KI im Anforderungsmanagement: Was funktioniert, was nicht
KI im Anforderungsmanagement bezeichnet den Einsatz von Sprachmodellen, um Anforderungen zu formulieren, zu prüfen und mit bestehenden Systemen abzugleichen — von der reinen Texterstellung bis zur automatisierten Qualitätsprüfung. Wie weit das heute wirklich trägt, unterscheidet sich massiv je nachdem, welche Aufgabe man der KI gibt.
Ein Product Owner baut sich einen eigenen KI-Agenten, der aus Workshop-Notizen automatisch Jira-Tickets erstellt. Die Entwickler beschweren sich trotzdem — zu viel Kontext, zu unspezifisch, zu ausschweifend. Erst eine strikte Formatvorgabe macht die Ausgabe brauchbar.
Diese Situation ist typisch für den aktuellen Stand von KI im Anforderungsmanagement: Die Technologie ist an manchen Stellen bereits zuverlässig, an anderen erzeugt sie neue Arbeit, die vorher nicht existierte. Wer beides nicht unterscheidet, kauft oder baut das Falsche.
Dieser Beitrag ordnet das entlang von drei Ebenen, auf denen sich KI im Anforderungsmanagement bewähren muss — oder eben nicht: der Textebene, der Datenebene und der Entscheidungsebene. Einen Überblick über den gesamten Prozess, unabhängig vom KI-Einsatz, gibt der Grundlagen-Beitrag Anforderungsmanagement in der Praxis: Prozess und KI.
Ebene 1 — Textebene: Wo KI im Anforderungsmanagement heute zuverlässig funktioniert
KI beschleunigt das reine Formulieren von Anforderungen erheblich. Das ist der am besten belegte Effekt und in der Praxis inzwischen kaum noch strittig.
Wo Anforderungen früher manuell in einzelne Jira-Tickets übertragen wurden — jedes Ticket einzeln angelegt, jedes Pflichtfeld einzeln ausgefüllt — reicht mit KI-Unterstützung heute oft ein Bruchteil der Zeit für dieselbe Arbeit. Der Unterschied liegt nicht in besserer Qualität, sondern im reinen Ausformulieren: Text schreiben, Struktur anlegen, aus Rohnotizen ein Ticket bauen.
Das deckt sich mit einer verbreiteten Erfahrung aus Requirements-Teams: Die KI schlägt eine erste Formulierung vor, das Team übernimmt sie größtenteils direkt oder passt sie leicht an — bei einfachen, wiederkehrenden Story-Typen praktisch ohne Nacharbeit. Für das reine Verschriftlichen,. nicht für die Qualitätsprüfung dahinter, ist das ein echter, messbarer Fortschritt.
Auf der Textebene hat sich die Diskussion in der Praxis weitgehend erledigt. Das eigentliche Problem liegt eine Ebene tiefer.
KI verkürzt die Zeit vom Rohgedanken zum ersten Ticket-Entwurf drastisch. Sie prüft aber nicht, ob dieser Entwurf auch richtig ist.
Warum generische KI-Agenten neue Probleme im Anforderungsmanagement erzeugen
Genau hier beginnt der zweite, weniger erzählte Teil der Geschichte. Ein selbstgebauter oder generischer KI-Agent produziert schnell Text, aber ohne festen Rahmen liefert er zu viel oder zu wenig davon.
Im eingangs beschriebenen Fall lieferte der Agent anfangs zu ausschweifende Tickets mit unnötigem Kontext. Entwickler mussten die Ausgabe erst wieder einordnen, bevor sie damit arbeiten konnten: genau der Review-Aufwand, den die KI eigentlich ersparen sollte. Erst eine feste Formatvorgabe, die genau festlegt, was in ein Ticket gehört und was nicht, löste das Problem.
