kern des Themas noch nicht verstanden.

Denn die größten Herausforderungen im Requirements Engineering liegen nicht im Erfassen von Daten – sondern im Verstehen, Entscheiden und Kommunizieren. Diese Aufgaben bleiben menschlich.

KI und Automatisierung schaffen die Voraussetzungen, damit Teams sich genau darauf konzentrieren können – und damit Anforderungsmanagement wieder das wird, was es eigentlich sein soll: die Brücke zwischen Ideen, Technik und erfolgreicher Umsetzung.

Oder kurz gesagt: Automatisierung ist kein Ersatz für Denken – sie ist die Einladung dazu, es endlich wieder zu tun.