Das ist kein Ausnahmefall, sondern ein strukturelles Muster: Ein Sprachmodell erzeugt plausiblen Text. Ob dieser Text auch prozesstreu ist — ob er dem definierten Vorgehen des Unternehmens folgt, die richtigen Felder befüllt, die richtige Flughöhe trifft — hängt vom Rahmen ab, in dem das Modell arbeitet. Ohne diesen Rahmen entsteht Freitext mit KI-Anstrich. Mit ihm entsteht eine Anforderung, die tatsächlich weiterverarbeitbar ist.
Für Unternehmen bedeutet das: Die relevante Frage ist nicht "Kann die KI Text erzeugen?", sondern "Erzeugt sie Anforderungen, die ohne Nacharbeit direkt in die Entwicklung gehen können?"
Ebene 2 — Datenebene: Warum interne KI-Lösungen im Anforderungsmanagement oft nicht liefern
Der zweite Bruch zeigt sich bei internen KI-Tools in regulierten Konzernumgebungen. Ein typisches Muster: Ein internes GPT-Tool ist an weniger als 10 Prozent der relevanten internen Dokumente angebunden. Das Ergebnis: Das Tool erfindet Antworten, statt sie aus echten Unternehmensdaten abzuleiten.
Frei verfügbare Tools mit vollem Kontextzugriff liefern in solchen Fällen oft deutlich bessere Ergebnisse als die interne Lösung, dürfen aber aus Compliance- und Datenschutzgründen nicht produktiv eingesetzt werden. Unternehmen stecken damit zwischen zwei schlechten Optionen: ein internes Tool, das zu wenig weiß, und ein leistungsfähigeres Tool, das nicht genutzt werden darf.
Das Muster dahinter: KI ist nur so gut wie ihr Zugriff auf den tatsächlichen Anforderungskontext eines Unternehmens. Ein Sprachmodell ohne Anbindung an bestehende Systeme, Historie und Fachwissen liefert generische, teils falsche Aussagen. Ein Sprachmodell mit vollem Zugriff, aber ohne Governance, ist ein Compliance-Risiko. Beides ist im Enterprise-Kontext keine Lösung — sondern ein neues Problem, das vor der eigentlichen Anforderungsarbeit gelöst werden muss. Welche Anforderungen aus DSGVO-Sicht besonders geprüft werden müssen, zeigt Anforderungen und DSGVO: 7 Punkte, die jede Anforderung bestehen muss.
Je stärker reguliert eine Branche, desto häufiger taucht dieses Muster auf. Das deutet darauf hin, dass Governance-Reife und KI-Reife im Anforderungsmanagement direkt zusammenhängen — nicht allein die Unternehmensgröße.
Ein Muster, das sich über regulierte Branchen hinweg wiederholt: Interne KI-Tools scheitern seltener an der Modellqualität als an der Datenanbindung und an fehlender Governance für den Zugriff.
Ebene 3 — Entscheidungsebene: Was KI im Anforderungsmanagement heute nicht löst
Nicht jedes Problem im Anforderungsmanagement ist ein Textproblem und genau da wird der Einsatz von KI überschätzt.
In Organisationen mit vielen beteiligten Abteilungen und mehreren Product Ownern am selben System liegt das größte Problem selten in schlecht formulierten Anforderungen. Die Anforderungen sind oft klar. Das Problem ist, dass sich Prioritäten kurzfristig verschieben, dass externe Vorgaben ohne Vorlauf hereinkommen und dass zu viele Akteure gleichzeitig Ansprüche an dieselbe Roadmap stellen.
Kein Sprachmodell löst dieses Problem, weil es kein Formulierungsproblem ist. Es ist ein Koordinations- und Governance-Problem: Wer entscheidet, wenn mehrere Product Owner gleichzeitig Kapazität beanspruchen? Wie wird sichtbar, welche Entscheidung wann und warum getroffen wurde?
Das ist eine wichtige Unterscheidung für jede Investitionsentscheidung: KI kann Anforderungen strukturieren und prüfen. Sie ersetzt keine Governance, keine Priorisierungslogik und keine Klärung von Verantwortlichkeiten zwischen Fachbereich und IT.
Wo die Grenze in der Praxis verläuft
Die Trennlinie ist einfacher, als sie klingt: Sobald eine Anforderung existiert und schriftlich vorliegt, kann KI prüfen, strukturieren und Lücken aufzeigen. Sobald es darum geht, ob und wann diese Anforderung überhaupt umgesetzt wird, ist das eine Entscheidung von Menschen mit Budget- und Priorisierungsverantwortung. Ein Tool, das diese Grenze nicht kennt, verspricht mehr, als es halten kann.
Der Drei-Ebenen-Check für jede KI-Investition im Anforderungsmanagement
Aus den drei Mustern lässt sich eine einfache Prüfreihenfolge ableiten:
Die meisten KI-Initiativen im Anforderungsmanagement scheitern nicht auf der Textebene — die ist inzwischen weitgehend gelöst. Sie scheitern, weil Ebene 2 und 3 unterschätzt werden.
Das International Requirements Engineering Board (IREB) formuliert mit seinem CPRE-Standard seit Jahren, woran sich gute Anforderungen messen lassen — Vollständigkeit, Widerspruchsfreiheit, Nachvollziehbarkeit. Diese Kriterien ändern sich nicht dadurch, dass ein Sprachmodell den Text schreibt. Sie werden dadurch nur relevanter, weil KI in der Lage ist, in Sekunden Text zu produzieren, der diese Kriterien formal, aber nicht inhaltlich erfüllt.
Ein Ansatz, der alle drei Ebenen abdeckt, braucht entsprechend drei Dinge: einen definierten Prozessrahmen, der festlegt, was eine vollständige Anforderung ausmacht; Zugriff auf den tatsächlichen Unternehmenskontext, nicht nur auf ein generisches Modell; und eine Prüfung, die Lücken und Widersprüche sichtbar macht, bevor eine Anforderung freigegeben wird: nicht danach, wenn Entwickler sie bereits missverstanden haben.
Genau das ist der Unterschied zwischen einer Anforderung, die schnell entstanden ist, und einer Anforderung, die entscheidungsreif ist.
Was Sie daraus mitnehmen sollten
KI im Anforderungsmanagement funktioniert heute zuverlässig dort, wo es um reine Textproduktion geht und stößt an ihre Grenzen, wo Prozesstreue, Datenzugriff oder Koordination gefragt sind. Wer ein Tool bewertet, sollte nicht fragen, wie schnell es Text erzeugt, sondern ob es Anforderungen prozesstreu und entscheidungsreif macht, bevor sie in die Entwicklung gehen.
Wie das in Ihrem Anforderungsprozess konkret aussieht, zeigen wir in einer unverbindlichen Demo.
Häufige Fragen zu KI im Anforderungsmanagement
Kann KI Anforderungsmanagement vollständig automatisieren?
Nein. KI kann Anforderungen formulieren, strukturieren und auf Vollständigkeit prüfen. Die Entscheidung, welche Anforderung wann umgesetzt wird, bleibt eine Governance- und Priorisierungsfrage, die Menschen treffen — kein Sprachmodell.
Ersetzt KI Requirements Engineers oder Product Owner?
Nein. In der Praxis verschiebt KI die Arbeit — weg vom reinen Formulieren, hin zu Prüfung, Kontextpflege und Entscheidungsvorbereitung. Die Rolle bleibt, die Tätigkeit verändert sich.
Warum liefern interne KI-Tools oft schlechtere Ergebnisse als frei verfügbare?
Meist wegen fehlender Datenanbindung: Interne Tools haben oft nur Zugriff auf einen Bruchteil der relevanten Unternehmensdokumente und erfinden Antworten, wo Kontext fehlt — nicht wegen schlechterer Modellqualität.
Was unterscheidet ein KI-Tool für Anforderungsmanagement von einem generischen Chat-Assistenten?
Ein generischer Assistent erzeugt Text auf Zuruf. Ein Tool für Anforderungsmanagement prüft diesen Text gegen einen definierten Prozessrahmen — Vollständigkeit, Widerspruchsfreiheit, Format — bevor er freigegeben wird.
